Un climatologue a enregistré huit semaines d’utilisation d’agents d’IA. Il consommait 600 fois plus de puissance par invite qu'un message de chat
Zeke Hausfather a suivi 3,2 milliards de jetons grâce à Claude Code et a estimé l'électricité derrière eux. Les chiffres publiés par les laboratoires d’IA décrivent un type d’utilisation que presque personne ne fait plus.
Depuis un an, l’industrie de l’IA a répondu aux questions sur sa consommation d’énergie avec un chiffre rassurant. Google affirme que l’invite de texte médiane Gemini utilise 0,24 wattheure, soit moins de neuf secondes de télévision. Sam Altman a évalué la requête ChatGPT moyenne à 0,34 wattheure. Le climatologue Zeke Hausfather a maintenant mesuré ce qui se passe lorsque l’on utilise l’IA comme le font réellement un nombre croissant de personnes, et ce nombre est environ 600 fois plus grand.
Hausfather a passé huit semaines à enregistrer son utilisation de Claude Code, un agent de codage qui effectue des tâches par lui-même plutôt que de répondre à une question à la fois. L’outil conserve des journaux locaux avec le nombre exact de jetons que l’API rapporte pour chaque appel, le comptage est donc solide. Il a tapé 1 138 invites. Ceux-ci ont déclenché plus de 14 000 appels de modèles, environ douze par invite, et traité 3,2 milliards de jetons. Un jeton est à peu près un fragment de mot, et un échange de chat ordinaire en gère environ un millier. Son invite moyenne était de 2,9 millions.
La raison de cet écart mérite d’être comprise. Quatre-vingt-seize pour cent de ces jetons étaient des lectures de cache : à chacune des 14 000 étapes, l’agent relit l’intégralité de son contexte accumulé pour se souvenir de ce qu’il fait. Le résultat qu’il a réellement vu à l’écran représentait 0,4 pour cent de tout ce qui était traité. Un agent consacre presque tous ses efforts à relire ses propres notes.
La conversion des jetons en électricité est la partie la plus douce, et Hausfather le dit clairement. Personne en dehors des laboratoires ne connaît le véritable coût énergétique par jeton d’un frontier model. Il a donc utilisé trois méthodes indépendantes. Sa meilleure estimation est d’environ 170 kilowattheures sur huit semaines, avec une plage de 70 à 330. Cela équivaut à environ 150 wattheures par invite. Une journée typique d’utilisation de l’agent s’élevait à 3,0 kWh, soit plus de deux réfrigérateurs.
Sur une base annuelle, cette habitude produirait environ 370 kg de CO2 sur le réseau américain moyen. C’est là que cela devient moins alarmant que ne le suggère le titre : cela représente un peu plus que faire fonctionner un sèche-linge électrique pendant un an et environ la moitié d’un vol aller-retour en classe économique de San Francisco à New York. Le propre résumé de Hausfather est qu’il s’agit à la fois d’une source importante d’émissions et d’une part modeste de son empreinte totale.
Ce que cela signifie pour vous: si vous utilisez des chatbots de manière habituelle, quelques invites par jour, l’empreinte de votre IA est véritablement minime, environ 0,3 kg de CO2 par an, et la culpabilité est déplacée. Si vous avez commencé à exécuter des agents qui travaillent sans surveillance pendant une heure, vous avez tranquillement progressé de plusieurs ordres de grandeur sur l’échelle, et cela vaut la peine de le savoir. Le levier pratique n’est pas l’abstinence mais le choix du modèle, puisque les modèles plus petits consomment cinq à sept fois moins d’énergie par token, donc envoyer des tâches simples à un plus petit représente une réelle économie. La conclusion de Hausfather dépasse largement les individus : près des trois quarts de la production d’électricité sur site prévue pour les centres de données américains fonctionnent au gaz naturel, et la même charge de travail sur l’électricité propre réduirait l’empreinte écologique d’environ 90 %. Une mise en garde sur tout cela : il s’agit d’estimations minutieuses et non de relevés de compteurs.
Sources
Sources: https://www.theclimatebrink.com/p/the-real-energy-use-of-agentic-ai
Backflip AI transforme les numérisations 3D en modèles CAO modifiables, un travail qui prend généralement des heures
La plupart des usines disposent de modèles numériques pour moins de 1 % de leurs pièces. Un nouveau modèle convertit une numérisation en géométrie CAO réelle et modifiable plutôt qu'en un maillage mort, et s'exécute en tant que complément Autodesk Fusion.
