Evaluer l'empreinte carbone des systèmes d'IA générative

Cet article présente TokenFlop, une méthodologie de modélisation pour l'évaluation de l'empreinte environnementale des Systèmes d'Intelligence Artificielle Générative (SIAG). Elle s'appuie sur les meilleures pratiques et les normes existantes, notamment l'ACV ISO 14040.

L'objectif n'est pas de produire une mesure certifiée des émissions, mais de fournir des ordres de grandeur fiables et comparables, utiles à la prise de décision. Au-delà de la simple déclaration dans un rapport GHG Protocol, cette approche permet à une organisation de comprendre la matérialité de ses usages IA, de l'inscrire dans un contexte environnemental et sociétal, et d'orienter ses choix vers des systèmes plus sobres.

L'adoption d'une telle méthodologie apporte des bénéfices concrets :

• Une approche unifiée, couvrant toutes les situations d'usage de l'IA générative entraînement, fine-tuning, inférence multimodale et fondée sur l'ACV ISO 14040.
• Une base méthodologique pour estimer ses émissions GES et les intégrer dans un reporting structuré, en toute transparence sur les hypothèses retenues.
• La capacité d'identifier des tendances de croissance afin de projeter la consommation et les coûts à venir.
• Un cadre pour définir un budget carbone cohérent avec une trajectoire d'alignement sur l'Accord de Paris.

L'approche par modélisation théorique exposée ci-après permet également :

De simuler l'impact d'un passage à l'échelle et d'anticiper le dimensionnement des équipements de production.

De comparer des solutions entre elles sur une base commune, afin d'orienter les choix vers les options les plus efficientes.

D'évaluer a priori l'impact de politiques de sobriété numérique, avant leur mise en œuvre.