L'utilisation d'agents IA consomme environ 600 fois plus d'energie qu'une simple requete de chat

La construction de l'environnement d'entreprise pour l'IA à base d'agents

Intel a mené plusieurs milliers d'expériences sur des charges de travail d'IA agentique afin d'identifier ce dont une entreprise a réellement besoin pour faire fonctionner des agents logiciels à grande échelle. Pour cela, le groupe a étendu Terminal-Bench, un outil open source de benchmark pour agents IA, en y ajoutant des capacités de profilage, de télémétrie et de rejeu. La méthode retenue repose sur un enregistrement déterministe des réponses des modèles de langage, rejouées ensuite à l'identique à chaque test : cela permet de mesurer la performance des agents indépendamment de la variabilité propre au LLM. Le panel de tâches utilisé était volontairement large : compilation, tests logiciels, opérations de bases de données, logique booléenne, interprétation, ray tracing, compression de données, algèbre linéaire, transcodage vidéo et entraînement de modèles de machine learning. Cette diversité visait à rapprocher les résultats des conditions réelles rencontrées en entreprise. De ces travaux, Intel tire cinq enseignements pratiques, dont l'idée centrale que l'IA agentique constitue un problème de système complet et non un simple enjeu d'inférence. Cette distinction a des conséquences concrètes pour les équipes qui déploient des agents en production. Plutôt que de se limiter aux métriques classiques d'évaluation des modèles, Intel recommande de suivre six indicateurs : le taux de réussite des tâches, le coût par tâche, le temps par tâche, le débit de traitement, la densité d'agents par vCPU et la latence. Le point le plus contre-intuitif concerne le dimensionnement des infrastructures : la bonne unité de mesure n'est pas le nombre brut d'agents déployés, mais la densité d'agents par processeur virtuel disponible. Ainsi, dix agents tournant sur un système à 8 vCPU et vingt agents sur un système à 16 vCPU se comportent de façon comparable, dès lors que la densité reste identique. Cela donne aux architectes un moyen fiable de comparer des capacités entre différentes tailles d'instances et générations de processeurs, et de calibrer leurs infrastructures selon les objectifs métier : les assistants interactifs orientés utilisateur exigent une densité plus faible pour préserver le temps de réponse, tandis que les traitements par lots, comme les flux de travail IT internes, peuvent tourner à densité plus élevée. Ces travaux s'inscrivent dans un contexte où l'IA agentique dépasse largement le cadre du chatbot conversationnel pour devenir un outil d'automatisation de bout en bout des processus métier, capable de planifier des tâches multi-étapes, d'appeler des outils, de lire des résultats et de relancer une action en cas d'échec. Intel préconise notamment de surveiller la latence réelle des tâches plutôt que la seule utilisation moyenne du CPU, et de privilégier une architecture en scale-out plutôt qu'en scale-up, cette dernière n'étant réservée qu'aux charges nécessitant davantage de calcul par agent ou soumises à des contraintes architecturales spécifiques. Ces recommandations visent à outiller les équipes techniques face à la montée en charge attendue des déploiements agentiques dans les prochains mois.

💬 Ce qui me marque le plus dans ce papier, c'est le changement d'unité de mesure. Intel affirme que compter les agents déployés ne veut rien dire : seule la densité d'agents par vCPU permet de comparer deux infras entre elles, dix agents sur 8 vCPU se comportant comme vingt sur 16. Reste qu'Intel a du silicium à vendre derrière cette grille de lecture, donc je la garde en tête sans la prendre pour argent comptant.

136 fois pire que ChatGPT : Le coût énergétique délirant des futurs agents IA

Une nouvelle étude menée par des chercheurs du Korea Advanced Institute of Science and Technology (KAIST), sous la direction du professeur Minsoo Rhu, révèle que les futurs agents IA pourraient consommer jusqu'à 136,5 fois plus d'électricité que les chatbots génératifs actuels. Présentée au symposium international IEEE sur l'architecture des ordinateurs haute performance (HPCA), cette recherche est décrite par ses auteurs comme la première étude complète consacrée au coût énergétique de ce type de systèmes. Concrètement, un agent reposant sur un modèle de langage de 70 milliards de paramètres, comparable aux modèles commerciaux actuels, consomme en moyenne 348,41 wattheures pour traiter une seule requête. Les chercheurs ont aussi mesuré que ces agents peuvent mettre jusqu'à 153,7 fois plus de temps qu'un raisonnement classique pour terminer une tâche, et que pendant près de 54,5 % de ce temps d'exécution, les processeurs graphiques (GPU) restent simplement en attente que des outils externes terminent leur travail, tout en continuant à consommer de l'électricité. Cette différence de consommation s'explique par le mode de fonctionnement des agents IA. Contrairement à un chatbot classique qui génère une réponse en une seule étape, un agent multiplie les opérations : il interroge plusieurs fois un grand modèle de langage, lance des calculs, consulte des logiciels externes, parcourt Internet et coordonne divers outils pour accomplir une tâche complexe. Cette autonomie en fait un outil précieux pour la programmation, la recherche ou l'automatisation en entreprise, mais elle a un prix énergétique bien plus élevé qu'anticipé. Pour évaluer l'ampleur du problème à grande échelle, les chercheurs ont simulé un scénario où ces agents traiteraient 13,7 milliards de requêtes par jour, un volume comparable au trafic quotidien du moteur de recherche Google. Dans ce cas de figure, l'infrastructure nécessaire réclamerait environ 198,9 gigawatts d'électricité, soit près de la moitié de la consommation électrique moyenne des États-Unis, un niveau qui dépasse largement les capacités actuelles des centres de données spécialisés dans l'IA. Cette étude tombe à un moment charnière, alors qu'OpenAI, Google, Microsoft, Anthropic et de nombreuses autres entreprises misent massivement sur l'IA agentielle, présentée comme la prochaine grande étape après les chatbots conversationnels. Or, selon l'équipe du KAIST, se contenter d'améliorer les modèles ne suffira pas à rendre cette évolution soutenable. Le professeur Minsoo Rhu estime que l'avenir de l'IA dépendra autant de son efficacité énergétique que de ses performances brutes. Les chercheurs plaident pour une approche globale associant puces plus performantes, meilleure utilisation des GPU, centres de données mieux conçus et infrastructures électriques capables d'absorber cette demande croissante, en développant conjointement modèles d'IA, semi-conducteurs, serveurs et systèmes énergétiques. L'objectif affiché est de limiter les coûts d'exploitation et d'assurer la viabilité à long terme d'une technologie dont l'adoption s'accélère plus vite que les infrastructures censées la soutenir.

L'implantation de centres de données en orbite est plus complexe que ne le croit la Silicon Valley

Les data centers en orbite ont cessé d'être de la science-fiction pour devenir une catégorie d'investissement sérieuse. En mars dernier, Jensen Huang, PDG de Nvidia, proclamait depuis la conférence GTC que "le calcul spatial, la dernière frontière, est arrivé". Google a annoncé le projet Suncatcher en partenariat avec Planet, avec le lancement prévu de deux satellites équipés de puces TPU maison dès début 2027. La startup Starcloud a déposé une demande auprès de la FCC pour une constellation de 88 000 satellites dédiés au calcul orbital. SpaceX, de son côté, intègre xAI dans ses plans de constellations spatiales. Toutes ces entreprises imaginent des flottes de milliers de satellites abritant des racks de GPU haut de gamme, interconnectés par liaisons optiques en espace libre et reliés à la Terre par ondes microondes. Pourtant, une analyse rigoureuse de la physique tempère sérieusement l'enthousiasme. Le premier mythe à déconstruire est celui du "refroidissement gratuit" : l'espace est effectivement froid, mais l'absence d'atmosphère élimine la convection et la conduction, laissant uniquement le rayonnement thermique comme mécanisme de dissipation. Cela impose des surfaces radiantes immenses et coûteuses pour éviter la surchauffe des puces. L'énergie solaire, bien qu'abondante, nécessite des systèmes complexes de contrôle d'orientation pour maintenir les panneaux alignés vers le soleil. Les rayonnements ionisants issus des rayons cosmiques dégradent progressivement les panneaux, les refroidisseurs et les processeurs eux-mêmes, obligeant à intégrer dès le lancement une redondance substantielle. Selon une analyse de coût total de possession réalisée par ABI Research, déployer et exploiter un GPU dans l'espace pendant un an coûte au moins dix fois plus cher qu'en data center terrestre, même en retenant un coût de lancement Starship très optimiste de 44 dollars par kilogramme et un tarif électrique de 0,20 dollar par kilowatt-heure. Cette réalité économique n'interdit pas toute application spatiale, mais elle en restreint fortement le périmètre rentable. Des cas d'usage de niche restent défendables : le prétraitement des données issues des satellites d'observation terrestre directement en orbite, la détection et le suivi en temps réel de missiles hypersoniques, ou encore l'évitement de collisions dans un orbite basse de plus en plus saturée. Pour ces missions, la proximité avec les données justifie le surcoût. Mais la promesse d'un calcul généraliste en orbite comme alternative aux data centers terrestres se heurte à des contraintes physiques fondamentales que ni l'ingénierie ni le capital-risque ne peuvent simplement contourner. Le secteur reste néanmoins porteur d'une ambition technologique réelle, et les prochaines années diront si les pionniers parviennent à résoudre l'équation thermique qui sépare aujourd'hui la vision de la viabilité.

Consommation d'eau totale : les datacenters IA ne représentent qu'une goutte dans l'océan

Amazon a publié jeudi un billet de blog affirmant que ses centres de données ont prélevé environ 2,5 milliards de gallons d'eau à l'échelle mondiale en 2025, principalement pour alimenter les systèmes de refroidissement par évaporation. En comparaison, Google avait prélevé plus de 6,1 milliards de gallons en 2024, Microsoft environ 2,75 milliards et Meta 1,4 milliard sur la même période. C'est la première fois qu'Amazon communique publiquement sur ce chiffre, rejoignant tardivement ses concurrents dans l'exercice de transparence environnementale. Ces volumes paraissent colossaux en valeur absolue, mais ils s'avèrent anecdotiques dès lors qu'on les replace dans le contexte de la consommation nationale américaine. Les États-Unis ont prélevé à eux seuls 117 000 milliards de gallons d'eau en 2015. L'entretien des pelouses et espaces verts américains consomme 3 300 milliards de gallons par an, les vergers d'amandiers californiens 1 300 milliards, et les seuls terrains de golf américains 531 milliards. Les données centers de tous les grands acteurs de l'IA réunis représentent donc une fraction infime des prélèvements hydriques totaux, relativisant considérablement le récit dominant sur l'IA "assoiffée" de ressources. Cette publication intervient dans un contexte de pression croissante sur les entreprises tech pour documenter leur empreinte environnementale, portée notamment par des communautés en ligne critique vis-à-vis de l'IA. Si l'impact global semble limité à l'échelle nationale ou mondiale, la situation est bien différente localement : un centre de données peut représenter une charge significative pour le réseau hydrique d'une région spécifique, notamment dans des zones déjà soumises au stress hydrique. L'enjeu pour les prochaines années sera moins de mesurer l'empreinte agrégée que de gérer les tensions locales, alors que la construction de nouveaux centres de données s'accélère partout dans le monde pour répondre à la demande explosive en infrastructures IA.