On a longtemps cru que l'avenir de l'IA passait par des modèles toujours plus gros. En 2026, le vent tourne : face à l'explosion des coûts et de l'empreinte environnementale, les entreprises se tournent vers l'IA frugale. Une tendance encore peu traitée, où la France a une longueur d'avance, et qui fait émerger de nouvelles compétences.

L'angle mort environnemental de l'IA

L'intelligence artificielle a un coût écologique réel, longtemps passé sous silence. Le numérique représentait déjà environ 4,4 % de l'empreinte carbone de la France en 2022 (étude ARCEP/ADEME), et l'IA en est l'un des principaux moteurs de croissance, par la fabrication et le fonctionnement des centres de données qu'elle mobilise.

La course à la taille des modèles a aggravé le phénomène. Les grands modèles de langage (LLM) qui font tourner les services comme ChatGPT comptent souvent plus de 100 milliards de paramètres et tournent dans des centres de données géants ; chaque requête consomme de l'énergie et de l'eau. Face à cette démesure, une idée simple s'impose : a-t-on vraiment besoin d'un modèle géant pour chaque tâche ? C'est tout l'enjeu de l'IA frugale.

L'IA frugale, ce n'est pas (que) consommer moins

Le concept mérite d'être défini avec précision, car il va plus loin que la simple efficacité énergétique. Selon le référentiel français, une IA frugale est une IA qui utilise moins de ressources (énergie, eau, matières premières) sur l'ensemble de son cycle de vie, de la conception à la fin de vie.

Mais le point le plus intéressant est ailleurs. La frugalité commence par une question de bon sens, trop rarement posée : a-t-on seulement besoin de l'IA pour résoudre ce problème ? Un service d'IA n'est considéré comme frugal que si le recours à l'IA, plutôt qu'à une solution plus simple et moins gourmande, a été démontré. Autrement dit, la première bonne pratique est parfois de ne pas utiliser d'IA du tout.

Cette nuance permet d'éviter un piège bien identifié : l'effet rebond. Quand une IA devient plus efficiente et donc moins coûteuse, on a tendance à l'utiliser davantage, et son impact total peut au final augmenter. Optimiser un modèle ne suffit donc pas si les usages explosent en parallèle. La frugalité, c'est viser le « juste nécessaire », pas seulement la performance technique.

La France, pionnière avec un référentiel unique

C'est un point peu connu et un vrai atout de souveraineté : la France a publié, fin juin 2024, le premier référentiel au monde dédié à l'IA frugale. Baptisé Référentiel général pour l'IA frugale (AFNOR Spec 2314), il est le fruit de six mois de travail réunissant environ 150 contributeurs (entreprises, recherche, administrations), piloté par l'Ecolab du Commissariat général au développement durable en partenariat avec l'AFNOR, dans le cadre de la Stratégie nationale pour l'IA.

Concrètement, ce document d'application volontaire propose :

• une méthodologie d'évaluation de l'impact environnemental selon une approche cycle de vie ;
• 31 fiches de bonnes pratiques mobilisables par les organisations ;
• des recommandations pour communiquer avec justesse et éviter le greenwashing, c'est-à-dire les allégations écologiques non démontrées.

Une limite à connaître, pour être honnête : le référentiel se concentre sur l'environnemental et exclut volontairement de son périmètre les enjeux sociaux et éthiques de l'IA. Il n'est pas non plus contraignant. Mais il sert de base à un travail de normalisation européenne (un projet a été validé au Comité européen de normalisation en mai 2025), en lien avec l'AI Act. Ce qui est volontaire aujourd'hui pourrait donc inspirer les normes de demain. La France a aussi lancé, lors du Sommet de Paris sur l'IA de février 2025, une coalition internationale pour une IA durable.

Les modèles spécialisés, fer de lance de la frugalité

C'est la traduction technique la plus visible de cette tendance : plutôt que de tout confier à un LLM géant, on recourt à des modèles de langage spécialisés (SLM, pour Small Language Models). Avec 1 à 10 milliards de paramètres (contre des centaines pour les grands modèles), ces modèles plus compacts présentent des atouts décisifs en entreprise :

• Sobriété et coûts maîtrisés : ils consomment beaucoup moins, et certains tournent même sur un simple ordinateur ou un smartphone, sans centre de données géant.
• Confidentialité et souveraineté : pouvant fonctionner en circuit fermé sur des serveurs internes ou un cloud souverain, ils protègent les données sensibles, un argument fort face aux lois extraterritoriales.
• Performance ciblée : un petit modèle spécialisé sur un domaine précis peut surpasser un grand modèle généraliste sur ce domaine.

L'impact potentiel est considérable. Selon une étude UNESCO / University College London, de simples ajustements dans la conception et l'usage des modèles peuvent réduire jusqu'à 90 % leur consommation d'énergie sans perte de performance. Et le cabinet Gartner anticipe qu'à l'horizon 2027, les entreprises utiliseront bien davantage les petits modèles spécialisés que les grands modèles généralistes.

Attention toutefois à ne pas tomber dans le dogme inverse. Un SLM n'est pas un « LLM au rabais » : il est limité hors de son domaine et peut se tromper. L'avenir en entreprise est plutôt hybride : un grand modèle pour les tâches complexes et créatives, des modèles spécialisés là où la sobriété, la confidentialité ou le volume le justifient. Le vrai piège serait de déployer un petit modèle juste parce que c'est la mode, sans interroger l'usage.

Une nouvelle compétence, encore peu enseignée

Voilà ce qui rend le sujet stratégique pour qui se forme. L'IA frugale n'est pas qu'une affaire de serveurs : c'est une compétence qui irrigue toute la chaîne, des développeurs aux chefs de projet en passant par les acheteurs. Savoir éco-concevoir un système d'IA, mesurer son empreinte, choisir le bon modèle pour le bon usage, intégrer des critères environnementaux dans un cahier des charges : autant de savoir-faire encore rares.

Or la demande monte vite. Les marchés publics, soumis à des exigences de sobriété de l'État, intègrent de plus en plus ces critères, et les politiques RSE des entreprises aussi. Des formations spécialisées commencent à peine à émerger, ce qui laisse une vraie longueur d'avance à ceux qui s'en emparent tôt. C'est un angle différenciant pour un profil data ou IA : maîtriser non seulement les outils, mais aussi leur impact et leur juste usage.

Se former à une IA utile et responsable

La leçon est claire : l'IA de demain ne sera pas seulement plus puissante, elle devra être plus sobre. Comprendre l'IA frugale, ses modèles spécialisés et le cadre français qui l'encadre, c'est anticiper une exigence qui ne fera que croître, autant économique qu'environnementale.

Chez KLE Formations, nos parcours en intelligence artificielle et en data (bientôt disponibles) sont pensés pour former à une IA utile et bien employée, pas seulement à empiler des outils : comprendre les modèles, choisir le bon pour le bon usage, et intégrer les enjeux de coût et d'impact. Comme nos formations cybersécurité, déjà accessibles et finançables (CPF, France Travail, OPCO, Transitions Pro), ils privilégient le concret et l'employabilité durable. Pour élargir le tableau, lisez notre article sur l'AI Act et les métiers de l'IA, qui prépare le terrain de la future norme environnementale européenne, et notre tour d'horizon des usages de l'IA générative qui créent de l'emploi.

La frugalité n'est pas une contrainte qui bride l'innovation : c'est une façon plus intelligente d'innover. Et savoir la mettre en œuvre deviendra, dans les années qui viennent, une compétence qui compte.

---

Sources : Référentiel général pour l'IA frugale / AFNOR Spec 2314 (Ecolab CGDD, ministère de la Transition écologique, AFNOR) ; ARCEP/ADEME (empreinte du numérique) ; GreenTech Innovation ; étude UNESCO / University College London (réduction de consommation) ; prévisions Gartner sur les modèles spécialisés ; analyses Sigma, SCAFE, Bloom AI, Euronews sur les SLM. Chiffres et statut à jour à la mi-2026 ; le référentiel est d'application volontaire et susceptible d'évoluer vers une norme européenne.