Le paradoxe de Jevons est une théorie économique formulée en 1865 par l'économiste britannique William Stanley Jevons. Il désigne le phénomène économique par lequel une amélioration de l'efficacité dans l'utilisation d'une ressource, loin d'en réduire la consommation, tend au contraire à l'augmenter. En effet, l’économiste avait constaté que les progrès de la machine à vapeur, au lieu de réduire la consommation de charbon, l’avaient plutôt amplifiée.

Aujourd’hui ce n’est plus de charbon qu’il s’agit, mais d’énergie face à la révolution de l’intelligence artificielle (IA).

Qu'est-ce que le paradoxe de Jevons ?

Le paradoxe de Jevons décrit une situation dans laquelle le progrès technique, en rendant l'usage d'une ressource plus efficace, la rend aussi plus attractive. La demande augmente alors plus vite que les gains d'efficacité ne la réduisent. De ce fait, la consommation totale grimpe au lieu de baisser.

L'économiste britannique William Stanley Jevons a formulé cette observation en 1865 dans son ouvrage The Coal Question. C’est un essai consacré à la dépendance du Royaume-Uni au charbon. Il avait constaté qu'après l'introduction de la machine à vapeur de James Watt, la consommation britannique de charbon avait augmenté. Ce qui ne devrait pas être le cas, puisque ces machines étaient plus économes en charbon.

William Stanley Jevons Willian Stanley Jevons - © Wikipedia

Pour mieux comprendre, on peut illustrer le mécanisme de la sorte :

  • une innovation technique améliore l'efficacité d'un usage ;
  • ce gain d’efficacité réduit le coût unitaire de la ressource ;
  • la basse de coût stimule ensuite la demande et ouvre de nouveaux usages ;
  • la consommation totale augmente, malgré (ou à cause de) l'efficacité gagnée.

Un siècle plus tard, le constat de Jevons est reprise et formalisée dans le domaine de l'énergie par l'hypothèse de Khazzoom-Brookes. En effet, dans les années 1980, les économistes Daniel Khazzoom et Leonard Brookes avancent, chacun de leur côté, que les gains d'efficacité énergétique peuvent, dans certaines circonstances, conduire à une augmentation de la consommation totale d'énergie. Toutefois, ce résultat n'apparaît que si la baisse des coûts induite par l'amélioration de l'efficacité stimule suffisamment la demande pour que la consommation supplémentaire dépasse les économies d'énergie initialement réalisées. Si cette hausse de la consommation ne compense qu'une partie des économies, il s'agit simplement d'un effet rebond partiel.

[!NOTE] On parle d'effet rebond partiel lorsque les gains d'efficacité sont réduits, mais pas annulés.

Le choc DeepSeek : le paradoxe de Jevons appliqué à l’IA

Le 20 janvier 2025, la start-up chinoise DeepSeek publie son modèle R1. Il est présenté comme une alternative performante et "low-cost" (à bas coût) aux modèles les plus avancés d’OpenAI. La nouvelle secoue les marchés. Le 27 janvier 2025, Nvidia perd près de 600 milliards de dollars de capitalisation boursière en une seule séance, soit une chute d'environ 17 %, la plus forte perte de valeur en une journée jamais enregistrée pour une entreprise cotée.

Quelques heures après le krach, le PDG de Microsoft Satya Nadella publie sur X : « Jevons paradox strikes again! », avec un lien qui renvoie vers la page Wikipédia du concept.

Les faits qui ont suivi semblent lui donner raison. Quelques jours après l'annonce de DeepSeek, Meta relève son budget IA 2025 de 60 à 65 milliards de dollars. Microsoft annonce, lors de son rapport trimestriel suivant, un chiffre d'affaires IA en rythme annuel de 13 milliards de dollars, en hausse de 175 % sur un an. Loin de freiner l'investissement, l'efficacité l'a plutôt accéléré.

Un an plus tard, le bilan dressé par le Peterson Institute for International Economics (PIIE) confirme cela.Le chiffre d'affaires annualisé d'Anthropic est passé d'environ 1 milliard à 9 milliards de dollars en un an. OpenAI attend 20 milliards de dollars de revenus en 2025, contre 6 milliards en 2024. Dans le même temps, le coût pour atteindre un score donné sur un benchmark IA exigeant est passé de 4 500 dollars à 11,64 dollars par tâche au cours de la seule année 2025. L'usage a progressé plus vite que l'efficacité n'a fait baisser les coûts. C'est la définition même du paradoxe de Jevons.

Les chiffres qui donnent du poids à la thèse Jevons

La consommation électrique des centres de données explose

Selon le rapport Energy and AI de l'Agence internationale de l'énergie (IEA, avril 2025), les centres de données ont consommé environ 415 térawattheures (TWh) d'électricité en 2024, soit environ 1,5 % de la consommation électrique mondiale. Ce chiffre progresse de 12 % par an depuis cinq ans. Le scénario de référence de l'IEA prévoit un doublement à 945 TWh d'ici 2030, avec une croissance de 15 % par an. Cela équivaut à plus de quatre fois le rythme de croissance de la consommation électrique mondiale, tous secteurs confondus.

Aux États-Unis, l'IEA prévoit que les centres de données consommeront, d'ici 2030, plus d'électricité que l'ensemble de l'industrie manufacturière à forte intensité énergétique réunie (acier, ciment, aluminium, chimie). La consommation électrique des serveurs accélérés, ceux dédiés à l'IA, croît de 30 % par an dans le scénario de référence, contre 9 % pour les serveurs classiques.

Consommation électrique mondiale des centres de données, 2020-2030 Consommation électrique mondiale des centres de données, 2020-2030.

Le coût de l'IA s'effondre, mais l'investissement explose

Ensuite, le rapport AI Index 2025 de Stanford HAI documente une forte chute des coûts d'inférence. Le coût pour obtenir des performances équivalentes à GPT-3.5 est passé de 20 dollars à 0,07 dollar par million de tokens entre novembre 2022 et octobre 2024, une division par plus de 280 en dix-huit mois. Sur la même période, le coût du matériel dédié à l'IA baisse d'environ 30 % par an et son efficacité énergétique s'améliore de 40 % par an.

Coût pour obtenir des performances de niveau GPT-3.5, par million de tokens Coût pour obtenir des performances de niveau GPT-3.5, par million de tokens.

Si le paradoxe de Jevons ne s'appliquait pas, cette chute des coûts aurait dû ralentir l'investissement. C'est l'inverse qui s'est produit. Le cabinet CreditSights projette une dépense combinée d'investissement de 602 milliards de dollars pour 2026 chez les cinq plus grands hyperscalers (Amazon, Microsoft, Alphabet, Meta, Oracle), en hausse de 36 % par rapport à 2025, dont près de 450 milliards directement liés à l'infrastructure IA. Goldman Sachs, de son côté, anticipe 1 150 milliards de dollars de dépenses cumulées des hyperscalers entre 2025 et 2027, plus du double des 477 milliards dépensés entre 2022 et 2024.

Période Capex cumulé des hyperscalers Évolution
2022-2024 (réalisé) 477 milliards de dollars -
2025-2027 (projeté) 1 150 milliards de dollars +141 %
2026 (pour 5 des plus grands hyperscalers) 602 milliards de dollars +36 % vs 2025

[!NOTE] Hyperscalers (très grands fournisseurs de cloud).

Coûts des requêtes

À l'échelle individuelle, une requête textuelle courte à un modèle d'IA générative consomme peu. Les estimations convergent aujourd'hui autour de 0,3 wattheure (Wh) par requête. Google indique avoir mesuré la requête médiane de Gemini à environ 0,24 Wh dans un article de recherche publié en 2025. Sam Altman a cité un chiffre voisin de 0,34 Wh pour ChatGPT. Un benchmark indépendant situe GPT-4o autour de 0,43 Wh. Ces ordres de grandeur sont, à peu près, dix fois inférieurs aux estimations qui circulaient jusqu'en 2024, jugées depuis surestimées par le laboratoire de recherche Epoch AI.

Énergie estimée par requête courte, par service Énergie estimée par requête courte, par service.

Ce chiffre reste toutefois trompeur pris isolément, pour deux raisons.

  • D'abord, il varie énormément selon le type de requête. Les modèles de raisonnement, capables de dérouler de longues chaînes de pensée avant de répondre, consomment de 30 à 700 fois plus qu'une inférence standard pour une simple question. L'analyse d'un document volumineux ou un prompt de plusieurs dizaines de milliers de tokens peut faire grimper la facture énergétique d'une seule requête à plusieurs dizaines de wattheures.
  • Ensuite, un chiffre unitaire modeste ne dit rien de l'effet d'échelle. C'est précisément le nœud du paradoxe de Jevons. Chaque requête coûte peu en énergie ; ce qui encourage à en multiplier les usages, jusqu'à ce que le volume agrégé, à l'échelle de milliards de requêtes quotidiennes et de centaines de nouveaux centres de données, pèse lourd sur les réseaux électriques.

Que dit la recherche sur l'effet rebond ?

Le paradoxe de Jevons n'est pas qu'une anecdote historique reprise par des dirigeants de la tech en quête d'un récit rassurant pour les marchés. C'est un objet d'étude économique à part entière, désigné dans la littérature académique sous le nom d'effet rebond.

Les estimations empiriques varient fortement selon les secteurs et les méthodes. Une synthèse de l'American Council for an Energy-Efficient Economy (ACEEE, 2012) conclut que l'effet rebond direct, celui qui touche l'usage immédiat du bien rendu plus efficace, dépasse rarement 10 %. Une étude comparative citée dans la littérature situe l'effet rebond direct pour le chauffage domestique sous les 30 % dans les pays de l'OCDE et autour de 10 % pour le transport. D'autres chercheurs, comme Steve Sorrell ou Blake Alcott, défendent des estimations plus élevées, voire un scénario de « backfire » où l'effet rebond dépasse 100 %. L'efficacité finit par augmenter la consommation absolue, pas seulement la ralentir moins que prévu.

Fourchettes d'effet rebond selon les secteurs Fourchettes d'effet rebond selon les secteurs

Cette fourchette montre que l'effet rebond n'est ni uniforme, ni automatique. Il dépend de l'élasticité de la demande pour le bien concerné. Plus un usage est élastique, c'est-à-dire susceptible de croître fortement quand son coût baisse, plus le rebond est important. Or l'IA générative, dont les usages professionnels et grand public sont encore loin d'être saturés, présente précisément le profil d'un bien à forte élasticité.

Une équipe de chercheurs en IA, Alexandra Sasha Luccioni (Hugging Face), Emma Strubell (Carnegie Mellon University) et Kate Crawford (Microsoft Research / University of Southern California), a publié en 2025 une analyse consacrée à ce sujet, présentée à la conférence ACM FAccT. Il s’agit de l’article, From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate. Ce dernier reproche au débat sur l'impact climatique de l'IA d'être polarisé entre un camp technosolutionniste (qui mise sur l'IA pour résoudre la crise climatique) et un camp qui pointe uniquement son empreinte carbone directe. Les autrices appellent à une approche qui prend en compte les impacts directs :

  • chaînes d'approvisionnement en minéraux ;
  • empreinte carbone de l'entraînement des modèles ;
  • consommation d'eau ;
  • déchets électroniques.

Mais aussi les effets rebond indirects, ceux par lesquels l'IA transforme des pans entiers de l'économie. Ce qui pourrait augmenter la demande globale de ressources.

Alors… une illusion d'efficacité ?

Le paradoxe de Jevons ne dit pas que l'efficacité est inutile. Il dit qu'elle est nécessaire, mais pas suffisante, pour réduire la consommation globale d'une ressource. Sans mesure d'accompagnement (tarification, régulation de la demande, planification des réseaux électriques), un gain d'efficacité technique se traduit historiquement par plus d'usage, pas par moins de consommation.

L'IEA elle-même nuance le tableau. Son rapport Energy and AI souligne que l'impact de l'IA sur les émissions mondiales pourrait être partiellement compensé. Mais à condition que la technologie permette des réductions d'émissions dans d'autres secteurs, par exemple via l'optimisation des réseaux électriques ou des procédés industriels. L'agence chiffre ce potentiel de compensation à l'équivalent d'environ 5 % des émissions liées à l'énergie d'ici 2035, si les applications existantes de l'IA sont déployées à grande échelle. Ce potentiel reste toutefois hypothétique et distinct de l'empreinte directe des centres de données, qui, elle, continue de croître.

Le paradoxe de Jevons appliqué à l'IA nous rappelle alors que l'efficacité, seule, ne pilote pas la trajectoire de consommation d'une technologie en pleine expansion. Ce sont les usages, les prix ainsi que les choix de régulation qui en décident.

Sources