La nuit dernière, mon calendrier a réservé une réponse automatique pendant que je dormais, et mon ordinateur portable ronronnait comme une minuscule centrale électrique. Je me suis réveillé curieux, puis alarmé. Le bot avait géré ma boîte de réception — mais quel en était le coût silencieux pour le réseau électrique ?
J’ai retracé les chiffres pour que vous n’ayez pas à le faire. Vous connaissez les chatbots amicaux qui répondent aux questions en une seule passe ? L’IA agentique ne s’arrête pas à une seule passe. Elle effectue des requêtes, raisonne, effectue de nouvelles requêtes, empile les décisions et répète jusqu’à ce qu’une tâche soit terminée. Cette superposition multiplie la consommation d’énergie et la latence d’une manière que la plupart des titres de journaux ignorent.
À mon bureau, je regarde les modèles s’arrêter en attendant plus de contexte — et cette attente est coûteuse
Le Korea Advanced Institute of Science and Technology (KAIST) a chiffré ce comportement et les résultats sont frappants. Un agent utilisant un grand modèle linguistique peut consommer en moyenne de 348,41 wattheures par requête — soit à peu près l’équivalent d’une ampoule LED allumée pendant une journée entière. C’est environ 136,5 fois l’énergie utilisée par une seule requête d’IA générative.
Voici pourquoi : une simple requête de grand modèle linguistique est un appel et une réponse. Un agent est une chaîne d’appels. Chaque décision, clarification et sous-tâche est un nouvel aller-retour vers le modèle. Le processus devient comme laisser une ampoule LED allumée à chaque requête.
Combien d’énergie les agents IA consomment-ils ?
Réponse courte : beaucoup plus que ce à quoi vous vous attendez. Les mesures du KAIST montrent une consommation par requête de centaines de wattheures pour les flux de travail agentiques — et non des milliwatts. Ce sont des équivalents pratiques en kilowattheures lorsque vous passez à des millions ou des milliards de requêtes.
Sur mon téléphone, je vois les réponses prendre plus de temps et les serveurs rester inactifs — cette latence gaspille des cycles et de l’argent
La latence n’est pas seulement un désagrément pour l’utilisateur. Le KAIST a découvert que les systèmes agentiques peuvent prendre 153,7 fois plus de temps qu’un chatbot à requête unique. Parce que les agents interrogent les modèles de manière répétée, les GPU passent une grande partie de leur temps d’exécution à attendre : les chercheurs ont estimé jusqu’à 54,5 % de temps d’inactivité pendant qu’une tâche se déroule.
Cette inefficacité ressemble à un taxi qui tourne en rond pendant des heures à la recherche d’une course — un véhicule et un chauffeur payés mais ne faisant pas avancer la ville.
Les agents IA sont-ils plus inefficaces que les chatbots ?
Oui. Les chatbots sont généralement des interactions ponctuelles ; les agents sont des programmes à plusieurs étapes. Plus d’étapes signifient plus d’appels de modèle, plus de latence et plus d’énergie par tâche accomplie. Les mathématiques favorisent la simplicité : moins d’allers-retours, moins la facture est élevée et plus la réponse est rapide.
Sur les réseaux sociaux, je vois les agents se multiplier rapidement — et l’échelle transforme une mauvaise équation en un problème mondial
Il n’est pas nécessaire d’être en laboratoire pour constater la tendance. Moltbook répertorie environ 200 000 agents vérifiés, et environ 400 000 agents auraient été approuvés pour effectuer des transactions en utilisant le stablecoin USDC. Google a intégré des fonctionnalités agentiques à la navigation. Les agents sont déjà dans la nature.
Le KAIST a modélisé un scénario où les agents génèrent 13,7 milliards de requêtes par jour — un volume similaire à celui de Google Search — et la demande atteint environ 198,9 gigawatts de puissance continue. C’est à peu près la moitié de la consommation électrique actuelle des États-Unis. Si les agents se développent de la même manière que les chatbots, le réseau pourrait ressentir la pression.
Les agents IA vont-ils surcharger le réseau électrique ?
Pas instantanément, mais ils soulèvent un risque évident. Sans des gains d’efficacité spectaculaires ou une orchestration plus intelligente, les charges de travail agentiques pourraient devenir une demande incrémentale majeure. Ce n’est pas de la spéculation ; c’est une projection basée sur les coûts mesurés par requête et des courbes d’adoption plausibles.
Alors, que faites-vous si vous vous souciez des résultats pratiques — des réponses plus rapides, des factures moins élevées et moins de cycles gaspillés ? Exigez une ingénierie plus intelligente. Demandez aux fournisseurs combien d’appels de modèle un agent effectuera pour accomplir une tâche. Insistez sur la mise en cache locale, le raisonnement léger et une politique qui limite la récursion. Observez si des plateformes comme Google ou des fournisseurs d’entreprise publient des métriques d’énergie par action.
J’ai vu des équipes produit traiter les agents comme des fonctionnalités astucieuses plutôt que comme des consommateurs d’énergie. Vous devriez vous demander si vous voulez un service qui gère une flotte d’agents en votre nom pour traiter des réponses triviales aux e-mails. Tout cela pour qu’un bot réponde à vos e-mails à votre place — mais à quel coût planétaire ?
Vous êtes assez intelligent pour peser la commodité et les conséquences ; lancez la conversation avec les ingénieurs, les fournisseurs et l’informatique sur l’énergie par action. Si le choix est entre un chatbot qui se comporte comme une calculatrice de poche et une armée d’assistants agentiques qui se comportent comme des centres de données avec de la mémoire, lequel voudriez-vous voir fonctionner en votre nom ?
Soutenez notre effort ❤️
Si vous avez apprécié cet article, pensez à laisser un pourboire pour nous aider à continuer à publier du contenu de qualité.
