IA et environnement : faire la part des choses entre incompatibilité et complémentarité

Les data centers représentaient 1,5 % de la consommation mondiale d’électricité en 2024. D’ici 2030, cette part pourrait atteindre 3 %, selon l’Agence internationale de l’énergie, soit le double en six ans.

Derrière ce chiffre, une question se pose : l’intelligence artificielle, et notamment l’IA générative, est-elle compatible avec nos objectifs environnementaux ?

Dans cet article, nous examinerons d’abord les impacts environnementaux concrets des infrastructures indispensables au fonctionnement des IA, puis nous verrons que certains projets d’IA jouent au contraire un rôle utile pour la planète, avant d’explorer comment un usage plus frugal de l’IA peut réconcilier IA et environnement.

L’IA présente des limites écologiques évidentes

Vous le savez déjà si vous êtes un fidèle lecteur de notre blog, le fonctionnement de l’IA générative repose sur des infrastructures tangibles que sont les data centers (ou centres de données).

Pour pouvoir tourner à plein régime, il faut déjà pouvoir en assumer la construction, ce qui passe par l’extraction d’une quantité importante de ressources naturelles, indispensables dans la fabrication de puces électroniques (GPU). Ensuite, pour pouvoir tourner, ces structures engloutissent une quantité colossale d’électricité, et absorbent également des quantités d’eau énormes pour se refroidir.

Ces phénomènes représentent des contraintes écologiques majeures.

La pression sur les ressources

Pour faire tourner leurs algorithmes, les data centers mobilisent des milliers de processeurs graphiques (les fameux GPU) dont la fabrication dépend d’une longue liste de minéraux dits critiques :

• Cuivre
• Lithium
• Cobalt
• Indium
• Gallium
• Tantale
• Néodyme
• Germanium.
  
  

Leur approvisionnement est concentré dans quelques pays comme la Chine, la République démocratique du Congo ou la Bolivie, où les conditions d’extraction soulèvent des questions éthiques de premier ordre.

L’extraction de ressources impose un stress hydrique important

L’extraction de tels minerais nécessite une importante quantité d’eau. Fabriquer un seul wafer de silicium de 12 pouces (comprenez, une fine tranche de silicium sur laquelle sont gravés les circuits intégrés qui deviendront ensuite les processeurs des serveurs) réclame plus de 7 000 litres d’eau (source : TSMC 2021).

Quand on sait que le fondeur taïwanais TSMC, qui produit une grande partie des puces utilisées dans les infrastructures d’IA mondiales, en fabrique environ 16 millions par an, on arrive à la conclusion que cette seule entreprise a besoin de 7000 x 16 millions de litres d’eau pour fabriquer ces fameux wafers.

Sortez les calculatrices : cela nous donne un total de 112 milliards de litres d’eau consommés par an pour la conception des puces par TSMC, à peu près l’équivalent de la consommation annuelle en eau potable de toute la ville de Paris (une estimation basée sur les chiffres du ministère de la transition écologique)

Cet exemple illustre les « impacts amont », ceux qui précèdent l’usage, et que les bilans carbone des entreprises passent encore souvent sous silence.

La consommation en électricité

La question de la consommation électrique des data centers commence à s’imposer dans le débat public.

En 2024, les centres de données représentaient environ 1,5 % de la consommation mondiale d’électricité, soit quelque 460 TWh. Dans son premier rapport consacré aux relations entre l’énergie et l’IA, publié en avril 2025, l’Agence internationale de l’énergie anticipe que cette consommation pourrait au moins doubler d’ici 2030, pour atteindre environ 1 000 TWh, ce qui revient à l’équivalent de la consommation électrique actuelle du Japon !

Pour comprendre pourquoi la dynamique s’emballe aussi vite, il faut regarder l’écart de consommation entre une recherche classique et une requête adressée à un modèle génératif. Une recherche Google standard mobilise environ 0,3 Wh d’électricité. Une question posée à ChatGPT en consomme environ 2,9 Wh, soit près de dix fois plus (AIE 2025).

En France, l’ADEME recense 352 data centers actifs sur le territoire en 2024, pour une consommation totale d’environ 10 TWh. Sans mesures structurelles, cette consommation pourrait être multipliée par 3,7 d’ici 2035, selon les projections disponibles.

La consommation en eau

Les data centers consomment de l’eau à plusieurs stades. Le plus visible est le refroidissement des serveurs car, pour éviter la surchauffe des machines qui tournent en continu, des systèmes d’évaporation sont utilisés en permanence.

Une autre part significative est liée à la production de l’électricité qui alimente ces centres, et une autre à la fabrication des semi-conducteurs qui les équipent, un poste que l’on a déjà évoqué dans la partie consacrée aux ressources, et qui s’additionne ici à l’impact opérationnel des machines.

En 2023, Microsoft a utilisé 7,8 milliards de litres d’eau pour l’ensemble de ses data centers dans le monde, soit une hausse de 22 % par rapport à l’année précédente (Microsoft Sustainability Report 2024). Google, de son côté, a consommé 24 milliards de litres cette même année, en progression de 14 % (Google Environmental Report 2023).

Les deux entreprises ont explicitement reconnu que l’essor de l’IA générative figure parmi les causes principales de cette hausse.

Ce que ces chiffres pointent, au fond, c’est un risque de conflit d’usage que peu d’entreprises anticipent encore. Dans certaines régions du monde déjà confrontées à des épisodes de sécheresse sévère comme l’ouest des États-Unis, le Maghreb ou certaines zones d’Asie du Sud-Est, l’installation de méga data centers génère des tensions croissantes autour d’une ressource dont la rareté va s’accentuer avec le dérèglement climatique.

Pour toute organisation engagée dans une démarche RSE cohérente, il n’est pas possible d’ignorer cet impact.

2 exemples où l’IA est bénéfique pour l’environnement

Pour voir le verre à moitié plein, on peut noter que certains projets d’IA entraînent des conséquences positives sur l’environnement. En voici deux exemples.

Le projet Alpha Earth Foundations de Google

Lancé le 30 juillet 2025 par Google DeepMind, AlphaEarth Foundations fonctionne comme un satellite virtuel capable de cartographier n’importe quel endroit de la planète, à n’importe quelle date et avec une résolution de 10 mètres sur 10. Pour les chercheurs qui travaillent sur la déforestation, ou le suivi des ressources en eau, il s’agit d’une forte avancée.

Le modèle agrège des sources de données hétérogènes (provenant d’images de satellites optiques, de données radar, de cartographies laser 3D ou encore de simulations climatiques, et les fusionne en une représentation numérique unifiée de la surface terrestre.

Alors qu’une équipe scientifique passait auparavant des dizaines, voire des centaines de jours à prétraiter des données avant de produire une carte, AlphaEarth rend ce travail quasi instantané. Lors des tests de référence, le modèle a réduit les erreurs de classification de près de 24 % par rapport aux approches existantes, tout en nécessitant 16 fois moins d’espace de stockage. On peut parler d’une petite révolution !

Ce cas d’usage illustre que l’IA, lorsqu’elle est orientée vers des finalités environnementales claires, peut jouer un rôle dans la préservation de l’environnement et de la biodiversité.

L’IA appliquée à la prévision météorologique avec Météo France

La prévision météorologique est l’un des domaines où l’IA apporte des bénéfices environnementaux. Météo-France en offre une illustration concrète avec Espresso, un outil développé par son laboratoire dédié à l’intelligence artificielle, le Lab IA.

Espresso repose sur du deep learning appliqué à des images satellites actualisées toutes les 15 minutes. Son objectif est d’estimer les précipitations en temps réel sur des territoires où les infrastructures d’observation classiques font défaut : océans, zones montagneuses, et territoires d’outre-mer. Là où un radar météorologique au sol n’existe pas, ou là où le réseau de stations est trop clairsemé pour être fiable, Espresso prend le relais.

L’outil a fait ses preuves dans des conditions particulièrement éprouvantes. Lors du passage du cyclone Chido sur Mayotte, le 14 décembre 2024, un événement d’une violence inédite depuis plus de 90 ans sur l’archipel, avec des rafales dépassant 220 km/h, Espresso a permis d’estimer en temps réel les cumuls de précipitations, malgré l’absence de radar sur ce territoire et un réseau de stations météo au sol très limité. Il a joué le même rôle quelques semaines plus tard lors de la tempête tropicale Dikeledi.

« Il a permis d’estimer en temps réel les cumuls de précipitation – malgré l’absence de radar sur ce territoire et un nombre limité de stations météorologiques au sol -, et de mieux appuyer les pouvoirs publics dans la gestion de ces événements. »

Source : Météo France, février 2025

Ce que démontre Espresso, c’est qu’une IA sobre et ciblée peut combler des lacunes d’observation là où les moyens conventionnels sont insuffisants et, ce faisant, améliorer concrètement la gestion des risques climatiques pour des populations parmi les plus vulnérables.

Concilier IA et environnement passe par un usage responsable

L’intelligence artificielle a beau permettre d’aider sur certains projets environnementaux ou climatiques, il en ressort tout de même que son fonctionnement nécessite énormément d’eau, d’électricité et de ressources.

Pour éviter que cette consommation ne se transforme en surconsommation, un usage responsable de l’IA s’impose !  

Vers une IA frugale ?

L’ambition d’atteindre une IA plus sobre et moins néfaste pour l’environnement est celle que porte le concept d’IA frugale. Elle cherche à concilier le recours aux technologies d’intelligence artificielle avec une consommation de ressources maîtrisée. On parle aussi parfois de Green AI.

En France, cette réflexion a franchi un cap concret le 28 juin 2024, avec la publication de l’AFNOR Spec 2314, premier référentiel au monde dédié à l’IA frugale. Ce document est le fruit de six mois de travail collectif impliquant 150 contributeurs issus d’entreprises, du monde de la recherche, d’associations et d’administrations publiques, piloté par l’Ecolab du Commissariat Général au Développement Durable en partenariat avec l’AFNOR, dans le cadre de la Stratégie Nationale pour l’IA.

Le référentiel propose 31 bonnes pratiques structurées autour de trois axes :

• le service
• les données
• les infrastructures
  
  

Il pose une approche cycle de vie qui couvre l’ensemble des étapes, de la conception du modèle jusqu’à son déploiement. Son ambition affichée est de devenir un standard de référence au niveau européen, voire international via l’ISO.

Ce référentiel constitue aujourd’hui un point d’appui solide pour toute organisation souhaitant structurer sa démarche autour d’un usage responsable de l’IA.

Recommandations pour une IA durable en entreprise

Adopter une démarche d’IA frugale commence par des arbitrages de bon sens, accessibles à toute organisation quelle que soit sa taille.

Il s’agit, d’abord, de questionner la pertinence du recours à l’IA. Avant de déployer un outil d’IA générative, la première question à se poser est alors : est-ce vraiment nécessaire ? Pour un grand nombre de tâches courantes, une solution logicielle classique, voire un traitement humain, suffit amplement et réduit l’empreinte environnementale. Le référentiel de l’AFNOR en fait d’ailleurs le premier critère de frugalité.

Ensuite, une bonne pratique d’IA durable passe par la réduction du coût par requête en choisissant le bon modèle. En effet, tous les modèles d’IA ne consomment pas pareil. Un modèle léger, spécialisé sur une tâche précise, sera presque toujours plus sobre qu’un grand modèle généraliste sollicité pour la même mission. En entreprise, cela se traduit par une politique claire consistant à utiliser le modèle le plus petit capable de répondre au besoin, et réserver les modèles plus puissants aux cas d’usage qui le justifient réellement.

Localiser l’infrastructure de manière responsable permet aussi de s’impliquer dans une démarche d’IA durable, car, on l’a vu, l’empreinte carbone d’une requête dépend étroitement du mix énergétique du pays où tourne le data center. Entraîner ou faire tourner un modèle en France, dont le mix électrique est dominé par le nucléaire, génère environ dix fois moins de CO₂ qu’en Inde ou en Corée du Sud.

Enfin, il s’agit de veiller à la durée de vie du matériel, car l’impact environnemental de l’IA ne se limite pas à l’usage mais inclut aussi la fabrication des équipements.

Ces recommandations s’inscrivent dans une logique plus large de numérique responsable, qui concerne l’ensemble du système d’information de l’entreprise.