Pourquoi l’IA est-elle devenue un sujet environnemental à part entière ?
L’intelligence artificielle (IA) s’est imposée en quelques années comme un levier majeur de compétitivité, d’innovation et, potentiellement, de transition écologique. Mais derrière les promesses d’optimisation des réseaux électriques, de maintenance prédictive des éoliennes ou de gestion fine des mobilités, un angle mort persiste : l’empreinte environnementale propre de l’IA.
Cette empreinte repose essentiellement sur trois piliers :
- une consommation énergétique en forte croissance :
- un besoin massif en ressources matérielles (métaux, composants, eau) pour les centres de données et les puces spécialisées ;
- des usages parfois peu utiles ou redondants, qui interrogent la notion même de « sobriété numérique ».
Selon l’Agence internationale de l’énergie (AIE), la consommation électrique des centres de données, des réseaux et des cryptomonnaies pourrait doubler d’ici 2026 pour atteindre près de 1 000 TWh par an, soit l’équivalent de la consommation électrique du Japon. La part attribuable à l’IA est difficile à isoler, mais l’explosion des modèles dits « génératifs » (comme ChatGPT, Midjourney ou Gemini) change clairement d’échelle les besoins en calcul.
La question n’est donc plus de savoir si l’IA a un impact environnemental, mais comment l’orienter : vers une trajectoire de sobriété et de décarbonation, ou vers une nouvelle bulle énergivore alimentée par des ressources critiques.
De quoi parle-t-on quand on mesure l’empreinte environnementale de l’IA ?
Mesurer l’impact de l’IA nécessite de sortir d’une vision purement énergétique. Comme pour tout équipement numérique, l’empreinte se joue sur l’ensemble du cycle de vie :
- Fabrication des serveurs, puces, équipements réseau, systèmes de refroidissement ;
- Phase d’usage : consommation d’électricité, d’eau pour le refroidissement, remplacement et mises à niveau régulières ;
- Fin de vie : gestion des déchets électroniques, recyclage (souvent partiel) des métaux et des composants.
Les études disponibles restent fragmentaires, souvent fondées sur des estimations, car les opérateurs de centres de données et les grands acteurs du cloud communiquent encore peu de données détaillées, notamment dans un cadre auditables. Mais des ordres de grandeur commencent à émerger.
Consommation énergétique : l’IA, nouvelle « usine à calcul »
Deux grandes étapes de la vie d’un modèle d’IA sont particulièrement consommatrices d’énergie :
- L’entraînement, qui consiste à exposer le modèle à d’immenses volumes de données pour ajuster ses paramètres ;
- L’inférence, c’est-à-dire chaque requête, chaque réponse, chaque image générée une fois le modèle déployé.
Entraîner un grand modèle de langage : quelques chiffres clés
Les estimations varient, mais plusieurs travaux académiques permettent de cerner les ordres de grandeur :
- Une étude menée par des chercheurs de l’université du Massachusetts en 2019 estimait que l’entraînement d’un grand modèle de langage pouvait émettre jusqu’à 284 tonnes de CO₂e, soit l’équivalent de plus de 60 allers-retours Paris–New York en avion pour une personne.
- Des chercheurs de Google et de l’université de Berkeley ont estimé en 2022 que l’entraînement du modèle PaLM (540 milliards de paramètres) avait nécessité plusieurs milliers de MWh d’électricité.
- Pour les derniers modèles dits « fondationnels », certaines estimations évoquent des consommations électriques à l’entraînement équivalentes à plusieurs années de fonctionnement continu de centaines de foyers européens, même si les données exactes restent confidentielles.
À cela s’ajoute la répétition des cycles d’entraînement : optimisation de versions successives, adaptation sectorielle (santé, finance, industrie), localisation linguistique, etc. Autrement dit, l’empreinte d’un modèle ne se limite pas à un unique entraînement.
L’inférence : un impact diffus mais massif
Une fois le modèle entraîné, chaque requête consomme relativement peu d’énergie… mais les volumes d’usage explosent. Quelques millisecondes de calcul multipliées par des centaines de millions de requêtes quotidiennes basculent rapidement dans des ordres de grandeur significatifs.
Une analyse de l’entreprise SemiAnalysis estimait en 2023 qu’un moteur de recherche dopé à l’IA générative pourrait consommer jusqu’à dix fois plus d’énergie par requête qu’une recherche traditionnelle. Si ces chiffres se confirmaient à grande échelle, l’impact pour des acteurs comme Google ou Microsoft serait considérable, et par ricochet pour les systèmes électriques nationaux.
Ressources critiques : l’IA dépendante des métaux et de l’eau
L’IA n’est pas seulement une affaire de kilowattheures. Elle repose aussi sur une infrastructure matérielle très concrète : des centres de données, des réseaux de fibre, des processeurs graphiques (GPU) et des puces spécialisées (ASIC). Autant d’équipements gourmands en métaux critiques et en eau.
Puces d’IA et métaux critiques
La fabrication des puces d’IA (NVIDIA, AMD, et demain, une multitude d’acteurs) mobilise de nombreux matériaux :
- cuivre, aluminium, silicium, mais aussi cobalt, nickel, palladium, tantale, terres rares… ;
- des procédés industriels très intensifs en énergie, souvent alimentés par des mix électriques carbonés (Chine, Taïwan, Corée du Sud) ;
- des chaînes de valeur mondialisées, exposées à des risques géopolitiques importants.
En France, l’Ademe et l’Arcep rappellent régulièrement que 80 % à 90 % de l’empreinte environnementale du numérique se situe au stade de la fabrication des équipements, bien plus que lors de leur utilisation. L’IA, fortement dépendante des GPU haut de gamme et de leur renouvellement rapide, amplifie cette tendance.
L’eau, l’autre face cachée de l’IA
Les centres de données doivent être refroidis en permanence pour éviter la surchauffe des serveurs. Deux grandes techniques coexistent :
- refroidissement par air (moins efficace, mais moins gourmand en eau) ;
- refroidissement par eau (efficace, mais consommateur de ressources hydriques parfois rares).
Plusieurs enquêtes ont mis en lumière les besoins en eau de l’IA :
- Une étude de chercheurs de l’université du Colorado a estimé que l’entraînement de GPT‑3 aurait consommé environ 700 000 litres d’eau (directement ou indirectement) pour le refroidissement des serveurs et la production de l’électricité utilisée.
- Dans certains États américains soumis à la sécheresse, comme l’Arizona, des projets de centres de données ont suscité des tensions locales autour de l’accès à l’eau.
En Europe, la question émerge progressivement dans les débats publics. En France, plusieurs projets de « data centers » ont été contestés au motif de leur impact sur la ressource hydrique et sur le système électrique local, notamment en période de canicule.
Quel cadre réglementaire pour encadrer l’empreinte de l’IA ?
Sur le plan réglementaire, l’IA est principalement abordée à travers le prisme des risques éthiques, de la transparence et des droits fondamentaux. C’est l’objet du règlement européen sur l’IA (AI Act), adopté en 2024, qui classe les systèmes d’IA selon leur niveau de risque et impose des obligations de conformité.
L’empreinte environnementale y apparaît, mais encore de manière périphérique :
- obligation, pour certaines catégories de systèmes d’IA, de documenter la performance énergétique ;
- référence à la nécessité de développer une IA « durable et de confiance » ;
- possibilité pour la Commission européenne d’adopter, à terme, des actes délégués précisant les exigences en matière d’efficacité énergétique et de résilience environnementale.
En parallèle, d’autres textes européens jouent un rôle important :
- le paquet « Fit for 55 » et le Green Deal, qui imposent une décarbonation rapide du système électrique ;
- la directive sur le reporting de durabilité des entreprises (CSRD), qui va pousser les grands acteurs du numérique à publier davantage de données sur leurs émissions, leur consommation d’énergie et leurs impacts sur la biodiversité ;
- la proposition de règlement sur l’écoconception des produits durables, qui pourrait à terme intégrer les équipements IT et imposer des exigences de réparabilité, d’efficacité énergétique ou de durabilité.
En France, plusieurs documents stratégiques évoquent le sujet, du Plan de sobriété énergétique au Plan national pour un numérique responsable. Mais les obligations restent encore limitées et les arbitrages concrets (implantation de centres de données, raccordement aux réseaux, usage de l’eau) sont souvent gérés au cas par cas par les collectivités et les services de l’État.
L’IA peut-elle vraiment aider la transition écologique ?
Face à ces impacts, les défenseurs de l’IA mettent en avant ses apports potentiels pour la transition : optimisation des réseaux, réduction des pertes, meilleure planification. Certaines applications sont effectivement prometteuses :
- énergie : pilotage fin des réseaux électriques, prévision de production des énergies renouvelables, gestion intelligente du stockage, amélioration de l’efficacité des bâtiments ;
- mobilité : optimisation des trajets, gestion dynamique des feux tricolores, mutualisation des flux logistiques ;
- biodiversité : analyse automatique d’images pour le suivi de la faune, détection de la déforestation par satellite, aide à la restauration d’écosystèmes ;
- industrie : maintenance prédictive, optimisation des procédés, réduction des rebuts dans certaines filières.
La condition, toutefois, est claire : les gains permis par l’IA doivent être supérieurs à l’empreinte qu’elle génère. Autrement dit, une IA conçue pour améliorer l’efficacité énergétique d’un parc immobilier doit, sur sa durée de vie, permettre d’éviter bien plus d’émissions que celles nécessaires à son entraînement, à son hébergement et à son utilisation.
Or, ce bilan coût-bénéfice est rarement étudié de façon systématique. De nombreux services d’IA sont déployés pour des usages marketing, ludiques ou purement spéculatifs, sans véritable utilité sociale ou environnementale. La question de l’arbitrage des usages – quels usages de l’IA voulons-nous encourager, et lesquels sont dispensables ? – devient centrale.
Quelles pistes pour réduire l’empreinte environnementale de l’IA ?
Réduire l’impact de l’IA ne signifie pas nécessairement renoncer à ses apports. Plusieurs leviers complémentaires émergent, du côté des chercheurs, des industriels, des pouvoirs publics et des utilisateurs.
1. Concevoir des modèles plus sobres
- Optimisation des architectures de modèles : au lieu de « toujours plus gros », de nombreux laboratoires travaillent sur des modèles plus compacts, spécialisés, capables de performances comparables à celles des géants généralistes sur des tâches ciblées, pour un coût énergétique bien moindre.
- Entraînement incrémental : réutiliser les modèles existants et ne réentraîner que certaines couches, plutôt que de repartir de zéro à chaque fois.
- Techniques de compression et de quantification : réduire la taille des modèles et la précision des calculs (passer de 32 bits à 8 bits, voire moins) sans dégrader excessivement la qualité des résultats.
En France et en Europe, plusieurs initiatives académiques et industrielles se positionnent sur cette « IA frugale », avec l’idée d’un avantage compétitif : proposer des solutions moins coûteuses, plus faciles à déployer, moins dépendantes d’infrastructures gigantesques.
2. Décarboner et rationaliser les centres de données
- Alimentation par des énergies renouvelables supplémentaires : développement de contrats d’achat d’électricité long terme (PPA) dédiés aux data centers, en veillant à éviter le simple « verdissement comptable ».
- Amélioration de l’efficacité énergétique : réduction du PUE (Power Usage Effectiveness) par une meilleure conception des bâtiments, des systèmes de refroidissement et de la distribution électrique interne.
- Valorisation de la chaleur fatale : raccordement de certains centres de données à des réseaux de chaleur urbains, comme c’est déjà le cas en Île-de-France, dans les pays nordiques ou aux Pays-Bas.
- Implantation raisonnée : privilégier des sites où le mix électrique est déjà largement décarboné et où la ressource en eau est disponible, en concertation avec les territoires concernés.
3. Allonger la durée de vie des équipements et sécuriser les ressources
- Réemploi et seconde vie des serveurs et composants pour des tâches moins exigeantes, plutôt que leur mise au rebut systématique.
- Conception modulaire des équipements pour faciliter la réparation et la mise à niveau partielle.
- Développement de filières de recyclage des métaux critiques, en Europe notamment, pour réduire la dépendance aux importations et limiter la pression sur les écosystèmes miniers.
Ces enjeux rejoignent les débats plus larges sur la souveraineté industrielle, la résilience des chaînes d’approvisionnement et la stratégie européenne pour les matières premières critiques.
4. Orienter les usages vers la sobriété
Dernier levier, souvent le plus sensible politiquement : questionner les usages eux-mêmes. Tout ce qui est techniquement possible n’est pas forcément socialement souhaitable ni environnementalement soutenable.
- Dans les services publics, conditionner le recours à l’IA à une analyse bénéfices/risques intégrant explicitement un volet environnemental.
- Pour les entreprises, intégrer l’empreinte de l’IA dans les stratégies de responsabilité sociale et environnementale (RSE) : un chatbot génératif marketing a-t-il un intérêt suffisant pour justifier son impact ?
- Pour les usagers, développer une culture de sobriété numérique : préférer des outils adaptés et légers à des modèles généralistes surdimensionnés, limiter les usages superflus ou récréatifs lorsqu’ils sont massifs.
Vers une gouvernance démocratique de l’IA et de ses impacts
Derrière les kilowattheures, les mégatonnes de CO₂ et les litres d’eau, c’est bien une question de gouvernance qui se dessine. Qui décide des usages prioritaires de l’IA ? Sur quels territoires implanter les centres de calcul ? Comment partager de manière équitable les bénéfices et les coûts, entre grandes plateformes, PME, collectivités et citoyens ?
Plusieurs pistes s’esquissent en France et en Europe :
- Rendre publiques et auditables les données de consommation énergétique et hydrique des grands centres de données et des principaux fournisseurs de services d’IA.
- Associer les collectivités locales, les agences de l’eau et les autorités organisatrices de l’énergie aux décisions d’implantation et de dimensionnement des infrastructures.
- Développer une recherche indépendante sur les impacts environnementaux de l’IA, en lien avec les agences de l’État (Ademe, Arcep, Inrae, Ifpen…) et les universités.
- Inscrire l’IA dans les stratégies climatiques nationales : budgets carbone, trajectoires sectorielles, scénarios de planification énergétique.
C’est à cette condition que l’IA pourra être autre chose qu’un simple amplificateur des tendances actuelles de consommation et d’extraction de ressources. En d’autres termes, la question n’est pas de savoir si nous aurons de l’IA, mais quelle IA nous voulons, pour quels usages, et à quel prix environnemental.
Le débat est lancé. Aux décideurs publics, aux chercheurs, aux entreprises et aux citoyens de s’en emparer, chiffres à l’appui, pour éviter que l’« intelligence » artificielle ne se fasse aux dépens des limites bien réelles de la planète.