L'intelligence artificielle (IA) est souvent perçue comme un moteur d'innovation et de compétitivité, et des centaines de milliards d'euros d'investissements ont été récemment annoncés en Europe et aux États-Unis. Dans le contexte de l'urgence climatique, de nombreuses voix soutiennent que l'IA pourrait optimiser de nombreux processus et contribuer à réduire l'impact environnemental de nos modes de vie. D'autres, au contraire, soulignent les impacts négatifs considérables de l'IA. Alors que le numérique représentait déjà 1,8 % à 3,9 % des émissions mondiales en 2020, la construction massive de nouveaux centres de données pour l'IA est perçue comme une source supplémentaire de dégradation environnementale.
Alors, l'IA est-elle une alliée ou une menace pour l'environnement ?
La réponse n'est ni simple ni univoque : elle dépend fortement de la manière dont l'IA est utilisée et des types d'IA concernés. Nous examinerons comment l'IA peut soutenir la transition écologique, mais aussi l'impact significatif de cette technologie, notamment en termes d'émissions de gaz à effet de serre et de consommation d'eau, de ressources minérales et d'énergie.
1. L'IA pour le climat : que peut faire l'IA pour l'environnement ?
1.1. Deux types d'IA pour l'environnement
Les applications de l'IA bénéfiques pour l'environnement peuvent, dans l'ensemble, être divisées en deux grandes catégories. La première comprend les applications dédiées à l'optimisation des systèmes physiques: elles visent à réduire le gaspillage, à améliorer l'efficacité énergétique ou à ajuster la consommation de ressources en temps réel. La seconde concerne l'utilisation de l'IA pour la production ou le partage de connaissances, qu'il s'agisse de modéliser des phénomènes complexes comme le climat ou de rendre l'information scientifique accessible à un public plus large. Par exemple, les modèles d'IA sont utilisés pour affiner les simulations climatiques, ou à générer des résumés facilitant la vulgarisation de contenus environnementaux, ou encore à détecter automatiquement les destructions environnementales illégales.
Dans cette première partie, nous nous concentrerons sur les applications d'optimisation. Il s'agit des applications qui interagissent directement avec les infrastructures et les systèmes physiques et qui peuvent donc avoir un impact immédiat et mesurable sur la consommation de ressources et les émissions de gaz à effet de serre. Cela ne signifie pas que les applications d'IA dédiées à la production et au partage de connaissances sont secondaires : leur impact sur le débat public, bien que difficile à quantifier, pourrait s'avérer tout aussi décisif à long terme (une ressource parmi les nombreuses disponibles sur le sujet).
1.2. L'IA au service de l'optimisation
L'un des domaines les plus emblématiques où l'optimisation par l'IA peut contribuer est celui des centres de données. Par exemple, dans les centres de données de Google, l'IA permettrait, selon un article publié en 2016, d'ajuster les systèmes de refroidissement en temps réel en fonction de dizaines de paramètres tels que la charge des serveurs et la température extérieure. Ce système aurait permis une réduction globale d'environ 15 % de la consommation énergétique du centre de données. Ces ajustements précis, rendus possibles par une analyse continue des données, peuvent donc conduire à des économies de ressources significatives dans ce cas précis.
Cet exemple illustre une tendance plus large : l'intelligence artificielle pourrait rendre les processus de production plus efficaces dans leur ensemble. En optimisant l'utilisation des ressources, l'IA peut réduire une partie du gaspillage existant aujourd'hui. Dans le domaine de la production d'énergie, par exemple, l'Agence internationale de l'énergie (AIE) estime dans son rapport AI and Energy (2025) les effets de l'adoption de systèmes pilotés par l'IA. L'agence estime qu'une adoption généralisée de l'IA dans le secteur de l'électricité pourrait générer jusqu'à 110 milliards de dollars d'économies annuelles d'ici 2035. Ces économies proviendraient notamment d'une meilleure gestion des centrales électriques, de la maintenance prédictive et d'une intégration plus fluide des énergies renouvelables dans les réseaux électriques. Le même rapport estime que les industries légères, telles que la fabrication d'électronique et de machines, pourraient réduire leur consommation d'énergie de 8 % d'ici 2035 grâce à l'optimisation des flux de production pilotée par l'IA.
1.3. Un impact positif limité
Ces projections de l'AIE, institution de référence en matière de prévisions énergétiques, confirment que l'intelligence artificielle peut jouer un rôle significatif dans l'amélioration de l'efficacité énergétique. L'IA peut également, par des mécanismes d'optimisation similaires, contribuer à limiter d'autres impacts négatifs des activités humaines, comme la consommation d'eau ou le rejet de polluants dans l'environnement.
Cependant, ces chiffres montrent aussi que ces gains potentiels, bien que significatifs, restent trop limités. Les 8 % d'énergie qui pourraient être économisés dans les industries légères doivent être mis en perspective avec les changements radicaux nécessaires pour décarboner nos modes de vie. Par exemple, la Stratégie Nationale Bas-Carbone (2e version) fixe un objectif de 81 % de réduction des émissions industrielles entre 2015 et 2050 pour atteindre la neutralité carbone. Il est donc clair que l'IA déployée seule ne suffit pas et ne peut être considérée que comme une partie de la solution. Les affirmations selon lesquelles l'IA pourrait résoudre le changement climatique, avancées par certaines grandes figures de l'industrie technologique, sont donc actuellement infondées.
1.4. L'importance des effets indirects
Nous avons abordé les effets directs effets de l'IA qui pourraient être bénéfiques. Cependant, ceux-ci seront également accompagnés d' effets indirects, qui pourraient s'avérer encore plus significatifs. L'un des phénomènes les plus connus dans ce domaine est l' effet rebond, ou plus précisément, dans ses formes les plus sévères, ce que l'on appelle le paradoxe de Jevons.
Ce paradoxe a été formulé par l'économiste William Stanley Jevons. Il a observé que les améliorations de l'efficacité de la machine à vapeur n'ont pas conduit à une réduction de la consommation de charbon, comme on aurait pu s'y attendre. Au contraire, cette amélioration technologique a rendu l'utilisation de la vapeur plus économique et donc plus attrayante pour les industriels. En conséquence, l'utilisation des machines à vapeur s'est généralisée, et la consommation totale de charbon a fortement augmenté. Ce paradoxe met en lumière un mécanisme fondamental de l'économie de l'énergie : une efficacité technologique accrue peut entraîner l'expansion de cette technologie, annulant, voire dépassant, les économies attendues.
Le même raisonnement s'applique parfaitement aux gains d'efficacité permis par l'IA. Par exemple, si l'IA permet de réduire la consommation énergétique d'un processus industriel ou de transport, il est plausible que cela réduise les coûts d'exploitation, accroître la rentabilité, et donc encourager une utilisation accrue ou une expansion vers d'autres domaines. Ce phénomène constitue un argument majeur contre les projections optimistes concernant le potentiel environnemental de l'IA. (article de référence sur le sujet).
Par conséquent, si l'IA peut être un puissant levier d'optimisation, elle ne réduira pas automatiquement notre empreinte écologique. Et avant même de considérer ses impacts négatifs significatifs, il est essentiel de reconnaître que l'IA n'est au mieux qu'un levier parmi d'autres pour parvenir à un mode de vie durable.
2. L'impact de l'IA : toutes les IA ne se valent pas
Avant d'examiner en détail les impacts environnementaux de l'IA, il est essentiel de rappeler qu' il n'existe pas une forme unique d'IA, mais plutôt de nombreuses formes différentes d'intelligence artificielle, aux implications environnementales variables. Il est notamment important de distinguer l'apprentissage automatique traditionnel de l'IA générative.
L'apprentissage automatique existe depuis les années 1980 et s'est considérablement développé depuis. Il englobe de nombreuses méthodes statistiques et informatiques (régression, arbres de décision, réseaux de neurones, etc.) qui permettent de identifier des modèles dans les données, faire des prédictions ou prendre des décisions automatisées à partir de l'apprentissage issu de ces données. Ces modèles sont désormais omniprésents dans les services numériques : algorithmes de recommandation, moteurs de recherche, systèmes de détection de spams ou outils d'optimisation industrielle. Leur efficacité repose souvent sur de grands volumes de données, mais leurs architectures restent relativement légères et leurs coûts énergétiques, bien que réels, sont généralement gérables, en particulier une fois les modèles entraînés.
L'intelligence artificielle générative est une sous-catégorie de l'apprentissage automatique basée sur des réseaux de neurones spécifiques capables de produire du contenu original : texte, images, audio, vidéo ou même du code. Ces modèles ne se contentent plus de prédire ou de classer à partir de données ; ils génèrent du nouveau contenu basé sur un entraînement à partir de quantités massives de données. Le tournant a eu lieu en 2017-2018 avec l'émergence de modèles tels que GPT et BERT dans le milieu universitaire. Cependant, c'est principalement à partir de 2022 que leur usage s'est généralisé auprès du grand public, avec des applications comme ChatGPT, DALL·E et Midjourney.
L'IA générative s'est développée plus tard car elle nécessite des quantités de données et une puissance de calcul bien plus importantes que les modèles traditionnels. Leur entraînement nécessite des supercalculateurs dédiés fonctionnant pendant des semaines, voire des mois, et leur utilisation à grande échelle génère également une consommation d'énergie continue, notamment lorsque ces systèmes sont intégrés dans des interfaces grand public telles que ChatGPT. Comme nous le verrons, cette nouvelle famille d'IA est très gourmande en ressources, ce qui soulève des questions quant à sa compatibilité avec une approche responsable du numérique.
3. L'impact de l'IA générative
3.1. Le fossé entre l'IA générative et l'IA « traditionnelle »
Pour bien comprendre la différence entre les diverses familles d'IA, il est utile de comparer les ordres de grandeur de l'énergie nécessaire à leur entraînement. Prenons DINOv2, par exemple, un modèle de vision par ordinateur non génératif publié par Meta en 2023. Les cartes graphiques utilisées pour entraîner ce modèle ont consommé environ 8,8 MWh, soit de quoi alimenter un foyer français moyen pendant environ deux ans.
La vision par ordinateur est l'une des tâches non génératives les plus gourmandes en données et en énergie. Pourtant, l'entraînement de DINOv2 a consommé 2 000 fois moins d'énergie que celui d'un modèle de langage actuel. L'entraînement de LLaMA 3.1, un équivalent de GPT-4 développé par Meta en 2024, a nécessité environ 21 GWh pour alimenter les cartes graphiques utilisées pour l'entraînement (soit environ la quantité d'électricité produite par un réacteur nucléaire en une journée).
Ce chiffre ne concerne que les cartes graphiques. Il faudrait y ajouter la consommation des autres équipements informatiques : processeurs, cartes mères, routeurs, stockage, etc., ainsi que la consommation du centre de données : refroidissement, éclairage, etc., sans oublier l'énergie consommée pour la fabrication de ces équipements.
3.2. L'impact carbone de ChatGPT
Cette explosion des besoins en puissance de calcul pour les modèles génératifs ne concerne pas uniquement la phase d'entraînement. En réalité, l'utilisation de ces systèmes d'IA — l'inférence — pourrait finir par consommer autant, voire plus, que l'entraînement, en particulier lorsqu'ils sont utilisés à très grande échelle. Par exemple, ChatGPT compte actuellement plus de 400 millions d'utilisateurs hebdomadaires, générant des milliards d'interactions chaque mois. Chacune de ces requêtes mobilise plusieurs cartes graphiques dans un centre de données, parfois pendant plusieurs secondes.
Selon une estimation publiée par le collectif français Écologits, un simple e-mail généré avec ChatGPT consommerait environ 14,9 Wh, soit près de 50 fois plus qu'une recherche Google, estimée à 0,3 Wh en 2009. Bien que ces chiffres ne soient que des estimations (en raison du manque de transparence des entreprises effectuant l'inférence), l'ordre de grandeur est néanmoins significatif: un modèle génératif consomme probablement beaucoup plus d'énergie qu'un moteur de recherche traditionnel.
3.3. Autres impacts directs
Les impacts ne se limitent pas à l'électricité. L'inférence intensive par l'IA générative entraîne également une forte consommation d'eau, notamment pour le refroidissement des serveurs. Une étude a estimé qu'environ 500 ml d'eau sont évaporés pour 10 à 50 requêtes de taille moyenne effectuées avec GPT-3. Cette consommation, survenant parfois dans des régions déjà touchées par le stress hydrique, représente un enjeu environnemental majeur à l'échelle locale.
Enfin, l'empreinte matérielle de ces technologies est considérable. La fabrication, le transport, la maintenance et le traitement en fin de vie des infrastructures nécessaires (serveurs, cartes graphiques, systèmes de stockage, réseaux, etc.) génèrent des impacts significatifs. Malheureusement, tous les acteurs de l'IA maintiennent un niveau d'opacité très élevé concernant leurs opérations, et les fabricants de matériel ne font pas exception. Par conséquent, il existe peu d'informations disponibles sur l'impact du cycle de vie des cartes graphiques dédiées à l'IA.
Les rapports de développement durable des grandes entreprises permettent d'obtenir une première estimation. Meta et Google estiment, par exemple, que leurs centres de données génèrent davantage de CO₂ via les émissions de Scope 3 (émissions indirectes) que via les émissions de Scope 2 (émissions liées à la consommation d'énergie). En d'autres termes, si le cycle de vie complet du matériel est pris en compte, l'énergie utilisée pour son fonctionnement représente moins de 50 % du CO₂ émis.
Nous avons vu que l'IA générative consomme énormément d'énergie, mais ce constat nous rappelle que la consommation directe est l'impact le plus visible, mais pas nécessairement le plus significatif. Il est donc essentiel de prendre en compte un éventail d'indicateurs aussi large que possible afin d'obtenir une image complète de l'empreinte environnementale de l'IA.
3.4. Au-delà de l'eau et de l'électricité
L'analyse des émissions de CO₂ et de la consommation d'eau est l'approche la plus simple, mais elle doit être complétée par la prise en compte de nombreux autres impacts : pollution des sols et des nappes phréatiques, atteinte à la biodiversité, usages concurrents des ressources, épuisement des ressources rares, etc. Il n'existe actuellement aucun chiffre précis sur ces impacts, et le très haut niveau d'opacité du secteur rend difficile l'acquisition de connaissances sur le sujet.
Plus largement, l'empreinte environnementale de l'IA générative n'est qu'une partie de son impact global, encore mal compris. Une discussion sur les impacts sociaux de l'IA dépasse le cadre de cet article, mais nous soulignons qu' il est essentiel d'aborder l'IA en prenant en compte tous les types d'impacts.
Les approches qui se concentrent uniquement sur certains aspects du problème (seulement le CO₂, seulement l'impact environnemental, etc.) comportent un risque. Elles peuvent mener à des solutions qui améliorent les indicateurs étudiés tout en créant de nouveaux impacts négatifs dans des domaines qui n'ont pas été analysés. Par exemple, interdire un service numérique pour des raisons environnementales ne peut se faire sans prendre en compte l' impact social et économique de ce service. Nous encourageons donc les lecteurs à explorer les nombreuses ressources disponibles sur les autres impacts de l'IA.
Concernant l'empreinte environnementale, la conclusion suivante peut être tirée : l'IA générative a un impact plus important que la plupart des autres services numériques en raison de ses besoins accrus en calcul, qui entraînent une consommation significative de matériel, d'énergie et de ressources de refroidissement.
3.5. Une adoption explosive
Malgré ces impacts multiples, l'IA générative connaît une croissance rapide, et de nombreux centres de données sont actuellement en construction ou en projet. En avril 2025, l'AIE prévoyait que la consommation mondiale d'énergie des centres de données pourrait doubler d'ici 2030 par rapport à 2024, et tripler par rapport à 2020. Cette augmentation est principalement tirée par la croissance des serveurs accélérés, spécifiquement conçus pour l'IA générative.
Alors que le numérique représente déjà plusieurs pourcents de l'empreinte carbone mondiale, cette croissance significative et les impacts que nous avons décrits sont clairement en contradiction avec les objectifs de préservation de l'environnement. Il devient donc urgent d'intégrer le coût réel de ces technologies dans les discussions sur leur développement.
Source : AIE — Énergie et IA (2025)
4. L'importance d'une approche intégrant l'impact
Nous avons pu constater le potentiel de certaines applications d'IA « vertes », ainsi que les conséquences environnementales d'une adoption généralisée de l'IA (et particulièrement de l'IA générative). Alors, au bout du compte, sommes-nous pour ou contre l'IA ? La technologie sauvera-t-elle la planète ou signera-t-elle la fin de l'Accord de Paris ? Plutôt que de porter un jugement binaire, il est essentiel d'adopter une perspective nuancée.
L'intelligence artificielle, sous toutes ses formes, est avant tout une technologie d' accélération. Elle permet d'automatiser des tâches, d'optimiser des processus et de générer des résultats à une vitesse et une échelle sans précédent. Cette capacité d'accélération, inhérente à tous les systèmes d'IA, qu'il s'agisse de machine learning traditionnel ou de modèles génératifs, est au cœur de son potentiel de transformation environnementale comme de ses risques.
Lorsqu'elle est appliquée à des objectifs clairs d' efficacité et de sobriété des ressources (optimisation énergétique, réduction des déchets, meilleure allocation des ressources), l'IA, particulièrement sous sa forme traditionnelle, peut être un précieux allié technique pour réduire l'impact environnemental des systèmes existants. Comme nous l'avons vu, ces technologies peuvent être relativement légères, et leur usage ciblé peut permettre des gains significatifs au sein des infrastructures industrielles et numériques.
À l'inverse, lorsque l'IA est utilisée pour accélérer la production de contenus, d'interactions ou de services numériques sans une réflexion approfondie, comme c'est souvent le cas avec l'IA générative, elle peut devenir un facteur d'intensification des pressions environnementales. L'automatisation de tâches auparavant manuelles ou limitées peut entraîner une croissance rapide des usages et, par conséquent, une augmentation proportionnelle des émissions, de la consommation d'eau et des besoins en ressources matérielles.
Dans ce contexte, l'objectif n'est pas de rejeter l'IA en bloc, mais plutôt de se poser les bonnes questions:
- Quel est le bénéfice environnemental, économique ou social attendu de l'adoption d'un système d'IA ? Ces bénéfices sont-ils hypothétiquesou ont-ils déjà été rigoureusement démontrés ?
- Ce bénéfice est-il suffisant pour justifier les impacts liés au développement, à l'entraînement, au déploiement et à l'utilisation continue du système, alors même que certains impacts ne sont pas encore totalement maîtrisés?
- Est-ce que l' accélération permise cette IA conduit-elle à une réduction nette des pressions environnementales, ou entraîne-t-elle au contraire leur prolifération ?
Ces arbitrages exigent une approche rigoureuse fondée sur la mesure, la traçabilité et la transparence des données environnementales. Aujourd'hui, il ne suffit plus de promettre des optimisations : il faut les quantifier, les comparer aux coûts environnementaux réels, et les intégrer dans une stratégie de durabilité plus large.
Auteur : Brice Gay
Contributeurs : Laurin Boujon & Tristan Coignion