Quel est l’impact carbone de l’IA générative dans le marketing ?

Dans ce premier volet, l’étude se concentre sur deux cas d’utilisation de l’IA générative dans le domaine du marketing: la génération de contenu pour des pages de produits en ligne (IA générative texte-texte) et les campagnes de marketing digital statiques (IA générative texte-image). Elle mesure leur impact à l’aide de deux indicateurs environnementaux (l’électricité et les émissions carbone).

Dans les futures versions qui seront publiées d’ici la fin de l’année, cette méthodologie intégrera également la consommation d’eau utilisée pour le refroidissement des serveurs dans les centres de données, ainsi que l’épuisement des ressources abiotiques, c’est-à-dire l’utilisation de métaux et de minéraux non renouvelables nécessaires à l’infrastructure matérielle.

L’impact pour la génération de texte d’une fiche produit

Créer des fiches produit détaillées pour un site e-commerce peut s’avérer chronophage. C’est pourquoi utiliser des modèles de langage (LLM) pour générer automatiquement des textes dans différentes langues s’avère pertinent selon l’étude.

D’après The Brandtech Group, fifty-five et Scope3, la génération d’une seule fiche produit a un impact carbone très faible, avec un total de 4 gCO2e émis (le « e » signifie équivalent).

Pour une entreprise lançant 1.000 nouveaux produits par an, l’impact de l’IA générative pour ces descriptions correspond à quelques kilogrammes de CO2e, soit environ l’empreinte carbone d’un repas à base de viande. Si cette entreprise souhaite aller plus loin dans l’automatisation en créant plusieurs versions adaptées à différentes langues ou cultures (25 variations par exemple), l’impact total serait d’environ 100 kgCO2e, soit l’équivalent d’environ 1.500 heures de streaming vidéo.

Pour les plus grands distributeurs, on estime que 300.000 nouveaux produits peuvent être lancés chaque année, avec 50 versions différentes publiées. Si l’IA générative était utilisée pour créer ces fiches produit, cela représenterait plus de 50 tonnes de CO2e émises, soit environ 30 allers-retours Paris–New York.

L’impact pour les créations visuelles statiques

Lors de campagnes digitales, les professionnels du marketing doivent adapter leurs créations principales à une multitude de plateformes et de formats publicitaires, tout en personnalisant le contenu pour leur audience cible afin d’en maximiser l’efficacité. Ce processus a historiquement été fastidieux, long et coûteux. En conséquence, les campagnes sont souvent lancées avec des créations de qualité inférieure, ce qui nuit à leurs performances. Là encore, les plateformes d’IA permettent d’accélérer et d’optimiser ce processus.

Pour la création de 20 variantes (en excluant la création principale), les calculs montrent que l’impact environnemental de ce cas d’usage B2B reste relativement faible pour un seul visuel, avec 2 gCO2e émis. Même pour un ensemble de 100 créations principales auquel ce procédé serait appliqué, les émissions resteraient inférieures à 5 kgCO2e, soit l’équivalent d’un repas à base de viande.

L’IA générative permet toutefois de créer des versions hautement personnalisées des visuels selon l’étude. Dans ce contexte, si un marketeur souhaite cibler, par exemple, 1.000 audiences différentes, cela pourrait entraîner environ 5 tonnes de CO2e par an, soit l’équivalent de la fabrication d’environ 15 ordinateurs portables ou de 100.000 recherches en ligne.

Conseils à destination des marketeurs

De manière générale, l’étude explique que les principaux facteurs déterminants de la consommation d’énergie et de l’impact carbone direct sont, par ordre d’importance:

• Le type de tâche: génération de texte à texte, génération de texte à image, classification, usage polyvalent, etc.
• La taille de la sortie: nombre de mots, de pixels, etc.
• L’intensité carbone de l’électricité alimentant le centre de données d’hébergement
• La taille du modèle: nombre de paramètres

The Brandtech Group, fifty-five et Scope3 conseillent aux marketeurs de s’assurer qu’un cas d’usage est à la fois pertinent et qu’il justifie l’utilisation de modèles d’IA générative, plutôt que d’autres technologies moins exigeantes. Par ailleurs, former les équipes à une utilisation efficace de l’IA générative est essentiel pour limiter le nombre d’itérations.

L’étude invite à privilégier les solutions auto-hébergées aux plateformes prêtes à l’emploi. En utilisant des modèles open source ou privés déployés sur une plateforme cloud configurable, un marketeur peut ainsi choisir une région cloud à faible intensité carbone et adapter les modèles aux besoins spécifiques de la marque pour réduire le nombre d’itérations.

Demander des réponses plus concises ou indiquer une taille cible dans les prompts permet de réduire l’impact. Dans de nombreux cas, les modèles de langage produisent des résultats plus longs que nécessaire. Or, la consommation d’énergie et le temps d’exécution, et donc les émissions grises, sont fortement corrélés à la taille du contenu généré.

Enfin, l’impact peut être encore réduit en utilisant des modèles plus petits, avec un nombre de paramètres moindre, lorsque cela est possible. De nombreuses tâches courantes ne nécessitent pas les modèles les plus récents ou les plus complexes pour atteindre un niveau de qualité satisfaisant. Toutefois, certaines tâches, comme la génération d’une description produit ou d’un texte, ne sont pas compatibles avec l’utilisation d’un petit modèle.

Méthodologie

L’étude s’appuie sur des données open source et des recherches indépendantes. Elle prend en compte deux phases: l’entraînement, qui désigne le processus par lequel un modèle d’IA étudie les motifs à partir de vastes ensembles de données; et l’inférence, la phase durant laquelle le modèle entraîné génère des prédictions ou des réponses à partir des entrées utilisateur.

Le calcul des émissions de carbone est basé sur le temps d’exécution, c’est-à-dire la durée nécessaire pour faire fonctionner les modèles d’IA. Cette durée d’exécution est mesurée en heures GPU. Le calcul prend en compte l’ensemble des composants informatiques (GPU, CPU et RAM).

Pour estimer la consommation d’électricité et les émissions associées, les auteurs de l’étude ont multiplié le temps d’exécution total (en heures GPU) de l’entraînement par la puissance moyenne par GPU (en watts), puis ils ont appliqué le facteur d’émission de l’électricité, en utilisant la moyenne mondiale des centres de données.

Pour estimer les émissions grises (quantité totale d’énergie primaire nécessaire à la production d’un produit), les auteurs ont divisé le temps d’exécution total (en heures GPU) par la durée de vie d’un GPU, puis ils ont appliqué le facteur d’émission associé au GPU. Ils ont utilisé les facteurs d’impact de Boavizta, qui détaillent les émissions liées à la fabrication et au cycle de vie des GPU.