Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
Cet article construit un ensemble de données longitudinales et un nouveau cadre analytique pour démontrer que les données publiques actuelles manquent de la granularité et de l'identification causale nécessaires pour vérifier si l'efficacité de l'inférence de l'IA entraîne un paradoxe de Jevons, car la stabilité des prix observée et la croissance non vérifiée du volume empêchent de conclure de manière définitive si l'efficacité finira par limiter ou augmenter la demande énergétique totale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez un monde où rendre une machine plus intelligente et moins coûteuse à exploiter finit par nous pousser à l'utiliser tellement plus que sa consommation totale d'énergie monte en flèche. C'est au cœur d'une question qui intrigue les économistes depuis plus d'un siècle, connue sous le nom de paradoxe de Jevons. Elle suggère que lorsque nous devenons plus efficaces dans l'utilisation d'une ressource, nous ne la préservons pas nécessairement ; au contraire, le coût inférieur nous encourage à l'utiliser si agressivement que notre consommation totale augmente. Aujourd'hui, cette question est passée des mines de charbon au domaine numérique, se concentrant sur l'intelligence artificielle. À mesure que les modèles d'IA deviennent plus rapides et moins chers à exploiter, un débat acharné fait rage pour savoir si cette efficacité limitera l'appétit énergétique massif de l'industrie ou, inversement, alimentera une explosion de la demande qui dépassera notre capacité à générer de l'électricité. Pour trancher, nous devons observer trois phénomènes simultanément : le prix de l'utilisation de l'IA, le volume de son utilisation, et l'énergie réellement consommée.
Un chercheur nommé Eugen Spivak s'est donné pour mission de trouver ces trois pièces du puzzle pour les années 2022 à 2026. L'objectif était de construire un registre unique et unifié qui suit le prix du texte généré par l'IA, la quantité de texte produite et l'énergie requise pour la créer, le tout pour les mêmes services et les mêmes périodes. Spivak a passé des années à rassembler des données provenant de sources publiques, notamment des versions archivées de pages de tarification de onze développeurs majeurs d'IA, des déclarations sur le nombre de jetons (les unités de base du texte) traités, et des chiffres publiés sur la consommation d'énergie. Le résultat fut un grand livre contenant plus de mille points de prix, des dizaines de déclarations de volume et plus d'une centaine de chiffres énergétiques. Cependant, la découverte la plus significative de ce travail n'est pas une confirmation du paradoxe, mais une révélation sur les données elles-mêmes : le registre public ne contient tout simplement pas les informations nécessaires pour répondre à la question.
L'enquête a révélé que bien que nous disposions de nombreux chiffres, ils ne s'emboîtent que rarement de manière à permettre une comparaison équitable. Par exemple, lorsque les chercheurs ont examiné les prix de modèles d'IA spécifiques au fil du temps, ils ont constaté que le coût d'un modèle donné changeait rarement. Dans près de 700 cas où le même modèle a été vérifié à des moments différents, son prix est resté exactement le même. Les baisses de prix spectaculaires souvent citées dans les médias n'étaient pas dues au fait que les développeurs réduisaient le coût des outils existants, mais plutôt parce que de nouveaux modèles, moins chers, étaient introduits sur le marché tandis que les anciens restaient coûteux. Cette distinction est cruciale car elle signifie que le « prix » de l'IA évolue en raison de changements de produits, et non simplement grâce aux gains d'efficacité.
Lorsque le chercheur a tenté de faire correspondre ces prix avec la façon dont les gens utilisent réellement l'IA, les données sont devenues encore plus fragmentées. Pour les deux plus grands fournisseurs, Google et OpenAI, il existe des déclarations claires montrant que la quantité de texte générée sur leurs plateformes a crû incroyablement vite, multipliant par plus de quatre ou cinq chaque année entre 2025 et 2026. Parallèlement, les prix de leurs modèles standards n'ont pas chuté ; en fait, pour de nombreuses catégories, ils ont augmenté. Cela crée une image confuse où l'utilisation explose alors que le coût par unité ne baisse pas. Cependant, une lacune critique subsiste : les déclarations de volume ne précisent pas exactement quel type de texte elles comptabilisent. Elles peuvent inclure le texte d'entrée, le texte de sortie ou les données mises en cache, tandis que les listes de prix ne couvrent que des types de sortie spécifiques. Sans savoir si les chiffres de volume et les chiffres de prix parlent exactement de la même chose, il est impossible de dire si la croissance de l'utilisation était une réponse directe à une baisse de prix.
La pièce manquante qui rend l'ensemble de l'image impossible à compléter est la donnée énergétique. Bien qu'il existe de nombreuses affirmations sur la quantité d'énergie utilisée par une IA, la plupart ne précisent pas les limites de leur mesure. Certains chiffres ne comptent que les puces informatiques, tandis que d'autres incluent l'intégralité du bâtiment, les systèmes de refroidissement et l'électricité utilisée pour maintenir les serveurs en marche même lorsqu'ils sont inactifs. Parce que ces mesures sont prises à des échelles différentes, elles ne peuvent être comparées de manière fiable, et encore moins mises en correspondance avec les données de prix et de volume. L'étude a révélé que dans plus de la moitié des chiffres énergétiques examinés, il était impossible de déterminer précisément ce qui était mesuré. Sans une mesure claire et cohérente de l'énergie par unité de travail, et sans un lien clair entre le prix et le volume, les données ne peuvent démontrer si l'efficacité entraîne une consommation plus élevée.
En fin de compte, cet audit rigoureux conclut que nous ne pouvons pas encore affirmer si l'IA est victime du paradoxe de Jevons. Le registre public est trop lacunaire pour prouver que les gains d'efficacité provoquent une augmentation de la consommation d'énergie totale, ni pour prouver que l'efficacité finira par limiter cette utilisation. Les données montrent que l'utilisation de l'IA croît rapidement, mais elles ne montrent pas que cette croissance est causée par des prix plus bas ou une meilleure efficacité. Le chercheur soutient que pour résoudre ce mystère, les entreprises qui construisent ces systèmes doivent commencer à publier des données plus claires. Elles doivent préciser exactement quand un prix entre en vigueur, spécifier exactement ce que leurs chiffres de volume comptabilisent, et définir les limites de leurs mesures énergétiques. Tant que ces détails ne seront pas fournis, le débat sur l'avenir énergétique de l'IA restera une question de théorie plutôt que de fait, nous laissant incapables de savoir si la machine devient un outil durable ou un consommateur insatiable de puissance.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.