L'intelligence artificielle générative et le numérique responsable : ce que la Suisse peut tenir

Note refondue le 25 mai 2026. Article initialement publié en décembre 2025 — refonte intégrale.

L'intelligence artificielle générative est l'une des technologies les plus énergivores du numérique contemporain. Cette caractéristique est désormais documentée par plusieurs sources convergentes, et elle entre en tension avec les engagements de sobriété auxquels les entreprises suisses se sont progressivement liées au cours de la dernière décennie. Pour le dirigeant qui prépare l'adoption de modèles génératifs dans son organisation, la question n'est plus de savoir si l'IA générative consomme de l'énergie — elle en consomme substantiellement — mais comment l'intégrer dans une démarche compatible avec les objectifs climatiques affichés et avec les attentes croissantes des parties prenantes.

Cette note expose la mécanique de l'empreinte environnementale, identifie les leviers où une entreprise utilisatrice peut effectivement agir, et qualifie les atouts spécifiques du contexte suisse pour un usage responsable.

L'empreinte environnementale : où elle se concentre

L'empreinte environnementale d'un système d'intelligence artificielle générative se décompose en trois sources distinctes, dont l'importance relative n'est pas la même selon le point de vue où l'on se place.

La phase d'entraînement des modèles fondamentaux est la plus intensive en valeur absolue. Entraîner un grand modèle de langage demande la mobilisation de milliers d'accélérateurs spécialisés pendant plusieurs semaines ou mois, dans des centres de données conçus pour cette densité de calcul. Cette phase est réalisée par les éditeurs des modèles — OpenAI, Anthropic, Google, Meta, Mistral et leurs équivalents — pas par les entreprises utilisatrices. Elle est donc largement hors de la portée d'action directe d'une PME suisse, sauf à privilégier des modèles dont les éditeurs documentent et limitent leur empreinte d'entraînement.

L'inférence quotidienne — chaque requête envoyée à un modèle alimente cette catégorie — représente le coût énergétique cumulé qui pèse sur la durée de service du modèle, parce qu'il s'exerce sur des volumes massifs de requêtes opérées en continu. Une requête à un modèle génératif peut consommer davantage qu'une requête à un moteur de recherche classique selon le modèle, la longueur de la réponse et l'infrastructure mobilisée. Cette dimension est documentée par l'Agence internationale de l'énergie et par plusieurs études sectorielles^[1]. C'est sur ce levier que les entreprises utilisatrices ont un effet direct, parce qu'il dépend largement de leurs choix d'usage.

L'infrastructure matérielle sous-jacente — centres de données, systèmes de refroidissement, consommation d'eau, extraction de terres rares pour les composants — porte la troisième source d'impact. Cette dimension dépend largement du choix de l'hébergeur, et la Suisse présente des atouts particuliers qui méritent d'être identifiés.

Cinq leviers où une entreprise utilisatrice peut effectivement agir

Sur la dimension de l'inférence quotidienne, cinq leviers concrets s'offrent à l'entreprise utilisatrice, par ordre d'efficience décroissante.

Le choix du modèle pour chaque tâche constitue le premier levier, et probablement le plus impactant. Tous les usages ne nécessitent pas un modèle de très grande taille. Pour des tâches de classification de texte, de tri d'informations, de génération de réponses simples ou de traduction, des modèles compacts consomment plusieurs ordres de grandeur de moins d'énergie pour des résultats souvent comparables à ceux des modèles de tête. La règle pratique consiste à privilégier le modèle le plus léger capable d'accomplir la tâche, plutôt que de recourir systématiquement au plus puissant disponible.

L'optimisation des prompts constitue le deuxième levier. Un prompt structuré, qui formule clairement la demande et précise le format de réponse attendu, génère une réponse plus courte et plus précise. Chaque jeton de réponse économisé réduit directement la consommation. Cette discipline relève d'une compétence — l'ingénierie de prompt — qui ne demande pas de prérequis technique élevé mais qui demande une pratique itérative.

La mise en cache des réponses récurrentes constitue le troisième levier. Quand un agent conversationnel traite plusieurs fois la même question, ou des questions sémantiquement très proches, il est rarement utile de solliciter le modèle à chaque fois. Un système de cache sémantique sert des réponses pré-générées pour les requêtes similaires, réduisant à la fois le coût opérationnel et la consommation cumulée.

Le choix du fournisseur d'infrastructure constitue le quatrième levier. Les hébergeurs ne se valent pas sur l'empreinte carbone de leurs centres de données — le mix énergétique varie considérablement d'une géographie à l'autre. Privilégier un hébergement en Suisse ou en Europe sur des infrastructures alimentées par des énergies renouvelables ou décarbonées peut réduire l'empreinte d'une même charge de calcul, selon le mix énergétique effectif et l'efficacité du centre de données mobilisé.

La mesure et le reporting constituent le cinquième levier. Sans mesure, pas d'amélioration. Intégrer le suivi de la consommation énergétique liée à l'usage des modèles génératifs dans le reporting de responsabilité sociétale et environnementale produit deux effets bénéfiques : elle identifie les zones de gaspillage qui s'installent par inadvertance, et elle transforme l'engagement de sobriété en démarche démontrable plutôt qu'en intention déclarative.

Le contexte suisse : trois atouts structurels

La Suisse présente trois atouts structurels qui rendent l'usage responsable de l'IA générative plus accessible que dans la moyenne des géographies européennes.

Le mix électrique national est dominé par les énergies décarbonées — hydroélectricité principalement, complétée par le nucléaire. Cette caractéristique se traduit par une intensité carbone par kilowattheure produit significativement inférieure à celle de pays voisins fortement dépendants des énergies fossiles. Pour une charge de calcul équivalente, l'empreinte carbone d'un traitement opéré sur infrastructure suisse est sensiblement inférieure à celle du même traitement opéré ailleurs.

Le climat tempéré favorise le refroidissement passif — free cooling — d'une part importante de l'année. Cette caractéristique réduit la consommation énergétique dédiée au refroidissement des centres de données, qui peut représenter une fraction substantielle de la consommation totale dans les climats plus chauds.

Le cadre réglementaire structuré par la Loi fédérale sur la protection des données^[2] encourage la transparence sur les traitements de données, ce qui inclut indirectement la traçabilité des flux qui alimentent les modèles génératifs. Cette discipline réglementaire, combinée à l'intérêt croissant pour la souveraineté des données, pousse les entreprises suisses vers des solutions d'hébergement local qui ont par construction une empreinte carbone plus favorable que des solutions hébergées sur des infrastructures plus carbonées.

La conformité aux données : un volet de la responsabilité globale

La conformité à la Loi fédérale sur la protection des données s'articule avec la démarche de numérique responsable, sans s'y confondre. Les obligations de conformité portent sur la transparence, la finalité, la proportionnalité, la sécurité des traitements de données personnelles. Les engagements de numérique responsable portent sur l'empreinte environnementale globale et sur l'usage raisonné des ressources de calcul.

Les deux dimensions se croisent dans la pratique. Cartographier les flux de données qui alimentent les outils alimentés par modèles permet à la fois d'objectiver les obligations de conformité et d'identifier les volumes de calcul qui font l'empreinte. Privilégier un hébergement local répond aux deux exigences : il satisfait les attentes de souveraineté pour les données sensibles, et il bénéficie du mix énergétique suisse pour l'empreinte environnementale. Informer les utilisateurs sur l'usage des modèles dans le traitement de leurs données personnelles relève de la conformité, et participe en même temps à la transparence générale qui caractérise une démarche responsable mature.

Le choix entre un abonnement à un éditeur externe et un développement sur mesure hébergé localement a, à ce titre, un impact direct sur les deux dimensions. La note SaaS contre développement sur mesure en Suisse traite ce volet à une échelle plus large.

Le numérique responsable comme avantage compétitif

L'argument environnemental n'est plus uniquement éthique. Il devient progressivement commercial. Les appels d'offres des grands donneurs d'ordre, particulièrement dans le secteur public et dans les industries réglementées, intègrent désormais des critères de responsabilité sociétale et environnementale dans l'évaluation des prestataires. Une démarche structurée de numérique responsable cesse d'être un argument différenciant accessoire ; elle devient une condition d'éligibilité dans certains marchés.

Cette dynamique s'observe au-delà du seul B2B institutionnel. Une part croissante des consommateurs déclare que les pratiques environnementales d'une marque influencent leur décision d'achat, selon plusieurs études convergentes. Cette déclaration n'est pas toujours suivie d'effet dans le comportement effectif — l'écart entre intention déclarée et comportement réel reste documenté — mais elle pèse à la marge sur la perception des marques, et elle pèse plus fortement chez les segments de clientèle les plus jeunes.

Pour une entreprise suisse qui adopte des outils alimentés par modèles génératifs, l'arbitrage n'est donc pas entre la performance opérationnelle et la responsabilité environnementale. C'est un arbitrage entre une adoption opportuniste, qui maximise les gains immédiats sans qualifier l'empreinte, et une adoption disciplinée, qui combine les gains opérationnels et la cohérence avec les engagements affichés. La seconde approche est plus exigeante au cadrage initial. Elle produit une démarche que l'entreprise peut documenter, présenter à ses parties prenantes, et défendre devant les évolutions réglementaires futures.

Une discipline qui ne s'oppose pas à l'adoption

L'intelligence artificielle générative continuera de se diffuser dans les organisations suisses dans les prochaines années. Cette diffusion n'est pas négociable par une décision individuelle ou sectorielle. Ce qui est négociable, en revanche, c'est la qualité de la diffusion : l'intentionnalité du cadrage initial, le choix des modèles et des fournisseurs, la mesure de l'empreinte produite, l'intégration de la démarche dans le reporting global de l'organisation.

Cette discipline ne ralentit pas l'adoption. Elle la consolide. Une entreprise qui cadre son usage des modèles génératifs sur les cinq leviers identifiés plus haut intègre la technologie plus durablement qu'une entreprise qui empile les abonnements et les usages sans qualification, en s'exposant aux mauvaises surprises tarifaires, réglementaires et réputationnelles que l'évolution rapide du marché continuera de produire.

La Suisse dispose d'un mix énergétique, d'un cadre réglementaire et d'une culture économique qui rendent cette discipline plus accessible qu'ailleurs. Cette accessibilité est un avantage. Elle mérite d'être saisie.

Sources

[1] Agence internationale de l'énergie (AIE), Energy and AI — Energy demand from AI. www.iea.org/reports/energy-and-ai/energy-demand-from-ai [↩]

[2] Loi fédérale sur la protection des données (LPD), révision du 25 septembre 2020, entrée en vigueur le 1ᵉʳ septembre 2023. www.fedlex.admin.ch/eli/cc/2022/491/fr [↩]

Jérôme Deshaie est CEO de MCVA Consulting SA, cabinet suisse de conseil stratégique en intelligence artificielle, basé en Valais.