Dossier candidature — Défi data.gouv.fr

« L’impact environnemental de l’IA générative »

Projet : Sobr.ia Auteur : Thibault (étudiant, contributeur Sobr.ia) Date : Mai 2026 Lien dépôt : https://github.com/BkOff-fr/defis-lia-generatif Licence code : MIT Statut : v0.3 — 13 modules livrés et testés

1. Résumé exécutif (1 page)

Sobr.ia est une application native multi-plateforme (Windows / macOS / Linux / Web) qui mesure l’empreinte environnementale de l’usage d’IA générative (LLM) avec rigueur scientifique, transparence méthodologique et un angle territorial français unique.

L’application répond aux trois axes du défi data.gouv.fr :

Comprendre l’impact : catalogue de méthodologies (AFNOR SPEC 2314 par défaut + EcoLogits 2026-01 peer-reviewed). Monte-Carlo N=10⁴ tirages sur l’engine AFNOR, port direct des formules EcoLogits reproduit à ≤ 1 %. Calculs reproductibles en Python dans notebook/validation.qmd.
Visualiser : 13 modules dont 7 dataviz (carte Europe Leaflet, Sankey énergétique, distributions log-normales bornées, waterfall contributions, time series cumulatives) + nouvelle page catalogue méthodologies + panneau « Voir aussi » comparatif côté Atelier.
Sensibiliser & changer : 5 personas (étudiant·e, pro tech, entreprise, collectivité, chercheur·se) avec bundles modulaires, eco-budget personnel, simulateur « Et si…? ».

Quatre différenciateurs majeurs par rapport à l’état de l’art :

🏛️ Catalogue souverain de méthodologies (différenciateur C24, unique au monde) : Sobr.ia embarque deux méthodologies scientifiques d’estimation au choix de l’utilisateur — AFNOR SPEC 2314 (référentiel français) et EcoLogits 2026-01 (peer-reviewed JOSS, doi:10.21105/joss.07471, port direct CC BY-SA 4.0). L’utilisateur peut activer la seconde « en référence » pour comparer les écarts dans l’Atelier. Aucun concurrent ne fait ça : EcoLogits, BoaVizta, AI Energy Score, GreenAlgorithms sont tous mono-méthodologie. Architecture extensible v1.1+ (BoaVizta, Custom user CSV, etc.). Cf. ADR-0012.
🔐 Audit ledger chaîné SHA-256 avec méthodologie tracée : chaque estimation est journalisée dans une chaîne cryptographique anti-tampering vérifiable, avec sa méthodologie (colonne method du ledger v2). Un rapport CSRD régénéré 2 ans plus tard utilise exactement la méthodologie qui était active au moment des calculs. Aucun concurrent ne propose cette garantie de traçabilité méthodologique historique.
🇫🇷 Pivot Territoire FR : croisement entre les datasets officiels ComparIA (Beta.gouv / Ministère de la Culture) et RTE IRIS sites industriels (ODRÉ, Etalab 2.0). Aucun outil existant ne fait ce croisement à la maille IRIS française.
📑 Datasheet Gebru 2018 : génération automatique du format académique standard pour reproductibilité scientifique. Permet la publication conjointe d’articles de recherche et de leurs traces d’estimation.

Frugalité incarnée : le code applicatif est en Rust + Tauri 2 (pas d’Electron), binaire ≈ 15 MB optimisé, zéro télémétrie, zéro appel réseau au runtime, données stockées en SQLite local avec chiffrement WAL.

2. Contexte du défi

Le défi data.gouv.fr 2026 invite à proposer des outils d’accélération de la connaissance et de la transparence sur l’impact environnemental de l’IA générative. Les axes prioritaires sont :

Exploitation des datasets officiels : ComparIA (5 GB de conversations + votes sur LLMs, méthodologie EcoLogits intégrée), RTE IRIS (consommation électrique et gaz par maille IRIS, Etalab 2.0).
Angle territorial français : maille IRIS, croisement avec les données de consommation industrielle.
Méthodologie scientifique : référentiel AFNOR SPEC 2314, validation croisée contre la littérature.
Ouverture : licences ouvertes (MIT / Etalab 2.0 / CC-BY).

Sobr.ia répond à ces 4 axes simultanément.

3. Méthodologie scientifique

3.1 Formule de référence

Conformément à AFNOR SPEC 2314 (§ 7.2), l’empreinte d’une requête d’inférence LLM est calculée par tirage Monte-Carlo :

Pour chaque tirage k ∈ [1, N=10⁴] :
  E_compute_k = T_in × ε_prefill_k + T_out × ε_decode_k                 (mJ)
  E_total_k   = (E_compute_k × PUE_k) / 3 600 000                       (Wh)
  CO2eq_k     = (E_total_k / 1000) × IF_k + embodied_k                  (g)
  Water_k     = (E_total_k / 1000) × WUE_k                              (L)

Agrégation :
  P5  = quantile(values, 0.05)
  P50 = quantile(values, 0.50)
  P95 = quantile(values, 0.95)

3.2 Distributions paramétriques

Paramètre	Distribution	Source
ε_prefill_mj_per_token	LogNormal	HF AI Energy Score 2026
ε_decode_mj_per_token	LogNormal	HF AI Energy Score 2026
PUE (datacenter)	Uniform [1.05, 1.6]	Rapports sustainability operators
IF_electrical_g_per_kwh	Point (mix horaire)	RTE / ADEME / Electricity Maps
embodied_g_per_request	LogNormal	Gupta 2022, amorti
WUE_l_per_kwh	Uniform [0.0, 5.0]	Mytton 2021

Le détail de calibration par modèle (8 modèles : GPT-4o, Claude 3.5 Sonnet, Mistral Large 2, Mistral Medium 3, Llama 3.1 70B, Llama 3.1 8B, Gemini 2.0 Flash, GPT-4o-mini) est documenté dans docs/methodology/MODEL-PRESETS.md.

3.3 Reproductibilité

Seed déterministe : SOBRIA_SEED=42 (configurable via env var). Même seed + mêmes paramètres → résultat identique à la nanoseconde.
RNG : Xoshiro256++ (qualité statistique excellente, vitesse élevée).
Histogramme distributionnel : 50 bins équi-width persistés dans chaque entrée d’audit, pour rejouer la distribution complète.

3.4 Validation croisée — port direct EcoLogits

L’audit B (mai 2026) a établi qu’aucune calibration unique d’une formule linéaire-par-token ne peut reproduire EcoLogits à ±15 % sur toute la gamme de modèles (8B → 200B), à cause de la non-linéarité d’EcoLogits (terme γ + facteur n_GPU discret + server overhead non-GPU). Plutôt que de bricoler un coefficient, Sobr.ia v1.0 embarque les formules EcoLogits intégralement dans un moteur dédié, en plus du moteur AFNOR SPEC 2314 (cf. ADR-0012).

Trois ReproductionCase ciblent l’EcoLogitsEngine — port direct de leurs formules (f_E, f_L, n_GPU, E_server_noGPU, embodied) depuis la documentation publique (Rincé & Banse 2025, JOSS 2025, doi:10.21105/joss.07471, CC BY-SA 4.0). Les cibles sont recalculées en Python de zéro dans notebook/validation.qmd, puis comparées au port Rust à tolérance 1 % (port direct → seule l’arithmétique float64 introduit du bruit) :

ID	Modèle	tokens (in/out)	Mix élec	Cible Python g	Rust port g	Écart
A	Llama 3.1 70B	100/500	FR 56 g/kWh	0.01843	0.01842	-0.08 % ✓
B	Llama 3.1 70B	100/2000	US-VA 412 g/kWh	0.542	0.54195	-0.01 % ✓
C	Mistral Large 2	100/1000	US-VA 412 g/kWh	0.378	0.37712	-0.23 % ✓

L’engine AFNOR Sobr.ia est validé séparément par 6 PlausibilityCase couvrant petits/gros modèles × mix FR/US-VA × prompts courts/longs (plages 3-5 ordres de grandeur, garde-fou contre les bugs catastrophiques). Sa calibration K_DECODE_MJ_PER_TOKEN_PER_B a été corrigée d’un facteur 1000 en mai 2026 (audit B → C24) pour s’aligner sur les mesures HF AI Energy Score et ML.ENERGY.

Au runtime, l’utilisateur compare lui-même les deux méthodologies côte-à-côte via le panneau « Voir aussi » de l’Atelier — pas besoin de nous croire sur parole.

Tous les cas tournent en CI :

cargo test -p sobria-estimator validation
quarto render notebook/validation.qmd

Cf. docs/methodology/VALIDATION-CROISEE.md, ADR-0012 multi-méthodologie, et crates/sobria-estimator/src/validation/cases.rs.

4. Différenciateurs et innovations

4.1 Catalogue souverain de méthodologies (C24)

Le différenciateur central de Sobr.ia v1.0. Le constat à l’origine du chantier C24 (mai 2026) : tous les outils d’estimation d’empreinte LLM existants sont mono-méthodologie. EcoLogits propose sa méthode, BoaVizta la sienne, AI Energy Score la sienne, GreenAlgorithms la sienne. L’utilisateur final ne peut pas comparer, est obligé de croire sur parole, et perd toute traçabilité méthodologique si l’outil change ses formules.

Sobr.ia inverse la logique : la méthodologie devient un objet de premier ordre que l’utilisateur sélectionne, et dont la trace est journalisée dans l’audit ledger. Concrètement :

Catalogue exposé via la page /methodologies : chaque méthodo disponible est présentée avec son DOI, sa licence, son année de publication et son statut de calibration (peer-reviewed reproduit / méthode publique en cours de calibration / indicative).
Sélection par l’utilisateur : une méthodologie par défaut + une ou plusieurs méthodologies activables en référence (panneau « Voir aussi » à côté du résultat principal côté Atelier).
Traçabilité historique : chaque entrée du ledger d’audit porte sa méthodo dans la colonne method (migration v2 idempotente pour les ledgers préexistants).
Architecture extensible : un trait Rust EmpreinteEngine commun, factory engine_for(method). Ajouter BoaViztaEngine ou AIEnergyScoreEngine en v1.1+ = implémenter le trait + une entrée dans le registry compile-time.

v1.0 embarque 2 méthodologies :

Méthodologie	Description	Validation Sobr.ia
AFNOR SPEC 2314 (Sobr.ia)	Référentiel français officiel, formule linéaire-par-token + Monte-Carlo N=10⁴, intervalles P5/P50/P95 distributionnels. Méthodologie souveraine native.	6 PlausibilityCase (ordres de grandeur), calibration en cours
EcoLogits 2026-01	Méthode peer-reviewed JOSS 2025, port direct des formules officielles (`f_E`, `f_L`, `n_GPU`, server overhead, embodied). Référence internationale.	3 ReproductionCase reproduits à ≤ 1 % vs cibles Python

Pourquoi c’est unique au monde :

Aucun concurrent ne propose plusieurs méthodologies simultanées avec switch utilisateur. Sobr.ia est le premier outil.
La souveraineté méthodologique française est préservée : AFNOR SPEC 2314 reste la méthodo par défaut au premier lancement, pas un citoyen de seconde zone vs EcoLogits.
Honnêteté radicale : Sobr.ia ne cache pas les écarts entre méthodologies — au contraire, il les montre à l’écran pour que l’utilisateur prenne sa décision en connaissance de cause.

Use case démonstratif : un journaliste compare l’empreinte d’un article généré par Claude 3.5 Sonnet selon les 2 méthodologies. Si elles divergent de 200 %, c’est un sujet d’enquête en soi. Si elles convergent à ≤ 10 %, son lectorat peut prendre l’estimation au sérieux. Dans les deux cas, Sobr.ia donne la matière à creuser, pas un chiffre imposé.

Cf. ADR-0012 Multi-méthodologie, briefs/chantiers/C24-multi-methodologie-ecologits.md et crates/sobria-estimator/src/engine_trait.rs.

4.2 Audit ledger SHA-256 chaîné

Chaque estimation produit une entrée dans le ledger SQLite ACID + WAL, avec :

sig_i = SHA256(timestamp_i || estimation_result_json_i || prev_sig_i)

Toute modification a posteriori (intrusion, manipulation) casse la chaîne et est détectée par verify_chain(). Un export NDJSON signé permet l’audit externe.

RGPD : la commande purge_audit_before remplace le payload des entrées par un sentinel "PURGED" tout en conservant la signature originale. Le droit à l’oubli est respecté, la chaîne reste vérifiable cryptographiquement.

Cf. crates/sobria-audit/ — 13 tests dont 2 tests anti-tampering explicites.

4.3 Croisement ComparIA × RTE IRIS

Le module M20 Territoire FR consomme deux datasets officiels :

ComparIA (5 GB Parquet) — conversations + votes utilisateurs français sur LLMs.
RTE IRIS sites industriels (ODRÉ) — consommation électrique et gaz par maille IRIS, données mises à jour annuellement.

Le pipeline sobria-ingest télécharge ces données via l’API ODRÉ (https://odre.opendatasoft.com/api/explore/v2.1/), filtre les 200 sites industriels les plus consommateurs, et produit un JSON traçable (SHA-256 + URL source + timestamp UTC).

Le frontend M20 présente :

Une carte Leaflet avec markers individuels par IRIS et agrégat régional (13 régions ADMIN1).
Un Sankey énergétique national alimenté par le mix RTE eco2mix annuel (nucléaire, hydraulique, éolien, solaire, gaz, charbon, fioul, bioénergies, pompage, échange net export/import).
Une projection : « si X% du trafic IA basculait vers la région Y, quel serait l’impact CO₂eq ? » (réutilise le moteur Monte-Carlo).

Cf. docs/sources/CATALOGUE-TERRITOIRE-FR.md.

4.4 Datasheet Gebru 2018

Le module M17 Empreinte projet génère automatiquement un datasheet JSON-LD selon le standard académique Gebru et al. 2018 (arXiv:1803.09010), adopté par les conférences NeurIPS, ICML, FAccT et les revues scientifiques majeures.

Les 7 sections sont automatiquement remplies depuis le ledger d’audit :

Motivation (texte utilisateur)
Composition (agrégat ledger : nb requêtes, modèles, totaux P50)
Collection process (paramètres Monte-Carlo, seed, N)
Preprocessing (aucun — valeurs Monte-Carlo brutes)
Uses (texte utilisateur)
Distribution (licences, hash SHA-256, URI canonique)
Maintenance (contact, version, date dernière mise à jour)

Le JSON-LD combine 4 vocabulaires standards : schema.org/Dataset, W3C PROV-O, DCAT, Sobr.ia. Validable par n’importe quel parseur JSON-LD standard (jsonld-cli, RDF4J, etc.).

Use case : un chercheur écrit un article sur l’empreinte de Claude Sonnet sur 500 prompts éducatifs collectés en Q1 2026. Il crée un projet dans Sobr.ia avec ces 500 estimations, génère le datasheet JSON-LD, le joint à son papier. Tout reproducteur peut télécharger le JSON-LD, vérifier le SHA-256, rejouer les estimations avec le même seed → résultats identiques.

4.5 Rapport CSRD/AGEC

Le module M22 Rapport CSRD/AGEC génère un PDF officiel pour le reporting réglementaire :

CSRD (UE 2024+, directive 2022/2464) : les entreprises >250 salariés doivent reporter leur scope 3 numérique, IA incluse.
AGEC (loi française 2020) : mesure de l’empreinte numérique pour collectivités.
AFNOR SPEC 2314 : référentiel français de mesure IA.

Le PDF inclut :

Page de garde avec organisation + période + version Sobr.ia
Synthèse exécutive (3 indicateurs avec intervalles d’incertitude)
Méthodologie complète + sources
Tableau détaillé par modèle
Excerpt audit ledger (chaîne SHA-256)
Provenance (lien vers JSON-LD PROV-O joint)
Annexe : glossaire + références bibliographiques

SHA-256 du PDF inscrit dans le PROV-O → reproductibilité bout en bout.

5. État technique et qualité

5.1 Code

9 crates Rust : ~15 000 lignes de code, ~250 tests unitaires.
Frontend SvelteKit 2 + Svelte 5 runes + TypeScript strict : 13 routes, design system custom (ink/lime/ivory + Instrument Serif + Geist + JetBrains Mono).
clippy -D warnings propre sur tout le workspace.
cargo deny + cargo audit dans la CI : 0 vulnérabilité.

5.2 Tests

250+ tests unitaires Rust.
Tests property-based (proptest) sur les invariants Monte-Carlo (P5 ≤ P50 ≤ P95, valeurs finies).
Tests d’intégration : 1 test E2E qui exécute le pipeline complet Copper → Silver → Gold avec ComparIA + RTE IRIS.
Tests Playwright : 13 tests “no-mock contract” (un par module frontend) qui valident que sans Tauri runtime, l’erreur typée tauri_unavailable s’affiche correctement.

5.3 Sécurité

rustls (pas d’OpenSSL) pour HTTPS.
CSP stricte Tauri : default-src 'self'; connect-src 'self' ipc:.
Capabilities minimales : core:default + dialog:default uniquement.
#![deny(unsafe_code)] sur toutes les crates.

5.4 Performance

Estimation Monte-Carlo : 5-20 ms à N=10⁴.
Batch CSV : 1000 lignes en ~10 secondes (sequential).
Démarrage app : < 2 secondes (cold start sur SSD).
Binaire release : ≈ 15 MB après LTO + strip + opt-level=z.

6. Vue d’ensemble des 13 modules

Module	Persona cible	Statut
M1 Estimer	Tous	✅
M3 Comparer modèles	Pro tech / Chercheur	✅
M7 Journal d’audit	Pro tech / Entreprise / Chercheur	✅
M8 Méthodologie	Étudiant / Pro / Collectivité / Chercheur	✅
M9 Référentiel modèles	Pro tech / Chercheur	✅
M12 Datacenters Europe	Entreprise / Collectivité	✅
M13 Simulateur « Et si…? »	Étudiant / Pro	✅
M14 À propos	Tous	✅
M15 Dashboard personnel	Étudiant / Entreprise	✅
M17 Empreinte projet	Entreprise / Collectivité / Chercheur	✅
M20 Territoire FR	Entreprise / Collectivité	✅
M22 Rapport CSRD/AGEC	Entreprise / Collectivité	✅
M25 Eco-budget	Étudiant / Entreprise	✅

Modules différés v1.1+ (11) : voir ADR-0011.

7. Roadmap post-candidature (v1.1+)

Module	Description	Effort estimé
M11 Extension navigateur	Chrome + Firefox MV3, capture vie réelle	3-4 semaines
M16 Forecaster UI	Backend prêt — manque UI Chart.js sliders live	1 semaine
M18 Batch CSV UI	Backend prêt — manque drag-and-drop frontend	3-5 jours
M21 Alertes système	Notifications OS (winrt/macOS/Linux)	1 semaine
M19 Équipe	Auth backend + partage multi-utilisateurs	4-6 semaines
M2 Workbench	Éditeur multi-prompts interactif	2-3 semaines
M24 Apprendre	10 mini-cours markdown sur prompting frugal	2 semaines
M23 Marchés publics	Cahier des charges type + critères AO	partenariat institutionnel
M5 / M6 / M10	Modules redondants — différé sine die	—

8. Comparaison avec l’état de l’art

Outil	Multi-méthodologies	Audit chaîné	Territoire FR	Datasheet Gebru	Privacy local	Méthodo AFNOR FR
Sobr.ia	✅ AFNOR + EcoLogits (C24)	✅	✅	✅	✅	✅
EcoLogits	❌ (leur méthodo seule)	❌	❌	❌	⚠️ (lib)	❌
AI Energy Score	❌	❌	❌	❌	❌ (web)	❌
GreenAlgorithms	❌	❌	❌	❌	❌ (web)	❌
BoaVizta IA	❌	❌	❌	❌	⚠️ (lib)	❌
CarbonAware SDK	❌	❌	❌	❌	⚠️	❌

Sobr.ia est, à notre connaissance, le premier outil au monde à embarquer plusieurs méthodologies scientifiques d’estimation d’empreinte LLM avec switch utilisateur et audit cryptographique de la méthodologie utilisée. Combinée au territoire FR, à la datasheet Gebru et au local-first, c’est une combinaison unique.

9. Démos clés (3 scenarios)

Scenario 1 — Étudiant·e curieux·se

Premier lancement : onboarding, choix « 🎓 Étudiant·e ».
Bundle pré-coché : M1, M8, M13, M14, M15, M25.
Estime son premier prompt sur / (Estimer) → résultat P5/P50/P95 instantané + équivalents parlants (× km voiture, × douches).
Va sur /m25 (Eco-budget), fixe un objectif mensuel de 100 gCO₂eq.
Continue à estimer sur 1 semaine → revient sur /m15 (Dashboard) : voit son évolution journalière, son delta vs semaine précédente, ses top modèles utilisés.
Va sur /simuler (Simulateur Et si) → joue avec les 7 leviers, voit le levier dominant pour son profil (souvent embodied carbon sur gpt-mini).

Scenario 2 — Entreprise (DSI / RSE)

Onboarding, choix « 🏢 Entreprise ».
Bundle pré-coché : M1, M7, M12, M14, M15, M17, M20, M22, M25.
Estime 500 prompts via M22 (Batch CSV en v1.1, ou via API IPC directement v1.0).
Va sur /m20 (Territoire FR) → voit la part de consommation industrielle française imputable à son usage IA.
Va sur /rapport-csrd (Rapport CSRD) → entre nom organisation + période Q1 2026 → génère un PDF officiel signé SHA-256 + JSON-LD PROV-O.
Joint le PDF au rapport ESG annuel obligatoire CSRD.

Scenario 3 — Chercheur·se / Journaliste

Onboarding, choix « 🔬 Chercheur·se ».
Bundle pré-coché : M1, M3, M7, M8, M9, M14, M17.
Va sur /m9 (Référentiel modèles) → consulte les fiches détaillées des 8 modèles avec triplets P5/P50/P95 et sources documentaires.
Va sur /comparer (Comparer) → benchmark 4 modèles sur un prompt identique, voit le classement par CO₂eq / énergie / eau.
Crée un projet sur /m17 (Empreinte projet) : « Étude Q1 2026 Claude Sonnet », période Jan-Mars.
Génère le datasheet Gebru JSON-LD → joint au papier de recherche. Tout reviewer peut vérifier la reproductibilité.

Scenario 4 — Journaliste tech / Investigation comparative (C24)

Onboarding, choix « 🔬 Chercheur·se ».
Va sur /methodologies (rail Audit) → découvre le catalogue. Méthodologie par défaut : AFNOR SPEC 2314 (Sobr.ia). Coche EcoLogits 2026-01 dans “Afficher en référence”.
Retourne sur / (Atelier). Estime un prompt typique de son cas d’étude (résumé d’article, génération de 800 tokens) sur Llama 3.1 70B avec mix électrique FR.
Le résultat AFNOR Sobr.ia s’affiche en grand. Juste en dessous, le panneau “Voir aussi” affiche automatiquement le résultat EcoLogits avec :
- CO₂eq P50 EcoLogits
- Énergie P50 EcoLogits
- Écart relatif vs Sobr.ia (par ex. +12 %, lime si > 0)
- Lien vers l’audit ID correspondant (#42)
- Lien DOI vers la documentation EcoLogits
Cas où les méthodos divergent (>50 %) : le journaliste a un sujet d’enquête — pourquoi les deux outils peer-reviewed ne convergent pas ? Quelle hypothèse interne diffère ?
Cas où elles convergent (<10 %) : son lectorat peut prendre le chiffre au sérieux (deux méthodos indépendantes le confirment).
Dans les deux cas, l’audit ledger conserve les deux estimations avec leur méthodologie tracée (method = 'afnor_sobria' et method = 'ecologits'). Reproductible 5 ans plus tard, même si EcoLogits ou AFNOR évoluent dans l’intervalle.

10. Conclusion

Sobr.ia répond aux 4 axes du défi data.gouv.fr :

Comprendre : catalogue de méthodologies scientifiques (AFNOR SPEC 2314 par défaut + EcoLogits 2026-01 peer-reviewed, port direct reproduit à ≤ 1 %). Monte-Carlo N=10⁴ sur l’engine AFNOR, déterministe sur l’engine EcoLogits, transparence complète des paramètres et des hypothèses (cliquables vers les sources).
Visualiser : 7 dataviz interactives (carte EU, Sankey, histogrammes, waterfall, time series, donut, barres).
Sensibiliser & transformer : 5 personas, simulateur, eco-budget, dashboard.
Exploiter les datasets officiels : ComparIA + RTE IRIS croisés, pipeline médaillon Copper/Silver/Gold reproductible.

L’app est livrée, testée, documentée. Le code est ouvert sous MIT. Les données embarquées sont sous Etalab 2.0. La méthodologie est reproductible par n’importe qui via le seed Monte-Carlo déterministe.

Sobr.ia n’est pas juste un calculateur d’empreinte. C’est un outil de gouvernance environnementale auditable de l’IA générative — et le premier outil au monde à donner à l’utilisateur le choix souverain de sa méthodologie scientifique d’estimation, avec traçabilité cryptographique de ce choix.

Annexes

Sobr.ia — Empreinte environnementale auditable des LLMs · Made in France · MIT licence