‍

‍

‍

Google Research vient de publier TurboQuant, un algorithme qui compresse la mémoire nécessaire à l'inférence IA par 6 à 8x. (L'inférence, c'est le moment où un modèle déjà entraîné produit une réponse.)

La réaction des marchés a été immédiate : "L'IA a besoin de moins d'infrastructure. Vendez."

Résultat : Micron, l'un des plus grands fabricants mondiaux de puces mémoire, a vu son cours de bourse chuter de près de 20% en quelques jours. Les investisseurs ont vu cette avancée comme une menace pour la demande.

Cette réaction m'a rappelé un mécanisme que les marchés oublient régulièrement. Le paradoxe de Jevons.

En 1865, l'économiste William Stanley Jevons observe quelque chose de contre-intuitif. James Watt vient d'améliorer la machine à vapeur, la rendant bien plus économe en charbon. Tout le monde s'attend à une baisse de la consommation. C'est l'inverse qui se produit. La machine, devenue rentable pour davantage d'industries, se déploie partout. La consommation totale de charbon explose.

Le mécanisme est limpide : quand on rend l'usage d'une ressource plus efficace, on en consomme plus, pas moins. L'efficacité réduit le coût unitaire, ce qui rend viables des usages qui ne l'étaient pas. Et la somme de ces nouveaux usages dépasse largement l'économie initiale.

Appliqué à l'IA, Jevons dit exactement le contraire de ce que les marchés ont retenu.

Quand l'inférence coûte 6 fois moins cher, on ne fait pas la même chose pour moins d'argent. On déploie l'inférence partout. Sur chaque appareil. Dans chaque application. Dans chaque workflow. La demande totale de puces mémoire ne recule pas. Elle accélère.

Leopold Aschenbrenner, ancien chercheur chez OpenAI, pousse ce raisonnement plus loin : les chatbots, les assistants de code, la recherche augmentée... ce sont les usages d'aujourd'hui. Utiles. Réels. Mais probablement pas la destination finale de l'IA. Les usages de demain, ceux qui consommeront massivement plus de compute, on ne les a pas encore imaginés.

Et c'est là que l'histoire du charbon devrait nous servir de leçon.

Parce que Jevons avait raison sur le mécanisme, mais personne n'a tiré les conséquences à temps. L'explosion de la consommation de charbon a alimenté la révolution industrielle, et avec elle, un coût environnemental dont on mesure encore les effets aujourd'hui.

L'IA suit la même trajectoire. Plus d'efficacité va créer plus d'usages, qui vont créer plus de demande en énergie, en eau de refroidissement, en ressources minières pour les semi-conducteurs.

Cette fois, on sait. On connaît le mécanisme. On connaît les conséquences.

L'enjeu n'est pas de freiner le déploiement de l'IA. C'est de trouver, dès maintenant, l'équilibre entre la puissance de ces nouveaux usages et leur empreinte sur l'environnement. Cet équilibre devrait être traité avec autant de sérieux et d'investissement que le déploiement technologique lui-même.

Peut-être que c'est ça, la vraie leçon de Jevons. Pas seulement comprendre que la demande va exploser... mais s'y préparer autrement.

‍