Résumé technique : De la perception à l'action : les interventions d'interface utilisateur peuvent-elles favoriser des chatbots LLM durables ?

Énoncé du problème

Les chatbots basés sur les grands modèles de langage (LLM) sont de plus en plus intégrés dans les flux de travail quotidiens, ce qui soulève d'importantes préoccupations en matière de durabilité en raison de leur consommation d'énergie et de leur empreinte carbone. Alors que la majorité des stratégies d'atténuation se concentrent sur les optimisations backend — telles que les architectures de modèles efficaces, les accélérateurs matériels et les améliorations des centres de données — la couche de l'interface utilisateur (UI) reste sous-explorée. La recherche actuelle néglige largement la manière dont les interactions des utilisateurs et les interventions d'UI peuvent influencer la consommation d'énergie cumulée lors d'une utilisation quotidienne. Les auteurs postulent que, bien que les utilisateurs puissent exprimer une préoccupation environnementale, un écart existe souvent entre cette attitude et le comportement réel, dû à l'invisibilité des coûts énergétiques et aux frictions décisionnelles. Le problème central est de déterminer si les interventions d'UI orientées vers la durabilité peuvent efficacement accroître la conscience énergétique et orienter les utilisateurs vers des modèles d'interaction plus économes en énergie sans compromettre l'utilisabilité.

Méthodologie

L'étude a employé une méthodologie en trois étapes pour investiguer ce problème :

1. Enquête de base (RQ1) : Une enquête en ligne a été menée auprès de 77 participants pour évaluer la sensibilisation actuelle des utilisateurs à la consommation d'énergie des LLM, leur réceptivité aux concepts d'intervention et leur volonté d'accepter des compromis de performance. L'enquête utilisait des questions de type estimation (par exemple, comparer les requêtes LLM aux recherches Google ou à la charge d'un iPhone) pour évaluer les modèles mentaux et les lacunes de connaissances plutôt que la précision technique.
2. Implémentation du prototype : Guidés par les résultats de l'enquête et les principes de la technologie persuasive et de l'architecture de choix, les auteurs ont implémenté un prototype de chatbot LLM basé sur le web présentant cinq interventions d'UI spécifiques :
   • Commutateur à trois modes : Permet aux utilisateurs de choisir entre les modes « Efficacité énergétique », « Équilibré » et « Performance ».
   • Note d'énergie : Affiche une courte estimation de l'énergie avec chaque réponse du LLM.
   • Prédiction de prompt : Fournit une estimation de l'énergie avant que l'utilisateur n'envoie un prompt.
   • Tableau de bord de métriques : Résume l'utilisation de l'énergie sur l'activité récente.
   • Analogies énergétiques : Recadre les quantités d'énergie en unités quotidiennes familières (ex: charge de téléphone).
   • Note technique : L'estimation de l'énergie a été calculée à l'aide d'un modèle basé sur les tokens ($E = \alpha \cdot T_{in} + \beta \cdot T_{out} + \zeta$), avec des coefficients mis à l'échelle selon les tailles de modèles spécifiques (GPT-4o, GPT-4o-mini, GPT-4.1-nano) pour approximer la consommation relative.
3. Étude de terrain (RQ2) : Une étude de terrain de cinq jours a été menée avec 11 utilisateurs fréquents de LLM qui ont utilisé le prototype dans leurs flux de travail quotidiens. La collecte de données comprenait des points de contrôle quotidiens de la sensibilisation (échelle de Likert en 5 points), un questionnaire de fin de semaine et la télémétrie du système (comptage des tokens, sélection du mode, estimations d'énergie). L'étude a analysé les modèles de comportement, les tendances de sensibilisation et l'impact énergétique, en comparant le comportement observé à un scénario contrefactuel où toutes les interactions se déroulaient en mode « Performance ».

Principales contributions

Le papier apporte trois contributions principales au domaine de l'Interaction Homme-Machine (IHM) et du Génie Logiciel Vert :

1. Données d'enquête : Une enquête de base sur la sensibilisation et la perception des utilisateurs finaux concernant l'empreinte énergétique des chatbots LLM, soulignant l'écart entre la consommation perçue et réelle.
2. Preuves empiriques : Des données sur la manière dont des interventions d'UI spécifiques influencent les modèles d'interaction respectueux de l'énergie dans les chatbots LLM, démontant que les choix de conception peuvent modifier les comportements routiniers.
3. Package de réplication : Un package public contenant les réponses détaillées de l'enquête, les scripts d'analyse et le prototype de chatbot LLM fonctionnel implémenté pour soutenir la recherche ultérieure.

Résultats

Résultats de l'enquête de base :

• Sensibilisation vs Connaissance : Bien que 94,8 % des répondants aient déclaré une certaine sensibilisation à l'utilisation de l'énergie par l'IA, 88,3 % ont mal estimé la consommation réelle (par exemple, en surestimant ou sous-estimant considérablement le coût énergétique par rapport à une recherche Google ou une charge de téléphone).
• Écart Attitude-Comportement : Bien que la préoccupation environnementale soit élevée, seuls 39,0 % des participants ont indiqué être prêts à accepter un compromis de performance pour une utilisation moins énergivore.
• Réceptivité aux interventions : 68,8 % favorisaient un « Mode efficacité énergétique », mais cette volonté chutait lorsque des compromis de performance explicites étaient introduits.

Résultats de l'étude de terrain :

• Changement de comportement : Dans l'étude de terrain, le mode « Efficacité énergétique » a représenté 55,8 % des prompts enregistrés (155/278). Notamment, 90,9 % des participants ont déclaré avoir activement choisi le mode Éco lorsque la précision élevée n'était pas requise.
• Économies d'énergie : L'énergie totale estimée observée était de 164,72 Wh. Sous un scénario contrefactuel où tous les prompts auraient été exécutés en mode « Performance », l'utilisation aurait été de 309,44 Wh. Cela implique une réduction de 46,77 % de l'empreinte énergétique grâce aux changements de comportement observés.
• Impact du mode : Malgré une utilisation dans moins de 25 % des prompts, le mode « Performance » était responsable d'environ 89 % de l'empreinte énergétique totale.
• Mécanisme de changement : Les participants n'ont pas significativement réduit la longueur de leurs prompts. Au lieu de cela, le principal mécanisme comportemental était le changement de mode plutôt que le raccourcissement des prompts.
• Utilisabilité : Toutes les interventions ont obtenu un score supérieur à 4/5 en utilisabilité. Le « Commutateur à trois modes » et la « Note d'énergie » ont été jugés comme les interventions les plus influentes.
• Tendance de la sensibilisation : La sensibilisation énergétique auto-déclarée a augmenté au cours de la période de cinq jours (passant d'une moyenne de 3,27 à 4,44), portée par des interactions répétées et à faible effort.

Signification et affirmations

Les auteurs affirment que les interventions d'UI orientées vers la durabilité peuvent réussir à améliorer la sensibilisation des utilisateurs et à soutenir des modèles d'interaction plus responsables sur le plan énergétique dans les chatbots LLM. Cependant, le papier maintient une position modeste sur la portée de ces résultats :

• Rôle complémentaire : Les auteurs déclarent explicitement que les interventions d'UI doivent être interprétées comme complémentaires aux optimisations de backend et de modèle, et non comme un substitut. La conception d'UI peut modifier les comportements routiniers à faible enjeu, mais les interactions à coût élevé (nécessitant souvent une grande précision) nécessitent toujours une efficacité au niveau du backend.
• Comportemental vs Causal : Les économies d'énergie rapportées sont des estimations comportementales basées sur des modèles (contrefactuels) plutôt que des effets causaux mesurés par le matériel.
• Adressage de la friction décisionnelle : L'étude suggère que l'utilisation non durable est souvent pilotée par les frictions décisionnelles quotidiennes plutôt que par un manque de préoccupation environnementale. En rendant les compromis visibles et faciles à réviser (par exemple, via un Commutateur à trois modes), les interfaces peuvent soutenir des décisions éclairées sans imposer de contraintes.
• Limites : Les auteurs reconnaissent les limites concernant la petite taille de l'échantillon (n=11 pour l'étude de terrain), le potentiel d'effets de rebond (les utilisateurs compensant la lenteur des réponses par plus de prompts) et la généralisabilité des résultats compte tenu du bagage technique des participants. Ils concluent que ces résultats sont des « indications prometteuses » qui méritent d'être reproduites dans des études plus larges et plus diversifiées.