L’IA gagne rapidement du terrain dans l’entreprise et place la DSI au cœur de nouveaux arbitrages. Quels modèles choisir ? Comment éviter la multiplication des outils ? Comment maîtriser les coûts, les infrastructures et les ressources mobilisées ? Entre gouvernance de l’IA, écoconception et Green IT, découvrez les leviers dont dispose la DSI pour continuer à innover tout en réduisant l’empreinte du système d’information.
Deux entreprises sur trois utilisent déjà l’IA générative
L’adoption de l’intelligence artificielle a franchi un nouveau cap.
Selon une étude de la Banque de France publiée le 3 septembre 2026, 67 % des entreprises françaises d’au moins 20 salariés déclarent utiliser l’IA générative. L’enquête menée auprès de quelque 7 000 entreprises, montre que le phénomène dépasse largement les grands grou
Le taux d’usage atteint déjà 64 % dans les entreprises de 20 à 49 salariés et grimpe à 83 % dans celles de 1 000 salariés ou plus. Pour la DSI, cette diffusion change la nature du sujet. L’IA entre dans les outils du quotidien et, progressivement, dans le système d’information lui-même
L’IA se diffuse d’abord là où son déploiement est simple
Cette diffusion rapide ne signifie pourtant pas que tous les usages sont déjà mûrs. Les usages restent concentrés sur certaines tâches.
Parmi les entreprises utilisatrices interrogées par la Banque de France, 85 % recourent à des outils de génération de texte. Dans 74 % des cas, l’IA est principalement utilisée dans les fonctions support : marketing, administration, finance-comptabilité ou ressources humaines.
Les activités de production restent encore minoritaires : seules 14 % des entreprises déclarent y concentrer leurs principaux usages.
Cette photographie est intéressante pour la DSI. Elle montre que l’IA se diffuse d’abord là où son déploiement est simple, avant d’entrer dans des processus plus sensibles ou plus critiques.
Ces usages sont faciles à déployer. Leur industrialisation l’est moins.
C’est précisément là que la DSI intervient.
Une direction marketing veut un assistant de rédaction. Les développeurs réclament un copilote. Le service client souhaite interroger sa base documentaire en langage naturel. La finance teste l’analyse automatique de documents. Chacun de ces projets peut être pertinent. Mais chacun ajoute aussi des modèles, des licences, des API, des données et des traitements.
La capacité d’une DSI à innover se mesure alors autant à ce qu’elle déploie qu’à ce qu’elle choisit de ne pas surdimensionner.
À ces préoccupations classiques s’ajoute désormais la consommation de ressources.
Derrière le prompt, des infrastructures bien réelles
L’interface souvent très simple d’une IA générative masque facilement ce qui se passe derrière l’écran. Chaque requête mobilise du calcul, de la mémoire, du stockage, des réseaux et des centres de données. À grande échelle, l’effet devient significatif.
Leur consommation vient s’ajouter à celle d’un système d’information dont de nombreuses entreprises cherchent déjà à réduire l’empreinte environnementale.
Dans son avis publié le 22 juillet 2026, l’ADEME rappelle que le numérique représentait déjà 4,4 % de l’empreinte carbone française en 2022. Elle estime également que les centres de données ont consommé 485 TWh d’électricité dans le monde en 2025 et que cette consommation pourrait doubler à l’horizon 2030, notamment avec l’essor de l’IA.
La localisation des traitements compte également. D’après l’ADEME, environ deux tiers des usages numériques français reposent sur des centres de données situés à l’étranger, parfois dans des pays où la production électrique est beaucoup plus carbonée qu’en France.
Pour une DSI, les critères de choix d’un fournisseur cloud ou d’une infrastructure s’élargissent donc. Prix, disponibilité, sécurité et souveraineté restent essentiels, mais la consommation de ressources et la localisation des traitements prennent progressivement davantage de poids.
La sobriété se joue donc bien avant la facture d’électricité du data center. Elle commence au moment de choisir quelle technologie mobiliser pour quelle tâche.
Pour une DSI, l’information a une conséquence très opérationnelle : deux solutions apportant un service comparable peuvent avoir des besoins en ressources très différents.
Le modèle le plus puissant n’est pas forcément le meilleur choix
La sobriété passe aussi par le choix des modèles.
Les travaux réalisés par le PEReN pour l’Arcep, publiés en mai 2026, apportent un enseignement particulièrement utile aux DSI : un modèle qui consomme davantage n’est pas nécessairement plus performant.
Sur les modèles testés, des solutions relativement économes atteignent des niveaux de performance comparables à des modèles plus énergivores. L’architecture compte également beaucoup. Les modèles de type Mixture of Experts ont consommé en moyenne 45 % de moins que des modèles denses de taille équivalente lors des tests. La quantification en 8 ou 4 bits a, elle, permis une diminution moyenne de 39 % de la consommation en inférence.
Le sujet dépasse donc largement la taille affichée du modèle.
Pour une DSI, comparer deux solutions IA devrait revenir à comparer au moins quatre éléments : la qualité obtenue sur le cas d’usage réel, le coût, le temps de réponse et les ressources mobilisées.
Quel niveau d’IA pour quel besoin ?
La sobriété consiste d’abord à ne pas utiliser plus de technologie que nécessaire.
| Besoin métier | Technologie à tester en premier | Ressources | Exemple concret | Arbitrage DSI |
|---|---|---|---|---|
| Appliquer une règle précise | Script, SQL, moteur de règles | ●○○○○ | Contrôler si un dossier contient toutes les pièces obligatoires | Une IA générative apporte peu de valeur si la règle est déterministe |
| Prévoir ou détecter une anomalie | Machine learning prédictif | ●●○○○ | Anticiper une panne, détecter une fraude, prévoir des ventes | Vérifier la qualité des données avant d’augmenter la complexité du modèle |
| Extraire ou synthétiser des documents | Petit modèle ou modèle spécialisé | ●●○○○ | Rechercher une procédure technique ou résumer des contrats | Tester un modèle compact avant un grand LLM généraliste |
| Créer un assistant métier polyvalent | LLM généraliste | ●●●○○ | Assistant RH ou support interne connecté à la documentation de l’entreprise | Surveiller la volumétrie, les données envoyées et le coût par requête |
| Résoudre un problème complexe en plusieurs étapes | LLM avec raisonnement | ●●●●● | Diagnostic technique complexe, génération de code avancée | N’activer le raisonnement que lorsque son gain est démontré |
| Croiser texte, images, son ou vidéo | Modèle multimodal | ●●●●○ | Analyser une photo de défaut industriel accompagnée d’un commentaire | Ne pas transmettre une image ou une vidéo si une donnée textuelle suffit |
Ces niveaux restent indicatifs : la consommation réelle dépend du modèle, de l’infrastructure, du volume traité et du nombre de tokens. Mais la logique est simple : tester d’abord le niveau de technologie suffisant pour atteindre la qualité attendue.
Pour que cela soit plus concret, voici quelques exemples de modèles connus :
Coûts et impact environnemental de différents modèles d’IA
| Modèle | Pour quoi faire ? | Coût indicatif* | Ressources mobilisées** | Réflexe DSI |
|---|---|---|---|---|
| GPT-5.6 Luna | Classification, analyse documentaire, automatisations à grande échelle | ≈ 0,0014 $ × 0,31 | 🟢 Faibles | Bon candidat quand le volume compte plus que la complexité |
| Gemini 3.1 Flash-Lite | Traduction, traitement de données simples, automatisations à fort volume | ≈ 0,0018 $ × 0,40 | 🟢 Faibles | À envisager pour industrialiser des tâches fréquentes et standardisées |
| Gemini 3.8 Flash | Assistant métier, agents, code, workflows complexes | ≈ 0,0045 $ × 1,00 — référence | 🟡 Modérées | Ajuster le niveau de raisonnement à la tâche |
| Claude Haiku 4.5 | Assistants réactifs, analyse rapide, génération et automatisation | ≈ 0,0060 $ × 1,33 | 🟡 Modérées | À privilégier lorsque rapidité et qualité doivent rester équilibrées |
| Claude Sonnet 5 | Analyse, rédaction complexe, code, agents et travail documentaire | ≈ 0,0120 $ × 2,67 | 🟠 Élevées | À réserver aux tâches où la qualité supplémentaire est utile |
| GPT-5.6 Terra | Travail métier avancé, code, raisonnement et automatisations complexes | ≈ 0,0140 $ × 3,11 | 🟠 Élevées | Bon niveau intermédiaire avant de basculer vers un modèle frontier |
| Gemini 3.1 Pro | Raisonnement avancé, analyse multimodale et tâches agentiques complexes | ≈ 0,0140 $ × 3,11 | 🟠 Élevées | À mobiliser lorsque la profondeur d’analyse justifie le surcoût |
| GPT-5.6 Sol | Raisonnement avancé, problèmes complexes, agents sophistiqués | ≈ 0,0240 $ × 5,33 | 🔴 Très élevées | Éviter de l’utiliser par défaut pour des tâches simples |
| Claude Opus 5 | Code avancé, agents autonomes et travaux métier à forte exigence | ≈ 0,0300 $ × 6,67 | 🔴 Très élevées | Le réserver aux tâches à forte valeur où son niveau supérieur est exploité |
| Claude Fable 5 | Agents longue durée et workflows nécessitant une autonomie importante | ≈ 0,0600 $ × 13,33 | 🔴 Très élevées | À cibler sur des processus complexes où l’autonomie justifie les ressources |
* Exemple de coût API pour 1 000 tokens en entrée + 1 000 tokens en sortie. Le multiplicateur compare chaque modèle au coût indicatif de Gemini 3.8 Flash, fixé à × 1,00.
** Le code couleur n’est pas une mesure de CO₂ par modèle. Il représente un niveau relatif de ressources à prévoir, établi en fonction du positionnement du modèle, de sa complexité et de son usage.
Le mode « raisonnement » illustre bien le risque de surdimensionnement
Les modèles capables de raisonner sur plusieurs étapes ainsi que les agents IA sont utiles pour les tâches difficiles. Leur consommation peut toutefois être nettement supérieure à celle d’un modèle sans raisonnement.
Dans les tests du PEReN, l’activation du raisonnement entraîne jusqu’à 92 % de consommation supplémentaire en moyenne pour les modèles concernés. Sur une tâche de génération de code, l’écart mesuré atteint même +849 %. Et l’amélioration de la performance varie fortement selon les tâches.
La différence est facile à traduire dans l’entreprise.
Un ingénieur qui demande à une IA d’analyser les causes possibles d’un incident complexe peut avoir besoin de cette capacité. Un collaborateur qui souhaite reformuler un e-mail n’en a probablement pas besoin.
Utilisé à grande échelle, ce simple choix de configuration devient un levier de sobriété.
Texte, image, vidéo : le format change l’addition
Toutes les requêtes adressées à une IA ne se ressemblent pas. Pour la DSI, choisir le modèle est important ; choisir la modalité l’est tout autant.
Les écarts sont considérables. Dans son rapport de mai 2026, l’Arcep indique que les études disponibles évaluent la génération d’une image à environ 60 fois plus d’énergie que la génération de texte, en moyenne. Pour la vidéo, l’ordre de grandeur monte encore : l’Arcep cite une estimation de l’Agence internationale de l’énergie d’environ 115 Wh pour générer une vidéo de six secondes.
Dans une entreprise, cette différence peut rapidement changer l’économie d’un cas d’usage. Un service marketing qui génère ponctuellement quelques illustrations ne pose pas le même problème qu’une plateforme e-commerce créant automatiquement plusieurs variantes visuelles pour des dizaines de milliers de produits.
La résolution compte également. Les tarifs des modèles d’image augmentent généralement avec la taille et la qualité demandées ; les études expérimentales montrent elles aussi que la consommation peut fortement varier selon la résolution et l’architecture du modèle. Une étude publiée en 2025 sur 17 modèles de génération d’images observe ainsi jusqu’à un facteur 46 entre les modèles testés.
Les agents multimodaux cumulent les traitements
Les agents IA multimodaux introduisent une autre forme de consommation, moins visible : ils ne réalisent souvent pas une seule inférence, mais une succession d’opérations.
Prenons un agent de support informatique. Il reçoit un ticket, analyse une capture d’écran, consulte la base documentaire, interroge l’outil ITSM, peut exécuter une commande de diagnostic, raisonner sur les résultats, puis rédiger une réponse.
Ce que l’utilisateur perçoit comme une seule demande peut donc déclencher plusieurs appels au modèle, des traitements d’images, des recherches et des appels à des outils externes.
Les mécanismes de tarification reflètent déjà cette réalité. Google précise par exemple que, pour ses systèmes agentiques, sont facturés les tokens d’entrée et de sortie mais aussi les tokens intermédiaires générés pendant les boucles de raisonnement. Du côté d’OpenAI, les outils et travailleurs délégués peuvent eux aussi ajouter leurs propres coûts aux tokens du modèle principal.
Il n’existe aujourd’hui aucun chiffre environnemental universel pour « une requête d’agent multimodal » : deux agents peuvent effectuer deux ou vingt étapes pour accomplir la même tâche. Le nombre de boucles devient donc lui-même un paramètre de sobriété.
Du texte à la vidéo : des ordres de grandeur très différents
| Usage IA | Exemple dans l’entreprise | Coût API indicatif* | Ressources | Réflexe DSI |
|---|---|---|---|---|
| 💬 Texte | Résumer un document, rédiger un mail | ≈ 0,0014 $ ×1 — référence | 🟢 Faibles |
Privilégier les modèles légers pour les usages courants |
| 🖼️ Image | Visuel marketing, illustration produit | ≈ 0,034 $ / image ≈ ×24 | 🟠 Élevées |
Limiter variantes et résolution au besoin réel |
| 🎬 Vidéo | Démonstration, communication, tutoriel | ≈ 1 $ / 10 s ≈ ×714 | 🔴 Très élevées |
Générer seulement si la vidéo apporte une vraie valeur |
| 🤖 Agent multimodal | Lire un ticket, analyser une capture, rechercher puis agir | Variable × variable selon les appels | 🟠→🔴 Variables à très élevées |
Plafonner les boucles, outils et modèles mobilisés |
Cette hiérarchie apporte un nouveau réflexe dans les projets IA.
Un catalogue produit n’a peut-être pas besoin de générer cinq nouvelles images à chaque consultation. Un support technique peut commencer par analyser le texte d’un incident avant de demander une capture d’écran. Une formation interne peut utiliser une illustration fixe lorsqu’une vidéo générée n’apporte pas de bénéfice pédagogique supplémentaire.
Pour les agents, la sobriété peut passer par des règles tout aussi concrètes : limiter le nombre maximal d’itérations, réserver les modèles de raisonnement aux étapes complexes, éviter l’analyse d’une pièce jointe lorsque ses métadonnées suffisent et mettre en cache les résultats réutilisables.
La question du format rejoint ainsi celle du choix du modèle. Plus une IA manipule de modalités et enchaîne d’étapes, plus la DSI a intérêt à vérifier que cette sophistication produit un gain métier réel.
L’IA frugale ne signifie pas « petite IA »
L’IA frugale est parfois réduite à l’utilisation de petits modèles. Son principe est plus large : rechercher le meilleur rapport entre la valeur produite et les ressources nécessaires.
Un grand modèle peut être le bon choix s’il apporte un gain réellement supérieur.
À l’inverse, un modèle compact peut lui-même être inutile lorsqu’un moteur de recherche, une règle métier ou un traitement classique répond déjà au besoin.
La frugalité peut aussi passer par des choix moins visibles : réduire le nombre de tokens envoyés, limiter la taille du contexte, mettre certains résultats en cache, éviter des traitements identiques répétés ou sélectionner les données avant de les transmettre au modèle.
Pour la DSI, il s’agit finalement d’un principe familier : dimensionner l’architecture en fonction du niveau de service attendu.
Le shadow AI complique aussi l’équation
La sobriété dépend également du nombre de solutions qui coexistent dans l’entreprise.
Un département utilise un assistant généraliste. Une autre équipe souscrit à un outil spécialisé. Les développeurs ont plusieurs copilotes. Le marketing teste des générateurs d’images. Des collaborateurs utilisent encore des comptes personnels.
Pour la DSI, ce shadow AI pose un problème bien connu de sécurité et de gouvernance. Il crée aussi une dispersion des ressources : licences sous-utilisées, API redondantes, données dupliquées et traitements effectués sur plusieurs plateformes.
Une cartographie des outils IA peut donc produire un triple bénéfice : réduire les risques, rationaliser les dépenses et limiter les usages inutiles.
La sobriété numérique rejoint ici directement la bonne gouvernance du SI.
Innover sans multiplier les projets sans lendemain
Les résultats publiés par la Banque de France rappellent également un point essentiel : l’adoption technologique ne garantit pas automatiquement la création de valeur.
Début 2026, l’IA générative est déjà utilisée par deux entreprises françaises sur trois de 20 salariés ou plus, mais elle reste encore souvent expérimentale ou limitée. La Banque de France estime que l’enjeu économique se déplace désormais de l’adoption vers la capacité de l’IA à transformer réellement l’organisation et la performance.
Cette évolution donne à la sobriété une dimension supplémentaire.
Un POC qui n’est jamais industrialisé a lui aussi mobilisé du temps, des données, du calcul et du budget. Une DSI responsable peut donc intégrer dès l’expérimentation des critères de sortie : qualité minimale attendue, nombre d’utilisateurs potentiels, coût par transaction, gain métier mesurable et ressources nécessaires.
Les projets qui ne franchissent pas ces seuils peuvent être arrêtés plus tôt.
Quatre indicateurs à suivre dès le pilote
Pour rendre cette démarche concrète, un projet IA peut être évalué dès ses premières semaines sur quatre dimensions :
1. La valeur. Temps réellement gagné, amélioration de la qualité, taux d’automatisation ou satisfaction des utilisateurs.
2. Le coût. Coût par requête, par dossier traité ou par utilisateur actif, plutôt que le seul montant de l’abonnement.
3. L’efficacité technique. Nombre de tokens, temps de calcul, quantité de données transférée ou taux de recours aux modèles les plus puissants.
4. L’usage réel. Nombre d’utilisateurs actifs, fréquence des requêtes et part des fonctionnalités effectivement utilisées.
Ces indicateurs permettent de comparer plusieurs architectures sur autre chose qu’une démonstration ponctuelle.
Faire de la juste puissance un critère de performance
L’IA ajoute une nouvelle dimension aux décisions d’architecture. La DSI doit toujours garantir la sécurité, la disponibilité, les coûts et la qualité de service. Elle doit désormais mieux regarder les ressources mobilisées pour produire ce service.
Concilier innovation et sobriété ne consiste donc pas à limiter arbitrairement les usages de l’IA. Cela demande de sélectionner les cas d’usage qui créent une valeur démontrable, de comparer les modèles sur des situations réelles et de réserver les architectures les plus gourmandes aux problèmes qui les nécessitent.
Une DSI peut ainsi continuer à innover rapidement tout en évitant que chaque nouveau besoin se traduise automatiquement par davantage de puissance, de données et d’infrastructures.Dans un SI où l’IA devient courante, obtenir le bon résultat avec une puissance correctement dimensionnée devient lui-même un indicateur de performance.
