La nouvelle sobriété qui pourrait s’imposer aux services formation

Demain, un service formation pourrait devoir justifier pourquoi il consomme de l’électricité pour générer une vidéo, faire tourner un tuteur ou mobiliser des agents, quand la même énergie est réclamée par la production, la R&D ou la relation client. L’explosion des usages de l’IA remet une ressource que l’on croyait abondante au cœur des arbitrages de l’entreprise : la puissance de calcul et, derrière elle, l’énergie. Pour le Learning, la sobriété pourrait bientôt être moins une vertu qu’une contrainte.

L’abondance numérique avait presque fait oublier l’infrastructure. Une requête, une génération de contenu ou l’appel à un agent semblent ne rien coûter physiquement à celui qui les déclenche. À l’échelle des data centers, l’équation change radicalement. Selon l’Agence internationale de l’énergie, ceux-ci consommaient environ 415 TWh d’électricité en 2024, soit 1,5 % de la consommation mondiale ; leur consommation pourrait atteindre 945 TWh en 2030, soit plus du double, avec une progression annuelle d’environ 15 %, plus de quatre fois supérieure à celle de l’ensemble des autres usages électriques. Les serveurs accélérés, dont la croissance est principalement tirée par l’IA, verraient leur consommation augmenter de 30 % par an et représenteraient près de la moitié de la hausse nette de consommation des data centers. Le phénomène tient moins à la requête ordinaire qu’à la montée en puissance des usages complexes. Une étude publiée en 2026 dans Joule estime à 0,31 Wh la consommation médiane d’une requête sur un modèle de taille frontière dans des conditions optimisées de production ; une requête longue de raisonnement atteint 3,91 Wh, soit environ treize fois plus. À mesure que l’on passe du texte aux raisonnements longs et aux agents autonomes, l’écart se creuse. Le problème n’est donc pas le formateur qui interroge ponctuellement un chatbot : c’est le passage à l’échelle.

Cette contrainte peut sembler éloignée des préoccupations d’une direction formation. Elle pourrait pourtant finir par entrer dans ses arbitrages. L’actualité donne déjà une idée de la dimension prise par le sujet : Nvidia vient de s’engager à fournir jusqu’à 105 milliards de dollars de garanties pour soutenir le bail de vingt ans conclu par OpenAI pour un gigantesque campus de data centers dans l’Ohio, dont la capacité pourrait atteindre 8 gigawatts ; les 800 premiers mégawatts sont annoncés pour 2028. Les entreprises ne se retrouveront évidemment pas chacune avec un compteur de plusieurs gigawatts, mais elles pourraient subir indirectement les mêmes tensions : prix du cloud, quotas d’usage, contraintes d’infrastructure, objectifs de décarbonation ou arbitrages internes. Si l’énergie disponible ou le coût du calcul impose de hiérarchiser les usages, la question ne sera plus seulement « que pouvons-nous faire avec l’IA ? », mais « qu’est-ce qui mérite réellement d’en consommer ? ». Un agent qui prévient une panne industrielle, détecte une fraude ou traite une demande client urgente bénéficiera vraisemblablement d’une priorité supérieure à un système générant une nouvelle variante d’un module e-learning. Le Learning devra défendre sa place face à la production, à la cybersécurité, à la R&D ou au service client.

La question devient d’autant plus sensible que certaines des applications les plus séduisantes pour la formation sont précisément celles qui multiplient les appels aux modèles : tuteurs disponibles en permanence, simulations conversationnelles, personnalisation en temps réel, génération de contenus à grande échelle, agents chargés d’actualiser ou de transformer des ressources. Pris séparément, chaque usage peut sembler marginal ; leur industrialisation change l’ordre de grandeur. L’Arcep rappelle dans son rapport publié en mai 2026 que les impacts de l’inférence, encore moins documentés que ceux de l’entraînement, pourraient devenir significatifs avec la croissance des usages. Ses tests menés avec le PEReN (Pôle d'expertise de la régulation numérique) montrent également que les plus grands modèles sont les plus consommateurs d’énergie et que certains modèles moins gourmands peuvent fournir des réponses tout aussi pertinentes. Voilà qui déplace le débat pour les services formation : il ne s’agit plus seulement de choisir un outil pour sa qualité ou ses fonctionnalités, mais de regarder ce qu’il mobilise derrière l’interface. Aujourd’hui, cette réalité reste largement masquée par les abonnements et les licences ; demain, elle pourrait remonter dans les tableaux de bord à travers le coût d’inférence, les quotas ou les politiques de sobriété numérique.

La sobriété ne consiste pas à renoncer à l’IA, mais à apprendre à la dimensionner. Encore faut-il que l’entreprise ait fait son travail en amont. On imagine mal chaque concepteur pédagogique choisir librement parmi les centaines de modèles disponibles. DSI, RSSI, achats et éventuellement direction RSE devront constituer un portefeuille de modèles autorisés, sélectionnés selon leur sécurité, leur coût, leur performance, leur conformité et leur consommation. C’est à l’intérieur de ce terrain balisé que s’exercera un nouveau savoir-faire du professionnel Learning : qualifier le niveau d’exigence de son besoin. Résumer un document, reformuler une consigne ou générer quelques questions ne réclame pas les mêmes ressources qu’une simulation managériale complexe, l’analyse de milliers de verbatims ou un tuteur accompagnant un collaborateur pendant une heure. La compétence nouvelle ne consistera donc pas à transformer les professionnels de formation en experts des LLM, mais à leur apprendre à répondre à une question : de quelle puissance cette tâche a-t-elle réellement besoin ? À terme, ils n’auront d’ailleurs peut-être plus à choisir eux-mêmes le modèle. Le model routing pourra orienter automatiquement la demande vers le modèle autorisé offrant le meilleur compromis entre qualité, coût et consommation. L’entreprise sélectionnera les ressources disponibles ; le Learning qualifiera le besoin et son niveau d’exigence ; le système choisira la puissance proportionnée.

Le changement est moins exotique qu’il n’y paraît. Les directions formation connaissent déjà la rareté : elles disposent d’un budget et doivent décider quels projets financer, quels publics privilégier, quelles prestations acheter. L’IA pourrait ajouter une seconde contrainte à cette économie du Learning. À l’enveloppe financière s’ajouterait, directement ou indirectement, une enveloppe de calcul : quotas d’utilisation, coûts d’inférence, accès différencié aux modèles les plus puissants, voire objectifs énergétiques ou carbone. Le parallèle s’arrête toutefois à un point essentiel. L’argent est une ressource que l’entreprise peut, dans certaines limites, décider d’allouer davantage à la formation ; la puissance de calcul dépend aussi d’infrastructures et d’une énergie disponibles en quantité finie. Et lorsque plusieurs métiers les réclameront simultanément, le Learning ne sera pas nécessairement prioritaire. Les agents renforceront encore cette tension : capables de produire, maintenir ou distribuer des ressources en continu, ils pourront consommer du calcul sans attendre qu’un humain formule une requête. Après avoir appris à défendre son budget en euros, la formation pourrait donc devoir apprendre à défendre son budget de calcul. Avec une question nouvelle derrière chaque usage : la valeur pédagogique produite justifie-t-elle les ressources mobilisées ?