L'IA générative consomme plus d'énergie pour les textes non anglais.

Rada Mihalcea, professeure titulaire de la chaire Janice M. Jenkins en informatique et ingénierie et directrice du laboratoire d'intelligence artificielle de l'Université du Michigan, se tient aux côtés de Naihao Deng, doctorant en informatique et ingénierie. Crédit photo : Brenda Ahearn, Faculté d'ingénierie de l'Université du Michigan.

Les modèles peuvent consommer jusqu'à 15 fois plus d'énergie pour traiter et générer du texte dans des langues largement parlées, souvent avec une qualité de sortie inférieure.

Lors du traitement et de la production de textes non anglais, l'IA générative consomme plus d'énergie et fournit parfois des réponses moins précises, ce qui peut renforcer les inégalités mondiales existantes, selon des chercheurs de l'école d'ingénierie de l'Université du Michigan.

L'écart énergétique est le plus important pour les langues qui n'utilisent pas l'alphabet latin et pour lesquelles le contenu numérique disponible pour l'entraînement est moins abondant. Les modèles d'IA pourraient consommer de 1,4 à 180 fois plus d'énergie pour générer du texte non anglais, la plupart des langues d'Europe occidentale consommant deux fois moins d'énergie, voire moins. En revanche, l'hindi et le bengali, parlés chacun par des centaines de millions de personnes, requièrent respectivement 7,9 et 15,3 fois plus d'énergie qu'un texte anglais équivalent.

« Les langues qui consomment généralement plus d'énergie ont aussi tendance à avoir une précision moindre dans la sortie du modèle », a déclaré Naihao Deng , doctorant en informatique et ingénierie au laboratoire d'IA de l'UM et premier auteur de l'étude, qui a été présentée à la conférence Empirical Methods in Natural Language Processing de l'Association for Computational Linguistics.

« La plupart des gens voudront utiliser les modèles d'IA en posant des questions dans leur langue maternelle, et ils pourraient se sentir obligés de les utiliser à mesure qu'ils s'intègrent davantage dans la société, mais cette double pénalité augmente la probabilité que certaines personnes soient exclues du marché de l'IA en raison de son coût et que les entreprises soient plus réticentes à proposer des modèles dans certaines langues. »

Ce graphique illustre la consommation énergétique moyenne nécessaire aux grands modèles de langage pour répondre aux requêtes des utilisateurs dans huit langues parmi les plus parlées au monde, ainsi que dans plusieurs langues indiennes courantes. Les données sont issues du tableur : « Consommation énergétique de l’IA par langue » . Crédit image : Scott Hyde, École d’ingénierie de l’Université du Michigan.

À l'heure actuelle, environ 5,2 milliards de personnes doivent dépenser plus de deux fois plus d'énergie pour rédiger des textes dans leur langue maternelle que les anglophones, selon les mesures et les données démographiques des chercheurs disponibles sur Ethnologue . Ces chercheurs formulent toutefois des recommandations pour réduire cet écart et veiller à ce que les utilisateurs ne soient pas pénalisés pour avoir recours à l'IA dans la langue de leur choix.

Pour aider à quantifier la consommation d'énergie de l'IA et à améliorer son efficacité, la National Science Foundation et la Defense Advanced Research Projects Agency (DARPA) ont partiellement financé la recherche.

Mesurer la disparité énergétique du langage de l'IA

Les chercheurs ont mis en évidence l'écart de consommation énergétique et de précision en mesurant l'énergie utilisée par trois modèles d'IA open source : Qwen 3 d'Alibaba, Gemma 3 de Google et Llama 3.1 de Meta. Ils ont demandé à chaque modèle de répondre à des questions à choix multiples issues de Belebele , un ensemble de données permettant d'évaluer la compréhension écrite des modèles d'IA dans 122 langues différentes. Ils ont ensuite mesuré l'énergie consommée pour répondre à chaque question grâce au framework ML.Energy , développé à l'École d'ingénierie du Michigan.

Pour vérifier les disparités dans d'autres types de tâches, les chercheurs ont également demandé aux modèles de répondre à une série de problèmes mathématiques de niveau primaire et à des questions ouvertes posées par les utilisateurs, extraites d'autres jeux de données de référence. Ces jeux de données n'étant pas multilingues, les chercheurs ont traduit les questions anglaises dans sept autres langues à l'aide de l'outil de traduction de Meta, No Language Left Behind .

En moyenne, tous les modèles ont consommé moins d'énergie pour le traitement de textes en anglais. Cet écart énergétique persiste pour les modèles de plus grande taille et sur différents types de processeurs.

Ce graphique illustre la consommation énergétique moyenne nécessaire aux grands modèles de langage pour répondre aux requêtes des utilisateurs dans huit langues parmi les plus parlées au monde, ainsi que dans plusieurs langues indiennes courantes. Les données sont issues du tableur : « Consommation énergétique de l’IA par langue » . Crédit image : Scott Hyde, École d’ingénierie de l’Université du Michigan.

Jetons supplémentaires, coût supplémentaire

Lorsqu'ils travaillaient avec d'autres langues, les modèles consommaient davantage d'énergie car ils devaient générer plus de tokens, l'unité de données de base utilisée par l'IA. Les tokens peuvent représenter des phrases et des mots entiers, ou des syllabes et des caractères isolés. Les modèles d'IA convertissent les requêtes en tokens avant de les traiter, puis convertissent ces tokens en langage humain pour obtenir la réponse finale.

Ce problème s'aggrave pour les systèmes d'écriture dont les caractères nécessitent davantage de code pour être affichés. Par exemple, l'écriture devanagari utilisée en hindi, en népalais et en marathi, ainsi que l'écriture bengali, possèdent des caractères de base qui se transforment et se combinent avec des accents pour produire jusqu'à des millions de caractères uniques .

Un plus grand nombre de jetons occupe davantage de mémoire vive et consomme plus d'énergie. La mémoire étant davantage utilisée pour les jetons, le modèle dispose de moins de mémoire pour le traitement des informations. Il traite donc les jetons par petits lots, ce qui augmente la consommation d'énergie par jeton. Cet effet accentue l'écart énergétique par rapport au texte anglais.

Un plus grand nombre de jetons peut également entraîner des coûts directs plus élevés, car les entreprises facturent souvent l'accès au modèle en fonction du nombre de jetons générés.

Réduire les disparités énergétiques liées au langage dans l'IA

Pour réduire les disparités de coûts, les chercheurs recommandent aux entreprises d'optimiser leurs services pour davantage de langues. Cela pourrait impliquer d'orienter les requêtes des utilisateurs vers des modèles adaptés à chaque langue. Les entreprises pourraient également traduire les messages des utilisateurs en anglais avant de les soumettre à un modèle plus général, à condition que la traduction soit fiable.

« Les développeurs d'IA devraient consacrer davantage de ressources aux langues pour lesquelles il existe un écart important en termes d'énergie et de coût », a déclaré Rada Mihalcea , professeure titulaire de la chaire Janice M. Jenkins en informatique et ingénierie, directrice du laboratoire d'IA de l'Université du Michigan et auteure principale de l'étude. « Faire appel à des locuteurs natifs pour traduire des documents ou créer des ressources permettant d'obtenir suffisamment de données d'entraînement pourrait également contribuer à améliorer l'efficacité. »

https://news.umich.edu/generative-ai-uses-more-energy-on-non-english-text/

Etude : The Language-Energy Divide: Measuring Energy Costs of Multilingual LLM Inference (DOI: 10.18653/2026.emnlp-main.2113)