Il y a quelque chose qui peut sembler absurde dans ma situation. Je passe des jours entiers en affût, dans le froid du Páramo équatorien ou face aux glaces de l’Arctique, à attendre qu’un ours andin ou qu’un renard polaire daigne se montrer. Ce temps long, cette attention portée au vivant, c’est ce qui donne son sens à ma pratique de la photographie de nature. Et dans le même temps, je conçois des outils qui s’appuient sur l’intelligence artificielle pour aider d’autres photographes à trier, retoucher et organiser leurs images plus vite.

Deux mondes qui, sur le papier, ne devraient pas si bien cohabiter. Le premier m’apprend la patience et le respect d’un écosystème fragile. Le second repose sur une industrie dont l’empreinte environnementale — data centers, consommation électrique, eau de refroidissement, extraction de terres rares pour les puces — est de plus en plus documentée et de plus en plus lourde.

Précision importante avant d’aller plus loin : l’IA dont je parle ici n’a rien à voir avec la génération d’images. Je ne m’en sers jamais pour créer ou modifier artificiellement une photo — mes images restent le fruit d’un affût réel, sans retouche générative. L’IA que j’utilise et que je développe intervient uniquement en amont ou en aval de la prise de vue : analyse d’image (détection de netteté, de sujet, de flou), tri automatisé, et optimisation de processus de back-office comme le classement ou le renommage de fichiers. C’est un usage outil, pas un usage créatif.

Je ne vais pas prétendre ici avoir résolu cette tension. Mais je voulais partager où j’en suis, honnêtement, et surtout les pistes concrètes qui permettent de réduire une partie de cet impact sans renoncer à ce que la technologie peut apporter aux photographes.

LE VRAI COÛT D’UNE REQUÊTE IA

Quand on parle du coût environnemental de l’IA, on pense presque toujours aux gros modèles de génération d’images ou aux chatbots grand public entraînés sur des clusters gigantesques. C’est une réalité, mais ce n’est qu’une partie du problème. Chaque fois qu’on envoie une photo à un service cloud pour du tri automatique, de la détection de sujet ou du débruitage par IA, on sollicite un data center distant : transfert de données, calcul sur des GPU dimensionnés pour des charges massives, puis retour du résultat. Multiplié par des milliers d’utilisateurs et des millions de photos, l’addition devient significative.

Ce n’est pas une raison pour tout rejeter en bloc. C’est une raison pour choisir ses outils avec la même exigence qu’on choisit son matériel photo : en connaissance de cause.

POURQUOI L’IA LOCALE CHANGE LA DONNE

Faire tourner un modèle d’IA en local, sur sa propre machine, plutôt que de passer par une API cloud, a plusieurs conséquences directes :

  • Pas de transfert de données vers un serveur distant, donc pas de coût réseau récurrent
  • Pas de dépendance à une infrastructure cloud dimensionnée pour l’échelle, souvent sur-provisionnée
  • Une consommation qui correspond exactement à l’usage réel, sur du matériel déjà possédé pour d’autres tâches (retouche, montage)
  • Un contrôle total sur ses images, ce qui n’est pas qu’un argument écologique mais aussi un argument de confidentialité, important quand on travaille avec des images géolocalisées d’espèces sensibles

Concrètement, pour un usage comme le tri de photos par sujet, la détection de flou ou le masquage automatique de sujet en post-traitement, des modèles légers tournant sur un Mac ou un PC équipé d’une carte graphique correcte suffisent largement. Pas besoin d’un modèle de plusieurs centaines de milliards de paramètres pour reconnaître qu’un lynx ibérique a les yeux fermés sur une prise.

UNE NUANCE ESSENTIELLE : LE LOCAL N’EST PAS NEUTRE

Je tiens à être clair là-dessus, parce que c’est un raccourci qu’on entend souvent : « je fais tourner ça en local donc c’est écologique. » Ce n’est pas si simple.

Un modèle exécuté en local consomme de l’électricité aussi — celle de votre propre prise, avec le mix énergétique de votre pays plutôt que celui du data center. Le matériel nécessaire pour faire tourner ces modèles dans de bonnes conditions a lui-même un coût de fabrication important, en métaux et en énergie grise, qu’on l’utilise pour l’IA ou non. Et un modèle mal optimisé peut très bien tourner plus longtemps en local qu’en cloud, sur du matériel moins efficace qu’un GPU de data center dernière génération, qui reste, watt pour watt, souvent plus performant.

Le vrai gain n’est donc pas « local versus cloud » de façon absolue. Il est dans :

  • La mutualisation du matériel déjà possédé, plutôt que l’ajout d’un usage sur une infrastructure dédiée
  • L’usage de modèles dimensionnés pour la tâche réelle, plutôt que des modèles généralistes surdimensionnés
  • L’exécution ponctuelle plutôt que des appels API en continu pour des tâches simples qui ne le justifient pas
CE QUE ÇA CHANGE CONCRÈTEMENT DANS LES OUTILS QUE JE CONÇOIS

Dans les solutions que je développe pour les photographes, cette réflexion se traduit par des choix d’architecture très concrets : privilégier, quand c’est possible, des modèles qui tournent directement sur la machine de l’utilisateur pour les tâches répétitives et à faible complexité — tri, détection de netteté, classement par espèce ou par série — et ne réserver l’appel à des modèles cloud plus puissants qu’aux tâches qui le justifient vraiment, comme certaines retouches avancées où la puissance de calcul disponible localement ne suffit pas.

C’est aussi une question de sobriété d’usage : ne pas faire appel à l’IA par réflexe pour chaque action, mais se demander si la tâche a réellement besoin d’un modèle, ou si un traitement classique, déterministe, suffit. Un algorithme de tri par histogramme ou par métadonnées EXIF n’a pas besoin d’un réseau de neurones.

LES LIMITES CONCRÈTES QUE JE RENCONTRE AUJOURD’HUI

Il faut aussi que je sois honnête sur un point : tous mes outils ne permettent pas encore de faire tourner l’IA en local. C’est le cas d’OpticAI, mon plugin pour Lightroom. Aujourd’hui, il s’appuie sur des IA certaines « light », volontairement peu gourmandes, mais qui passent par du cloud.

La raison est avant tout technique. Construire un plugin capable de faire tourner des modèles d’IA en local, directement dans l’environnement de Lightroom, demande des développements bien plus complexes : gestion du téléchargement et du stockage des modèles sur la machine de l’utilisateur, compatibilité avec des configurations matérielles très variables, optimisation pour que ça reste fluide sans carte graphique dédiée haut de gamme. Ce n’est pas non plus une solution accessible à tous les photographes dans l’état actuel des choses, en particulier ceux qui n’ont pas un ordinateur récent ou puissant.

C’est un projet que j’ai en tête et sur lequel je travaille : proposer un plugin qui permettrait de déployer de l’IA locale de façon simple, sans que l’utilisateur ait besoin de comprendre ce qui tourne en arrière-plan. En attendant, le choix d’une IA « light » côté cloud reste, pour moi, un compromis assumé plutôt qu’une solution idéale — moins gourmand qu’un gros modèle généraliste, mais pas encore aussi sobre que du calcul local.

UNE COHÉRENCE À CONSTRUIRE, PAS UN DOGME

Je ne crois pas qu’il faille opposer photographie de nature et outils numériques d’aide au photographe. Ce serait renoncer à des gains réels de temps, de temps qu’on peut alors réinvestir sur le terrain plutôt que devant un écran de tri. Mais je crois qu’on doit exercer sur l’IA la même vigilance qu’on exerce sur nos propres pratiques de terrain : minimiser l’empreinte, privilégier ce qui est proportionné au besoin, et rester honnête sur ce qui reste un compromis plutôt qu’une solution parfaite.

C’est cette cohérence, imparfaite mais réfléchie, que j’essaie de construire — entre l’affût silencieux et le code qui tourne en arrière-plan.