L’intelligence artificielle est souvent perçue comme le moteur d’une révolution technologique sans précédent, transformant notre quotidien de manière inédite. Qu’il s’agisse d’améliorer la précision médicale, d’optimiser la logistique ou de personnaliser les expériences utilisateurs, l’IA façonne le monde moderne d’une manière que nous n’aurions pu imaginer il y a quelques décennies. Cependant, derrière cette façade séduisante se cache une réalité moins reluisante: l’impact environnemental colossal de cette technologie sur nos ressources naturelles.
La croissance exponentielle de l’IA s’accompagne d’une consommation d’énergie alarmante, comparable à celle de pays entiers. À l’horizon 2030, les data centers pourraient consommer près de 945 TWh d’électricité, un chiffre qui évoque les besoins énergétiques de nations denses en population. Ce phénomène interroge sur le véritable coût de nos innovations. Alors que nous aspirons à une société plus connectée et efficace, il est essentiel de prendre conscience des conséquences de notre dépendance à des systèmes énergivores.
Les parallèles avec d’autres secteurs, comme celui des transports ou de l’agriculture, sont frappants. Tout comme l’essor des véhicules électriques soulève des questions sur l’extraction de lithium et l’impact écologique des batteries, l’IA pose des défis similaires en matière de durabilité. Les ressources en eau, souvent négligées dans les débats environnementaux, jouent un rôle crucial dans le fonctionnement de cette technologie. Avec des milliards de litres d’eau nécessaires pour alimenter les opérations liées à l’IA, il est impératif d’examiner comment nous pouvons équilibrer progrès technologique et préservation des ressources.
En somme, alors que nous célébrons les avancées de l’intelligence artificielle, il est essentiel d’adopter une approche réfléchie et responsable. Évaluer son empreinte carbone, hydrique et foncière devient une nécessité pour garantir que cette révolution numérique ne compromette pas la santé de notre planète. L’avenir de l’IA dépendra de notre capacité à intégrer ces considérations environnementales dans son développement et son déploiement.
L’impact environnemental de l’intelligence artificielle
Un rapport récemment publié par l’Université des Nations Unies met en lumière, pour la première fois, l’empreinte carbone, hydrique et foncière de l’intelligence artificielle. Les chiffres sont saisissants: d’ici 2030, l’intelligence artificielle devrait consommer environ 945 TWh d’électricité, nécessiter 9 300 milliards de litres d’eau et occuper 14 500 km² de terres. Chaque requête lancée contribue à cette empreinte, soulevant des questions cruciales sur la durabilité de ces technologies. Ce rapport ne vise pas à stigmatiser l’intelligence artificielle, qui transforme la vie de milliards de personnes, mais appelle plutôt à une utilisation responsable et à une gestion proactive de ses impacts imprévus.
TWh en 2030: Le poids des data centers
Consommation énergétique actuelle
En 2025, les data centers à travers le monde ont consommé 448 TWh d’électricité. Si ces infrastructures formaient un pays, elles se classeraient au 11e rang mondial en termes de consommation, surpassant même l’Arabie Saoudite.
Projection pour 2030
Les prévisions pour 2030 indiquent que cette consommation pourrait plus que doubler, atteignant 945 TWh. Ce chiffre équivaut à près de trois fois la consommation combinée de pays comme le Pakistan, le Bangladesh et le Nigeria, qui comptent ensemble 650 millions d’habitants.
Empreinte eau et foncière
L’empreinte hydrique associée à cette consommation serait suffisante pour répondre aux besoins domestiques annuels de 1,3 milliard de résidents d’Afrique subsaharienne. En parallèle, l’empreinte foncière dépasserait 14 500 km², soit deux fois la superficie de la métropole de Jakarta, qui abrite 32 millions d’habitants. En termes d’empreinte carbone, on estime que l’intelligence artificielle générera 399 millions de tonnes de CO₂ équivalent, un volume qui nécessiterait la plantation de 6,7 milliards d’arbres sur une période de dix ans pour compenser ces émissions, soit environ deux fois le nombre d’arbres présents au Royaume-Uni.
Chaque prompt compte
Variation de consommation
L’intensité énergétique des requêtes varie considérablement selon leur nature. Par exemple, une interaction avec un chatbot comme ChatGPT consomme environ 200 fois plus d’énergie qu’une simple tâche de classification de texte. Pour générer une image par intelligence artificielle, il faut 1 450 fois plus d’énergie, ce qui suffirait à alimenter une ampoule LED pendant 17 minutes. En ce qui concerne une courte vidéo générée par intelligence artificielle, la consommation électrique est équivalente à celle de 200 000 filtrages de spam, permettant de faire fonctionner cette même ampoule pendant 42 heures.
Empreinte hydrique par usage
L’empreinte hydrique suit une tendance similaire: générer une seule image nécessite deux cuillères à soupe d’eau, tandis qu’une vidéo complexe requiert 4,1 litres, soit presque deux jours de consommation d’eau potable pour une personne.
Ce n’est pas l’entraînement qui pèse le plus lourd
Phase d’inférence
Contrairement à ce que l’on pourrait croire, ce n’est pas l’entraînement des modèles qui engendre la plus grande consommation d’énergie. En réalité, la phase d’inférence, où l’intelligence artificielle répond aux requêtes, représente entre 80 et 90 % de la consommation énergétique totale. ChatGPT, à lui seul, traite 2,5 milliards de prompts chaque jour, ce qui correspond à 383 GWh d’électricité par an, un volume suffisant pour couvrir les besoins résidentiels annuels de trois millions de personnes en Afrique subsaharienne.
Exemples de consommation d’entraînement
Les modèles d’intelligence artificielle continuent de croître en taille et en complexité. L’entraînement de GPT-4 a consommé entre 50 et 70 GWh en seulement 100 jours, tandis qu’il est prévu que l’entraînement de GPT-5 pourrait nécessiter jusqu’à 100 GWh, avec un milliard de litres d’eau pour supporter ce processus.
“Bas carbone” ne veut pas dire “sobre”
Mise en garde contre l’illusion d’une IA “verte”
Le rapport met en garde contre la notion erronée d’une intelligence artificielle “verte” si l’on se concentre uniquement sur les émissions de carbone. Par exemple, remplacer le charbon par de la bioénergie peut réduire les émissions de CO₂ de 70 %, mais cela entraîne une multiplication par trente de l’empreinte hydrique et par cent de l’empreinte foncière.
Cas d’étude: L’Irlande
L’Irlande illustre déjà ces tensions. En 2023, les data centers représentaient 21 % de sa consommation électrique, contraignant l’opérateur national à suspendre toute nouvelle autorisation de construction autour de Dublin jusqu’en 2028.
Paradoxe de Jevons
Les gains d’efficacité ne suffiront pas à résoudre le problème. Selon le paradoxe de Jevons, lorsque le coût par requête diminue, l’utilisation explose, entraînant une augmentation de la consommation totale. D’ici 2030, l’intelligence artificielle pourrait générer jusqu’à 2,5 millions de tonnes de déchets électroniques par an, ce qui équivaut à jeter 250 tours Eiffel chaque année.
Marché mondial de l’IA
Le marché mondial de l’intelligence artificielle, évalué à 189 milliards de dollars en 2023, est projeté pour atteindre 4 800 milliards d’ici 2033. Le rapport de l’ONU ne demande pas de freiner cette croissance, mais plutôt d’en mesurer le coût réel au-delà des seules émissions de CO₂.
Conclusion
Il est impératif de considérer ces chiffres et ces implications pour orienter l’avenir de l’intelligence artificielle vers une voie plus durable et responsable.
Face à l’essor fulgurant de l’intelligence artificielle, une prise de conscience des implications environnementales s’impose. La consommation d’énergie des data centers, qui pourrait atteindre des sommets vertigineux d’ici 2030, nous interpelle sur notre modèle de développement. Les chiffres relatifs à l’eau et à l’espace foncier associés à cette technologie révèlent une réalité préoccupante, souvent occultée dans les discussions sur l’innovation. Les décisions que nous prenons aujourd’hui concernant l’intelligence artificielle ne concernent pas seulement la technologie elle-même, mais également l’avenir de notre planète. Les parallèles avec d’autres secteurs, tels que l’énergie renouvelable ou l’agriculture durable, mettent en lumière la nécessité d’un équilibre entre progrès et responsabilité. Alors que les entreprises et les gouvernements s’efforcent de tirer parti des avantages de l’IA, la question de la durabilité doit être au cœur de leurs priorités. Les enjeux sont vastes: comment promouvoir une utilisation plus sobre de l’intelligence artificielle tout en répondant à la demande croissante de services intelligents ? Quelles innovations peuvent émerger pour réduire l’empreinte écologique de ces technologies ? En explorant ces pistes, il devient possible de transformer un défi environnemental en opportunité d’évolution pour la société. L’exploration des solutions durables dans le domaine de l’intelligence artificielle s’avère alors cruciale pour envisager un futur qui allie progrès technologique et respect des ressources naturelles.
Aller plus loin
L’étude de l’Université des Nations unies sur le coût environnemental de l’IA constitue la source centrale de la projection évoquée dans l’article. Elle estime qu’en 2030, l’empreinte hydrique des infrastructures d’IA pourrait correspondre aux besoins domestiques essentiels de 1,3 milliard de personnes en Afrique subsaharienne. Le rapport élargit aussi l’analyse à la consommation électrique, aux émissions de carbone et à l’occupation des sols.
Le rapport Energy and AI de l’Agence internationale de l’énergie replace ces estimations dans l’évolution globale du système électrique. L’AIE prévoit que la consommation des centres de données pourrait dépasser 945 TWh en 2030, soit plus du double du niveau observé en 2024. Elle souligne également que la concentration géographique des installations peut créer des tensions locales bien supérieures à leur poids dans la consommation mondiale.
En France, le rapport de l’Arcep « Intelligence artificielle générative : quels défis environnementaux ? » analyse les infrastructures physiques nécessaires à l’entraînement et à l’utilisation des modèles. Il s’appuie notamment sur des tests consacrés à la consommation électrique de plusieurs modèles pendant la génération de réponses. Ces travaux montrent que des modèles plus petits peuvent parfois offrir une pertinence comparable tout en consommant moins d’énergie.
L’avis de l’ADEME sur les impacts de l’IA générative propose une lecture fondée sur l’ensemble du cycle de vie des services. Il prend en compte l’électricité, la fabrication des serveurs, l’eau, l’artificialisation des sols et les éventuels effets rebonds liés à la multiplication des usages. L’agence recommande notamment de mieux documenter les modèles et d’intégrer des principes d’écoconception dès la définition des besoins.
Le rapport présenté par l’UNESCO, « Smarter, Smaller, Stronger », explore des moyens immédiats de réduire la consommation des grands modèles de langage. Il préconise de sélectionner un modèle proportionné à la tâche, de raccourcir les requêtes et de limiter les réponses inutilement longues. Selon les expérimentations citées, la combinaison de plusieurs optimisations peut réduire fortement l’énergie utilisée sans nécessairement dégrader la qualité des résultats.
La réglementation européenne commence également à imposer davantage de transparence aux fournisseurs de modèles. La foire aux questions officielle sur les obligations de l’AI Act précise que les fournisseurs de modèles d’IA à usage général doivent documenter leur consommation énergétique connue ou estimée. Cette obligation concerne notamment l’entraînement et doit progressivement favoriser des informations plus comparables entre les acteurs.
Pour comparer l’efficacité des infrastructures, le groupe MLCommons Power développe des méthodes communes de mesure de la puissance et de l’énergie consommées par les systèmes d’apprentissage automatique. Ses travaux complètent les benchmarks de performance classiques en intégrant le coût énergétique nécessaire pour atteindre un résultat donné. Cette approche permet d’éviter de juger une architecture uniquement sur sa vitesse ou sa capacité de calcul.
Les développeurs peuvent enfin mesurer directement une partie de l’empreinte de leurs expérimentations grâce à la documentation de CodeCarbon. Cette bibliothèque open source estime la consommation électrique et les émissions associées à l’exécution d’un programme en tenant compte du matériel, de la durée et de la localisation. Elle fournit ainsi des indicateurs concrets pour comparer des modèles, des configurations ou des stratégies d’optimisation avant leur mise en production.