Se déconnecter ne déconnecte pas l’IA / Disconnecting yourself doesn’t disconnect AI

L’objection

L’objection de conscience proposée par l’Atécopol procède d’une erreur stratégique et philosophique qu’on ne saurait attribuer à un manque de sincérité, mais bien à un défaut de pensée dialectique et matérielle. Ce texte traite l’IA comme une entité monolithique alors qu’elle constitue un archipel de technologies hétérogènes dont les impacts varient de plusieurs ordres de grandeur.

Les données empiriques le montrent sans ambiguïté. Selon l’AI Energy Score publié par Hugging Face, Carnegie Mellon, Cohere et Salesforce, l’écart de consommation entre le modèle le plus sobre et le plus dispendieux atteint un facteur cinquante pour la seule génération de texte, à tâche identique et matériel constant (Hugging Face, AI Energy Score, 2025, https://huggingface.co/blog/sasha/announcing-ai-energy-score). Un modèle exécuté localement sur un appareil personnel consomme un ordre de grandeur de moins qu’une requête adressée à une plateforme centralisée. Agréger sous l’étiquette « IAg » les systèmes embarqués de transcription, les modèles ouverts d’analyse de données scientifiques et les fermes d’entraînement industrielles revient à confondre délibérément infrastructure et usage, matérialité et concept.

Cette confusion n’est pas innocente. Elle naturalise précisément ce qu’elle prétend dénoncer, en érigeant la capture capitaliste en essence technologique, là où les données montrent une diversité irréductible des configurations possibles. C’est exactement ce que Mark Fisher identifie comme le mécanisme central du réalisme capitaliste : non l’affirmation positive d’un système, mais la fermeture de l’imaginaire des alternatives, cette sensation diffuse que le capitalisme n’est pas seulement le seul système viable mais qu’il devient impossible d’en concevoir un autre (Capitalist Realism: Is There No Alternative?, Zero Books, 2009). L’objection de conscience face à l’IAg reproduit structurellement ce geste : elle prend l’appropriation capitaliste actuelle des technologies d’apprentissage pour leur essence inaltérable. En refusant de distinguer les modalités techniques d’implémentation, en amalgamant plateformes centralisées et solutions décentralisées, le manifeste performe la clôture même qu’il prétend combattre. Il transforme un rapport de force politique contingent en nécessité technique, une configuration historique particulière en destin ontologique.

Cette opération diffère pourtant de l’objection de conscience traditionnelle face à la guerre. L’objecteur refuse de participer à un acte dont la finalité est intrinsèquement négative : tuer des êtres humains. Qu’elle mobilise des fusils ou des drones, des tranchées ou des bombardements, la guerre vise la destruction de vies ; elle est un objet éthiquement négatif par essence, indépendamment de ses modalités d’exécution. L’objection y trouve sa légitimité dans le refus d’un mal substantiel.

Mais l’IA, au sens large, ne constitue pas un tel objet. Un algorithme de prédiction météorologique, un système d’aide au diagnostic, un outil d’analyse de corpus littéraires n’ont rien d’intrinsèquement mortifère. Ce qui pose problème n’est pas la technique de l’apprentissage en soi, mais son appropriation par des oligopoles privés, son déploiement dans des infrastructures énergétiquement désastreuses, son instrumentalisation pour la surveillance de masse et l’exploitation du travail. Traiter l’IAg comme équivalente à la guerre revient à naturaliser cette appropriation particulière en essence technique, à confondre structure technologique et rapport social de production.

Cette confusion produit des effets politiques catastrophiques parce qu’elle renforce dialectiquement l’objet de sa critique. En déclarant l’IAg intrinsèquement incompatible avec nos valeurs, le manifeste abandonne tout levier d’action sur les conditions concrètes de son développement : l’objection de conscience déconnecte ses signataires de l’IA, mais ne déconnecte en rien l’IA elle-même. Pendant que certains refuseront tout usage, les vectofascistes et les capitalistes qu’ils dénoncent à juste titre auront le champ libre pour façonner seuls les usages, orienter les développements, définir les normes d’acceptabilité, verrouiller les futurs. Cette asymétrie n’est pas un effet secondaire regrettable de la stratégie proposée : c’en est la conséquence logique. En renonçant à intervenir sur le contenu des technologies, l’objection garantit le monopole de ceux qui n’ont aucun scrupule à les développer selon leurs intérêts.

Il faut le dire clairement : les préoccupations environnementales soulevées par le manifeste sont fondées, et les chiffres accablants. L’entraînement de GPT-3 est estimé à environ 552 tonnes de CO₂ équivalent (Patterson et al., « Carbon Emissions and Large Neural Network Training », 2021, https://arxiv.org/abs/2104.10350), avec des écarts pouvant atteindre un facteur cinquante selon la localisation et le mix énergétique des centres de calcul. Meta déclare 39 millions d’heures-GPU pour entraîner Llama 3.1, soit environ 11 GWh (model card officielle de Meta). L’Agence internationale de l’énergie projette un quasi-doublement de la consommation des datacenters d’ici 2030, d’environ 415 TWh en 2024 à 945 TWh (AIE, Energy and AI, 2025, https://www.iea.org/reports/energy-and-ai). Le Shift Project estime que les datacenters français atteindront 33 à 45 TWh en 2035 (rapport final, octobre 2025, https://theshiftproject.org/publications/intelligence-artificielle-centres-de-donnees-rapport-final/). L’extractivisme minier nécessaire à ces infrastructures génère des dégâts environnementaux et humains révoltants, et l’exploitation du travail du clic dans les pays à bas salaires constitue une ultra-prolétarisation inacceptable.

Ces constats sont justes. Mais le manifeste en tire une conclusion stratégiquement contestable : puisque l’IAg, dans sa configuration actuelle, est écologiquement insoutenable, il faudrait la rejeter en bloc. Ce raisonnement occulte les rapports de proportion entre configurations techniques. Affirmer que l’IAg resterait colossale même parfaitement écoconçue ignore l’ampleur des écarts mesurés. DeepSeek-V3, socle de R1, a été entraîné sur de l’ordre de deux mille GPU selon son article technique (rapport technique DeepSeek-V3, arXiv 2412.19437, https://arxiv.org/abs/2412.19437), quand les estimations, jamais confirmées, situent GPT-4 autour de vingt-cinq mille : la preuve qu’au sein même des modèles généralistes coexistent des trajectoires radicalement distinctes. Et la tendance s’accélère : selon l’étude Intelligence per Watt de Stanford et Together AI (Saad-Falcon, Narayan et al., arXiv 2511.07885, 2025, https://arxiv.org/abs/2511.07885), les modèles exécutables localement répondent désormais correctement à 88,7 % des requêtes courantes, leur intelligence par watt a progressé d’un facteur 5,3 entre 2023 et 2025, et un routage hybride entre systèmes locaux et centralisés réduit la consommation énergétique de 64 % et les coûts de 59 % pour une qualité équivalente. La même étude relève que les accélérateurs grand public restent au moins 1,4 fois moins efficients par watt que ceux du cloud : la marge de progression du calcul décentralisé est donc largement devant nous, non derrière.

Un exemple, tiré de l’AI Energy Score (https://huggingface.co/spaces/AIEnergyScore/Leaderboard). Le modèle Llama 3-70B consomme environ 1 719 GPU-Wh pour mille requêtes ; Ministral 8B en consomme 20,87 pour le même volume, soit un facteur quatre-vingts. Pour de nombreuses tâches spécialisées, le second offre des performances comparables. Le choix entre ces deux architectures n’est pas neutre : il représente potentiellement une réduction d’impact de l’ordre de quatre-vingt-dix-huit pour cent à usage égal. Refuser d’examiner ces architectures distribuées au motif qu’elles participent du même « système technologique global » revient à abandonner toute capacité d’action graduée.

Le manifeste invoque l’effet rebond pour suggérer que tout gain d’efficacité serait mécaniquement annulé par l’accroissement des usages. Le paradoxe de Jevons (formulé en 1865, actualisé par Khazzoom et Brookes dans les années 1980, https://fr.wikipedia.org/wiki/Paradoxe_de_Jevons) décrit en effet un phénomène réel : les gains d’efficacité, en abaissant le coût d’usage d’une ressource, peuvent stimuler sa demande au point d’augmenter la consommation totale. Mais ériger ce mécanisme en loi absolue relève du fatalisme. Les estimations sectorielles montrent un rebond le plus souvent partiel, rarement total : il existe donc une marge pour des politiques publiques couplant efficacité technique et sobriété des usages. Or c’est précisément ce terrain, celui des choix collectifs, que l’objection de conscience déserte.

Les alternatives

La vraie question devient alors : comment construire des alternatives plutôt que céder le terrain par avance ? Elles existent et sont matériellement possibles.

Premièrement, la mise en commun de la puissance de calcul. Plutôt que de laisser OpenAI, Google et Meta monopoliser les infrastructures, on peut imaginer des centres de calcul mutualisés à l’échelle européenne, gérés démocratiquement et financés publiquement. Institutions de recherche, universités et collectivités pourraient partager des ressources GPU pour entraîner des modèles ouverts sans dépendre des plateformes états-uniennes. Le modèle existe déjà partiellement avec les grilles de calcul scientifique, comme celle du CERN ; il s’agit de l’étendre et de le démocratiser pour l’apprentissage automatique.

Deuxièmement, le soutien massif à la recherche sur des modèles plus écologiques. L’apprentissage fédéré entraîne des modèles sans centraliser les données, réduisant les besoins en infrastructure tout en préservant la confidentialité. Les architectures mixture-of-experts n’activent que des sous-réseaux spécialisés au lieu de mobiliser l’intégralité du modèle, diminuant sensiblement la consommation par requête. La distillation de connaissances transfère les capacités des grands modèles vers des architectures compactes exécutables localement. La quantification réduit fortement l’empreinte mémoire tout en maintenant des performances acceptables, et les modèles parcimonieux, où seule une fraction des paramètres s’active par requête, divisent encore la consommation par inférence. Ces directions ne reçoivent qu’une part infime des investissements : selon Reuters, OpenAI, Google, Microsoft et Meta ont collectivement engagé plus de 200 milliards de dollars dans des infrastructures centralisées (chiffre rapporté par Reuters ; ordre de grandeur corroboré par les annonces de dépenses d’investissement 2024-2025 des quatre groupes). En réorienter ne serait-ce que 10 % vers l’efficience et les architectures distribuées transformerait les trajectoires possibles.

Troisièmement, des normes environnementales contraignantes. Obliger les acteurs industriels à publier l’empreinte carbone détaillée de leurs modèles, de l’entraînement à l’inférence ; taxer la consommation des datacenters selon leur intensité carbone ; conditionner l’accès au marché européen à des critères stricts de transparence. Aucune de ces mesures n’est techniquement impossible ; elles sont politiquement difficiles parce que les rapports de force favorisent les oligopoles.

Quatrièmement, le développement de modèles spécialisés plutôt que généralistes. Un modèle entraîné pour l’analyse de données médicales ou la traduction scientifique peut être infiniment plus léger qu’un GPT-4 tout en étant plus performant sur sa tâche. Cette spécialisation réduit drastiquement l’empreinte, mais elle contrarie la logique commerciale des plateformes, qui cherchent à vendre un outil universel maximisant les usages, donc les profits.

Cinquièmement, la régulation démocratique des usages. Toutes les applications ne se valent pas : optimiser les réseaux électriques ou prédire les maladies rares n’a pas la même valeur sociale que générer des deepfakes ou personnaliser de la publicité. Une société pourrait décider d’allouer prioritairement le calcul disponible aux usages socialement utiles, ce qui exige une délibération collective sur les finalités, exactement ce que court-circuite l’appropriation capitaliste.

Contexte historique et parallélismes

La comparaison avec l’écriture, proposée dans le document d’accompagnement du manifeste, révèle la confusion entre essence technique et appropriation sociale. Le texte affirme que l’IAg diffère radicalement de l’écriture par sa dépendance infrastructurelle et son opacité. Mais toute technique d’inscription a toujours reposé sur des infrastructures sociales complexes et des rapports de pouvoir asymétriques. L’écriture manuscrite médiévale exigeait scriptoriums monastiques, corporations de copistes et accès contrôlé au parchemin ; seule une infime élite cléricale et aristocratique en avait la maîtrise. L’imprimerie a créé une dépendance massive aux presses détenues par quelques acteurs puissants, suscitant chez les copistes les mêmes dénonciations de prolétarisation et de perte de qualité qu’aujourd’hui.

Surtout, l’argument selon lequel l’IAg provoquerait une dépossession cognitive reproduit exactement les craintes de Socrate contre l’écriture dans le Phèdre : elle détruirait la mémoire, affaiblirait la pensée authentique, créerait une illusion de savoir. Le manifeste invoque justement Socrate pour disqualifier cette critique comme conservatisme réactionnaire, avant de la réactiver sous une forme à peine modifiée. Cette contradiction interne mine la cohérence du raisonnement. Il ne s’agit pourtant pas de nier que l’écriture a transformé nos capacités cognitives, parfois en les appauvrissant : les aèdes homériques possédaient une mémoire que nous avons perdue. Mais cette transformation n’était pas l’essence immanente de la technique ; elle résultait de son appropriation sociale, des rapports de pouvoir qui en structuraient l’accès. Dire que l’écriture fut globalement émancipatrice ne signifie pas qu’elle l’était intrinsèquement : l’alphabétisation universelle n’a pas découlé de l’imprimerie, elle a été conquise par des luttes politiques séculaires. En refusant d’envisager qu’une transformation comparable soit possible pour l’IA, l’objection naturalise son état présent comme destin.

Les modèles de raisonnement illustrent à la fois le danger et la marge de manœuvre. Selon l’AI Energy Score v2 (Luccioni et Gamazaychikov, 2025, https://huggingface.co/blog/sasha/ai-energy-score-v2), ils consomment en moyenne une trentaine de fois plus d’énergie que les modèles sans raisonnement, et jusqu’à plusieurs centaines de fois dans les cas extrêmes, parce qu’ils génèrent de trois cents à huit cents fois plus de tokens (voir aussi Jin et al., « The Energy Cost of Reasoning », arXiv 2505.14733, 2025, https://arxiv.org/abs/2505.14733). Mais cette augmentation n’est pas une fatalité technique : c’est le résultat de choix architecturaux privilégiant la performance brute sur l’efficience. Sasha Luccioni avertit qu’une adoption généralisée de ce paradigme ferait exploser la consommation d’inférence.

Justement : n’adoptons pas largement ce paradigme. Battons-nous pour que la recherche et développement s’oriente vers l’efficience plutôt que vers la course à la taille. C’est précisément ce que l’objection de conscience rend impossible en abandonnant tout levier d’action sur ces orientations.

Le risque du renoncement politique

Le risque politique majeur réside dans cette asymétrie structurelle. Les oligarques de la Silicon Valley, les technocrates de Pékin, les entrepreneurs fascisants qui gravitent autour de Trump n’attendront pas l’autorisation des universitaires pour développer leurs technologies. Pendant que les objecteurs constituent des « îlots de résistance », euphémisme révélateur d’une impuissance assumée,, les acteurs dominants façonneront seuls le paysage : ils définiront les applications légitimes, orienteront les investissements, imposeront les standards. Le capitalisme n’a pas besoin que tous y adhèrent : il lui suffit que ses critiques renoncent à toute action efficace. L’objection performe cette auto-neutralisation, transformant une analyse juste des rapports de domination en justification du renoncement, une lucidité sur les dangers en paralysie. Elle préserve une pureté morale au prix de toute efficacité.

L’histoire des résistances technologiques le confirme : l’efficacité politique passe par une bataille sur le contenu des techniques, non par un retrait moral. Les luddites ne refusaient pas les machines par principe ; ils exigeaient leur contrôle démocratique et détruisaient les métiers mécaniques parce qu’ils servaient à déqualifier et exploiter. Le mouvement du logiciel libre n’a pas pratiqué l’objection de conscience informatique : il a patiemment construit des alternatives qui s’imposent aujourd’hui, Linux, Firefox, Python. De même, la souveraineté technologique révèle la capitulation à l’œuvre : le manifeste reconnaît l’enjeu géopolitique du contrôle algorithmique, puis l’écarte aussitôt au nom des difficultés industrielles européennes. Or le RGPD n’aurait jamais existé sans une certaine autonomie juridique et technique de l’Europe face aux plateformes américaines. Abandonner toute ambition de modèles ouverts sous prétexte que Mistral peine à rivaliser avec OpenAI, c’est accepter la défaite d’avance.

La confusion fondamentale consiste à identifier appropriation capitaliste et essence technologique. L’infrastructure actuelle des modèles de langage résulte de choix d’investissement massifs dans des architectures centralisées, parce qu’elles maximisent les profits par effet de réseau et contrôle propriétaire. Rien n’indique technologiquement que cette configuration soit nécessaire plutôt que contingente. Les travaux académiques sur les modèles ouverts, les architectures distribuées et l’efficience énergétique en démontrent l’alternative matérielle. Que ces alternatives peinent à émerger face aux oligopoles n’invalide pas leur viabilité : cela révèle un rapport de force défavorable que l’objection ne fait qu’aggraver.

Perspective philosophique : de l’instrumentalité à l’expérimentation

Au-delà des configurations techniques et des rapports de production se pose une question philosophique plus fondamentale, celle de notre relation même à la technique. L’IA est-elle condamnée à n’être qu’instrumentale, vouée à la maximisation de l’efficacité, à l’accélération productive, à l’optimisation sans fin où se déchaîne la volonté de puissance ? Ou peut-elle devenir autre chose, en transformant cette instrumentalité en expérimentation ?

La distinction n’est pas qu’un jeu conceptuel. L’instrumentalité implique une finalité externe : produire plus vite, générer plus de contenus, maximiser l’extraction de valeur. Cette logique conduit mécaniquement à la multiplication des requêtes et à la saturation énergétique justement dénoncée. L’expérimentation, à l’inverse, est une relation à la technique qui ralentit au cœur même de son exercice : explorer sans finalité productive immédiate, tâtonner avec les propriétés d’un système, en questionner les possibles plutôt que les exploiter.

Un exemple. Utiliser l’IA pour générer automatiquement comptes-rendus, résumés et contenus marketing s’inscrit dans l’accélération productive qui mène à l’expansion énergétique. Mais explorer les espaces latents des modèles de diffusion pour comprendre leurs propriétés de continuité métamorphique, observer comment les représentations internes se transforment, repérer les discontinuités et les zones d’instabilité, relève d’une tout autre logique : non l’efficacité productive, mais la compréhension des structures et la découverte de propriétés inattendues. L’expérimentation ralentit nécessairement parce qu’elle refuse le résultat immédiat ; elle s’oppose frontalement à la course à l’échelle. Transformer l’instrumentalité en expérimentation constitue ainsi un levier politique concret de ralentissement, inscrit dans la pratique même plutôt qu’imposé du dehors par la régulation.

Cela impliquerait de soutenir la recherche fondamentale non orientée vers l’application immédiate, de créer des espaces où explorer les systèmes d’apprentissage sans pression de valorisation, de former à une relation expérimentale plutôt qu’instrumentale, de valoriser la lenteur exploratoire contre l’efficacité productive. Cela exige aussi de questionner les métriques : l’instrumentalité se mesure en vitesse, coût et performance ; l’expérimentation s’évalue à la richesse des découvertes et à la profondeur de la compréhension. Le premier régime conduit à l’expansion quantitative, le second à un approfondissement qualitatif qui n’exige pas nécessairement plus de ressources. On pourrait ainsi concevoir des modèles pensés non pour maximiser des benchmarks mais pour rendre explorables leurs propriétés internes, des architectures conçues pour la transparence plutôt que pour la puissance brute. Cette orientation existe déjà, marginalement, dans les travaux sur l’interprétabilité des réseaux, la visualisation des espaces latents, la compréhension des mécanismes d’attention, mais elle reçoit une fraction dérisoire des financements face à la course aux modèles toujours plus grands et plus opaques.

En assimilant la technique à son appropriation présente, l’objection de conscience abandonne aussi cette possibilité. Elle garantit aux vectofascistes et aux capitalistes le monopole sur la définition des futurs acceptables, y compris sur les manières mêmes d’être en relation avec ces technologies.

Objections anticipées

Il faut maintenant prendre au sérieux ce qu’un adversaire honnête m’opposerait, car une critique qui n’affronte pas ses propres failles n’est qu’une plaidoirie.

Première objection : mes alternatives sont aussi improbables que l’abstention que je raille. Centres de calcul mutualisés à l’échelle européenne, normes contraignantes, allocation démocratique du calcul, tout cela suppose un contre-pouvoir public coordonné que le rapport de force actuel rend tout aussi invraisemblable que l’objection de conscience de masse. J’aurais simplement remplacé une piété par une autre : à la pureté morale des objecteurs, j’opposerais un optimisme techno-politique tout aussi désarmé. L’objection porte. Mais elle manque l’essentiel : l’asymétrie entre les deux positions ne tient pas à leur probabilité de succès, elle tient à leur direction. L’abstention est structurellement auto-réalisatrice dans l’échec, elle garantit le monopole qu’elle déplore, sans reste. La construction d’alternatives, même lorsqu’elle échoue, laisse des sédiments : des infrastructures, des précédents juridiques, des communautés techniques, des savoir-faire. Le logiciel libre a perdu d’innombrables batailles avant que Linux ne fasse tourner l’essentiel des serveurs du monde ; le RGPD est né d’une autonomie européenne que rien ne garantissait. On ne mesure pas une stratégie politique à sa probabilité de victoire immédiate, mais à ce qu’elle laisse ouvert. L’abstention ne laisse rien.

Deuxième objection, la plus sérieuse : l’effet rebond dévore ma propre sobriété. Je concède que Jevons est réel ; or mon argument central, des modèles cinquante ou quatre-vingts fois plus sobres, décrit exactement le type de gain d’efficacité qui déclenche le rebond. Une inférence bon marché, c’est de l’inférence partout : dans chaque application, chaque appareil, chaque boucle agentique. Ma « spécialisation écologique » pourrait accélérer la consommation totale en rendant l’IA ambiante. Le petit modèle efficient serait le cheval de Troie de l’expansion. C’est l’objection que le manifeste de l’Atécopol formule le plus justement, et il faut l’affronter de face plutôt que la contourner. Voici ma réponse : l’efficacité sans plafond politique est en effet récupérée, c’est précisément pourquoi je ne défends jamais l’efficacité seule, mais son couplage avec une régulation des finalités et avec le passage de l’instrumentalité à l’expérimentation. La sobriété n’est pas une propriété technique des petits modèles ; c’est une décision politique sur ce que l’on calcule. Et c’est ici que le régime expérimental cesse d’être un ornement philosophique pour devenir la pièce maîtresse : il est le seul registre qui ne nourrit pas le rebond, parce qu’il ne mesure pas sa valeur au volume produit. Un usage qui s’évalue à la profondeur de la compréhension, et non au débit, ne se laisse pas entraîner dans la spirale quantitative. L’objection a donc raison contre une version naïve de mon argument, celle qui s’arrêterait à l’efficience. Elle échoue contre sa version complète, qui subordonne l’efficience à une transformation du régime de valeur.

Troisième objection : l’expérimentation qui ralentit est un privilège d’artiste. Explorer les espaces latents sans finalité productive, disposer du temps de la lenteur, posséder le matériel de cette exploration : voilà qui est offert à un artiste-théoricien équipé, non à une société qui a des comptes-rendus à produire et des services à rendre. Je généraliserais ma pratique d’atelier en politique. L’objection touche une racine autobiographique réelle, et je ne la nie pas. Mais elle confond le modèle et la proposition. Il ne s’agit pas que chacun devienne artiste : il s’agit que les institutions ménagent des espaces où l’apprentissage automatique s’explore sans pression de valorisation, exactement le statut qu’on accorde, sans le juger luxueux, à la recherche fondamentale, aux mathématiques pures ou à l’astronomie. Ce qui change n’est pas le métier de chacun mais le régime collectif d’évaluation : décider que la transparence, l’interprétabilité et la compréhension des structures valent des crédits de recherche au même titre que la performance sur des benchmarks. La lenteur exploratoire n’est un privilège que tant qu’on refuse de la financer comme un bien commun.

La vraie objection ne consiste pas à se déconnecter, mais à lutter pour imposer d’autres connexions, d’autres appropriations, d’autres finalités. Cela exige de maintenir ouverts les espaces d’intervention technique, de soutenir les recherches qui explorent plutôt qu’elles n’optimisent, de privilégier l’expérimentation qui ralentit contre l’instrumentalité qui accélère, de construire des infrastructures mutualisées contre les oligopoles centralisés, de défendre la spécialisation écologique contre la généralisation énergivore. Tout cela plutôt que de céder par avance ces possibilités à ceux qui n’ont aucun scrupule à les exploiter selon la seule logique du profit et de la domination. Se déconnecter ne déconnecte pas l’IA : cela déconnecte seulement ceux qui auraient pu en infléchir le cours.

–

Here is the complete translation of the text into English, with nothing added and nothing omitted, utilizing formatting to maintain the clarity and structure of the original text:

The Objection

The conscientious objection proposed by Atécopol stems from a strategic and philosophical error that cannot be attributed to a lack of sincerity, but rather to a defect in dialectical and material thinking. This text treats AI as a monolithic entity, whereas it constitutes an archipelago of heterogeneous technologies whose impacts vary by several orders of magnitude. Empirical data shows this unambiguously. According to the AI Energy Score published by Hugging Face, Carnegie Mellon, Cohere, and Salesforce, the gap in consumption between the most sober and the most expensive model reaches a factor of fifty for text generation alone, for an identical task and constant hardware (Hugging Face, AI Energy Score, 2025, https://huggingface.co/blog/sasha/announcing-ai-energy-score). A model executed locally on a personal device consumes an order of magnitude less than a query addressed to a centralized platform. Aggregating embedded transcription systems, open models for scientific data analysis, and industrial training farms under the label “gAI” amounts to deliberately confusing infrastructure and usage, materiality and concept.

This confusion is not innocent. It naturalizes precisely what it claims to denounce, by erecting capitalist capture into a technological essence, where data shows an irreducible diversity of possible configurations. This is exactly what Mark Fisher identifies as the central mechanism of capitalist realism: not the positive affirmation of a system, but the closing off of the imagination of alternatives, that diffuse sensation that capitalism is not only the only viable system but that it becomes impossible to conceive of another (Capitalist Realism: Is There No Alternative?, Zero Books, 2009). Conscientious objection to gAI structurally reproduces this gesture: it takes the current capitalist appropriation of learning technologies for their unalterable essence. By refusing to distinguish technical modalities of implementation, by amalgamating centralized platforms and decentralized solutions, the manifesto performs the very closure it claims to fight. It transforms a contingent political power relation into a technical necessity, a particular historical configuration into an ontological destiny.

This operation differs, however, from traditional conscientious objection to war. The objector refuses to participate in an act whose purpose is intrinsically negative: killing human beings. Whether it mobilizes rifles or drones, trenches or bombings, war aims at the destruction of lives; it is an ethically negative object by essence, independently of its modalities of execution. Objection finds its legitimacy there in the refusal of a substantial evil. But AI, in the broad sense, does not constitute such an object. A weather prediction algorithm, a diagnostic aid system, a literary corpus analysis tool have nothing intrinsically deadly about them. What poses a problem is not the learning technique in itself, but its appropriation by private oligopolies, its deployment in energetically disastrous infrastructures, its instrumentalization for mass surveillance and labor exploitation. Treating gAI as equivalent to war amounts to naturalizing this particular appropriation into a technical essence, to confusing technological structure and social relations of production.

This confusion produces catastrophic political effects because it dialectically reinforces the object of its criticism. By declaring gAI intrinsically incompatible with our values, the manifesto abandons all leverage over the concrete conditions of its development: conscientious objection disconnects its signatories from AI, but in no way disconnects AI itself. While some will refuse any use, the vectofascists and capitalists they rightly denounce will have a free hand to shape uses alone, guide developments, define norms of acceptability, and lock down futures. This asymmetry is not a regrettable side effect of the proposed strategy: it is its logical consequence. By renouncing intervention in the content of technologies, the objection guarantees the monopoly of those who have no scruples about developing them according to their interests.

It must be said clearly: the environmental concerns raised by the manifesto are well-founded, and the numbers are damning. The training of GPT-3 is estimated at around 552 tons of CO₂ equivalent (Patterson et al., “Carbon Emissions and Large Neural Network Training”, 2021, https://arxiv.org/abs/2104.10350), with gaps that can reach a factor of fifty depending on the location and the energy mix of the data centers. Meta declares 39 million GPU-hours to train Llama 3.1, which is about 11 GWh (official Meta model card). The International Energy Agency projects a near-doubling of data center consumption by 2030, from around 415 TWh in 2024 to 945 TWh (IEA, Energy and AI, 2025, https://www.iea.org/reports/energy-and-ai). The Shift Project estimates that French data centers will reach 33 to 45 TWh in 2035 (final report, October 2025, https://theshiftproject.org/publications/intelligence-artificielle-centres-de-donnees-rapport-final/). The mining extractivism necessary for these infrastructures generates revolting environmental and human damage, and the exploitation of click labor in low-wage countries constitutes an unacceptable ultra-proletarianization.

These observations are correct. But the manifesto draws a strategically questionable conclusion from them: since gAI, in its current configuration, is ecologically unsustainable, it should be rejected en bloc. This reasoning obscures the proportions between technical configurations. Asserting that gAI would remain colossal even if perfectly eco-designed ignores the scale of the measured gaps. DeepSeek-V3, the base of R1, was trained on the order of two thousand GPUs according to its technical paper (DeepSeek-V3 technical report, arXiv 2412.19437, https://arxiv.org/abs/2412.19437), while estimates, never confirmed, place GPT-4 around twenty-five thousand: proof that within generalist models themselves, radically distinct trajectories coexist. And the trend is accelerating: according to the Intelligence per Watt study by Stanford and Together AI (Saad-Falcon, Narayan et al., arXiv 2511.07885, 2025, https://arxiv.org/abs/2511.07885), locally executable models now correctly answer 88.7% of common queries, their intelligence per watt progressed by a factor of 5.3 between 2023 and 2025, and hybrid routing between local and centralized systems reduces energy consumption by 64% and costs by 59% for equivalent quality. The same study notes that consumer accelerators remain at least 1.4 times less efficient per watt than those in the cloud: the margin for improvement in decentralized computing is therefore largely ahead of us, not behind.

An example, taken from the AI Energy Score (https://huggingface.co/spaces/AIEnergyScore/Leaderboard). The Llama 3-70B model consumes around 1,719 GPU-Wh per thousand queries; Ministral 8B consumes 20.87 for the same volume, which is a factor of eighty. For many specialized tasks, the second offers comparable performance. The choice between these two architectures is not neutral: it potentially represents an impact reduction on the order of ninety-eight percent for equal use. Refusing to examine these distributed architectures on the grounds that they participate in the same “global technological system” amounts to abandoning all capacity for graduated action.

The manifesto invokes the rebound effect to suggest that any efficiency gain would be mechanically canceled out by increased usage. Jevons’ paradox (formulated in 1865, updated by Khazzoom and Brookes in the 1980s, https://fr.wikipedia.org/wiki/Paradoxe_de_Jevons) indeed describes a real phenomenon: efficiency gains, by lowering the cost of using a resource, can stimulate its demand to the point of increasing total consumption. But erecting this mechanism into an absolute law falls into fatalism. Sectoral estimates show a rebound that is most often partial, rarely total: there is therefore room for public policies coupling technical efficiency and sobriety of uses. Yet it is precisely this ground, that of collective choices, that conscientious objection deserts.

The Alternatives

The real question then becomes: how to build alternatives rather than ceding the ground in advance? They exist and are materially possible.

• First, the pooling of computing power. Rather than letting OpenAI, Google, and Meta monopolize infrastructures, we can imagine shared data centers at the European scale, democratically managed and publicly funded. Research institutions, universities, and local authorities could share GPU resources to train open models without depending on US platforms. The model already partially exists with scientific computing grids, like that of CERN; it is a matter of extending and democratizing it for machine learning.
• Second, massive support for research into greener models. Federated learning trains models without centralizing data, reducing infrastructure needs while preserving confidentiality. Mixture-of-experts architectures only activate specialized sub-networks instead of mobilizing the entire model, significantly decreasing consumption per query. Knowledge distillation transfers the capabilities of large models to compact architectures executable locally. Quantization strongly reduces the memory footprint while maintaining acceptable performance, and sparse models, where only a fraction of the parameters activate per query, further divide consumption per inference. These directions receive only a tiny share of investments: according to Reuters, OpenAI, Google, Microsoft, and Meta have collectively committed over 200 billion dollars to centralized infrastructures (figure reported by Reuters; order of magnitude corroborated by the 2024-2025 capital expenditure announcements of the four groups). Redirecting even 10% of this toward efficiency and distributed architectures would transform possible trajectories.
• Third, binding environmental standards. Forcing industrial actors to publish the detailed carbon footprint of their models, from training to inference; taxing data center consumption according to its carbon intensity; conditioning access to the European market on strict transparency criteria. None of these measures are technically impossible; they are politically difficult because the power relations favor oligopolies.
• Fourth, the development of specialized rather than generalist models. A model trained for medical data analysis or scientific translation can be infinitely lighter than a GPT-4 while being more performant in its task. This specialization drastically reduces the footprint, but it thwarts the commercial logic of platforms, which seek to sell a universal tool maximizing uses, and therefore profits.
• Fifth, the democratic regulation of uses. Not all applications are equal: optimizing electrical grids or predicting rare diseases does not have the same social value as generating deepfakes or personalizing advertising. A society could decide to allocate available computing primarily to socially useful uses, which requires a collective deliberation on purposes, exactly what capitalist appropriation short-circuits.

Historical Context and Parallelisms

The comparison with writing, proposed in the accompanying document of the manifesto, reveals the confusion between technical essence and social appropriation. The text asserts that gAI differs radically from writing by its infrastructural dependence and its opacity. But every technique of inscription has always relied on complex social infrastructures and asymmetrical power relations. Medieval handwritten writing required monastic scriptoriums, corporations of copyists, and controlled access to parchment; only a tiny clerical and aristocratic elite had mastery over it. The printing press created a massive dependence on presses owned by a few powerful actors, sparking among copyists the same denunciations of proletarianization and loss of quality as today.

Above all, the argument that gAI would cause a cognitive dispossession exactly reproduces Socrates’ fears against writing in the Phaedrus: it would destroy memory, weaken authentic thought, create an illusion of knowledge. The manifesto precisely invokes Socrates to disqualify this critique as reactionary conservatism, before reactivating it in a barely modified form. This internal contradiction undermines the coherence of the reasoning. It is not, however, a matter of denying that writing transformed our cognitive capacities, sometimes by impoverishing them: the Homeric aedes possessed a memory that we have lost. But this transformation was not the immanent essence of the technique; it resulted from its social appropriation, from the power relations that structured access to it. Saying that writing was globally emancipatory does not mean that it was intrinsically so: universal literacy did not stem from the printing press, it was won through secular political struggles. By refusing to consider that a comparable transformation is possible for AI, the objection naturalizes its present state as destiny.

Reasoning models illustrate both the danger and the room for maneuver. According to AI Energy Score v2 (Luccioni and Gamazaychikov, 2025, https://huggingface.co/blog/sasha/ai-energy-score-v2), they consume on average around thirty times more energy than models without reasoning, and up to several hundred times in extreme cases, because they generate three hundred to eight hundred times more tokens (see also Jin et al., “The Energy Cost of Reasoning”, arXiv 2505.14733, 2025, https://arxiv.org/abs/2505.14733). But this increase is not a technical fatality: it is the result of architectural choices favoring raw performance over efficiency. Sasha Luccioni warns that a widespread adoption of this paradigm would cause inference consumption to explode. Precisely: let us not widely adopt this paradigm. Let us fight so that research and development turns toward efficiency rather than toward the race for size. This is precisely what conscientious objection makes impossible by abandoning all leverage over these orientations.

The Risk of Political Renunciation

The major political risk lies in this structural asymmetry. The oligarchs of Silicon Valley, the technocrats of Beijing, the fascist-leaning entrepreneurs gravitating around Trump will not wait for authorization from academics to develop their technologies. While objectors form “islands of resistance”—a revealing euphemism for an assumed powerlessness—the dominant actors will shape the landscape alone: they will define legitimate applications, guide investments, impose standards. Capitalism does not need everyone to adhere to it: it is enough for its critics to renounce any effective action. The objection performs this self-neutralization, transforming a correct analysis of relations of domination into a justification for renunciation, a lucidity about dangers into paralysis. It preserves a moral purity at the cost of any effectiveness.

The history of technological resistance confirms this: political effectiveness comes through a battle over the content of techniques, not through a moral withdrawal. The Luddites did not refuse machines on principle; they demanded their democratic control and destroyed mechanical looms because they were used to deskill and exploit. The free software movement did not practice computing conscientious objection: it patiently built alternatives that prevail today—Linux, Firefox, Python. Similarly, technological sovereignty reveals the surrender at work: the manifesto recognizes the geopolitical stakes of algorithmic control, then immediately dismisses it in the name of European industrial difficulties. Yet the GDPR would never have existed without a certain legal and technical autonomy of Europe faced with American platforms. Abandoning all ambition for open models under the pretext that Mistral struggles to rival OpenAI is accepting defeat in advance.

The fundamental confusion consists in identifying capitalist appropriation and technical essence. The current infrastructure of language models results from massive investment choices in centralized architectures, because they maximize profits through network effects and proprietary control. Nothing technologically indicates that this configuration is necessary rather than contingent. Academic work on open models, distributed architectures, and energy efficiency demonstrates the material alternative to it. That these alternatives struggle to emerge against oligopolies does not invalidate their viability: it reveals an unfavorable power relation that the objection only worsens.

Philosophical Outlook: From Instrumentality to Experimentation

Beyond technical configurations and relations of production arises a more fundamental philosophical question, that of our very relationship to technique. Is AI condemned to be nothing but instrumental, dedicated to the maximization of efficiency, to productive acceleration, to endless optimization where the will to power unleashes itself? Or can it become something else, by transforming this instrumentality into experimentation?

The distinction is not just a conceptual game. Instrumentality implies an external purpose: producing faster, generating more content, maximizing value extraction. This logic mechanically leads to the multiplication of queries and to the energy saturation rightly denounced. Experimentation, conversely, is a relationship to technique that slows down at the very core of its exercise: exploring without immediate productive purpose, groping with the properties of a system, questioning its possibilities rather than exploiting them.

An example. Using AI to automatically generate minutes, summaries, and marketing content fits into the productive acceleration that leads to energy expansion. But exploring the latent spaces of diffusion models to understand their properties of metamorphic continuity, observing how internal representations transform, identifying discontinuities and zones of instability, stems from a completely different logic: not productive efficiency, but the understanding of structures and the discovery of unexpected properties. Experimentation necessarily slows down because it refuses the immediate result; it frontally opposes the race to scale. Transforming instrumentality into experimentation thus constitutes a concrete political lever for slowing down, inscribed in the practice itself rather than imposed from the outside by regulation.

This would imply supporting fundamental research not oriented toward immediate application, creating spaces where learning systems can be explored without pressure for monetization, training for an experimental rather than instrumental relationship, valuing exploratory slowness against productive efficiency. This also requires questioning metrics: instrumentality is measured in speed, cost, and performance; experimentation is evaluated by the richness of discoveries and the depth of understanding. The first regime leads to quantitative expansion, the second to a qualitative deepening that does not necessarily require more resources. One could thus conceive of models thought out not to maximize benchmarks but to make their internal properties explorable, architectures designed for transparency rather than raw power. This orientation already exists, marginally, in work on network interpretability, visualization of latent spaces, understanding of attention mechanisms, but it receives a derisory fraction of funding compared to the race for ever larger and more opaque models.

By assimilating technique to its present appropriation, conscientious objection abandons this possibility as well. It guarantees vectofascists and capitalists a monopoly over the definition of acceptable futures, including over the very ways of being in relation with these technologies.

Anticipated Objections

It is now necessary to take seriously what an honest adversary would oppose to me, for a critique that does not face its own flaws is but a pleading.

First objection: my alternatives are as improbable as the abstention I deride. Shared data centers at the European scale, binding standards, democratic allocation of computing—all this supposes a coordinated public counter-power that the current power relation makes just as implausible as mass conscientious objection. I would have simply replaced one piety with another: to the moral purity of the objectors, I would oppose a techno-political optimism just as disarmed.

The objection hits home. But it misses the essential point: the asymmetry between the two positions does not stem from their probability of success, it stems from their direction. Abstention is structurally self-fulfilling in failure; it guarantees the monopoly it deplores, completely. The construction of alternatives, even when it fails, leaves sediments: infrastructures, legal precedents, technical communities, know-how. Free software lost countless battles before Linux came to run most of the world’s servers; the GDPR was born from a European autonomy that nothing guaranteed. One does not measure a political strategy by its probability of immediate victory, but by what it leaves open. Abstention leaves nothing.

Second objection, the most serious one: the rebound effect devours my own sobriety. I concede that Jevons is real; yet my central argument—models fifty or eighty times more sober—describes exactly the type of efficiency gain that triggers the rebound. Cheap inference means inference everywhere: in every application, every device, every agentic loop. My “ecological specialization” could accelerate total consumption by making AI ambient. The small, efficient model would be the Trojan horse of expansion.

This is the objection that the Atécopol manifesto formulates most correctly, and it must be faced head-on rather than bypassed. Here is my answer: efficiency without a political ceiling is indeed co-opted, which is precisely why I never defend efficiency alone, but its coupling with a regulation of purposes and with the transition from instrumentality to experimentation. Sobriety is not a technical property of small models; it is a political decision on what is computed. And it is here that the experimental regime ceases to be a philosophical ornament to become the masterpiece: it is the only register that does not feed the rebound, because it does not measure its value by the volume produced. A usage evaluated by the depth of understanding, and not by throughput, does not let itself be dragged into the quantitative spiral. The objection is therefore right against a naive version of my argument, the one that would stop at efficiency. It fails against its complete version, which subordinates efficiency to a transformation of the value regime.

Third objection: experimentation that slows down is an artist’s privilege. Exploring latent spaces without a productive purpose, having the time for slowness, possessing the hardware for this exploration—this is offered to an equipped artist-theorist, not to a society that has minutes to produce and services to render. I would be generalizing my studio practice into politics.

The objection touches a real autobiographical root, and I do not deny it. But it confuses the model and the proposition. It is not a matter of everyone becoming an artist: it is a matter of institutions providing spaces where machine learning is explored without pressure for monetization, exactly the status granted—without judging it luxurious—to fundamental research, pure mathematics, or astronomy. What changes is not everyone’s job but the collective regime of evaluation: deciding that transparency, interpretability, and the understanding of structures are worth research credits just as much as performance on benchmarks. Exploratory slowness is a privilege only as long as we refuse to fund it as a common good.

The real objection does not consist in disconnecting oneself, but in struggling to impose other connections, other appropriations, other purposes. This requires keeping open the spaces for technical intervention, supporting research that explores rather than optimizes, prioritizing experimentation that slows down against instrumentality that accelerates, building shared infrastructures against centralized oligopolies, defending ecological specialization against energy-intensive generalization. All this rather than ceding these possibilities in advance to those who have no scruples about exploiting them according to the sole logic of profit and domination. Disconnecting oneself does not disconnect AI: it only disconnects those who could have bent its course.