Le fait du jour : OpenAI refuse de dévoiler l’empreinte énergétique de GPT-5
Le signal est clair et il fait débat. D’après The Guardian (9 août 2025), OpenAI ne publiera pas la consommation énergétique de GPT‑5. L’éditeur confirme en revanche un lancement massif le 7 août, décrit par Reuters: disponibilité à grande échelle pour les utilisateurs de ChatGPT et nouvelles garanties de sécurité basées sur des « safe‑completions », détaillées dans le billet officiel OpenAI (7 août) et la page Introducing GPT‑5. Dans le même mouvement, des signaux faibles agitent l’écosystème: Simon Willison documente la dépréciation surprise de modèles consommateurs (ex. GPT‑4o) et PCMag relève un mécontentement d’utilisateurs, nourrissant l’hypothèse d’optimisations coût/latence à l’échelle.
Pourquoi cela compte pour l’AGI? Parce que la transparence énergétique devient un pilier de gouvernance et d’acceptabilité sociale. À l’heure où la intelligence artificielle franchit un nouveau cap industriel, l’absence de métriques vérifiables (kWh, gCO2e, PUE) complexifie l’évaluation des risques systémiques, l’alignement avec les cadres volontaires européens et le Code de pratique pour les modèles GPAI. La Commission européenne a publié ce cadre de référence (10juillet2025) pour aider à la mise en conformité des modèles généralistes: AI Code of Practice (GPAI). Son esprit: plus un modèle est puissant, plus le devoir de documentation, de tests et de divulgations augmente.
Au-delà de la communication, c’est l’architecture de responsabilité de la intelligence artificielle générale qui est en jeu. Sur notre site, nous avons déjà posé le problème énergétique de l’IAG: voir notre analyse sur la limite énergie et l’explosion énergétique. Le refus de publier l’empreinte de GPT‑5 constitue un crash‑test de transparence: il rebat les cartes de la confiance, du débat public et des priorités de régulation autour de l’ia générale.
Pourquoi l’opacité énergétique de GPT‑5 compte pour l’AGI
L’échelle computationnelle alimente la performance… et la facture énergétique. Les budgets « compute » mobilisent des grappes de GPU/TPU, un refroidissement intensif, des mégawatts continus et de l’eau de refroidissement. Dans cette équation, des métriques comme le PUE (Power Usage Effectiveness) et le WUE (Water Usage Effectiveness) sont centrales: voir les définitions chez Vertiv et Azuraconsultancy. Sans divulgation de kWh et d’intensité carbone (gCO2e/kWh), impossible d’évaluer l’empreinte réelle d’un modèle orienté AGI.
Les risques d’opacité sont connus: soupçon de greenwashing, non‑réplicabilité scientifique, cécité réglementaire et sous‑estimation des externalités climatiques. Côté cadres, l’UE a activé dès le 2août2025 les obligations GPAI de l’AIAct pour les modèles placés sur le marché après cette date (cf. résumés: Loyens & Loeff, timeline). La Commission a publié un Code de pratique GPAI axé sur la transparence, tandis que l’OCDE.AI et le NIST (AIRMF) discutent de référentiels de divulgation adaptés aux modèles généralistes. Autrement dit, la conformité et la confiance publique exigent des chiffres vérifiables.
Sans métriques standardisées (FLOPs, kWh, gCO2e, PUE/WUE), la route vers l’intelligence artificielle générale reste opaque. Cette opacité pèse aussi sur la géopolitique des infrastructures, comme nous l’avons montré dans la bataille des datacenters géants. À l’inverse, un reporting clair faciliterait la planification énergétique, l’arbitrage entre mix électriques (cf. ElectricityMaps) et les trajectoires de durabilité indispensables pour toute ambition de IAG.
Ce qu’on peut estimer sans chiffres officiels: une méthode d’audit énergétique indépendante
Faute de disclosures complètes, chercheurs et journalistes peuvent estimer un ordre de grandeur de l’empreinte de modèles proches de l’AGI via un protocole responsable:
- Cartographier le mix matériel: génération et volume d’accélérateurs (ex. NVIDIA H100/H200, Blackwell B200/GB200). Ressources: DGXB200 et GB200NVL72 (jusqu’à 1,44exaflop FP4).
- Quantifier l’entraînement: durée, taille de modèle et régime d’échelle. Calibrer la puissance effective par nœud à partir de mesures publiées, par ex. modèles de puissance H100 (juin2025), puis agréger sur l’ensemble du cluster.
- Convertir compute en énergie: partir de FLOPs estimés et/ou de la puissance (kW) × temps (h) pour obtenir des kWh, puis ajuster par le PUE du datacenter (défini par Vertiv).
- Évaluer l’empreinte carbone: appliquer l’intensité électrique locale (gCO2e/kWh) via ElectricityMaps ou OurWorldinData, en tenant compte de la saisonnalité et des transferts de charge.
- Mesurer l’inférence: énergie par requête selon la latence, le débit (tokens/s), le batch, la gestion du cacheKV, la spéculation/quantization et le taux d’échec. Les performances de génération côté Blackwell (ex. NVIDIA) donnent des bornes utiles.
Précautions: publier toutes les hypothèses, utiliser des fourchettes et préciser l’incertitude (ex. ±10–20%). L’objectif est un ordre de grandeur public comparable inter‑modèles, indispensable à une intelligence artificielle générale responsable et, à terme, à toute visée d’ASI. Pour approfondir l’angle énergétique, relire notre dossier « défi écologique« .
Check‑list et Scorecard de transparence énergétique (proposition)
Voici la check‑list minimale à exiger des labs visant l’IAG:
- FLOPs d’entraînement (total et par phase)
- kWh totaux (entraînement + tuning + évaluation)
- PUE moyen du/des datacenters
- Mix matériel (types/quantités d’accélérateurs, interconnexion)
- Localisations et intensité carbone (gCO2e/kWh)
- Eau utilisée (WUE) et stratégie d’eau non‑potable
- Énergie par 1000tokens en inférence
- Politiques d’optimisation (quantization, sparsity, scheduling, routing)
- Offsets/contrats d’énergie (PPA, garanties d’origine)
- Bornes d’incertitude et auditabilité
Scorecard proposée (A→E):
| Note | Critères de divulgation | Audit tiers |
|---|---|---|
| A | Checklist 1–10 couverte, métriques reproductibles (FLOPs, kWh, gCO2e, PUE/WUE) | Oui (organisme accrédité) |
| B | ≥8 items, méthodologie publique et bornes d’incertitude | Oui/limité |
| C | ≥6 items, estimations partielles | Non |
| D | ≥3 items, pas de métriques de carbone ou d’eau | Non |
| E | Divulgation minimale ou nulle | Non |
Bénéfices: conformité aux attentes du Code de pratiqueGPAI et de l’AIAct, confiance des utilisateurs, science reproductible, pilotage des datacenters. Appel aux écosystèmes: régulateurs(UE), standard‑setters (OCDE.AI, NIST), clouds et éditeurs visant l’AGI. Pour le contexte métier et usages, lire aussi notre retour d’expérience « bascule cognitive au travail« .
Conclusion– Vers une AGI responsable: pas de superintelligence sans comptabilité énergétique
Le refus d’OpenAI de publier les kWh de GPT‑5, confirmé par TheGuardian, marque un tournant. La course à l’AGI n’est pas qu’une affaire de capacités: sans reporting énergétique vérifiable (FLOPs, kWh, gCO2e, PUE/WUE), la gouvernance du calcul reste fragile et l’acceptabilité sociale incertaine. Les outils existent: Code de pratique GPAI, jalons de l’AIAct, référentiels émergents (OCDE/NIST).
Nous proposons d’instituer un suivi trimestriel de la transparence énergétique des modèles proches de l’intelligence artificielle générale avec dépôt public de Scorecards et protocole d’audit ouvert (méthode ci‑dessus). Chercheurs, développeurs, journalistes et décideurs peuvent s’en emparer dès maintenant: normaliser les disclosures, comparer les modèles, et faire évoluer les achats cloud en conséquence. À court terme, ce cadrage est un gain de crédibilité. À moyen terme, c’est une condition de soutenabilité pour toute ambition de ia générale.
CTA: faites circuler cette check‑list, initiez un audit d’un modèle clé dans votre organisation, et contribuez à une intelligence artificielle plus responsable. Pour élargir la perspective « compute governance », poursuivez avec nos analyses sur la carte des datacenters et la limite énergétique. Mots‑clés: GPT‑5, AGI, transparence énergétique, compute governance.
