Quel modèle d'IA utiliser pour quelle tâche ?

Un assistant d'IA répond avec un modèle dont la taille se compte en milliards de paramètres. Plus le modèle est grand, plus chaque mot généré demande de calculs, donc d'électricité. Mistral AI le résume dans l'analyse de cycle de vie de son modèle Large 2 : à nombre de tokens égal, un modèle 10 fois plus gros a des impacts d'un ordre de grandeur plus élevés. Pour une organisation qui fixe les outils de ses équipes ou qui construit un service sur une API, le choix du modèle est donc l'un des premiers réglages de son empreinte.

La Base Impact de l'IA distingue 3 tailles. Le petit modèle compte environ 8 milliards de paramètres actifs, comme Llama 3.1 8B ; il consomme environ 6 fois moins par token que le modèle moyen, rapproché d'un modèle de 70 milliards, d'après le banc ML.ENERGY. Le modèle moyen est celui des assistants grand public par défaut. Le grand modèle, de plusieurs centaines de milliards de paramètres, consomme environ 4 fois le modèle moyen, d'après le même banc. Les éditeurs des grands assistants ne publient pas la taille de leurs modèles : ces classes sont des repères.

Le tableau donne l'électricité de tâches courantes d'une organisation, calculée avec la Base Impact de l'IA pour chacune des 3 tailles, sans raisonnement. La dernière colonne donne la taille par laquelle nous conseillons de commencer les essais. Aucun test publié ne porte sur ces tâches telles qu'une organisation les pose : nous la tirons de la difficulté de chaque tâche (longueur du document, nombre d'étapes, coût d'une erreur) et des tests présentés plus bas. Elle se vérifie sur ses propres exemples.

L'écart est le même pour presque toutes les lignes, parce que la base applique le même rapport de taille aux tâches de texte ; il est plus faible pour la recherche approfondie, dont la lecture des pages web ne dépend pas du modèle. Le volume de la tâche compte davantage : un compte rendu rédigé par un grand modèle consomme moins qu'une seule recherche approfondie faite par un petit. Pour une tâche répétée, l'écart en Wh se multiplie par le nombre de demandes. Un service client qui traite 100 000 demandes par an consomme environ 20 kWh avec un petit modèle, 120 kWh avec le modèle moyen et 490 kWh avec un grand, d'après notre calcul sur les valeurs du tableau.

Une grande partie des usages d'une organisation consiste à ranger de l'information : trier des e-mails, classer des tickets, repérer un nom ou un montant dans un document, comparer 2 textes. Ces tâches ont une réponse courte et bien définie. Des modèles spécialisés, de quelques centaines de millions de paramètres, les font depuis des années.

Les chercheurs de Hugging Face et de Carnegie Mellon ont mesuré la même tâche avec les 2 sortes de modèles. Pour classer des textes selon leur ton, un modèle spécialisé émet 0,32 gCO2e pour 1 000 requêtes ; des modèles généralistes de 2,8 à 7 milliards de paramètres en émettent 2,66 à 4,67 g, soit 8 à 15 fois plus. Pour répondre à des questions par extraction, le rapport atteint environ 30. Le classement AI Energy Score, qui mesure en 2025 l'énergie des seules cartes graphiques récentes, trouve des écarts du même sens, plus grands avec un généraliste plus gros : 0,22 Wh pour 1 000 classifications avec un petit modèle spécialisé, 28 Wh avec un modèle de 11 milliards de paramètres.

Les généralistes classent un peu mieux en moyenne, selon la même étude, qui rappelle que les 2 sortes de modèles se comparent mal avec les mêmes mesures, les modèles spécialisés ayant un choix de réponses bien plus restreint. Les auteurs concluent qu'ils ne voient pas de raison convaincante de déployer des modèles génératifs polyvalents pour des tâches bien définies, vu leur consommation. Les modèles qu'ils ont mesurés datent de 2022 et 2023 ; les écarts entre 2 sortes de modèles restent l'information utile, plus que les valeurs absolues.

Les tests publiés par Meta pour ses modèles Llama 3.1 montrent comment la qualité suit la taille. Du modèle de 70 milliards de paramètres à celui de 405 milliards, le gain va de 1,7 point sur un test de calcul scolaire (GSM-8K) à 8,5 points sur un test de code (HumanEval). Du modèle de 8 milliards à celui de 70 milliards, il est plus net : 14 points sur un test de connaissances générales (MMLU), 16 points sur un test de mathématiques (MATH) et sur des questions de niveau doctorat (GPQA). Ces tests mesurent surtout ce que le modèle sait et sait déduire seul. Quand l'information est dans la demande, comme pour reformuler, traduire ou extraire, l'écart entre tailles est plus faible, comme le montre l'étude suivante.

Une étude de chercheurs du CNRS et de l'Université Côte d'Azur, publiée en préprint en octobre 2025, a cherché pour 14 tâches le modèle au meilleur rapport entre qualité et taille, parmi ceux qui perdent moins de 5 % de qualité par rapport au meilleur. En moyenne, ce modèle consomme 65,8 % de moins pour 3,9 % de qualité perdue. Pour la traduction, un modèle de 738 millions de paramètres obtient le même score qu'un modèle de 11 milliards (32,0 contre 32,1) ; pour le raisonnement mathématique, tâche que les auteurs jugent moins mûre, l'économie tombe à 36 %, et le modèle retenu y perd environ 18 % de qualité ; 4 des 14 tâches dépassent la limite des 5 %. L'analyse du hub sur la décarbonation de l'IA en tire l'effet à l'échelle du monde.

Une équipe de Berkeley a testé un aiguillage qui envoie chaque demande soit à GPT-4, soit à un modèle plus petit. Sur un banc de conversations variées, 14 % des demandes envoyées à GPT-4 ont suffi pour garder 95 % de sa qualité ; sur des questions de connaissances, il en fallait 54 %. La part qui doit aller au grand modèle dépend donc du type de questions, et un aiguillage s'entraîne sur des demandes proches des siennes. Le critère de l'étude est le coût en dollars, pas l'énergie.

Un modèle qui raisonne écrit un brouillon avant de répondre, parfois des milliers de tokens. La Base Impact de l'IA compte en moyenne 1,92 fois l'électricité d'une réponse directe, d'après une estimation du PEReN sur 22 modèles ouverts, et environ 10 fois pour un raisonnement poussé. Le banc AI Energy Score mesure 30 fois plus d'énergie en moyenne pour les modèles qui raisonnent, et 150 à 700 fois plus pour un même modèle quand on active son raisonnement. Les 2 estimations ne se recoupent pas : le banc mesure des questions de test où le brouillon multiplie par 300 à 800 le nombre de tokens, ce que la base ne retient que pour l'effort de raisonnement le plus élevé. Selon la source, le raisonnement pèse donc moins que la taille (dans la base) ou bien davantage (dans le banc).

Dans le même banc, activer le raisonnement d'un modèle multiplie son énergie davantage que le passage de Llama 3.1 8B à Llama 3 70B, qui la multiplie par 100 environ. Ce rapport de taille dépend beaucoup des conditions de mesure : à 64 demandes servies à la fois, le banc ML.ENERGY, dont la base tire ses classes, trouve 6,7 fois plus entre les mêmes tailles. Le × 24 de la base est donc le plus prudent des rapports publiés. Le raisonnement sert aux problèmes en plusieurs étapes, comme les mathématiques ou le code ; pour rédiger, traduire ou classer, nous ne connaissons pas de mesure qui montre un gain de qualité à la hauteur de son coût. Anthropic indique que, pour le coût et le délai, régler l'effort d'un même modèle est souvent un meilleur levier que de changer de modèle. Les gestes d'un utilisateur sur le raisonnement sont chiffrés dans l'analyse sur les gestes qui réduisent l'impact de son usage.

1. Pour une tâche bien définie et répétée (classer, extraire, trier, détecter), un modèle spécialisé ou un petit modèle, choisi sur un jeu d'exemples de l'organisation.
2. Pour la rédaction courante, la reformulation, la traduction et les réponses aux clients, le petit modèle d'abord, sans raisonnement, et le modèle moyen si les essais le demandent.
3. Pour l'analyse de documents longs, de tableurs ou de contrats, le modèle moyen ; le grand modèle quand une erreur a des conséquences juridiques, financières ou de sécurité.
4. Le grand modèle et le raisonnement pour les problèmes difficiles : mathématiques, code complexe ; pour un agent, le modèle moyen d'abord, le grand si les tâches l'exigent. Un aiguillage qui envoie chaque demande au plus petit modèle capable de la traiter limite leur part.

Les éditeurs proposent une méthode voisine. Anthropic donne 2 points de départ : le plus petit modèle pour les tâches simples à fort volume, en ne passant à un modèle plus grand qu'en cas de besoin, ou le plus capable pour le raisonnement complexe et le code avancé. OpenAI conseille son modèle le plus puissant quand le coût et le délai ne comptent pas, et sinon de comparer les résultats sur les mêmes demandes et de garder le réglage le plus léger qui atteint le niveau de qualité voulu. Le choix se fait sur des exemples réels, parce que les tests publiés mesurent des questions d'examen et non les e-mails ou les contrats d'une organisation.