Et si l’avenir de l’IA ne sortait pas des infrastructures les plus massives, mais des environnements les plus contraints ? Du edge aux petits modèles spécialisés, le Sud global transforme la rareté en avantage compétitif et bouscule les règles de l’économie de l’IA.
L’intelligence artificielle progresse à grande vitesse. Mais derrière l’accélération des usages se dessine un angle mort de plus en plus visible : le coût réel de cette trajectoire. Énergie, eau, infrastructures centralisées, dépendance à des modèles toujours plus lourds. À mesure que l’IA se diffuse, son empreinte devient structurelle et de plus en plus problématique. Désormais, la question n’est plus seulement de savoir qui adopte l’IA le plus vite, mais qui la conçoit de manière soutenable. Sur ce plan, les pays du sud global* ont peut-être plus d’une leçon à nous donner.
Une trajectoire devenue matériellement coûteuse
Le paradoxe écologique de l’IA est désormais documenté. Les data centers représentent déjà une part significative de la consommation mondiale d’électricité.
Circonstance aggravante, leur demande énergétique pourrait encore doubler à l’horizon 2030.
À cette pression s’ajoutent des besoins importants en eau pour le refroidissement, ainsi qu’une croissance continue des déchets électroniques, dont les impacts sanitaires et environnementaux sont largement externalisés vers les pays les plus vulnérables.
En réalité, l’IA bénéficie majoritairement aux économies avancées, tandis qu’une part croissante de ses externalités pèse sur d’autres régions. Cette asymétrie n’est ni soutenable ni neutre.
L’avantage du second entrant : concevoir sobre plutôt que réparer
C’est ici qu’intervient ce que l’on appelle, trop rarement, l’avantage du second entrant. Paradoxalement, dans de nombreux pays du Sud global, l’absence d’infrastructures lourdes et carbonées n’est pas un handicap à corriger, mais paradoxalement une bénédiction en termes de développement durable. Là où les économies avancées doivent aujourd’hui rénover des systèmes conçus sans contrainte environnementale, d’autres, arrivés plus tardivement sur ce terrain, peuvent intégrer sobriété, décentralisation et résilience dès la conception.
Quand la contrainte technique force les bons choix
Les contraintes – connectivité intermittente, coûts élevés, instabilité énergétique – orientent naturellement les choix technologiques. Elles favorisent des modèles plus légers, des systèmes spécialisés, des traitements au plus près des usages. Edge analytics, petits modèles de langage, IA sectorielle ou linguistique : ces approches délivrent une valeur élevée avec une empreinte bien moindre. Elles fonctionnent hors cloud permanent, résistent aux coupures, s’adaptent aux contextes locaux. Autrement dit, elles réussissent l’exploit de s’adapter aux contraintes locales pour répondre efficacement à des besoins réels, mesurables, et souvent urgents.
Des usages déjà concrets, loin des modèles “universels”
Et ce n’est pas qu’une posture. Les cas d’usage concrets sont déjà là. En agriculture, des outils embarqués permettent de diagnostiquer des maladies ou d’optimiser l’irrigation directement sur le terrain. Dans l’énergie, des systèmes prédictifs améliorent la maintenance de mini-réseaux ou de batteries hors réseau. En santé, des applications linguistiquement adaptées fonctionnent sans infrastructure lourde et renforcent l’accès aux soins. Cette IA-là n’est ni spectaculaire ni universelle. Elle est utile. Et robuste.
Ce que les économies avancées doivent réapprendre à mesurer
Ce mouvement oblige également les économies avancées à un exercice de lucidité. Il bouscule aussi nos certitudes et nous invite à plus d’humilité. Pendant des années, la performance de l’IA a été évaluée à l’aune du nombre de paramètres, de la puissance de calcul ou de la taille des infrastructures. Ces indicateurs quantitatifs ne suffisent plus. D’autres critères plus qualitatifs s’imposent : l’efficience à l’inférence, la robustesse contextuelle, la sobriété énergétique, l’explicabilité, la confiance. Mesurer l’IA uniquement par la puissance revient à ignorer ses coûts systémiques – et ses fragilités.
Vers une IA moins démonstrative, mais plus durable
Le Sud global nous donne ici une belle leçon d’IA frugale, responsable et durable. Il ne montre pas une voie marginale. Il révèle une trajectoire alternative, crédible et déjà opérationnelle. Une trajectoire où « plus grand » n’est pas synonyme de « meilleur », où la conception prime sur la réparation, où la contrainte devient un moteur d’innovation. Cette approche n’est pas un rattrapage. C’est une leçon de méthode. L’IA de demain sera peut-être moins impressionnante sur le papier. Elle sera surtout plus adaptée, plus soutenable et plus alignée avec les ressources disponibles. Dans un monde contraint, cette lucidité pourrait bien devenir la nouvelle frontière de la performance.
Pour les décideurs publics comme privés, l’enjeu n’est plus de courir derrière la puissance, mais, comme nous le montrent les pays du Sud Global, de choisir des architectures cohérentes avec les réalités économiques, énergétiques et sociales. Ce déplacement du regard, du volume vers la justesse, pourrait s’imposer plus vite qu’on ne l’imagine. Et transformer une trajectoire perçue comme périphérique en nouveau standard global.
____________________________
NB : Le Sud global comprend globalement l’Afrique, l’Amérique latine et les Caraïbes, l’Asie à l’exclusion d’Israël, du Japon et de la Corée du Sud, et l’Océanie à l’exclusion de l’Australie et de la Nouvelle-Zélande, selon la CNUCED, l’Organisation des Nations Unies chargé du commerce et du développement. C’est donc une notion géopolitique qui regroupe une variété de pays ayant peu de points communs, de grandes puissances comme la Chine ou l’Inde à des pays en grande précarité
____________________________
Par Josefin Rosén, Principal, Data & AI Ethics Practice, SAS
____________________________
puis