AFNOR SPEC 2314
L'implémentation Sobr.ia du référentiel français d'évaluation de l'impact environnemental de l'IA : énergie par token (prefill + decode), PUE, intensité carbone du mix, empreinte matérielle amortie.
Sobr.ia · méthode scientifique
Des chiffres que vous pouvez vérifier.
Chaque formule est sourcée dans le code, chaque hypothèse porte une distribution d'incertitude, chaque résultat est reproductible à partir d'un seed. Quand un chiffre est extrapolé, Sobr.ia le dit.
AFNOR SPEC 2314 · EcoLogits · Monte-Carlo 10 000 tirages · seed 42
01 · Double moteur
Deux méthodologies, exécutées en parallèle.
Plutôt que de décréter une vérité unique, Sobr.ia fait tourner deux moteurs sur chaque estimation et affiche leurs écarts — l'incertitude méthodologique devient visible au lieu d'être cachée (ADR-0012).
EcoLogits — reproduit
Le port Rust de la méthodologie EcoLogits (Data for Good), celle qui alimente aussi ComparIA. Notre réimplémentation est validée contre la référence — c'est l'alignement officiel du défi, pas une méthodologie parallèle.
02 · Incertitude
Monte-Carlo reproductible, P5–P95 systématique.
10 000
tirages par estimation : chaque hypothèse est échantillonnée selon sa distribution documentée, pas figée à une valeur arbitraire.
P5–P95
intervalle affiché sur chaque résultat. Un chiffre sans incertitude est une opinion ; Sobr.ia n'en publie pas.
seed 42
seed reproductible (variable SOBRIA_SEED) : deux
exécutions identiques produisent exactement les mêmes chiffres, vérifiables par
quiconque.
03 · Validation croisée
Confronté à la littérature, tolérance ±15 %.
Le moteur est confronté à des résultats publiés : il doit les reproduire à ±15 %, et des tests de plausibilité tournent en intégration continue pour bloquer toute dérive d'ordre de grandeur.
- Luccioni 2023 BLOOM 176B — empreinte d'inférence mesurée sur cluster instrumenté
- Patterson 2021 Google — consommation d'entraînement et d'inférence de grands modèles
- EcoLogits 2024 Data for Good — méthodologie de référence des modèles via API
Détail des cas et des plages : méthodologie de validation croisée.
04 · Honnêteté assumée
34 modèles — et leur calibration affichée.
Personne ne mesure directement la consommation d'un modèle fermé. Plutôt que de prétendre à une précision uniforme, chaque modèle du catalogue porte un statut de calibration, visible dans l'app :
validated
Validé contre une étude de référence à ±15 %.
indicative
Calibré par ordre de grandeur depuis des mesures ouvertes (HF AI Energy Score, EcoLogits).
extrapolated
Extrapolé depuis un modèle ouvert comparable — typiquement les modèles fermés.
Oui, cela signifie qu'une partie du catalogue est extrapolée. C'est l'état de l'art pour les modèles fermés — la différence, c'est que Sobr.ia vous le dit.
05 · Datacenters
28 datacenters de référence, sourcés.
Un catalogue documenté de 28 datacenters européens (13 pays) : PUE et WUE issus des rapports de durabilité publics des opérateurs, intensité carbone des mix nationaux via Electricity Maps. Chaque ligne cite sa source — sélection orientée représentativité, pas exhaustivité.
Le catalogue complet : 28 datacenters européens.
06 · Données ouvertes
ComparIA + RTE IRIS, via un pipeline reproductible.
ComparIA
Le comparateur d'IA de Beta.gouv / Ministère de la Culture : des millions de conversations réelles avec empreinte EcoLogits intégrée, sous Licence Ouverte Etalab 2.0. Dataset officiel du défi data.gouv.fr.
RTE IRIS
La consommation électrique industrielle à la maille IRIS (ODRÉ) : l'ancrage territorial français de Sobr.ia, pour situer l'empreinte de l'IA dans la géographie réelle des consommations.
Pipeline médaillon Copper → Silver → Gold
Toute donnée externe traverse trois couches : brut immuable, daté et hashé (Copper), Parquet validé à schéma versionné (Silver),
référentiel consommé par l'app (Gold). L'ensemble
est orchestré par DVC :
dvc repro reconstruit le référentiel
à l'identique (ADR-0009).
Tout est relisible.
Code sous licence MIT, documentation CC-BY 4.0, datasets publiés sous Licence Ouverte Etalab 2.0. La méthodologie complète, les ADRs et le dossier de candidature au défi data.gouv.fr « Impact environnemental de l'IA générative » sont publics.