Navigation – Plan du site

AccueilNumérosVol. 18, N° 2Sobriété numérique et traitement ...

Sobriété numérique et traitement des données massives : vers des stratégies d’innovation plus durables

Digital sobriety and the processing of massive data: towards more sustainable innovation strategies
Sobriedad digital y tratamiento de datos masivos: hacia estrategias de innovación más sostenibles
Robert VISEUR
p. 61-83

Résumés

Cet article examine les défis liés à la soutenabilité du secteur numérique à travers des thématiques-clés telles que le cloud computing, la publicité ciblée, la vidéo en ligne, les cryptomonnaies et les intelligences artificielles génératives. Dans un premier temps, il explore les stratégies d’innovation adoptées par des entreprises de portée mondiale (Google, Facebook, Netflix et OpenAI) pour atténuer leur impact environnemental. L’étude met en lumière l’évolution des objectifs d’innovation, qui passent de l’amélioration des performances des produits à l’optimisation des processus de production dans un cadre souvent collaboratif. Ensuite, elle analyse la diffusion des pratiques de sobriété numérique parmi les prestataires informatiques, mettant en perspective leurs efforts, mais également les limites de leurs actions face aux enjeux de sobriété. Enfin, l’article examine la relation entre la sobriété numérique et la nature des plateformes technologiques, soulignant les défis spécifiques posés par les cryptomonnaies et les plateformes publicitaires. L’étude conclut par un ensemble de recommandations en matière d’information, de formation, d’incitations et de régulations pour promouvoir un secteur numérique plus sobre.

Haut de page

Texte intégral

Contexte

1En 2016, le nombre total de terminaux connectés s’élevait à 13,4 milliards d’unités, dont 1,4 milliard d’ordinateurs personnels et 3,6 milliards de téléphones multifonctions (Cisco, 2016). Bordage (2019) voit dès lors la digitalisation du monde moins comme une dématérialisation que comme une forme de « transfert de support ». Les équipements informatiques ont en effet un impact environnemental non négligeable (Faucheux et al., 2010). Celui-ci est lié à leur production, à leur utilisation et à leur traitement en fin de vie. La production s’accompagne d’une consommation de métaux, d’eau, d’énergie ainsi que de rejets de déchets et de gaz à effet de serre (GES). Leur utilisation implique la consommation d’énergie électrique. Le traitement en fin de vie se caractérise par un recyclage limité, entraînant la production de déchets, parfois exportés, ainsi que des rejets de polluants. Le secteur des technologies de l’information et de la communication (TIC) pèserait ainsi pour 1,3 % des émissions de GES et 3,9 % de l’énergie consommée (Pärssinen et al., 2018). La consommation d’énergie se répartit entre, d’une part, la production (45 %) et, d’autre part, l’utilisation (55 %) (Efoui-Hess, 2019 ; Ferreboeuf, 2018; Ferreboeuf et al., 2020). La consommation liée à l’utilisation se répartit entre les terminaux (36 %) et les infrastructures (64 %), soit les centres de données (54 %) et les équipements réseaux (46 %). Sur le plan de la production, les TIC, et en particulier les smartphones (téléphones intelligents) (Vaija et Philipot, 2020), pèsent lourd dans la consommation de certains métaux (Ferreboeuf, 2018). Or, pour la grande majorité des métaux, les réserves estimées, parfois géographiquement concentrées, se situent entre 30 et 60 ans (Aurez et Georgeault, 2016). De plus, le recyclage de ces métaux s’avère faible pour les biens numériques, car leur séparation est souvent difficile (UNEP, 2011). La lutte contre l’obsolescence des terminaux représente donc un enjeu important (Bordage, 2019; Lombès et Poubeau, 2014).

2Le secteur des TIC pose dès lors des questions de soutenabilité. Cinq types de services ont particulièrement concentré les inquiétudes. Premièrement, ces dernières années ont vu le développement du cloud computing (infonuagique) permettant aux entreprises d’accéder à des ressources informatiques (logiciels, capacités de stockage, de calcul…) en quantité virtuellement illimitée avec une tarification reflétant l’usage de la ressource (Weinhardt et al., 2009). Ces services, notamment proposés par Amazon (Amazon Web Services), Google (Google Cloud) et Microsoft (Microsoft Azure), s’accompagnent d’un développement des centres de données, mais aussi des infrastructures de réseaux fixes ou mobiles permettant de les connecter (Bordage, 2019). Deuxièmement, le développement des moteurs de recherche (Google Search, Microsoft Bing, ...) puis des réseaux et médias sociaux numériques (Facebook, YouTube, …) s’est accompagné du développement de la publicité ciblée. Cette dernière mobilise des capacités informatiques importantes (Pärssinen et al., 2018), impliquées dans le traitement de volumes élevés de données à caractère personnel (Viseur, 2021). Troisièmement, la vidéo en ligne a vu sa soutenabilité interrogée (Efoui-Hess, 2019) compte tenu du caractère (actuellement) exponentiel de sa croissance, de sa contrepartie physique et de l’architecture de choix encourageant des usages jugés compulsifs. Quatrièmement, le développement du bitcoin soulève de vives inquiétudes quant à son empreinte carbone (Stoll et al., 2019), allant parfois, comme en Chine, jusqu’à l’interdiction pure et simple des activités de minage. Cinquièmement, le développement récent des intelligences artificielles (IA) génératives, incluant les agents conversationnels généralistes comme ChatGPT, s’est accompagné d’une critique de leur impact compte tenu des ressources consommées. Tandis que van Wynsberghe (2021) s’interrogeait sur la soutenabilité de l’IA en général, Sundberg (2024) relevait qu’une seule requête ChatGPT pouvait générer cent fois plus de GES qu’une simple recherche Google. Le développement de nouveaux usages (objets connectés, chaînes de blocs, intelligence artificielle) conduit à prédire un accroissement sensible de la part du numérique dans la consommation totale (23 % en 2030 chez Andrae et Edler, 2015, par exemple). En découle un rapport au numérique qualifié de « sobriété numérique », parfois porté par des représentants du secteur, dès lors peu suspects de luddisme. Ceux-ci encouragent l’usage du numérique « dans des proportions raisonnables et uniquement lorsque c’est nécessaire » (Bordage, 2019).

3Le débat médiatisé lancé par le groupe de réflexion The Shift Project à propos de la soutenabilité de la vidéo en ligne illustre cependant bien la complexité du sujet ainsi que les croyances erronées parfois durablement propagées dans l’espace public. Le rapport initial (Efoui-Hess, 2019) estimait ainsi les émissions de GES à 3 200 grammes de CO2 par heure de vidéo en ligne (Efoui-Hess et Geiss, 2020). Cette estimation a été rapidement contestée par l’International Energy Agency (IEA) sur la base de deux arguments principaux. Le premier concernait une erreur de calcul (confusion entre bits et bytes), admise par The Shift Project (Ibid.), ramenant son estimation à 394 gCO2/h. Le second concernait une critique sourcée des chiffres de consommation utilisés, supposés refléter insuffisamment les gains d’efficacité sur les infrastructures. L’IEA arrivait ainsi à une consommation de 82 gCO2/h, puis de 36 gCO2/h (Kamiya, 2020). Carbon Trust (2021), s’appuyant sur ces évaluations antérieures, arrivait finalement à une estimation de 56 gCO2/h, soit près de 60 fois moins que l’estimation initiale. Dès lors, ce résultat optimiste pourrait-il être généralisé? En définitive, ne sous-estime-t-on pas les tendances propres au secteur des TIC à limiter les gaspillages ou à améliorer l’efficacité énergétique des applications et des infrastructures?

4Dans cet article, nous proposons d’interroger les modalités de développement des entreprises proposant des services à portée mondiale recourant massivement aux ressources informatiques hébergées dans les centres de données. Nous traitons en particulier les cas de Google, Facebook, Netflix et OpenAI. Nous nous sommes fondés sur des informations publiques, publiées sur le site Web des entreprises, dans des articles de la presse informatique, sur des sites Web maintenus par des experts identifiés du domaine (créateurs d’entreprises, consultants, chercheurs, etc.) ou dans des articles scientifiques. Nous analyserons en particulier les stratégies d’innovation mises en œuvre par ces entreprises pour réduire leur impact environnemental ainsi que leurs limitations. Trois dimensions de l’innovation sont ainsi explorées : les objectifs, l’ouverture et les cycles. Ces exemples recouvrent par ailleurs trois types de plateformes identifiés par Srnicek (2018) – plateformes nuagiques (Amazon Web Services, Google Cloud, Microsoft Azure), plateformes publicitaires (Google Ads, Facebook Ads) et plateformes de produits (Netflix, OpenAI) – dont nous pourrons analyser le rapport à la sobriété numérique. En complément à ces quatre cas, nous exploitons deux séries d’entretiens semi-directifs, enregistrés puis retranscrits avant analyse, réalisées auprès de, respectivement, 12 et 5 entreprises belges francophones, actives dans la gestion de logiciels de type SaaS, le développement d’applications et la consultance. Ces entretiens étaient relatifs, d’une part, au pilotage financier d’un SaaS et, d’autre part, à la mise en place de la sobriété numérique.

1. Objectifs du processus d’innovation

5Le rapport Meadows n’associe pas croissance zéro et durabilité (Meadows et al., 2012, p. 407). Il accorde par ailleurs une importance à la technologie dès lors que l’innovation s’oriente vers plus d’efficacité (moins de matières premières, moins d’énergie...) et s’accompagne d’autres évolutions, incluant la transformation des modes de consommation (par exemple, économie de fonctionnalité, soit « un nouveau modèle de consommation qui propose de vendre au client des services plutôt que des biens matériels » [Buclet, 2005, p. 58]) et l’accroissement de la durée de vie des biens physiques. Le numérique peut en ce sens contribuer à réduire, globalement, l’utilisation du capital physique. L’atteinte du développement durable par l’innovation technologique suppose cependant que les investissements correspondants le soient dans des innovations technologiques permettant de réduire la consommation de ressources.

6La consommation mondiale des centres de données augmente au fil des ans. Cependant, si les prévisions tablaient sur une augmentation de 3 % en 2017 à 4,5 % en 2025 (Liu et al., 2020), les chiffres récents montrent un découplage entre les usages, en forte croissance, et leur consommation, en très légère hausse (Varro et Kamiya, 2021). Les grands acteurs tels qu’Amazon, Google, Facebook ou Microsoft se décarbonent par ailleurs fortement, soit par des investissements directs dans le renouvelable (solaire, éolien), soit par des contrats d’achat d’énergie décarbonée (IEA, 2024). Pour les opérateurs de centres de données tels que Google, la consommation énergétique ainsi que le matériel constituent des centres de coûts importants. Google a ainsi développé différentes stratégies pour réduire le coût de ses infrastructures : l’optimisation du refroidissement des centres de données, la simplification des ordinateurs au sein des centres de données (suppression des composants non strictement nécessaires) et la répartition de la charge entre les centres de données. L’optimisation du refroidissement est passé par le refroidissement par eau, ce qui a permis un abaissement constant du PUE (Power Usage Effectiveness). Le PUE fournit le rapport entre la consommation électrique totale et la consommation électrique des équipements informatiques (Liu et al., 2020). Celui de Google est passé de plus de 1,2 en 2008 à 1,1 après 2020, voire moins dans certains centres comme celui de Saint-Ghislain en Belgique1. Google, avec sa filiale DeepMind, a ultérieurement eu recours à l’apprentissage logiciel pour équilibrer la charge entre ses centres de données, permettant d’abaisser les coûts de refroidissement de l’ordre de 40 % (Evans et Gao, 2016). Dès lors, la recherche d’économies conduit dans ce cas à une moindre consommation de matériel et d’énergie.

7Sur le plan de l’hébergement, Netflix héberge son infrastructure chez Amazon Web Services2. Cela lui permet de concentrer ses ressources sur son cœur de métier (le streaming vidéo) et d’externaliser l’hébergement auprès d’une entreprise dont c’est la spécialité. Cependant, si ce choix conduit Netflix à s’appuyer sur une infrastructure optimisée, il est peu ou prou motivé par des aspects environnementaux, plutôt par la recherche d’une fiabilité que l’entreprise ne parvenait pas à atteindre avec des ressources internes. Sur le plan des applications, Netflix peut par contre concentrer ses capacités de recherche et de développement sur les algorithmes de compression des vidéos. Publié en 2018, le codec AV13 revendique ainsi un gain de bande passante de l’ordre de 30 % (Han et al., 2021). Notamment réutilisé par Facebook, Twitch et YouTube, il permet d’améliorer le compromis entre qualité de l’image et consommation de bande passante.

2. Ouverture du processus d’innovation

8L’open innovation (ou innovation ouverte en français) est un concept développé par Henry Chesbrough à partir de 2003. Il introduit une nouvelle approche de l’innovation dans laquelle les entreprises cherchent à collaborer avec des acteurs extérieurs pour stimuler la créativité et partager des idées, des connaissances, des ressources. Le degré d’ouverture varie toutefois en fonction de la mise en œuvre. Elle inclut les stratégies dites open source (Jullien et Viseur, 2021), couvertes de manière récurrente, au sein de ce paradigme de l’open innovation, par West (2003).

9L’optimisation des centres de données passe aussi par l’innovation ouverte, du moins pour certaines entreprises. C’est notamment le cas de Facebook avec l’Open Compute Project (IEA, 2024). Créé en 2011, ce dernier se définit comme « une communauté collaborative axée sur la refonte de la technologie matérielle afin de répondre efficacement aux demandes croissantes en matière d’infrastructure informatique4 ». Arrivé sur le marché après Google, Facebook s’appuie sur cette communauté, impliquant notamment Microsoft, Intel et Google, pour innover sur l’architecture des centres de données, leurs équipements (par exemple, les serveurs) et leurs composants (par exemple, les processeurs). L’entreprise revendique une économie d’énergie de l’ordre de 38 % à la construction et une réduction du coût de fonctionnement de l’ordre de 24 %. Facebook a aussi travaillé de manière collaborative à l’amélioration de l’efficacité de l’environnement d’exécution de ses applications (cf. « HipHop for PHP5 »). En pratique, le choix du langage de programmation est reconnu comme ayant un impact important sur l’efficacité des logiciels (Pereira et al., 2021). Les langages compilés (C, C++, Rust, Go, …) et, dans une mesure moindre, les langages hybrides (Java, Scala, ...), tendent ainsi à exiger moins de ressources que les langages interprétés (Perl, PHP, Python, Javascript, …), actuellement dominants sur le Web. Utilisant initialement le langage PHP pour son réseau social, Facebook a développé une solution permettant la traduction du code source PHP en C++. Par la suite, les limites de cette approche ayant été atteintes, la solution a évolué vers un nouveau langage de programmation hybride, baptisé Hack, syntaxiquement proche du PHP.

10Le cas de Netflix illustre également la stratégie de l’innovation ouverte. Le développement de nouveaux formats de compression, plus performants, résulte en effet d’une collaboration au sein de l’Alliance for Open Media avec Apple, Amazon, Google, Intel et Microsoft. L’incitation économique est triple : réduire les coûts d’infrastructure (moindre consommation de bande passante facturée par l’hébergeur en fonction de l’usage), partager les coûts de recherche et de développement, et stimuler le support du nouveau codec par le marché.

3. Cycles du processus d’innovation

11La nature de l’innovation évolue au fil du temps. Le modèle A-U d’Abernathy et Utterback (1978) propose ainsi une évolution en trois phases (Trott, 2021) : la phase fluide, la phase transitionnelle et la phase spécifique. La première est caractérisée par une variété d’innovations concurrentes et souvent incompatibles qui coexistent dans l’industrie. Les entreprises se concentrent sur l’amélioration des caractéristiques de performance des produits existants et cherchent à répondre aux besoins de la clientèle cible. La phase transitionnelle est caractérisée par une convergence des innovations vers un design dominant, soit un ensemble de caractéristiques technologiques qui deviennent un standard de facto. Les entreprises adoptent ce design dominant et commencent à se concentrer sur l’efficacité opérationnelle pour produire de manière plus rentable. La nature de l’innovation passe d’une innovation de produit à de l’innovation de processus, puis enfin, durant la phase spécifique, à de la « commoditisation », caractérisée par des produits simples, centrés sur les fonctionnalités essentielles, et très peu coûteux (Ibid.). Dans le domaine logiciel, les logiciels libres et open source participent souvent à ce mouvement de commoditisation (Munga et al., 2009).

12Les progrès de l’intelligence artificielle illustrent bien ce cycle en trois phases. Ce domaine d’application cristallise les inquiétudes en matière de consommation de ressources (Sundberg, 2024). Pourtant, l’histoire récente de l’intelligence artificielle basée par les réseaux de neurones profonds montre le potentiel d’optimisation existant sur les plans de l’accroissement de l’efficacité des ordinateurs (Koomey et al., 2010), de l’utilisation optimale de matériels spécialisés (Wang et al., 2019) ou encore de l’amélioration des algorithmes utilisés (Hernandez et Brown, 2020). Développé par DeepMind, AlphaGo (Holcomb et al., 2018; Silver et al., 2017) est caractéristique du potentiel d’optimisation d’une technologie émergente. Les versions successives d’AlphaGo (AlphaGo, Alpha Go Master et AlphaGo Zero) sont ainsi passées en quelques mois seulement de 176 GPU (Graphical Processing Unit) à 48, puis 4 TPU (Tensor Processing Unit)6. AlphaGo Zero s’est pourtant révélé capable de battre la version précédemment publiée d’AlphaGo. Cette dernière avait elle-même vaincu le champion du monde, Lee Sedol.

13Une évolution similaire est en cours avec le produit ChatGPT proposé par OpenAI. ChatGPT est un agent conversationnel (chatbot) généraliste basé sur le modèle GPT (Generative Pre-trained Transformer), « un modèle de langage autorégressif de troisième génération qui utilise l’apprentissage profond pour produire des textes de type humain » (Floridi et Chiriatti, 2020, p. 684). Si sa technologie n’est pas révolutionnaire en elle-même, ChatGPT se distingue par le volume de données fournies pour son entraînement (plus de 300 TB issues notamment du Common Crawl) ainsi que par le nombre de paramètres du modèle GPT (plus ou moins 175 milliards). La consommation d’énergie liée à l’entraînement de GPT-3 serait ainsi comparable à la consommation annuelle de 120 véhicules états-uniens (Sunberg, 2024). Des outils concurrents se développent en parallèle comme Claude (Anthropic) ou Bard/Gemini (Google), tandis que des outils complémentaires apparaissent dans le domaine de la génération d’images (DALL-E, Midjourney, Stable Diffusion, …) et de vidéos (Lumiere, Sora, ...). L’entraînement de ces intelligences artificielles compte actuellement pour 20 à 40 % de leur consommation contre 60 à 70 % pour leur utilisation et 10 % pour leur développement (IEA, 2024). Leur lourdeur, notamment leurs besoins en énergie, constitue cependant un obstacle reconnu à leur passage à l’échelle7. Plusieurs éléments traduisent cependant l’inscription de ces IA génératives dans le modèle A-U. Le plébiscite du chatbot peut ainsi être assimilé à l’émergence d’un « design dominant » (Abernathy et Utterback, 1978) caractérisé par une stabilisation des fonctionnalités attendues par le marché. L’innovation peut alors s’orienter vers l’optimisation du produit. Cette évolution se traduit par exemple chez OpenAI par la mise à disposition de plusieurs modèles, les plus énergivores, plus puissants, étant aussi les plus onéreux, et l’annonce d’une réduction probable de la taille des modèles. Chez certains concurrents comme META ou Hugging Face, la mise à disposition de modèles ouverts (par exemple, LLaMA8) est annonciatrice de futures collaborations, dès lors d’une limitation du nombre de modèles à entraîner. Le secteur voit également apparaître de nouvelles puces spécialisées à l’image des LPU (Language Processing Units) permettant une accélération des traitements liés à la génération de texte (Leblal, 2024). À côté des grands modèles généralistes émergent par ailleurs des modèles plus petits, plus spécialisés, mais aussi moins consommateurs (Kocoń et al., 2023), ouvrant la voie à une commoditisation (banalisation) de ces produits.

4. Diffusion des bonnes pratiques

14Le travail de terrain réalisé auprès de PME belges permet de mieux comprendre les freins et les moteurs liés à la diffusion de bonnes pratiques en matière de sobriété numérique.

  • 9 L’expression « cloud public » désigne « un cloud opéré par un acteur tiers, comme Google ou Amazon  (...)

15Premièrement, toutes les entreprises interrogées cherchent à optimiser l’usage du matériel. Il faut ici distinguer les ordinateurs utilisés par le personnel et les serveurs. Dans le premier cas, la logique consiste généralement à acheter du matériel davantage haut de gamme, pour ses qualités accrues de longévité et de réparabilité, et à lui donner une seconde vie, une fois déclassé (dons aux écoles, aux familles du personnel, …). Cette recherche d’économie doit cependant être mise en balance avec le bien-être au travail (par exemple, confort des écrans) et les situations spécifiques (par exemple, consultance simultanée auprès de plusieurs clients). Côté serveur, la norme consiste à travailler avec des infrastructures de clouds publics9 optimisées (Amazon Web Services, Microsoft Azure, …) et à surveiller les performances dès lors que les volumes des données traitées deviennent significatifs (par exemple, fichiers vidéo). Dans le cas contraire, l’attention se porte essentiellement sur le coût des ressources humaines associées au développement. En pratique, la recherche de réduction des coûts et des gaspillages conduit à des politiques favorables à une réduction du nombre de machines (par exemple, utilisation au plus juste sur les clouds) ou de leur utilisation (par exemple, arrêt automatique des machines de test durant la nuit).

16Deuxièmement, les ressources humaines conditionnent en large partie le choix des technologies, en particulier des langages de programmation utilisés. Le langage est choisi pour ses qualités de diffusion (connaissance par les développeurs recrutés) et de productivité (rapidité des développements, facilité de maintenance). Le choix technologique est dès lors influencé par les rendements croissants d’adoption (documentation abondante, dépendances technologiques côté clients, ...). D’une manière générale, un manque de sensibilisation ressort quant aux technologies, aux outils, aux méthodologies, permettant de systématiser la réduction de la consommation des ressources. Toutefois, un large consensus existe quant au strict respect des cahiers des charges conduisant à ne développer que ce qui est nécessaire pour ne pas grever inutilement les budgets.

17Troisièmement, le rôle potentiellement structurant des grands acteurs ressort. L’exigence pour les sous-traitants d’intégrer une démarche d’amélioration de la qualité contribue à des réflexions davantage structurées quant aux meilleurs moyens de mesurer les consommations, puis d’optimiser les applications. Les lourdeurs propres à ce type d’approche effraient cependant les entreprises plus petites (moins de 20 personnes). Le plébiscite s’oriente vers des méthodologies permettant une amélioration globale et continue de la sobriété, à l’image des normes de qualité (par exemple, ISO 9000) auxquelles les entreprises sont familiarisées, ou de méthodologies outillées permettant l’optimisation d’applications sur un périmètre restreint.

5. Discussion

18Nous discutons dans cette section des stratégies d’innovation ayant un impact environnemental positif, des différences de rapport à la sobriété numérique entre les différents types de plateformes et des recommandations pour amener davantage de sobriété numérique.

19Les cas couverts par notre étude ont permis d’identifier trois stratégies d’innovation face à des enjeux de réduction des coûts, mais se traduisant par un gain environnemental : la focalisation, l’ouverture et l’optimisation (cf. Tableau 1). La focalisation consiste à sous-traiter certaines activités, en particulier l’hébergement, auprès de prestataires spécialisés. Si elle n’est généralement pas motivée par des critères environnementaux, elle conduit cependant à recourir à des prestataires optimisant leurs infrastructures sur le plan des ressources et offrant une flexibilité propice à un strict ajustement aux besoins des capacités commandées. L’ouverture consiste à créer des référentiels de bonnes pratiques ou des briques technologiques dans un contexte d’innovation ouverte pouvant aller jusqu’à l’innovation open source. L’optimisation, parfois couplée à l’innovation open source, peut conduire à une simplification de la technologie pour en optimiser les fonctionnalités réduites à l’essentiel. C’est cette dernière approche qui ressemble le plus à la sobriété numérique au sens de Bordage (2019).

Tableau 1 : Synthèse des stratégies d’innovation

Entreprise

Stratégie d’innovation

Focalisation

Ouverture

Optimisation

Google

Optimisation des centres de données

Participation à Open Compute Project

Simplification des équipements

Netflix

Externalisation de l’infrastructure (Amazon Web Services)

Collaboration au sein de l’Alliance for Open Media (codecs)

Optimisation de la bande passante

Facebook

Recherches de pointe dédicacées aux algorithmes de deep learning

Collaboration au sein du projet Open Compute et projets open source

Amélioration de l’efficacité de l’environnement d’exécution

OpenAI

Externalisation de l’infrastructure (Microsoft Azure)

Réutilisation du jeu de données Common Crawl

Optimisation des modèles (taille) à performance comparable

20L’analyse qui précède nous permet de mieux comprendre le rapport entre certains sous-secteurs et la sobriété numérique.

21Emblématique de la pression sur les ressources, le secteur des cryptomonnaies (bitcoin, ether, …) constitue en définitive un domaine très particulier. Les transactions réalisées à l’aide de ces monnaies sont validées par une méthode de consensus. Parmi celles-ci, la preuve de travail, toujours utilisée par le bitcoin, se traduit par la résolution d’un problème mathématique complexe (Stoll et al., 2019). Dès lors que les capacités de calcul augmentent régulièrement en vertu de la loi de Moore (Koomey et al., 2010), la difficulté du problème à résoudre est progressivement augmentée. Par sa conception même, ce mécanisme conduit donc à lutter contre les gains d’efficacité et à accroître la consommation énergétique du système. L’usage du bitcoin est donc à proscrire ou à réserver à des cas très particuliers où les échanges ne peuvent se faire en la présence d’un tiers de confiance. D’autres méthodes de consensus peuvent en revanche être utilisées. Le passage d’Ethereum à une preuve d’enjeu, liée au poids monétaire des acteurs intervenant dans la validation des transactions, aurait ainsi conduit à une réduction de 99,95 % de l’énergie consommée (Asif et Hassan, 2023).

22Parmi les plateformes décrites par Srnicek (2018), les plateformes publicitaires sont davantage illustratives du « numérique instinctif voire compulsif » dénoncé par Ferreboeuf et al. (2020). La consommation énergétique des secteurs de la publicité en ligne (106 TWh; Pärssinen et al., 2018), de la vidéo en ligne (environ 45 TWh pour Netflix; Carbon Trust, 2021; Efoui-Hess, 2019) et du bitcoin (121 TWh; Asif et Hassan, 2023) sont en réalité d’un ordre de grandeur comparable. Ce poids s’explique par deux facteurs. D’une part, les dispositifs de publicité ciblée s’appuient de plus en plus sur le suivi des internautes au cours de leur navigation (Viseur, 2021). Quoique coûteux en traitement de données, l’efficacité de ces dispositifs ne se révèle pas nécessairement meilleure que la publicité contextuelle (Lambrecht et Tucker, 2013). Sensiblement plus simple à mettre en œuvre, elle consiste à adapter le contenu de la publicité à celui de la page sur laquelle elle est affichée et se révèle, en particulier, plus facilement conciliable avec l’exigence de minimisation des données imposée par le règlement général sur la protection des données (RGPD) (Viseur, 2021). D’autre part, le modèle d’affaires publicitaire, suivi par les réseaux sociaux numériques ou par la presse en ligne, passe par une maximisation de l’engagement des visiteurs. La rémunération des régies dépend en effet du nombre d’affichages ou du nombre de clics sur les publicités (Ibid.). En découlent des dispositifs, tel que l’infinite scroll (défilement ininterrompu des contenus), permettant une maximisation des usages et s’opposant à l’idéal-type de la sobriété numérique. Or le basculement vers un modèle basé sur le paiement d’un abonnement se révèle difficile.

Tableau 2. Exemples de recommandations

Information

Formation

Incitation

Obligation

Terminaux

Affichage de la réparabilité du matériel

Formation à la réparation (matériel reconditionné)

Fiscalité préférentielle sur le matériel reconditionné

Contraintes de réparabilité ou de collecte du matériel usagé

Infrastructures

Publication d’une charte environnementale ou d’une certification

Formation à la gestion de projets logiciels libres dans un contexte industriel

Valorisation des certifications et des chartes dans la commande publique

Obligation de s’inscrire dans une démarche qualité (ISO 14001, 50001…)

Applications

Création d’un label de durabilité pour les applications

Formation aux méthodologies et outils liés à l’éco-conception

Recours à des critères de sobriété numérique dans la commande publique

Consentement et minimisation des données collectées (RGPD)

23Les recommandations pour promouvoir la sobriété numérique en s’appuyant sur les forces actuelles de l’industrie numérique s’inscrivent donc dans quatre types d’initiatives : l’information, la formation, l’incitation et l’obligation (cf. Tableau 2). Nous avons vu que les entreprises cherchent globalement à réduire les gaspillages en matière d’achat de matériel. Les mesures favorables à l’allongement de la durée de vie du matériel sont connues (Lombès et Poubeau, 2014). Elles incluent le réemploi (réparation et réutilisation de l’appareil; par exemple, Back Market et Tradediscount), la réutilisation (réutilisation de sous-ensembles) et le recyclage (réutilisation des matières premières; par exemple, Fairphone). La réparabilité, incluant une plus grande modularité des appareils (Bordage, 2019), permet par ailleurs de faciliter le réemploi. Elle peut être favorisée par l’allongement des durées de garantie (mesure légale), mais aussi par une meilleure information au consommateur (voir, par exemple, iFixIt et son score de réparabilité des smartphones10). En matière d’hébergement, le recours à des infrastructures internes est rare. Les prestataires se tournent dès lors vers des prestataires de clouds optimisant en continu leurs infrastructures. Le développement d’applications pour des clients nécessite un calcul des coûts au plus juste. Cela entraîne un strict respect du périmètre fonctionnel, dès lors une pression vers plus de sobriété numérique. Des pratiques d’écoconception, consistant, « à niveau de qualité et de service constant, à réduire la quantité de moyens informatiques et télécoms nécessaires » (Bordage, 2022, p. 22), sont donc induites, même si leur mise en œuvre n’est ni formalisée ni systématisée. Cette recherche de sobriété – et les pratiques qu’elle nécessite – n’est par ailleurs pas nouvelle pour l’industrie informatique. Elle est en effet alignée avec les préoccupations liées à l’évolution des systèmes hérités, soit des systèmes logiciels de grande taille que l’on ne sait plus comment gérer (sur le plan de la qualité), mais vitaux pour l’organisation (Bennett, 1995; Sneed, 1995). La nécessité de réduire la complexité des applications évoquée par Ferreboeuf et al. (2020) est inscrite dans les bonnes pratiques en matière de réduction des coûts de maintenance des applications. Les entretiens révèlent par contre un manque de méthodologie et d’utilisation d’outils de mesure (par exemple, Greenspector). De plus, dans le cas où le manque de sobriété pèse plutôt sur le client, des rétroactions restent possibles, concernant notamment la surconsommation de la batterie par les applications mobiles (Pinto et Castor, 2017).

Conclusion

24Dans cette recherche, nous avons analysé les stratégies d’innovation de quatre entreprises majeures du numérique (Alphabet/Google, META/Facebook, Netflix, OpenAI). Nous avons ainsi pu montrer dans quelle mesure ces entreprises contribuaient à une moindre consommation de ressources par un travail continu sur l’efficacité de leurs infrastructures. Ces résultats découlent notamment de la focalisation sur quelques points d’amélioration à fort impact, de l’innovation ouverte, voire open source, et de la simplification progressive des produits. Nous avons ensuite montré la spécificité de certains sous-secteurs, comme la publicité en ligne et les cryptomonnaies, puis montré les pistes de réduction de leur impact environnemental. Enfin, nous nous sommes penchés sur les pratiques d’entreprises de taille sensiblement inférieure. Nous avons montré que la quête d’efficacité conduisait à réduire l’impact environnemental liés aux achats (matériels, hébergement). Par contre, nous avons constaté un manque de formalisation des pratiques malgré une connaissance déjà ancienne en matière d’optimisation de la maintenance des applications. Ces recherches nous ont permis de proposer un ensemble de mesures favorisant la sobriété numérique, relevant de l’information (éco-scores), de la formation (éco-conception), de l’incitation (commande publique) et de l’obligation (RGPD).

25Cette recherche présente cependant plusieurs limites. Premièrement, elle porte sur un nombre réduit de cas particuliers. En effet, les entreprises étudiées sont des acteurs dominants à portée mondiale. La mise en œuvre des stratégies d’innovation identifiées, permettant en définitive une réduction des coûts, et de l’empreinte environnementale, mériterait d’être étudiée sur des acteurs régionaux d’origine géographique sensiblement différente (comme la Chine) ou de taille plus réduite, qu’il s’agisse des régies publicitaires (Tradedoubler et Criteo) ou des hébergeurs (OVH et Scaleway). Deuxièmement, nous avons peu ou prou développé la question de l’effet rebond consécutif à l’abordabilité et à la simplicité accrues des services. L’estimation du phénomène se révèle en effet particulièrement ardue (Kamiya, 2020), ce qui souligne la nécessité d’une étude dédiée pour approfondir la compréhension de ce sujet complexe. Troisièmement, nous n’avons pas traité le cas des objets connectés. Ces objets combinent en effet un volet matériel et un volet logiciel, ce dernier pouvant être source d’obsolescence. Que devient par exemple une trottinette ou un vélo à assistance électrique dès lors que l’application mobile permettant de les configurer n’est plus maintenue et est impossible à installer sur un téléphone multifonction récent? Des mesures contraignantes et spécifiques d’ouverture des interfaces techniques permettraient ainsi un allongement de la durée de vie de ces équipements.

26Paradoxalement, et pour terminer, le secteur de la vidéo en ligne paraît peut-être finalement moins « insoutenable » qu’initialement envisagé (Efoui-Hess, 2019). Certes, les grandes plateformes telles que Netflix ne sont pas exemptes de reproches, du fait par exemple de la recherche d’un engagement croissant de l’audience ou de l’augmentation régulière de la définition des vidéos (Ibid.). Ces constats critiques sont cependant à relativiser. Premièrement, la croissance de ces services n’est pas infinie. En effet, elle butte sur la forte concurrence entre services en ligne de divertissement (jeux vidéo, réseaux sociaux, streaming, …) et sur le stock limité d’attention disponible (Kessous, 2012). Deuxièmement, ces plateformes optimisent constamment leur efficacité, de manière à réduire leurs coûts d’exploitation, et bénéficient parfois des gains d’efficacité des grandes plateformes nuagiques. Troisièmement, elles contribuent à développer une économie de fonctionnalité (Buclet, 2005). Elles viennent substituer des activités largement plus consommatrices (par exemple, trajet vers un cinéma et achat de supports physiques), ce que Thoinet et Dozias (2022) qualifient de « sobriété grâce au numérique ». Là où l’estimation initiale tablait sur une équivalence, pour un film de deux heures, avec un trajet de 60 km en voiture (Kamiya, 2020), les dernières estimations donnent plutôt 500 mètres (Carbon Trust, 2021). La même observation peut être faite pour les technologies de vidéoconférence. Une fois adoptées, elles peuvent faire l’objet d’un travail d’optimisation sur la base d’une estimation objective de leur empreinte environnementale. Une heure de visioconférence équivaudrait ainsi aujourd’hui à moins de 600 mètres parcourus au volant d’un véhicule léger (Corcuff, 2022). Ces constats nous permettent dès lors de clore cet article sur une note raisonnablement optimiste quant à la capacité du secteur numérique une fois sensibilisé, d’une part, à limiter sa consommation de ressources et, d’autre part, à réduire l’impact environnemental d’activités humaines traditionnelles grâce à la diminution de leur composante physique.

Haut de page

Bibliographie

Abernathy, W. J. et Utterback, J. M. (1978). Patterns of industrial innovation. Technology review, 80(7), 40-47.

Andrae, A. S. et Edler, T. (2015). On global electricity usage of communication technology: trends to 2030. Challenges, 6(1), 117-157. https://doi.org/10.3390/challe6010117

Asif, R. et Hassan, S. R. (2023). Shaping the future of Ethereum: Exploring energy consumption in Proof-of-Work and Proof-of-Stake consensus. Frontiers in Blockchain, 6. https://doi.org/10.3389/fbloc.2023.1151724

Aurez, V. et Georgeault, L. (2016). Économie circulaire : système économique et finitude des ressources. De Boeck Supérieur. ISBN : 978-2-8073-0148-1.

Bennett, K. (1995). Legacy systems: Coping with success. IEEE software, 12(1), 19-23. https://doi.org/10.1109/52.363157

Bordage, F. (2019). Sobriété numérique : Les clés pour agir. Buchet-Chastel.

Bordage, F. (2022). Écoconception web : les 115 bonnes pratiques : doper son site et réduire son empreinte écologique. Éditions Eyrolles.

Buclet, N. (2005). Concevoir une nouvelle relation à la consommation : l’économie de fonctionnalité. Annales des mines – Série Responsabilité et environnement, 57-66. https://www.annales.org/edit/re/2005/re39/buclet.pdf

Carbon Trust (2021). Carbon impact of video streaming. https://ctprodstorageaccountp.blob.core.windows.net/prod-drupal-files/documents/resource/public/Carbon-impact-of-video-streaming.pdf

Chesbrough, H. W. (2003). Open innovation: The new imperative for creating and profiting from technology. Harvard Business Press.

Cisco (2016). VNI Complete Forecast Highlights. https://www.cisco.com/c/dam/m/en_us/solutions/service-provider/vni-forecast-highlights/pdf/Global_2021_Forecast_Highlights.pdf

Corcuff, L. (2022). L’impact de nos usages en visioconférence sur mobile et PC! Édition 2022. Greenspector, 6 septembre 2022. https://greenspector.com/fr/impact-applications-visioconferences-2022/

Efoui-Hess, M. et Geist, J. N. (2020). The Shift Project a-t-il vraiment surestimé l’empreinte carbone de la vidéo? The Shift Project. https://theshiftproject.org/wp-content/uploads/2020/06/2020-06_TSP-a-t-il-surestime%C3%A9-lempreinte-carbone-de-la-vid%C3%A9o-en-ligne_FR.pdf

Efoui-Hess, M. (2019). Climat : l’insoutenable usage de la vidéo en ligne. The Shift Project. https://theshiftproject.org/article/climat-insoutenable-usage-video/

Evans, R. et Gao, J. (2016). DeepMind AI Reduces Google Data Centre Cooling Bill by 40 %. Google DeepMind. https://www.deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40

Faucheux, S., Hue, C., et Nicolaï, I. (2010). TIC et développement durable : Les conditions du succès. De Boeck.

Ferreboeuf, H., Efoui-Hess, M., Marrauld, L. et Lescop, C. (2020). Déployer la sobriété numérique. The Shift Project. https://theshiftproject.org/wp-content/uploads/2020/10/Deployer-la-sobriete-numerique_Resume_ShiftProject.pdf

Ferreboeuf, H. (2018). Lean ICT – Pour une sobriété numérique. The Shift Project. https://theshiftproject.org/wp-content/uploads/2018/11/Rapport-final-v8-WEB.pdf

Floridi, L. et Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30, 681-694. https://www.doi.org/10.1007/s11023-020-09548-1

Han, J., Li, B., Mukherjee, D., Chiang, C. H., Grange, A., Chen, C. et Bankoski, J. (2021). A technical overview of AV1. Proceedings of the IEEE, 109(9), 1435-1462. https://doi.org/10.1109/JPROC.2021.3058584

Hernandez, D. et Brown, T. B. (2020). Measuring the algorithmic efficiency of neural networks. arXiv preprint arXiv:2005.04305. https://doi.org/10.48550/arXiv.2005.04305

Holcomb, S. D., Porter, W. K., Ault, S. V., Mao, G. et Wang, J. (2018). Overview on DeepMind and its AlphaGo Zero AI. Dans Proceedings of the 2018 international conference on big data and education (p. 67-71). https://doi.org/10.1145/3206157.3206174

IEA (2024). Data Centres and Data Transmission Networks. https://www.iea.org/energy-system/buildings/data-centres-and-data-transmission-networks

Jullien, N. et Viseur, R. (2021). Les stratégies open-sources selon le paradigme des modèles économiques. Systèmes d’information et management, 26(3), 67-103. https://doi.org/10.3917/sim.213.0067

Kamiya, G. (2020). The carbon footprint of streaming video: fact-checking the headlines. IAE. https://www.iea.org/commentaries/the-carbon-footprint-of-streaming-video-fact-checking-the-headlines

Kessous, E. (2012). L’attention au monde. Sociologie des données personnelles à l'ère numérique. Armand Colin.

Kocoń, J., Cichecki, I., Kaszyca, O., Kochanek, M., Szydło, D., Baran, J. et Kazienko, P. (2023). ChatGPT: Jack of all trades, master of none. arXiv preprint arXiv:2302.10724. https://doi.org/10.1016/j.inffus.2023.101861

Lambrecht, A. et Tucker, C. (2013). When does retargeting work? Information specificity in online advertising. Journal of Marketing research, 50(5), 561-576. https://doi.org/10.1509/jmr.11.0503

Koomey, J., Berard, S., Sanchez, M. et Wong, H. (2010). Implications of historical trends in the electrical efficiency of computing. IEEE Annals of the History of Computing, 33(3), 46-54. https://doi.org/10.1109/MAHC.2010.28

Leblal, S. (2024, 30 janvier). Groq défie Nvidia avec ses accélérateurs LPU. Le Monde Informatique. https://www.lemondeinformatique.fr/actualites/lire-des-start-ups-poussent-des-alternatives-au-gpu-pour-l-ia-92953.html

Liu, Y., Wei, X., Xiao, J., Liu, Z., Xu, Y. et Tian, Y. (2020). Energy consumption and emission mitigation prediction based on data center traffic and PUE for global data centers. Global Energy Interconnection, 3(3), 272-282. https://doi.org/10.1016/j.gloei.2020.07.008

Lombès, T. et Poubeau, B. (2014). Obsolescence programmée : mythes et réalité. Mines Paristech. http://www.annales.org/gazette/2015/Livre-Obsolescence-gazette_81_03_15.pdf

Meadows, D., Meadows, D. et Randers, J. (2012). Les Limites à la croissance (dans un monde fini) : Le rapport Meadows, 30 ans après. Rue Échiquier.

Munga, N., Fogwill, T. et Williams, Q. (2009). The adoption of open source software in business models: a Red Hat and IBM case study. Dans Proceedings of the 2009 Annual Research Conference of the South African Institute of Computer Scientists and Information Technologists (p. 112-121). https://doi.org/10.1145/1632149.1632165

Pärssinen, M., Kotila, M., Cuevas, R., Phansalkar, A. et Manner, J. (2018). Environmental impact assessment of online advertising. Environmental Impact Assessment Review, 73, 177-200. https://doi.org/10.1016/j.eiar.2018.08.004

Pereira, R., Couto, M., Ribeiro, F., Rua, R., Cunha, J., Fernandes, J. P. et Saraiva, J. (2021). Ranking programming languages by energy efficiency. Science of Computer Programming, 205, 102609. https://doi.org/10.1016/j.scico.2021.102609

Pinto, G. et Castor, F. (2017). Energy efficiency: a new concern for application software developers. Communications of the ACM, 60(12), 68-75. https://doi.org/10.1145/3154384

Plouin, G. (2016). Cloud computing : Sécurité, gouvernance du SI hybride et panorama du marché. Dunod.

Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A. et Hassabis, D. (2017). Mastering the game of go without human knowledge. Nature, 550(7676), 354-359. https://doi.org/10.1038/nature24270

Sneed, H. M. (1995). Planning the reengineering of legacy systems. IEEE software, 12(1), 24-34. https://doi.org/10.1109/52.363168

Srnicek, N. (2018). Capitalisme de plateforme. L’hégémonie de l'économie numérique. Lux.

Stoll, C., Klaaßen, L. et Gallersdörfer, U. (2019). The carbon footprint of bitcoin. Joule, 3(7), 1647-1661. https://doi.org/10.1016/j.joule.2019.05.012

Sundberg, N. (2024). Tackling AI’s Climate Change Problem. MIT Sloan Management Review, 65(2), 38-41. https://sloanreview.mit.edu/article/tackling-ais-climate-change-problem/

Thoinet, M. et Dozias, A. (2022, 17 novembre). Sobriété numérique : pourquoi c'est aussi complexe? Challenges. https://www.challenges.fr/high-tech/sobriete-numerique-pourquoi-c-est-aussi-complexe_831767

Trott, P. (2021). Innovation Management and New Product Development (7e édition). Pearson.

UNEP. (2011). Recycling Rates of Metals. A Status Report. United Nations Environment Program. http://wedocs.unep.org/handle/20.500.11822/8702

Vaija, S. et Philipot, É. (2020). L’importance des métaux rares pour le secteur des technologies de l’information et de la communication, le cas d’Orange. Annales des Mines-Responsabilité et environnement, 2, 24-28. https://doi.org/10.3917/re1.099.0024

van Wynsberghe, A. (2021). Sustainable AI: AI for sustainability and the sustainability of AI. AI and Ethics, 1(3), 213-218. https://www.doi.org/10.1007/s43681-021-00043-6

Varro, L. et Kamiya, G. (2021, 25 mars). 5 ways Big Tech could have big impacts on clean energy transitions. International Energy Association. https://www.iea.org/commentaries/5-ways-big-tech-could-have-big-impacts-on-clean-energy-transitions

Viseur, R. (2021). Du tracking, des contre-mesures et de leur efficacité dans la publicité ciblée. Revue ouverte d’ingénierie des systèmes d’information, 2(1). https://www.doi.org/10.21494/ISTE.OP.2021.0603

Wang, Y. E., Wei, G. Y. et Brooks, D. (2019). Benchmarking TPU, GPU, and CPU platforms for deep learning. arXiv preprint arXiv:1907.10701. https://doi.org/10.48550/arXiv.1907.10701

West, J. (2003). How open is open enough? Melding proprietary and open source platform strategies. Research policy, 32(7), 1259-1285. https://doi.org/10.1016/S0048-7333(03)00052-0

Weinhardt, C., Anandasivam, A., Blau, B., Borissov, N., Meinl, T., Michalk, W. et Stößer, J. (2009). Cloud computing – a classification, business models, and research directions. Business & Information Systems Engineering, 1, 391-399. https://doi.org/10.1007/s12599-009-0071-2

Haut de page

Pour citer cet article

Référence papier

Robert VISEUR, « Sobriété numérique et traitement des données massives : vers des stratégies d’innovation plus durables »tic&société, Vol. 18, N° 2 | -1, 61-83.

Référence électronique

Robert VISEUR, « Sobriété numérique et traitement des données massives : vers des stratégies d’innovation plus durables »tic&société [En ligne], Vol. 18, N° 2 | 2e semestre 2024, mis en ligne le 28 avril 2025, consulté le 16 mai 2025. URL : http://journals.openedition.org/ticetsociete/9621 ; DOI : https://doi.org/10.4000/13vhn

Haut de page

Auteur

Robert VISEUR

Robert Viseur est ingénieur civil en informatique et gestion de formation et docteur en sciences de l’ingénieur. Au sein de la Faculté Warocqué d’Économie et de Gestion de l’Université de Mons (Belgique), il a la charge d’enseignements en informatique et en gestion de l’innovation auprès des étudiants en sciences de gestion, en sciences humaines et sociales ainsi qu’en sciences appliquées. Ses recherches portent principalement sur les stratégies open source, les modèles d’affaires open source et la gouvernance des projets libres.robert.viseur@umons.ac.be

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search