Voici une intuition de bon sens : si chaque calcul d'intelligence artificielle consomme moins d'énergie, le total devrait baisser. C'est faux, et c'est même le contraire qui se produit. À mesure que l'IA devient plus efficace et meilleur marché, son usage s'envole, et la consommation totale grimpe au lieu de reculer. Un économiste anglais avait nommé ce piège il y a cent soixante ans, à propos du charbon. Il s'appelle le paradoxe de Jevons, et il vient de frapper la technologie la plus en vue de notre époque.
1 « Jevons strikes again »
Tout commence un jour de panique boursière.
La scène
Le jour où l'IA bon marché a fait trembler Wall Street
Le 27 janvier 2025, l'action du fabricant de puces Nvidia perd près de 589 milliards de dollars de valeur en une seule séance, la plus grosse perte journalière de l'histoire boursière américaine. La cause : une start-up chinoise, DeepSeek, vient de montrer qu'on peut obtenir une IA de pointe pour bien moins cher. Le même jour, Satya Nadella, le patron de Microsoft, poste une phrase devenue célèbre : « Le paradoxe de Jevons frappe à nouveau. À mesure que l'IA devient plus efficace et accessible, son usage va exploser et devenir une marchandise dont on ne pourra jamais avoir assez. »
Nvidia, 27 janvier 2025
−589 Md$
en une séance, record absolu de Wall Street.
Le mot de Nadella
Jevons
un paradoxe de 1865 propulsé au cœur du débat.
Le renversement
Le marché a d'abord lu l'efficacité comme une menace : si l'IA coûte moins cher à faire tourner, peut-être faudra-t-il moins de puces. Nadella, lui, a lu l'inverse, et l'histoire lui donne pour l'instant raison : l'efficacité ne réduit pas la facture, elle la libère. Moins cher est le calcul, plus on en veut. Reste à comprendre pourquoi ce piège est si fiable.
2 Une idée de 1865
Remontons à la source.
L'origine
Le charbon, la machine à vapeur et l'erreur d'intuition
En 1865, l'économiste William Stanley Jevons observe un fait troublant : les machines à vapeur de plus en plus économes en charbon n'avaient pas fait baisser la consommation de charbon de l'Angleterre, elles l'avaient fait flamber. Plus la vapeur devenait bon marché, plus on l'utilisait, dans plus d'industries, pour plus d'usages. Sa formule est restée : « C'est une confusion de croire que l'usage économe d'un combustible équivaut à une moindre consommation. C'est tout le contraire qui est vrai. »
Rebond et « effet boomerang »
Les économistes ont affiné. L'effet rebond mesure la part des économies d'énergie reprise par la hausse de l'usage qu'induit la baisse du prix. Tant que le rebond reste sous 100 %, l'efficacité réduit quand même la consommation. Mais quand il dépasse 100 %, on parle d'« effet boomerang » : la consommation totale augmente à cause de l'efficacité, et non malgré elle. C'est précisément ce que décrit le paradoxe de Jevons. Trois conditions le déclenchent : un progrès qui abaisse le coût d'usage, une demande très sensible au prix, et un marché encore loin d'être saturé.
3 Le choc DeepSeek
Or l'IA réunit ces trois conditions à merveille.
Le détonateur
Une IA de pointe à une fraction du prix
En janvier 2025, DeepSeek publie un modèle de raisonnement, R1, présenté comme rivalisant avec les meilleurs systèmes américains. Le coût d'entraînement rapporté de son modèle de base : environ 5,6 millions de dollars, contre une centaine de millions pour les modèles occidentaux comparables. Le chiffre est contesté, il ne couvre que l'entraînement final, mais le signal est limpide : l'IA de pointe devient abordable. Le capital-risqueur Marc Andreessen y voit « le moment Spoutnik de l'IA ».
Le malentendu fondateur
Notons l'ironie : ce qui a fait paniquer les marchés, c'est l'annonce d'une IA moins chère. La logique court-termiste disait : moins de dépenses, donc moins de puces, donc moins de profits pour Nvidia. La logique de Jevons répond : moins cher veut dire plus d'usages, donc à terme plus de puissance de calcul demandée, pas moins. Tout le débat sur l'énergie de l'IA tient dans cet écart de lecture.
4 Le prix qui s'effondre
Car l'effondrement des coûts est vertigineux.
La chute
Dix fois moins cher chaque année
Le coût pour faire tourner une IA d'un niveau de performance donné s'effondre d'environ 40 fois par an, selon les mesures d'Epoch AI. Sam Altman, le patron d'OpenAI, le formule autrement : « Le coût d'usage d'un niveau d'IA donné est divisé par dix environ tous les douze mois, et des prix plus bas amènent beaucoup plus d'usage. » Pour égaler les performances d'un modèle de 2022, il fallait dépenser quelque 20 dollars par million de mots traités ; deux ans plus tard, quelques centimes suffisaient.
Coût à performance égale
÷ 40 / an
la baisse mesurée du prix de l'inférence (Epoch AI).
La règle d'Altman
÷ 10 / an
« des prix plus bas amènent beaucoup plus d'usage ».
La phrase qui dit tout
« Lower prices lead to much more use. » Sans le nommer, Altman décrit exactement le mécanisme de Jevons : la baisse du prix ne fait pas baisser la dépense totale, parce qu'elle débloque une demande latente. Chaque centime gagné par calcul ouvre des usages entiers, hier impensables, aujourd'hui banals.
5 L'usage qui explose
Et l'usage suit, à une vitesse stupéfiante.
La preuve
Cinquante fois plus de calcul en un an
Les chiffres parlent. En treize mois, le volume de texte traité chaque mois par les modèles de Google est passé d'environ 9,7 billions à 480 billions d'unités, une multiplication par cinquante. ChatGPT a doublé son audience hebdomadaire en 2025, de 400 à plus de 800 millions d'utilisateurs. Et le fabricant Nvidia a livré 3,7 millions de processeurs graphiques en 2024, soit plus d'un million de plus qu'en 2023, alors même que chaque puce était plus efficace que la précédente. L'efficacité monte, et les volumes montent davantage.
Calcul mensuel (Google)
× 50
en treize mois, jusqu'à mai 2025.
Puces livrées (Nvidia)
3,7 M
en 2024, +1 million malgré l'efficacité accrue.
Le serpent qui se mord la queue
Nos lecteurs reconnaîtront un cousin du paradoxe que nous avons déjà exploré : une IA dont le succès appelle toujours plus de moyens pour la nourrir. Là où l'analyse de la demande montrait l'engrenage commercial, le paradoxe de Jevons en montre la traduction physique : chaque gain d'efficacité est aussitôt englouti par un surcroît d'usage. L'efficacité par calcul est réelle ; elle est simplement dépassée par le nombre de calculs.
6 Le rebond du raisonnement
Une nouveauté vient même amplifier le mouvement.
Le tournant
Quand l'IA « réfléchit », elle consomme dix à cent fois plus
Les modèles récents ne se contentent plus de répondre : ils « raisonnent », déroulant un long monologue interne avant de conclure. Ce raisonnement engloutit dix à cent fois plus de calcul par question qu'une simple réponse. Le coût par mot baisse, mais le nombre de mots par tâche explose. Et l'énergie bascule de l'entraînement, ponctuel, vers l'inférence, c'est-à-dire l'usage quotidien, qui représente déjà 80 à 90 % du calcul et tournera sans fin, des milliards de fois par jour.
Pourquoi l'efficacité ne suffit jamais
C'est le cœur du paradoxe appliqué à l'IA : on entraîne un modèle une fois, on l'interroge à l'infini. Tant que chaque baisse de coût ouvre de nouveaux usages, agents autonomes, vidéo générée, assistants permanents, l'efficacité par requête est rattrapée puis dépassée par la multiplication des requêtes. Rendre l'IA plus sobre par calcul, c'est rendre possible un nombre de calculs sans limite apparente.
7 Le réseau et l'eau
Au bout de la chaîne, il y a des fils et des fleuves.
La facture physique
Le prix de l'électron et de la goutte
Selon l'Agence internationale de l'énergie, les centres de données consommaient environ 415 térawattheures d'électricité en 2024, soit 1,5 % de l'électricité mondiale ; ce chiffre doublerait d'ici 2030, à près de 945, l'équivalent de toute la consommation du Japon, l'IA en étant le premier moteur. Aux États-Unis, les factures résidentielles ont grimpé d'environ 11 % en 2025, et la Virginie, capitale mondiale des centres de données, a dû créer une catégorie tarifaire spéciale pour que les ménages ne subventionnent pas les serveurs. À cela s'ajoute l'eau de refroidissement, des dizaines de milliards de litres par an.
Data centers, 2024 → 2030
415 → 945
térawattheures, soit un doublement (IEA).
Factures US, 2025
≈ +11 %
sur le prix résidentiel de l'électricité (EESI).
Le retour de l'atome
Symbole frappant de cette faim : pour alimenter ses serveurs, Microsoft a signé pour redémarrer un réacteur de la centrale de Three Mile Island, théâtre du plus grave accident nucléaire américain. Google et Amazon, eux, misent sur de petits réacteurs modulaires. L'IA, censée nous faire entrer dans une ère immatérielle, ressuscite les centrales et rallume le charbon que l'on s'apprêtait à éteindre.
8 Et si ce n'était pas si simple
Restons rigoureux : la thèse a ses limites.
Les contre-arguments
Ce qui pourrait démentir le pire
Le rebond est un fait observé ; le « boomerang » au-delà de 100 % reste une thèse. Trois objections sérieuses méritent d'être entendues, et elles ne disent pas « l'IA ne consomme rien ».
Trois nuances, à parts égales
①
Le découplage a déjà eu lieu. Entre 2010 et 2018, le calcul des centres de données a été multiplié par plus de six, mais leur consommation d'énergie n'a augmenté que de 6 % (revue Science, 2020). L'efficacité peut donc, un temps, l'emporter sur l'usage.
②
Le réseau pourrait plafonner. Raccorder un nouveau centre prend quatre à dix ans, contre deux à trois pour le construire. Faute d'électrons, une partie de la demande ne pourra tout simplement pas se matérialiser.
③
Les projections divergent énormément. Les prévisions de consommation pour 2030 vont du simple au quintuple selon les hypothèses ; certaines, alarmistes, ont déjà été démenties. L'incertitude est réelle.
La validité conditionnelle
L'économiste Steve Sorrell, référence sur le sujet, rappelle que l'effet boomerang à l'échelle d'une économie entière est rarement démontré : souvent plausible, difficile à prouver. La position honnête tient donc en une phrase : le rebond de l'IA est solidement observé à court terme, mais l'attribuer mécaniquement au « boomerang » reste une interprétation, pas une loi.
9 Sobriété, vraiment ?
Reste à en tirer la leçon.
La morale du paradoxe
Nécessaire, mais insuffisante
La grande leçon de Jevons n'est pas qu'il faut renoncer à l'efficacité, ce serait absurde. C'est qu'elle ne suffit pas. Tant que rien ne plafonne la consommation, ni un prix du carbone, ni une limite physique, ni une volonté politique, chaque gain d'efficacité se transforme en surcroît d'usage. La sobriété d'un calcul ne fait pas la sobriété d'un système. Compter les watts par requête ne sert à rien si l'on ne compte pas les requêtes.
La boussole
①
Pour le citoyen. Se méfier de l'argument « notre IA est plus verte » : il peut être vrai par calcul et faux au total. La bonne question n'est pas l'efficacité unitaire, mais la consommation agrégée.
②
Pour l'investisseur. Le rebond éclaire la ruée sur l'énergie : nucléaire, réseaux, refroidissement, métaux. La contrainte de l'IA ne sera peut-être pas la puce, mais l'électron. Ce qui fait du réseau électrique le vrai goulet d'étranglement.
③
La lucidité. Viser non le « calcul efficace », mais le « calcul net zéro » : l'efficacité au service d'une enveloppe d'énergie qui, elle, ne croît pas sans fin.
Le contraire de l'intuition
Jevons l'écrivait déjà : « c'est tout le contraire qui est vrai. » Cent soixante ans plus tard, la phrase s'applique mot pour mot à l'intelligence artificielle. Plus elle devient sobre par calcul, plus elle dévore au total, parce que sa sobriété même est ce qui en démultiplie l'usage. L'efficacité n'est pas la solution : elle est, sans garde-fou, le carburant du problème.
À lire en regard : le serpent qui se mord la queue, l'autre face du paradoxe de l'IA. Repères : abréviations & sigles (TWh, IA, IEA, GPU).