Agents IA, écologie et souveraineté

De quoi on parle, et de quoi on ne parle pas.

Il faut commencer par une distinction. Une distinction que la plupart des articles sur l'IA confondent, et qui pourtant change absolument tout, y compris écologiquement.

Un LLM — un grand modèle de langage, ChatGPT ou Claude dans leur forme la plus simple — c'est un système qui répond à une question. Tu envoies un prompt, il renvoie une réponse. Un échange. Une requête, une sortie.

Un agent IA, c'est autre chose. Un agent ne répond pas, il fait. Il perçoit une situation, il raisonne, il planifie, il appelle des outils, il observe les résultats, il ajuste, il recommence. Un agent tourne en boucle. Il prend une tâche — « organise ma semaine », « traite cette facture », « écris cet article en cherchant les sources » — et il l'exécute jusqu'au bout, parfois sur plusieurs dizaines ou centaines d'étapes internes.

Cette différence est fondamentale. Là où un échange avec un chatbot consomme l'équivalent d'une recherche Google un peu plus gourmande, une tâche agentique peut consommer cinquante à deux cents fois plus. Parfois davantage. Chaque tour de boucle est un appel complet au modèle, avec un contexte qui grossit à chaque itération. Chaque outil invoqué est une transaction énergétique supplémentaire. Chaque agent qui en déclenche un autre — parce que l'orchestration multi-agents se généralise — multiplie encore la facture.

C'est cette équation-là qu'il faut regarder en face. L'IA générative a déjà transformé la consommation des datacenters. L'agentique, qui s'installe massivement en 2026, est en train de la faire changer d'ordre de grandeur.

Ce texte n'est pas un procès de l'IA. Ce n'est pas non plus une défense naïve de l'open source. C'est un manifeste pour une intelligence résiliente : écologiquement tenable, stratégiquement souveraine, alignée avec les valeurs de ceux qui la déploient.

Quatre axes. Et une vision pour les 18 à 24 mois qui viennent.

Écologie — le coût réel de l'agentique.

La boucle, et ce qu'elle multiplie

Pour comprendre ce que consomme un agent, il faut comprendre comment il fonctionne.

Un agent agit dans une boucle : percevoir, raisonner, agir, observer, re-raisonner. À chaque tour, le modèle reçoit le contexte complet — l'instruction initiale, l'historique des actions déjà effectuées, les résultats obtenus, les outils disponibles. Ce contexte grossit à chaque itération. Un agent qui a fait dix étapes reçoit, à la onzième, tout l'historique des dix précédentes.

Résultat : le nombre de tokens traités ne croît pas linéairement, il croît quadratiquement avec la longueur de la tâche. Une tâche qui demande cinquante étapes ne coûte pas cinquante fois une requête simple. Elle coûte plusieurs centaines de fois plus, parce que chaque étape retraite le contexte entier.

Et ce n'est que pour une boucle simple. Ajoute des outils — recherche web, lecture de fichiers, exécution de code, appels d'API : chaque appel d'outil est une étape supplémentaire, souvent avec ses propres coûts. Ajoute du raisonnement profond type chain-of-thought étendu, où le modèle « réfléchit » avant d'agir : c'est encore des milliers de tokens par tour. Ajoute de l'orchestration multi-agents, où plusieurs agents spécialisés se coordonnent : la facture explose.

Les chiffres, 2026

Une requête ChatGPT standard consomme environ 3 Wh d'énergie, émet environ 0,3 g de CO2, et utilise autour de 0,5 mL d'eau pour le refroidissement.

Une tâche agentique typique — un agent qui lit un mail, cherche du contexte dans plusieurs documents, rédige une réponse, la valide — consomme entre 150 et 600 Wh. Soit l'équivalent d'une lessive. Pour un seul mail traité.

À l'échelle d'une entreprise qui déploierait des agents pour trier les mails, traiter les factures, générer les comptes rendus, synthétiser les réunions, qualifier les prospects, gérer le support client — on parle de milliers de tâches agentiques par jour. La consommation électrique d'une seule PME peut être multipliée par trois à cinq fois par le simple déploiement d'agents propriétaires non optimisés.

Les datacenters ont absorbé environ 2 % de l'électricité mondiale en 2024. L'Agence internationale de l'énergie projette un doublement d'ici 2030, tiré principalement par l'IA. Google a publié en 2024 une augmentation de 48 % de ses émissions de CO2 par rapport à 2019, explicitement attribuée à l'intégration de l'IA. Microsoft : +29 % depuis 2020. L'eau suit la même trajectoire : les datacenters aux États-Unis ont consommé plus de 600 milliards de litres d'eau en 2024, une part croissante étant dédiée au refroidissement des puces IA.

Et cette courbe, dans sa quasi-totalité, n'a pas encore intégré la vague agentique qui arrive.

Le paradoxe de Jevons, version agents

Il faut parler de ce paradoxe, parce que c'est lui qui rend l'équation insoluble par la seule optimisation.

William Stanley Jevons, au XIX^e siècle, a remarqué que l'amélioration du rendement des machines à vapeur n'avait pas réduit la consommation de charbon. Au contraire. Chaque gain d'efficacité a rendu le charbon économiquement plus intéressant, ce qui a multiplié les usages et augmenté la consommation totale.

L'agentique suit exactement ce schéma. Plus les modèles deviennent efficaces, plus on peut leur confier de tâches, plus on en déploie. Chaque agent qui devient « deux fois plus économe » ne divise pas la consommation par deux : il démultiplie le nombre d'agents qu'on peut se permettre de déployer. Et chacun, à son tour, enchaîne les boucles.

On ne sortira pas de cette équation par la seule optimisation des modèles. Il faut une autre réponse : architecturale, structurelle, souveraine.

L'AGI qui arrive — le mur énergétique.

La course frontier

Pendant que la base d'utilisateurs découvre les agents, les grands laboratoires — OpenAI, Anthropic, Google DeepMind, xAI, Meta AI — courent une autre course. La course vers l'AGI, l'intelligence artificielle générale. Une IA capable de réaliser n'importe quelle tâche cognitive humaine, et au-delà.

Les horizons annoncés sont saisissants. Sam Altman parle d'AGI « dans les années qui viennent », OpenAI évoque 2027-2028 comme fenêtre plausible. Dario Amodei, CEO d'Anthropic, écrit en 2024 que des systèmes « d'une intelligence dépassant celle du lauréat Nobel dans la plupart des domaines » sont envisageables d'ici 2026-2027. xAI et Google poussent des calendriers similaires.

Ces annonces peuvent être sur-promises — c'est d'ailleurs probable. Mais elles conditionnent les investissements. Et les investissements sont, eux, bien réels.

L'échelle des méga-projets

Stargate, annoncé en janvier 2025 par OpenAI, Oracle et SoftBank avec le soutien de l'administration américaine : 500 milliards de dollars sur quatre ans pour construire des datacenters IA aux États-Unis. Le premier site, à Abilene au Texas, vise 1,2 gigawatt de puissance. Pour comparaison : une centrale nucléaire moyenne fournit environ 1 GW. Stargate, à terme, vise l'équivalent de 5 à 10 centrales nucléaires dédiées uniquement à l'IA.

Meta Hyperion, le projet de campus de Mark Zuckerberg en Louisiane : 2 GW de puissance annoncée, extensible à 5 GW. Un seul campus qui consommera autant qu'une ville de plusieurs millions d'habitants.

xAI Colossus à Memphis : 100 000 GPU Nvidia H100 mis en service en 2024, 200 000 visés en 2025, avec une centrale au gaz construite sur site pour alimenter le tout — en contournant partiellement le réseau électrique et les autorisations environnementales locales.

Google, Amazon, Microsoft : chacun annonce ses propres investissements à l'échelle de la centaine de milliards de dollars. Microsoft a signé en 2024 un accord pour redémarrer la centrale nucléaire de Three Mile Island, celle-là même de l'accident de 1979, pour alimenter ses datacenters. Amazon et Google ont signé des accords pour des petits réacteurs modulaires qui ne sont même pas encore en production commerciale.

La trajectoire est claire : la course à l'AGI est une course énergétique. Chaque génération de modèle requiert dix fois plus de calcul que la précédente. GPT-4 a demandé environ 50 GWh pour être entraîné. Les modèles frontier de 2026-2027 viseront plusieurs térawatts-heures. Les générations suivantes, si la trajectoire continue, approcheront la consommation annuelle d'un petit pays.

Le choix civilisationnel

Deux questions se posent, et elles ne sont pas techniques.

Première question : pour quoi faire ? Une grande partie des promesses de l'AGI concerne la recherche scientifique, la médecine, la résolution de problèmes complexes — et c'est légitime. Mais la réalité actuelle du déploiement, c'est que 99 % des usages professionnels quotidiens — trier un mail, rédiger un compte rendu, qualifier un lead, traiter une facture — n'ont absolument pas besoin d'un modèle à 2 000 milliards de paramètres. Un modèle à 10 milliards, correctement entraîné, fait ces tâches aussi bien.

Deuxième question : qui paie ? L'empreinte énergétique et hydrique des datacenters frontier est concentrée sur quelques territoires — Arizona, Iowa, Louisiane, Texas, certains points en Europe du Nord. Les populations locales absorbent la pression sur les nappes phréatiques, l'électricité, les infrastructures. Pendant que les bénéfices économiques se concentrent chez une poignée d'acteurs.

Il ne s'agit pas d'arrêter la recherche frontier. Il s'agit de ne pas confondre recherche frontier (quelques pourcents des usages, à très forte valeur) et commodité agentique (la quasi-totalité des usages réels en entreprise). Et de ne pas laisser la seconde alimenter la première par défaut.

Propriétaire vs open source — le clivage structurel.

Le modèle économique propriétaire

Il faut comprendre une chose simple sur OpenAI, Anthropic, Google, et les autres fournisseurs de modèles propriétaires. Leur modèle économique repose sur un principe : plus tu consommes de tokens, plus ils gagnent d'argent.

Chaque appel à leur API est facturé au token. Chaque mot reçu, chaque mot renvoyé, est une micro-transaction. À l'échelle d'un agent qui enchaîne les boucles, chaque tâche facture des dizaines de milliers, parfois des centaines de milliers de tokens.

Ce modèle crée une incitation structurelle à la surconsommation. Les fournisseurs propriétaires n'ont aucun intérêt économique à optimiser le nombre de tours, à compresser le contexte, à réduire le raisonnement. Au contraire. Plus les agents sont verbeux, plus ils raisonnent longuement, plus ils appellent d'outils, plus la facture grimpe. Les évolutions récentes — « raisonnement étendu », « chain-of-thought avancé », « modèles pensants » — vont toutes dans la même direction : générer plus de tokens par requête.

Ce n'est pas un complot, c'est une mécanique. Une entreprise qui vit au token n'optimise pas contre elle-même.

Le lock-in agentique

À ce premier problème s'en ajoute un deuxième, plus insidieux : le lock-in.

Quand tu construis ton infrastructure agentique sur un fournisseur propriétaire, tu ne consommes pas juste un modèle. Tu consommes un écosystème. Les « GPTs » d'OpenAI, les « projets » Claude, les « extensions » Gemini, les Copilot Studio de Microsoft — chacun de ces formats est un standard propriétaire, non portable. Tes prompts système, ta mémoire, tes outils, tes intégrations : tout est ancré dans un environnement fermé.

Ajoute les intégrations métier : Slack, Notion, Salesforce, Microsoft 365, Google Workspace. Chaque intégration agentique propriétaire te rend un peu plus dépendant. Au bout de deux ans, sortir de l'écosystème, c'est refaire l'intégralité de l'infrastructure.

Enfin, chaque itération d'un agent propriétaire envoie ton contexte métier — données clients, stratégie, documents internes — chez un tiers. Même avec des promesses contractuelles, ton information circule, se stocke, se traite à l'extérieur. La souveraineté des données devient structurellement impossible.

L'open source rattrape — et compresse

Pendant que le monde propriétaire construit ses datacenters géants, une autre dynamique s'installe, moins visible.

En 2023, GPT-4 était très au-dessus de tout. En 2024, Llama 3 et Claude 3 Sonnet ouvrent la brèche. En 2025, Qwen 2.5, Llama 3.3, DeepSeek V3 arrivent à dix pourcents près du meilleur niveau propriétaire sur la plupart des benchmarks. DeepSeek R1, publié début 2025, atteint des performances équivalentes à o1 d'OpenAI sur le raisonnement, pour un coût d'entraînement de l'ordre de 5 à 6 millions de dollars — à comparer aux centaines de millions dépensés côté frontier.

Et surtout : les modèles compressent. Ce qui nécessitait 70 milliards de paramètres en 2023 tient dans 8 à 14 milliards en 2026, à performance équivalente. Plusieurs innovations convergent : distillation (on entraîne un petit modèle à imiter un grand), Mixture of Experts (seule une fraction du modèle s'active par requête), quantization extrême (les paramètres passent de 16 bits à 4, 2, voire 1,58 bits avec les architectures BitNet), nouvelles architectures type Mamba qui remplacent partiellement les transformers.

Conséquence concrète : un Mac M4 Max fait tourner en local un modèle de niveau GPT-4 2023. Un iPhone 17 Pro exécute des modèles de 3 à 7 milliards de paramètres sans sortir de l'appareil. Apple Intelligence, Google Gemini Nano, Microsoft Phi : tous les grands acteurs poussent du local, parce qu'ils savent que c'est la direction inéluctable.

Projection à deux ans : un modèle local de 2027 aura les capacités d'un GPT-4o de 2024. Ce qui est déjà largement suffisant pour 95 % des tâches agentiques en entreprise.

Pourquoi l'open source seul ne suffit pas

Et pourtant. Télécharger Llama sur sa machine ne rend pas automatiquement l'agentique écologique. C'est la partie clivante de ce manifeste.

Un agent mal conçu, même avec un modèle open source local, consomme. Une boucle mal bornée tourne autant en local qu'en cloud. Un contexte non compressé regonfle à chaque itération. Un agent qui appelle redondamment les mêmes outils ne s'améliore pas parce qu'il est sur un M4 plutôt que sur un H100.

L'open source est une condition nécessaire mais pas suffisante de la sobriété agentique.

La vraie réponse combine trois choses :

1. Le bon modèle pour la bonne tâche. Pas besoin d'un modèle à 70 milliards de paramètres pour classifier un mail. Un modèle à 3 milliards suffit. L'orchestration consiste à router chaque sous-tâche vers le plus petit modèle qui la fait bien.
2. Des boucles agentiques bornées. Un agent doit savoir quand s'arrêter. La mémoire persistante évite de rejouer le contexte à chaque session. La compression de contexte évite la croissance quadratique.
3. L'exécution locale quand c'est possible. La règle par défaut devrait être l'inverse de ce qu'elle est aujourd'hui : local d'abord, cloud quand il le faut — et non cloud par défaut, local par exception.

C'est une architecture agentique sobre. Pas juste un modèle open source. Une architecture.

Résilience et alignement de valeur.

Ce que signifie la souveraineté agentique

La souveraineté, dans le contexte agentique, n'est pas un slogan. C'est une propriété technique, qu'on peut mesurer.

Un agent souverain, c'est un agent dont tu choisis les quatre variables clés :

• Quel modèle tourne, et tu peux le remplacer sans refaire l'architecture
• Où il tourne, local, cloud privé ou cloud public selon la sensibilité
• Quelles données sortent, et lesquelles restent chez toi
• Combien il consomme, avec des métriques visibles à chaque action

Cette définition tient en quatre lignes, mais elle exclut mécaniquement la quasi-totalité des offres propriétaires actuelles. Parce que dans le monde propriétaire, tu ne choisis aucune de ces quatre variables. Tu loues un agent dans un écosystème fermé, sur une infrastructure opaque, avec une consommation invisible.

Résilience — quatre dimensions

La souveraineté agentique est intéressante non pas pour elle-même, mais parce qu'elle produit de la résilience. Quatre dimensions, qu'il faut distinguer.

Résilience technique. Un agent souverain ne dépend pas d'une API tierce qui peut changer de prix, de fonctionnalité, ou disparaître. Il ne dépend pas d'une connexion internet stable. Il ne dépend pas des arbitrages commerciaux d'un fournisseur qui peut décider demain que ton cas d'usage n'est plus rentable.

Résilience écologique. Un agent qui tourne en local, sur un modèle adapté, avec une architecture sobre, consomme des ordres de grandeur de moins qu'un agent propriétaire lâché sans garde-fou sur un modèle géant. Et surtout : il n'alimente pas la course aux datacenters frontier. Chaque organisation qui fait ce choix participe, de fait, à ralentir la trajectoire énergétique collective.

Résilience business. Le coût d'un agent propriétaire, facturé au token, est imprévisible. Il peut exploser sans prévenir. Un agent souverain a un coût matériel connu, amortissable, indépendant de l'usage. Pour une entreprise, c'est la différence entre un OPEX volatil et un CAPEX prévisible. Et c'est une indépendance stratégique : pas de fournisseur qui peut te couper, pas de lock-in qui te rend captif au moment de renégocier.

Résilience éthique. C'est la dimension dont on parle le moins, et qui compte le plus sur la durée. Choisir une architecture souveraine, c'est refuser un monde où l'intelligence quotidienne de chaque professionnel est louée à trois acteurs, avec leurs conditions, leurs valeurs, leurs arbitrages commerciaux. C'est garder un contrôle sur l'outil avec lequel on pense, on décide, on produit. C'est une question politique autant que technique.

Le choix architectural comme choix éthique

Il y a quelque chose de sous-estimé dans la façon dont on parle d'IA responsable. On en parle souvent comme d'une couche de principes — éthique, transparence, biais — qu'on pourrait appliquer à n'importe quel système sous-jacent.

Mais les principes ne suffisent pas si l'architecture les contredit. Un système qui facture au token n'est pas optimisable vers la sobriété. Un système fermé n'est pas auditable en profondeur. Un système qui envoie ton contexte chez un tiers n'est pas souverain, quels que soient les engagements contractuels affichés.

L'éthique commence à l'architecture. Le choix du substrat sur lequel on construit ses agents est, aujourd'hui, un acte politique autant qu'un acte technique.

Le choix qui se joue maintenant.

Deux trajectoires sont sur la table.

Trajectoire A. La vague agentique se déploie sur les écosystèmes propriétaires. Trois ou quatre acteurs captent 80 % des agents déployés en entreprise. Les datacenters IA triplent ou quadruplent d'ici 2029. Le lock-in se généralise. L'entrepreneur moyen construit son activité sur une dépendance invisible, coûteuse, et écologiquement intenable. La course frontier absorbe une part croissante de l'énergie mondiale. L'alignement entre valeurs écologiques et outils quotidiens devient impossible.

Trajectoire B. Une partie significative du tissu entrepreneurial fait des choix architecturaux différents. Les agents sont conçus sobrement, tournent majoritairement en local ou en privé, sur des modèles ouverts. La course frontier continue pour la recherche, mais elle ne tire plus la consommation globale. La souveraineté technique redevient une propriété normale, comme elle l'était avant que l'informatique ne devienne exclusivement cloud.

La bascule entre les deux trajectoires ne se jouera pas dans dix ans. Elle se joue maintenant, dans les décisions d'architecture prises en 2026 et 2027, dans les intégrations agentiques signées par chaque entreprise, dans les produits que les acteurs du marché choisissent de construire.

Chaque intégration propriétaire signée est un vote pour la trajectoire A. Chaque architecture agnostique construite est un vote pour la trajectoire B.

Il ne s'agit pas de refuser l'IA. Il ne s'agit pas de refuser les modèles propriétaires. Il s'agit de ne pas confondre outil et dépendance, service et lock-in, puissance et consommation inutile.

L'intelligence qui s'installe dans nos vies professionnelles doit pouvoir être résiliente. Écologiquement. Stratégiquement. Éthiquement.

Construire cette résilience est un choix technique. C'est aussi, en 2026, un choix politique. Et c'est le choix que nous faisons.