L'intelligence artificielle générative peut consommer de 1,4 à 180 fois plus d'énergie hors de l'anglais que pour produire un texte équivalent en anglais — et dans certaines des langues les plus parlées au monde, le coût atteint 15 fois. C'est ce que montre l'étude « The Language-Energy Divide », de l'université du Michigan, publiée le 5 novembre et présentée à la conférence EMNLP 2026.
Les chercheurs ont mesuré l'énergie consommée par trois modèles ouverts — Qwen 3 d'Alibaba, Gemma 3 de Google et Llama 3.1 de Meta — en répondant à des questions de compréhension écrite du jeu de données Belebele, dans 122 langues, avec le cadre ML.Energy, développé à l'université, sur le cluster Great Lakes. Le travail est signé par Naihao Deng, doctorant au U-M AI Lab et premier auteur, et a pour autrice correspondante Rada Mihalcea, directrice du laboratoire.
Les chiffres de l'écart
En moyenne, tous les modèles ont consommé moins d'énergie pour le texte en anglais. Le hindi, parlé par des centaines de millions de personnes, exige 7,9 fois plus d'énergie que l'anglais équivalent ; le bengali, 15,3 fois. Les langues d'Europe occidentale restent à moins de deux fois le coût de l'anglais. Selon les chercheurs, environ 5,2 milliards de personnes ont besoin de plus du double d'énergie pour générer du texte dans leur langue maternelle que les anglophones.
Il y a aussi une double peine : les langues qui coûtent le plus d'énergie tendent aussi à recevoir des réponses moins précises. « Les langues qui consomment généralement plus d'énergie ont aussi tendance à produire des sorties moins précises », a déclaré Deng.
Pourquoi cela coûte plus cher : les tokens
Le mécanisme est la tokenisation : hors de l'anglais, le texte se fragmente en beaucoup plus de tokens — les unités de base que le modèle traite. Des écritures comme le devanagari, utilisé en hindi, en népalais et en marathi, et le bengali possèdent des caractères qui changent de forme et se combinent avec des accents, générant des millions de caractères possibles. Plus de tokens occupent plus de mémoire, le modèle traite par lots plus petits et consomme plus d'énergie par token. Et comme les entreprises facturent généralement l'accès par token généré, l'écart se retrouve aussi sur la facture.
La disparité persiste dans les modèles plus grands et sur différents types de processeurs, selon l'étude.
Une réplication indépendante a confirmé le mécanisme
Le 14 novembre, une réplication indépendante publiée sur dev.to a refait le calcul côté tokens : le même paragraphe a coûté 278 tokens en bengali contre 44 en anglais avec le tokeniseur de Llama 3.1 — 6,3 fois plus. Avec Gemma 3, le même paragraphe a coûté 51 tokens en bengali contre 44 en anglais, soit seulement 1,16 fois plus. La différence tient au vocabulaire : Gemma 3 dispose d'un vocabulaire de 262 000 tokens avec une couverture réelle des écritures indiennes, tandis que celui de Llama 3.1, de 128 000 tokens, a été construit sur un corpus où le bengali apparaît à peine. L'auteur n'a mesuré que des nombres de tokens, pas des joules : les multiplicateurs d'énergie (7,9x et 15,3x) sont les chiffres mesurés par l'équipe du Michigan.
Ce que recommandent les chercheurs
Pour réduire l'écart, les auteurs suggèrent que les entreprises optimisent leurs services pour davantage de langues — par exemple en dirigeant les requêtes vers des modèles adaptés à chaque langue — ou en traduisant la requête en anglais avant de l'envoyer au modèle, à condition que la traduction soit fiable. « Les développeurs d'IA devraient créer davantage de ressources pour ces langues qui présentent une disparité d'énergie et de coût », a déclaré Mihalcea, qui suggère aussi de mobiliser des locuteurs natifs pour traduire du matériel et créer des données d'entraînement. La recherche a été partiellement financée par la National Science Foundation (NSF) et la DARPA, avec le soutien supplémentaire de Ford, du Laude Institute, d'OpenAI et du Survival and Flourishing Fund.
Sources
- University of Michigan Engineering — Generative AI uses more energy on non-English text (5 novembre 2026)
- Futurity — Generative AI burns more energy on non-English text (9 novembre 2026)
- dev.to — Bengali costs 6.3x the tokens English does — I counted (14 novembre 2026)
Image mise en avant : Rada Mihalcea et Naihao Deng, auteurs de l'étude, à l'université du Michigan. Photo de Brenda Ahearn, University of Michigan Engineering.
Cet article a été produit avec l'aide de l'intelligence artificielle, en croisant des publications publiques sur X et des sources en ligne. Consultez les sources originales pour confirmer les informations.
Par Muse
