Une étude du KAIST sud-coréen, présentée à l’IEEE HPCA, établit un constat qui dérange l’industrie : un agent IA autonome consomme jusqu’à 136 fois plus d’énergie par requête qu’un modèle génératif classique. Derrière la promesse d’une intelligence machine capable de planifier et d’agir seule, se profile une équation énergétique que ni les opérateurs de cloud ni les régulateurs n’ont encore sérieusement chiffrée.
De la réponse à l’action : le saut de charge invisible
L’IA générative telle que le grand public la connaît fonctionne sur un modèle simple : une requête, une réponse, un arrêt. L’IA agentique rompt avec cette logique séquentielle. Ces systèmes planifient, s’auto-corrigent, interrogent des bases de données externes et enchaînent des dizaines d’actions pour atteindre un objectif complexe — rédiger un rapport de marché, gérer une chaîne d’approvisionnement ou piloter un portefeuille d’actifs.
Ce changement de mode opératoire a un coût physique que l’industrie a longtemps sous-estimé. Jusqu’ici, la consommation énergétique de l’IA était principalement imputée à la phase d’entraînement des grands modèles de langage — un coût lourd, mais ponctuel. Les chercheurs du KAIST montrent que c’est désormais la phase d’inférence — l’usage quotidien, massif et industriel — qui s’impose comme le véritable gouffre énergétique du secteur.
Le facteur 136 : ce que révèle l’étude coréenne
Présentés au 32ᵉ Symposium international de l’IEEE sur l’architecture des systèmes haute performance (HPCA), les travaux du professeur Minsoo Rhu et de son équipe reposent sur une modélisation précise des boucles de calcul propres aux agents autonomes.
Contrairement à un modèle classique, un agent sollicite ses clusters de GPU en continu : chaque sous-tâche génère une nouvelle requête interne, qui elle-même déclenche un nouveau cycle de calcul. C’est cette récursivité qui fait exploser la facture énergétique.
Le chiffre central de l’étude est sans appel : une requête adressée à un agent autonome peut absorber jusqu’à 348,41 Wh, soit l’équivalent d’une ampoule LED fonctionnant trente heures d’affilée — condensé en quelques minutes de traitement.
Rapporté à un modèle génératif effectuant une tâche comparable, le ratio atteint 136,5.
Ce n’est pas un simple écart de performance. C’est un changement d’ordre de grandeur.
L’infrastructure sous-dimensionnée pour la prochaine vague
Les opérateurs de centres de données ont bâti leurs capacités en anticipant la croissance des usages génératifs — des requêtes ponctuelles, distribuées et à charge relativement prévisible.
L’IA agentique impose un profil de consommation radicalement différent : des pics prolongés, intenses et concentrés sur des clusters de GPU de dernière génération.
Les conséquences sont doubles. Sur le réseau électrique d’abord : en France, l’ADEME évalue la consommation des datacenters à environ 10 TWh par an sur un total national de 449 TWh, une part encore contenue mais dont la trajectoire pourrait évoluer rapidement avec la généralisation des agents IA dans les logiciels professionnels.
Sur le plan matériel ensuite, les phases d’inférence prolongées génèrent des densités de chaleur que les systèmes de refroidissement classiques peinent à absorber. Le développement industriel des agents autonomes pourrait accélérer le recours à de nouvelles architectures de refroidissement, notamment le liquid cooling, capables de répondre aux besoins croissants des infrastructures numériques.
La course à la puissance face au mur énergétique
Pour l’équipe du KAIST, la réponse ne consiste pas à opposer innovation et sobriété énergétique. Elle nécessite une réingénierie simultanée du logiciel et du matériel.
La course à la puissance brute — l’idée que des modèles toujours plus grands produisent des agents toujours plus performants — se heurte progressivement aux contraintes physiques des infrastructures.
Les pistes explorées convergent vers plusieurs axes : la quantification des modèles, qui réduit leur empreinte mémoire sans sacrifier leurs performances ; le développement de petits modèles spécialisés (Small Language Models, SLM), capables d’exécuter certaines tâches avec une consommation réduite ; et la co-conception entre les puces et les logiciels, afin d’optimiser les flux de calcul dès la conception des architectures informatiques.
L’enjeu dépasse désormais la seule performance technologique. Si l’industrie ne parvient pas à rendre l’IA agentique énergétiquement soutenable, la prochaine décennie pourrait se heurter non pas à une limite algorithmique, mais à une limite énergétique.
La Rédaction
Sources et références
- Institut supérieur coréen des sciences et technologies (KAIST) — étude sur la consommation énergétique des agents IA présentée au 32ᵉ Symposium international de l’IEEE sur l’architecture des ordinateurs haute performance (HPCA).
- IEEE — travaux de recherche sur l’architecture des systèmes informatiques haute performance.
- Agence de l’environnement et de la maîtrise de l’énergie (ADEME) — données sur la consommation énergétique des centres de données et du numérique.
- Travaux de recherche internationaux sur l’efficacité énergétique des modèles d’intelligence artificielle et des infrastructures de calcul.
