L’ordinateur quantique peut-il vraiment rendre l’IA moins énergivore ?
L’essor fulgurant de l’intelligence artificielle générative donne parfois l’impression d’une révolution dématérialisée, sans ancrage tangible dans la réalité. Une vidéo est générée à partir d’un simple prompt, un rapport riche de centaines de références se construit en quelques clics, tandis qu’une constellation d’agents conçoit une stratégie marketing, réécrit l’intégralité d’une application ou assiste des chercheurs·euses dans leurs travaux. Pourtant, derrière cette facilité trompeuse vers plus de productivité se cache une infrastructure bien réelle : des milliers de processeurs graphiques, des centres de données fonctionnant en continu, des réseaux électriques mis à rude épreuve et des systèmes de refroidissement gourmands en eau et en énergie.
Les chiffres sont désormais difficiles à ignorer. Selon le Shift Project, la consommation électrique mondiale des data centers est passée d’environ 165 TWh en 2014 à 420 TWh en 2024. Dans un scénario de déploiement massif de l’IA, elle pourrait atteindre près de 1490 TWh en 2030, puis 3000 TWh en 2035. Comme l’explique Arthur Mensch, le PDG de Mistral AI, l’économie de l’IA consiste à transformer des électrons en tokens, et ces tokens en intelligence. En d’autres termes, l’IA n’est plus seulement une question d’algorithmes ou de performances sur le raisonnement, mais elle devient un sujet énergétique, industriel et géopolitique.
La tension énergétique ne concerne pas seulement l’entraînement, souvent spectaculaire par son coût, mais aussi l’usage au quotidien : des requêtes anodines multipliées par des millions d’utilisateurs deviennent un fardeau pour les infrastructures. Une étude du pôle d’expertise de la régulation numérique (PEReN) nuance l’idée d’un coût fixe par requête : l’impact dépend de la taille et de l’architecture des modèles, des tâches et de l’hébergement. Elle rappelle que l’IA consomme d’autant plus qu’elle est utilisée massivement, sans discernement, pour des tâches qui pourraient la plupart du temps être réalisées par des modèles beaucoup plus simples.
Face à cette dérive actuelle, plusieurs leviers existent déjà. Une étude de l’University College London publiée en 2025 montre que des adaptations simples peuvent réduire jusqu’à 90 % la consommation énergétique de certains grands modèles de langage, sans perte notable de qualité. Les pistes sont désormais bien identifiées : raccourcir les prompts, privilégier des modèles spécialisés, éviter de mobiliser un très grand modèle pour des tâches simples et adapter l’existant plutôt que tout réentraîner. À cela s’ajoutent des leviers plus techniques, capables de rendre l’IA plus sobre sans renoncer à la performance, comme la quantification, la distillation, les architectures parcimonieuses, le fine-tuning ciblé ou l’usage de petits modèles de langage.
Solution quantique
C’est dans ce contexte d’une économie de l’IA toujours plus énergivore que l’informatique quantique commence à apparaître comme une voie nouvelle, encore expérimentale mais porteuse de beaucoup d’espoir. Son intérêt ne tient pas à la perspective, encore lointaine, de remplacer les GPU par des ordinateurs quantiques, mais à l’idée d’ouvrir une nouvelle voie dans la manière de calculer afin de traiter certains problèmes mathématiques au cœur des algorithmes d’IA autrement que par la seule accumulation de processeurs.
Le signal industriel est d’autant plus fort qu’il vient de Nvidia, leader mondial des GPU. En entrant au capital de la startup française Alice & Bob, spécialisée dans le calcul quantique, le groupe montre que la prochaine frontière de l’IA pourrait aussi se jouer dans la manière même de calculer. Contrairement à un ordinateur classique, qui manipule des bits valant 0 ou 1, un ordinateur quantique exploite des qubits capables de représenter plusieurs états à la fois (entre 0 et 1), ouvrant la voie à des calculs très efficaces pour certains problèmes complexes. Il ne s’agit donc pas de remplacer immédiatement les GPU, mais d’anticiper l’émergence de nouvelles formes de calcul susceptibles, à terme, de transformer radicalement certaines briques des algorithmes d’IA.
En début d’année, des chercheurs·euses de Multiverse Computing ont présenté une expérience intrigante : ils et elles auraient amélioré les performances du modèle Llama 3.1 de Meta en s’appuyant sur un ordinateur quantique IBM de 156 qubits. L’idée n’était pas de reconstruire tout le modèle, mais d’ajouter dans certaines de ses couches de petits modules de calcul quantique. Le gain reste limité, environ 1,4 % d’amélioration, mais le résultat est symboliquement fort, il devient possible avec le quantique d’améliorer un grand modèle sans pour autant l’agrandir.
D’autres pistes suggèrent que certaines tâches complexes pourraient être confiées à des architectures hybrides, où l’ordinateur quantique agirait non comme un remplaçant, mais comme un accélérateur spécialisé. Cette vision gagne déjà du terrain : un livre blanc européen publié en 2025 appelle l’Union Européenne à investir dans cette convergence IA-quantique, notamment pour la découverte de médicaments, la modélisation climatique, la fabrication avancée des matériaux. Le Global Quantum + AI Challenge lancé en 2026 confirme cette dynamique en réunissant chercheurs·euses et industriels autour de cas d’usage concrets, de l’aéronautique à la santé, en passant par les réseaux électriques et la mobilité autonome. Le sujet quitte ainsi progressivement les laboratoires pour entrer dans l’ère des démonstrateurs industriels.
Il faut toutefois rester prudent. Les ordinateurs quantiques actuels demeurent bruités et limités par le nombre de qubits réellement fiables. Même si des acteurs comme IBM donnent déjà accès à des machines quantiques, de nombreux verrous technologiques restent à lever avant d’imaginer leur déploiement massif dans les data centers. À court terme, le quantique ne constitue donc pas une solution prête à réduire rapidement la facture énergétique de l’IA, mais plutôt une piste de recherche stratégique pour repenser certaines formes de calcul.
Si l’IA doit se généraliser dans tous les secteurs de la société, elle ne pourra pas durablement s’appuyer sur une accumulation illimitée des ressources. L’informatique quantique rappelle que le progrès ne consiste pas seulement à construire des machines plus puissantes, mais aussi à inventer des façons plus efficaces de calculer. La vraie question est de savoir si l’ordinateur quantique peut aider l’IA à s’émanciper de sa dépendance à la force brute. Il n’est pas encore la réponse, mais il ouvre une piste précieuse vers une IA moins fondée sur le gigantisme, plus attentive aux limites physiques du monde réel et, peut-être, plus compatible avec l’intérêt général.
