En bref : l’IA pèse aujourd’hui environ 0,1 % des émissions mondiales, mais sa consommation d’électricité et d’eau croît très vite. Une requête isolée coûte peu, leur nombre est vertigineux. Et l’IA peut aussi bien alourdir la facture environnementale que l’alléger, selon l’usage qu’on en fait.
Chaque jour, des milliards de requêtes sont envoyées à des assistants d’intelligence artificielle. Rédiger un mail, résumer un document, générer une image : c’est devenu un réflexe. Mais derrière l’écran, il y a des serveurs, de l’électricité, de l’eau et des matériaux. Alors, quel est l’impact environnemental de l’IA ? Cet article ne prend pas parti pour ou contre. Il pose les faits, tels que les rapportent les sources disponibles, pour vous permettre de vous faire votre propre avis.
La place de l’IA dans les émissions mondiales
Commençons par relativiser, sans minimiser. Le secteur du numérique est responsable d’environ 3,4 à 4 % des émissions mondiales de gaz à effet de serre. Dans cet ensemble, l’IA pèse pour l’instant une part limitée : environ 4 % des émissions du numérique en 2023, soit un peu plus de 0,1 % des émissions mondiales.
Vu comme cela, le sujet paraît modeste. Le vrai enjeu, c’est la vitesse de croissance. Aux États-Unis, la consommation électrique des centres de données a plus que doublé entre 2017 et 2023, et elle pourrait doubler encore d’ici 2030. Le problème n’est donc pas tant la photographie d’aujourd’hui que la trajectoire.
Autre point souvent oublié : l’impact ne se limite pas à l’électricité consommée. Fabriquer les puces qui font tourner l’IA demande énormément d’énergie, et construire les centres de données pèse aussi lourd dans le bilan. L’empreinte de l’IA se mesure sur tout son cycle de vie, pas seulement quand vous tapez une question.
Entraîner un modèle : un effort colossal, mais ponctuel
L’IA passe par deux grandes phases. La première, l’entraînement, consiste à « apprendre » au modèle à partir d’une quantité gigantesque de données. C’est une phase intense, concentrée sur une période donnée.
Un exemple parlant : l’entraînement de GPT-4 a mobilisé environ 25 000 processeurs graphiques pendant 14 semaines. La facture électrique correspond à peu près à la consommation quotidienne de plus de 28 000 foyers de pays avancés. C’est considérable, mais c’est un effort qui se produit une fois pour un modèle donné, avant sa mise en service.
Utiliser un modèle : petit geste, énorme volume
La seconde phase, l’inférence, c’est simplement l’utilisation du modèle : votre question, sa réponse. Ici, le geste individuel est minuscule. Les estimations disponibles pour une requête textuelle standard, sur des modèles comme GPT-4o ou Gemini, se situent entre 0,24 et 0,3 wattheure, moins qu’une ampoule LED allumée quelques minutes.
Une précision utile : certains de ces chiffres sont publiés par les entreprises elles-mêmes, avec leur propre méthode de calcul. C’est le cas de celui de Google pour son modèle Gemini, et l’entraînement n’y est pas compté. Ces données restent précieuses, mais il faut les lire comme des estimations fournies par ceux qui exploitent ces modèles, pas comme des mesures indépendantes.
Alors pourquoi en parler ? Parce qu’un très petit chiffre multiplié par des milliards de requêtes quotidiennes finit par former une charge énergétique majeure pour les infrastructures. C’est l’effet d’échelle qui fait la différence, pas le geste isolé.
Et toutes les requêtes ne se valent pas :
- Les modèles de raisonnement, ceux qui « réfléchissent » étape par étape avant de répondre, consomment en moyenne environ 30 fois plus d’énergie que les modèles classiques, et bien davantage encore sur des tâches complexes. Une requête moyenne peut atteindre environ 18 wattheures.
- Les contenus lourds comme la vidéo coûtent encore plus cher. Générer une courte vidéo de 6 secondes peut consommer l’équivalent de deux recharges complètes d’un ordinateur portable.
Autrement dit, demander une simple reformulation et demander une vidéo générée ne mobilisent pas du tout les mêmes ressources.
L’empreinte cachée : l’eau
On pense électricité, on pense rarement eau. Pourtant, l’IA a aussi une empreinte hydrique, et elle vient de deux endroits. D’une part, l’eau douce qui s’évapore directement dans les tours de refroidissement des centres de données. D’autre part, l’eau consommée ailleurs pour produire l’électricité qui alimente les serveurs.
Pour donner un ordre de grandeur, l’entraînement de GPT-3 dans des centres de données américains a fait évaporer environ 700 000 litres d’eau douce sur site, et jusqu’à 5,4 millions de litres en tenant compte de la production d’électricité. Côté usage, générer entre 10 et 50 réponses moyennes avec un modèle de cette génération revient à consommer une bouteille d’eau de 50 cl. À l’échelle mondiale, la demande liée à l’IA pourrait représenter d’ici 2027 un prélèvement annuel équivalent à plusieurs fois celui d’un pays comme le Danemark.
Cette ressource est particulièrement sensible dans les régions où l’eau est déjà sous tension, ce qui explique que le sujet monte dans le débat public.
Deux visions à ne pas confondre : « IA verte » et « IA pour le vert »
Le débat est souvent brouillé parce qu’on mélange deux idées différentes.
L’IA verte (ou IA frugale), c’est l’effort pour réduire l’empreinte de l’IA elle-même. Cela passe par plusieurs leviers : traiter les requêtes par lots, ce qui peut diviser par deux la consommation par tâche ; choisir un modèle adapté à la difficulté de la tâche plutôt que de mobiliser le plus gros à chaque fois ; ou rapprocher le calcul de l’utilisateur grâce à l’edge computing.
L’IA pour le vert, c’est l’inverse : utiliser l’IA comme outil au service de la transition écologique. L’Agence internationale de l’énergie estime que son application dans les systèmes énergétiques et industriels pourrait éviter environ 1,4 gigatonne de CO₂ d’ici 2035, soit 4 à 5 % des émissions liées à l’énergie.
Les exemples concrets ne manquent pas. Dans les transports, l’optimisation des itinéraires peut réduire la consommation de carburant de 5 à 20 %. Dans les bâtiments, des systèmes de gestion intelligente peuvent économiser environ 10 % sur le chauffage et la climatisation. Dans l’industrie, le contrôle qualité et l’optimisation des procédés permettent des gains d’efficacité. Et pour les réseaux électriques, l’IA aide à mieux intégrer les énergies renouvelables, à affiner les prévisions météo ou à détecter plus tôt des fuites de méthane.
Sur le papier, l’IA peut donc être à la fois une source d’impact et un outil pour le réduire. Reste à savoir lequel des deux l’emportera.
Le piège de l’effet rebond
C’est peut-être le point le plus subtil. Les économistes parlent de paradoxe de Jevons : quand une technologie devient plus efficace ou moins chère, on l’utilise davantage, et le gain initial peut disparaître, voire s’inverser.
L’IA n’y échappe pas. Utilisée dans l’exploration pétrolière et gazière, elle réduit les coûts de production, ce qui peut faire baisser les prix et encourager la consommation. Les véhicules autonomes pourraient inciter certains usagers à délaisser les transports en commun. Et plus les requêtes d’IA générative deviennent bon marché, plus on est tenté de les multiplier sans y penser.
Un gain d’efficacité ne garantit donc pas une baisse de l’impact global. Tout dépend de ce que l’on fait de ce gain.
Et la loi dans tout ça ?
Face à ces enjeux, la régulation avance, mais de façon très inégale selon les régions du monde.
L’Union européenne est la plus avancée. L’AI Act impose des obligations de transparence sur le calcul et l’énergie utilisés pour entraîner les grands modèles, et la directive sur l’efficacité énergétique impose aux centres de données de rendre compte de leur consommation. Mais la phase d’utilisation, pourtant la plus diffuse, reste largement en dehors des obligations contraignantes.
Aux États-Unis, l’approche fédérale privilégie la compétitivité et l’allègement des règles, tandis que certains États prennent le relais, comme la Californie qui impose aux grandes entreprises de publier leurs émissions.
La Chine oriente ses infrastructures vers les énergies renouvelables, sans imposer de transparence publique sur les modèles.
L’Irlande propose une piste originale : conditionner le raccordement de nouveaux centres de données au réseau électrique à l’apport d’énergies renouvelables supplémentaires.
Les chercheurs plaident pour aller plus loin, avec une transparence au niveau de chaque modèle et non plus seulement du centre de données, y compris sur l’utilisation. Ils proposent aussi un étiquetage clair de la consommation, sur le modèle d’une étiquette énergie, et de nouveaux droits pour les utilisateurs, comme celui de refuser une IA superflue dans une application du quotidien ou de choisir par défaut un « modèle vert ».
Alors, l’IA est-elle écolo ?
La réponse honnête est : cela dépend de l’usage. Aujourd’hui, la part de l’IA dans les émissions mondiales reste faible, mais sa consommation en électricité et en eau croît vite. Chaque requête est légère, mais leur nombre est vertigineux. Elle promet de belles économies dans l’énergie, les transports ou l’industrie, mais l’effet rebond peut les effacer. Et la transparence, condition pour mesurer tout cela, reste encore incomplète.
Pour vous, au quotidien, quelques réflexes simples découlent de ces faits : choisir l’outil adapté à la tâche plutôt que le plus puissant par défaut, éviter de générer des contenus lourds quand ce n’est pas nécessaire, et se demander si l’IA apporte vraiment quelque chose avant de la solliciter.
L’IA n’est ni un poison ni une solution miracle. C’est une technologie dont l’impact dépendra des choix que feront ses concepteurs, les régulateurs et, à leur échelle, ses utilisateurs.
En tant que développeur web, ces outils font aussi partie de mon quotidien professionnel. La question du bon outil au bon moment, je la retrouve ailleurs : c’est un des sujets que je travaille avec les développeurs freelances que j’accompagne, et que j’aborde aussi dans mon article sur le sens au travail : se demander ce qui apporte vraiment de la valeur avant de s’équiper.
Questions fréquentes
L’IA consomme-t-elle plus d’eau ou d’électricité ?
Les deux comptent, mais elles ne se mesurent pas de la même façon. Une requête textuelle standard consomme environ 0,24 à 0,3 wattheure d’électricité. Côté eau, il faut générer entre 10 et 50 réponses pour atteindre l’équivalent d’une bouteille de 50 cl. L’électricité reste l’indicateur le plus documenté, mais l’eau devient un sujet critique dans les régions déjà sous tension hydrique.
Qu’est-ce que l’IA frugale ?
C’est l’effort pour réduire l’empreinte de l’IA elle-même, plutôt que de l’utiliser pour réduire d’autres émissions. Concrètement : traiter les requêtes par lots, choisir un modèle adapté à la difficulté de la tâche plutôt que le plus puissant par défaut, ou rapprocher le calcul de l’utilisateur grâce à l’edge computing.
Sources
- Numeum, AI for Green & Green AI (rapport PDF).
- Cop Rouen 2030, Boom de l’IA : effets rebonds et impacts indirects.
- Hello Future (Orange), Empreinte carbone de l’IA : que disent les études ?
- Agence internationale de l’énergie, Energy and AI.
- Epoch AI, How much energy does ChatGPT use ?
- Pengfei Li, Jianyi Yang, Mohammad A. Islam et Shaolei Ren, Making AI Less « Thirsty »: Uncovering and Addressing the Secret Water Footprint of AI Models.
- Kai Ebert, Boris Gamazaychikov, Philipp Hacker et Sasha Luccioni, The Global Landscape of Environmental AI Regulation: From the Cost of Reasoning to a Right to Green AI.
- Google, Measuring the environmental impact of AI inference.