Le vrai risque de l'IA n'est pas son prix, c'est la dépendance qu'elle installe

Le schéma est connu, presque prévisible. Un outil IA arrive, accessible, parfois gratuit, l'adoption se fait vite, sans friction. Il s'installe dans les habitudes : rédaction, code, recherche, support. Puis il se connecte aux documents, aux workflows, aux données internes. Et c'est à ce moment-là, une fois l'outil vraiment ancré, que les conditions changent : plafonds d'usage, fonctionnalités déplacées vers un palier supérieur, nouvelle grille tarifaire. Rien d'illégitime en soi - c'est le modèle économique classique du logiciel en freemium. Mais c'est un modèle qui joue structurellement contre l'entreprise, parce que le rapport de force se retourne une fois que le changement d'outil devient coûteux : habitudes prises, prompts, intégrations, gouvernance mise en place.

Ce n'est pas une hypothèse. Rien qu'en 2026, plusieurs éditeurs majeurs ont revu leurs grilles sur des outils déjà largement adoptés. Anthropic a retiré son offre de code agentique du palier d'entrée à 20 dollars en avril, poussant les usages intensifs vers des paliers plus chers. Le lendemain, GitHub suspendait les nouvelles inscriptions sur son offre Copilot équivalente. OpenAI, de son côté, avait lancé quelques jours plus tôt un palier à 100 dollars par mois. Microsoft a fait migrer son offre grand public vers une formule renommée et repositionnée en prix. Quatre mouvements indépendants, en l'espace de quelques semaines, sur des outils que beaucoup d'organisations avaient déjà intégrés à leurs processus.

La question à se poser n'est donc pas seulement "combien ça coûte aujourd'hui", mais "à quel point suis-je en train de m'enfermer". Et il existe déjà une discipline qui répond directement à cette question, même si elle a été pensée avant l'arrivée de l'IA générative : l'éco-conception.

Ce que l'éco-conception apporte, au-delà de l'environnement

L'éco-conception numérique n'a rien de nouveau. Ça fait des années qu'on sait qu'un service numérique, ce n'est pas juste du code qui tourne quelque part dans le cloud. C'est une chaîne complète : les terminaux des utilisateurs, les réseaux qui font transiter les données, les data centers qui les traitent. Et à chaque étape, il y a de la fabrication, du transport, de l'usage, de la fin de vie. Le RGESN de l'Arcep formalise tout ça depuis 2022.

Ce que cette discipline apporte concrètement, ce sont des réflexes de conception qui limitent le verrouillage autant qu'ils limitent l'impact : architecture modulaire plutôt que monolithique, portabilité des données, capacité à changer de brique sans tout reconstruire. Moins on construit de dépendance étroite à un outil et un fournisseur uniques, plus on garde la main quand les conditions changent. Et sur ce marché, elles changent vite.

Ce que l'IA change dans le cycle de vie

Reste une question : est-ce que l'éco-conception "classique" suffit à couvrir l'IA ? Pas tout à fait, et c'est là que ça devient intéressant.

Un projet logiciel classique, on connaît la mécanique : expression du besoin, conception, développement, test, mise en production, maintenance, fin de vie. C'est le découpage qu'on retrouve dans la norme ISO 24748-1, et c'est celui qu'on applique depuis toujours pour évaluer où se situent les impacts d'un service.

Un projet de machine learning ajoute deux briques que ce découpage classique ne prévoit pas : l'entraînement et l'inférence.

L'entraînement, c'est la phase où le modèle apprend à partir de jeux de données — avec des allers-retours entre entraînement et validation, potentiellement répétés des dizaines de fois avant d'obtenir un résultat satisfaisant. L'inférence, c'est l'utilisation du modèle une fois entraîné, à chaque requête. Deux phases, deux profils de consommation très différents, et surtout deux leviers d'action distincts qu'une grille d'éco-conception "classique" ne capte pas si on ne l'adapte pas.

Concrètement : on peut très bien optimiser l'hébergement, la sobriété fonctionnelle et l'architecture d'un service (les bons réflexes qu'on connaît déjà) et passer complètement à côté de l'essentiel si le modèle utilisé est surdimensionné pour le besoin, ou s'il est réentraîné sans raison valable.

Deux réflexes à ajouter au référencement

Se demander s'il faut vraiment ré-entraîner. Un modèle déjà entraîné, correctement choisi, évite complètement cette phase. Beaucoup de projets IA lancent un entraînement par réflexe alors qu'un modèle existant, éventuellement affiné avec du prompt engineering, aurait suffi.

Se demander si un modèle de langage est vraiment nécessaire. Pour des tâches comme la classification de texte, la génération de résumés ou la détection d'anomalies, un algorithme de machine learning plus classique, arbre de décision, clustering, régression, répond souvent au besoin. Et consomme parfois jusqu'à 30 fois moins d'énergie qu'un grand modèle de langage généraliste pour la même tâche (Café IA / GreenAlgorithms).

Ce n'est pas un plaidoyer anti-IA générative. C'est un plaidoyer pour se poser la question avant, plutôt qu'après coup, au moment où c'est encore facile de changer de direction, pas une fois le service en production et le budget engagé.

En résumé

Le prix affiché aujourd'hui par un éditeur IA n'est pas celui qui compte le plus. Ce qui compte, c'est la facilité avec laquelle on pourra changer de trajectoire quand les conditions évolueront, et sur ce marché, l'expérience 2026 montre qu'elles évoluent vite. L'éco-conception, qu'on pratique depuis des années sur le numérique classique, donne déjà les bons réflexes pour s'en prémunir. Elle s'enrichit avec l'IA de deux étapes qu'on n'avait pas l'habitude de regarder, l'entraînement et l'inférence, mais le principe reste le même : cartographier où sont les impacts et les risques avant de décider où agir.

Ressources citées

Arcep/Arcom, Référentiel général de l'écoconception des services numériques (RGESN)
ISO/IEC/IEEE 24748-1, Systems and software engineering — Life cycle management
Appel à projets Démonstrateurs d'IA frugale au service de la transition écologique dans les territoires (DIAT), évalué avec l'outil GreenAlgorithms
Café IA, interviews et retours sur les IA spécifiques vs IA génératives
Évolution des grilles tarifaires Anthropic, GitHub Copilot, OpenAI et Microsoft Copilot, avril 2026