Quand l'IA devient plus efficace, elle peut consommer davantage

Le 25 août 2026, OpenAI a présenté sa première puce électronique conçue pour faire tourner ses modèles d'intelligence artificielle dans ses propres centres de données. Son nom de code est Jalapeño. Ce n'est ni un nouveau ChatGPT ni un composant destiné à votre ordinateur : elle sert à produire les réponses des modèles, une opération que les spécialistes appellent l'« inférence ».

Le même jour, l'entreprise a publié un second texte sur sa stratégie industrielle. Pris séparément, le message est simple : chaque watt d'électricité permet de produire davantage de réponses. Lus ensemble, les deux textes racontent autre chose. Cette efficacité doit aussi rendre de nouveaux usages rentables, attirer davantage de demande et financer la prochaine vague de centres de données.

C'est précisément le piège de l'efficacité. Consommer moins pour une tâche ne signifie pas nécessairement consommer moins au total.

Une puce conçue pour produire les réponses de l'IA

Chaque fois que vous posez une question à une IA, des serveurs effectuent des calculs pour générer sa réponse. Jalapeño est la puce qu'OpenAI a conçue, avec Broadcom, pour réaliser cette étape plus vite et avec un meilleur rendement énergétique.

OpenAI affirme qu'elle délivre, au débit maximal, entre 1,5 et 1,9 fois plus de travail d'IA par watt que les systèmes commerciaux utilisés dans sa comparaison. Dit autrement : à puissance électrique identique, elle pourrait produire davantage de réponses. Son déploiement dans l'infrastructure interne est annoncé pour la fin de 2026.

Ces tests viennent d'OpenAI. Leur principale mesure, le « débit par kilowatt », indique la quantité de travail produite pour une puissance donnée, à vitesse de réponse comparable. Elle ne donne ni la consommation d'une requête moyenne, ni celle d'un utilisateur, ni celle de l'ensemble du réseau.

Comparer seulement la puissance annoncée de Jalapeño à celle de puces Nvidia ne permet pas non plus de comparer deux centres de données. Une puce ne fonctionne jamais seule : il faut aussi compter la mémoire, le réseau, le refroidissement, les pertes électriques et le taux d'utilisation de l'ensemble.

Pourquoi l'efficacité ne garantit pas la sobriété

Le même jour, Sarah Friar, directrice financière (CFO) d'OpenAI, présente la logique économique de l'entreprise. Son métier est de piloter les finances et les investissements nécessaires à la croissance d'OpenAI : son texte éclaire donc moins la conception technique de la puce que le modèle de croissance qu'elle doit soutenir. Le mécanisme est simple : un matériel mieux adapté réduit le coût du service, des modèles plus accessibles déclenchent davantage d'usages, puis cette croissance finance de nouvelles infrastructures.

Le texte nomme lui-même le mécanisme : le paradoxe de Jevons, aussi appelé effet rebond. Quand une ressource devient plus efficace et moins chère à utiliser, sa consommation totale peut augmenter parce qu'un plus grand nombre d'usages deviennent possibles. Une voiture qui consomme moins au kilomètre n'économise pas forcément du carburant si cette baisse de coût conduit à rouler beaucoup plus.

OpenAI ne cache donc pas l'effet rebond ; l'entreprise le présente comme un moteur de croissance. Cela ne prouve pas encore une trajectoire précise de consommation. Il faudrait pour cela publier dans la durée l'énergie consommée, le nombre de réponses produites, l'entraînement des modèles et le périmètre des centres de données.

Le TGV montre pourquoi le total et le rendement sont deux questions différentes

Le parallèle avec le rail aide à sortir d'un débat trop abstrait. Un TGV consomme énormément d'électricité dans l'absolu. Pourtant, nous acceptons cette dépense parce qu'elle transporte beaucoup de personnes et parce que son électricité est relativement peu carbonée en France.

La méthodologie 2026 de SNCF Voyageurs donne 2,1 grammes de CO₂e par voyageur-kilomètre pour le TGV. La SNCF précise que cette information porte principalement sur l'usage et n'intègre pas encore l'infrastructure ferroviaire.

Ce chiffre répond à une question de rendement carbone par service rendu. Il ne dit pas que le réseau ferroviaire ne consomme presque rien. Pour l'IA, le rendement par kilowatt répond à « combien de réponses utiles obtenons-nous avec cette puissance ? ». La consommation totale répond à « combien de réponses et de services décidons-nous finalement de produire ? ». Une entreprise peut progresser fortement sur la première tout en augmentant la seconde.

Ce que cela change pour une TPE ou une PME

À court terme, vous n'achèterez pas cette puce interne. Rien ne permet non plus de promettre une baisse du prix des services d'OpenAI : les économies peuvent être transmises au client, absorbées dans la marge ou réinvesties dans davantage de capacité.

En revanche, cette annonce fournit une grille de lecture utile. Quand un fournisseur affirme que son IA est « plus verte » parce qu'elle est plus efficace, demandez-lui :

1. Quelle unité est améliorée ? La consommation de la puce, celle d'une réponse ou l'énergie du centre de données complet ?
2. À charge comparable ? Une réponse plus rapide ou plus longue peut déplacer la consommation au lieu de la réduire.
3. Que devient le gain ? Baisse du prix, amélioration du service, marge supplémentaire ou multiplication des usages ?
4. Quelle consommation totale ? Sans volume agrégé, un excellent ratio reste incomplet.

Cette distinction prolonge la réflexion sur les centres de données, l'eau et l'énergie. L'efficacité limite le gaspillage et permet de produire davantage avec une infrastructure donnée. Mais elle n'est pas une politique de sobriété.

L'efficacité est nécessaire ; la transparence décide de sa portée

La puce Jalapeño peut être une avancée importante : OpenAI pourrait produire davantage de réponses à puissance identique. Mais un meilleur rendement par watt ne prouve pas une baisse de l'empreinte globale. OpenAI décrit elle-même une stratégie où les gains rendent possible davantage de consommation et de croissance.

La question écologique devient donc : combien d'énergie le système complet consomme-t-il, quelle utilité produit-il, et quelle part du gain est réinvestie dans davantage d'usages ? Sans ces réponses, l'efficacité est un progrès technique réel, mais un argument environnemental incomplet.

Sources : OpenAI — premiers résultats de Jalapeño, 25 août 2026 ; Sarah Friar — « The full stack behind abundant intelligence », OpenAI, 25 août 2026 ; OpenAI et Broadcom — annonce initiale de Jalapeño, 24 juin 2026 ; SNCF Voyageurs — méthodologie générale de l'information GES, version 2026.

Questions fréquentes