Phénomène par lequel les gains d'efficacité d'une technologie sont partiellement ou totalement compensés par une augmentation de son usage. En IA, l'amélioration de l'efficacité énergétique des modèles (quantization, pruning) peut entraîner une explosion du nombre de requêtes, annulant les bénéfices environnementaux. L'effet rebond est un angle mort majeur des stratégies Green AI si elles ne s'accompagnent pas de politiques de sobriété numérique.
L'effet rebond, ou paradoxe de Jevons, représente un risque environnemental majeur où l'efficacité accrue des technologies, y compris l'IA, peut paradoxalement mener à une augmentation de la consommation et des impacts négatifs, annulant les gains initiaux.
Une entreprise optimise son modèle d'IA ESG qui consomme 60 % d'énergie en moins par requête. Mais la facilité d'usage entraîne un triplement du volume de requêtes en 6 mois, augmentant la consommation totale de 20 % — illustration classique de l'effet rebond direct.
Termes connexes (Environnement)
Green AI & eco-conception IA
Stratégie holistique réduisant l'empreinte carbone de l'IA : quantization, pruning, distillation, choix d'architectures légères. Elle intègre l'impact environnemental dès la phase de conception et non a posteriori.
Scope 3 de l'Intelligence Artificielle
Émissions indirectes de gaz à effet de serre générées par l'utilisation de systèmes d'IA tout au long de leur chaîne de valeur : fabrication des puces (TSMC, Samsung), consommation électrique des data centers, refroidissement par eau, et fin de vie des équipements. En 2025, les émissions Scope 3 de l'IA représentent environ 75% de l'empreinte carbone totale du secteur numérique selon l'AIE.
PUE – Indice d'efficacité énergétique des data centers
Indicateur d'efficacité énergétique qui exprime le ratio entre l'énergie totale consommée par un data center et l'énergie réellement utilisée par les équipements informatiques. Plus le PUE se rapproche de 1, plus le data center utilise efficacement l'électricité disponible.
WUE – Indice d'efficacité en eau des data centers
Indicateur qui rapporte le volume d'eau consommé au fonctionnement d'un data center à l'énergie délivrée aux équipements informatiques, généralement exprimé en litres par kWh. Il permet d'évaluer l'empreinte hydrique des infrastructures numériques dans un contexte de stress croissant sur la ressource en eau.
Émissions d'entraînement des LLM
Émissions de gaz à effet de serre générées lors de l'entraînement initial des grands modèles de langage, souvent très intensif en calcul et concentré sur quelques semaines. Ces émissions peuvent atteindre plusieurs milliers de tonnes de CO₂e pour un seul modèle, selon la taille du modèle, l'architecture et la source d'énergie utilisée.
Émissions d'inférence des LLM
Émissions quotidiennes générées par les requêtes adressées aux modèles d'IA en production, lorsque ceux-ci répondent à des utilisateurs ou traitent des flux automatiques. À long terme, les émissions liées à l'inférence dépassent souvent celles de la phase d'entraînement, surtout pour les services très utilisés.