Phase d'apprentissage d'un modèle d'IA sur de grandes quantités de données, nécessitant des ressources de calcul intensives (GPU/TPU) pendant des jours ou des semaines. L'entraînement concentre l'essentiel de l'empreinte carbone initiale d'un modèle, mais ne représente que 10-20 % de son impact total sur le cycle de vie.
L'entraînement des modèles d'IA présente des risques ESG significatifs, notamment une empreinte carbone élevée due à la consommation énergétique intensive des GPU/TPU, contribuant aux émissions de gaz à effet de serre et à l'épuisement des ressources, ce qui est directement pertinent pour l'ESRS E1 (changement climatique) et E5 (usage des ressources et économie circulaire).
L'entraînement de GPT-4 a consommé environ 50 GWh d'électricité et généré 500-1000 tCO2e. Une entreprise française qui fine-tune un modèle existant plutôt que d'entraîner from scratch réduit son empreinte d'entraînement de 99 %.
Termes connexes (Technologie)
IA fantôme (Shadow AI)
Utilisation non autorisée d'outils d'intelligence artificielle par les employés, contournant les politiques de sécurité, de conformité et de gouvernance de l'entreprise. Ce phénomène représente un risque ESG majeur : fuite de données sensibles, non-conformité RGPD/IA Act, absence de traçabilité et d'audit.
Ingénierie de prompt ESG
Discipline d'optimisation des instructions textuelles (prompts) données aux modèles d'IA pour obtenir des réponses pertinentes, précises et conformes aux exigences du reporting de durabilité. Inclut la structuration des requêtes, l'injection de contexte réglementaire et la réduction des hallucinations.
Hallucination IA
Génération par un modèle d'IA de contenus faux, inventés ou non étayés par les données sources, présentés avec une apparence de certitude. Risque critique pour le reporting ESG où l'exactitude et la traçabilité des informations sont essentielles pour l'audit externe.
Token (unité de traitement IA)
Unité élémentaire de texte traitée par les modèles de langage (environ 4 caractères ou 0,75 mot en français). Le nombre de tokens détermine le coût de calcul, la consommation énergétique et l'empreinte carbone d'une requête IA. Métrique clé pour l'optimisation Green AI.
GPU (Processeur graphique)
Processeur spécialisé dans le calcul parallèle, essentiel pour l'entraînement et l'inférence des modèles d'IA. Les GPU représentent la principale source de consommation énergétique et d'émissions carbone des infrastructures IA, avec des enjeux d'approvisionnement en terres rares et de recyclage.
Récupération de chaleur fatale (data center)
Valorisation de la chaleur résiduelle générée par les serveurs et GPU des centres de données pour alimenter des réseaux de chauffage urbain, des serres agricoles ou des processus industriels. Levier clé d'économie circulaire pour réduire l'impact environnemental net des infrastructures IA.