Impacts environnementaux de l'intelligence artificielle

Une requête effectuée sur ChatGPT consommerait cinq^[3] à dix fois plus d’électricité qu’une recherche classique sur le Web^[4]. Microsoft et Meta ont connu des augmentations similaires de leur empreinte carbone, également attribuées à l’IA^[5]. En juin 2025, le dirigeant d’OpenAI, Sam Altman, a déclaré qu’une requête moyenne sur ChatGPT consommait environ 0,34 Wh (1,2 kJ) d’électricité et 0,32 ml d’eau^[6].

Selon l'institut de recherche Epoch AI, toutefois, la consommation d'énergie par requête à ChatGPT est faible par rapport à la consommation individuelle quotidienne d'électricité. Une requête typique de ChatGPT consomme environ 0,3 wattheure d’électricité, contre près de 20 wattheures par minute pour la consommation moyenne d’un foyer américain^[7].

Selon une autre étude de 2024, les tâches simples de classification réalisées par des modèles d’IA consomment en moyenne de 0,002 à 0,007 Wh par requête (soit environ 9 % de la charge d’un smartphone pour 1 000 requêtes). La génération et la synthèse de texte nécessitent chacune environ 0,05 Wh par requête en moyenne, tandis que la génération d’images est la plus énergivore, à 2,91 Wh en moyenne par requête. Le modèle de génération d’images le moins efficace consommait 11,49 Wh par image, soit l’équivalent d’environ la moitié de la charge d’un smartphone^[8].

Des chercheurs de l’université du Michigan ont mesuré la consommation énergétique de modèles Meta Llama 3.1 publiés en 2024 et ont constaté que les modèles de langage plus petits (huit milliards de paramètres) consomment environ 114 joules (0,031 67 Wh) par réponse, tandis que les modèles plus grands (405 milliards de paramètres) nécessitent jusqu’à 6 700 joules (1,861 Wh) par réponse. Cela correspond respectivement à l’énergie nécessaire pour faire fonctionner un four à micro-ondes pendant environ un dixième de seconde et huit secondes^[9].

Selon des chercheurs, la requête textuelle médiane effectuée sur Google Gemini en 2025 consomme environ 0,24 Wh d’électricité. Les améliorations logicielles de Google ainsi que son approvisionnement en énergies propres ont permis de réduire la consommation d’énergie d’un facteur 33 et les émissions de carbone d’un facteur 44 pour une requête typique sur une année. Concrètement, la requête textuelle médiane sur Gemini consomme à peu près autant d’énergie que le visionnage de neuf secondes de télévision^[10].

Une étude publiée en 2024 dans Scientific Reports a comparé les impacts carbone estimés d’auteurs et d’artistes humains à ceux de certains systèmes d’IA, et a calculé que l’impact carbone des humains était de 130 à 2 900 fois plus élevé^[11]. Une étude publiée en 2025 a critiqué cette comparaison en raison de différences de qualité des productions artistiques et a présenté un contre-exemple concernant la réalisation de tâches de programmation avec GPT-4, dont l’impact carbone était de 5 à 19 fois supérieur à celui de programmeurs humains^[12].

Évolution de la demande d’électricité des centres de données aux États-Unis (en gigawatts), dont capacité en service (bleu foncé) et en construction (bleu clair). Du fait de l’essor de l’intelligence artificielle, la demande d’électricité des centres de données a augmenté au cours des années 2020^[13].

Répartition estimée de la croissance mondiale de la demande d’électricité entre 2023 et 2030. Selon l’Agence internationale de l’énergie, les centres de données (en rouge) ne devraient représenter qu’une part modeste de cette croissance d’ici 2030^[14].

L'intégration de l'IA dans les moteurs de recherche pourrait multiplier les coûts énergétiques de manière significative^[16],[17], certaines estimations suggérant une augmentation de la consommation énergétique annuelle à près de 30 milliards de kilowatts-heure, une empreinte énergétique supérieure à celle de nombreux pays^[18].

Les puces d’IA, comme les processeurs graphiques (GPU), consomment plus d’énergie et génèrent plus de chaleur que les CPU traditionnels^[1]. L’efficacité énergétique des modèles d’IA dépend de l’optimisation de leur architecture et du matériel utilisé^[16]. Depuis les années 1940, l’efficacité énergétique des calculs a doublé tous les 1,6 ans^[19] Cependant, certains craignent que l’amélioration de l’efficacité entraîne une hausse globale de la consommation énergétique, un phénomène connu sous le nom de paradoxe de Jevons^[20].

L'intelligence artificielle a une empreinte carbone significative en raison de sa consommation d'énergie croissante, notamment pour l'entraînement et l'utilisation de ses modèles^[21],[22].

D’après une étude de l’association Green IT, les serveurs configurés pour l’intelligence artificielle émettent en 2023 près de 4 % des émissions de gaz à effet de serre du numérique, soit déjà plus que l’ensemble des ordinateurs portables^[23].

Des chercheurs ont souligné que l'empreinte carbone des modèles d'IA lors de leur entraînement devrait être prise en compte pour mieux comprendre leur impact^[24]. Une étude a suggéré qu'en 2027, la consommation énergétique de l'IA pourrait atteindre 85–134 TWh, soit environ 0,5 % de la consommation électrique mondiale actuelle^[25],[1]. L'entraînement d'un seul modèle d'apprentissage profond peut générer une empreinte carbone équivalente aux émissions à vie de 5 voitures^[21]. L'entraînement des grands modèles de langage (LLMs) et d'autres systèmes d'IA générative nécessite généralement beaucoup plus d'énergie que l'exécution d'une simple prédiction sur un modèle déjà entraîné^[26]. L'utilisation répétée d'un modèle entraîné peut multiplier les coûts énergétiques des prédictions^[26]. La puissance de calcul requise pour entraîner les modèles d'IA les plus avancés double en moyenne tous les 3,4 mois, entraînant une consommation exponentielle d'énergie et une empreinte carbone en conséquence^[27].

De plus, les algorithmes d'intelligence artificielle fonctionnant dans des régions où l'énergie provient majoritairement de combustibles fossiles auront une empreinte carbone beaucoup plus élevée que dans des régions utilisant des sources d'énergie plus propres^[28].

Ces modèles peuvent être modifiés pour réduire leur impact environnemental au détriment de la précision, soulignant l'importance de trouver un équilibre entre précision et impact environnemental. BERT, un modèle d'intelligence artificielle générative entraîné en 2019, a consommé « l'équivalent énergétique d'un vol transcontinental aller-retour »^[16]. GPT-3 a libéré 552 tonnes de dioxyde de carbone dans l'atmosphère lors de son entraînement, soit l'équivalent des émissions annuelles de 123 voitures à essence^[16],[29]. Une grande partie du coût énergétique est due aux architectures de modèles et aux processeurs inefficaces^[16]. Un modèle nommé BLOOM, développé par Hugging Face, a été entraîné avec des puces plus efficaces et n'a libéré que 25 tonnes de CO₂^[29].

Les entreprises d’IA communiquent peu et souvent sans méthode claire sur l’empreinte environnementale des grands modèles. En juillet 2025, Mistral AI dit avoir réalisé une analyse du cycle de vie de Mistral Large 2 (entraînement et usage sur 18 mois), dont il ressort que l’entraînement et l'utilisation dominent l’impact environnemental, à 85,5 % des émissions de gaz à effet de serre et 91 % de l’eau, tandis que le matériel (fabrication, transport et fin de vie des serveurs) représente 11 % des émissions et 5 % de la consommation d’eau. L’absence de précisions sur la localisation des serveurs limite l’interprétation, même si l’idée de standards mondiaux est jugée positive^[30].

Selon une étude publiée en 2025 par l’association Green IT^[31], les impacts environnementaux de l’intelligence artificielle ne se limitent pas aux seules émissions de gaz à effet de serre, mais concernent également d’autres catégories d’impacts environnementaux .

Une analyse du cycle de vie multicritère appliquée aux infrastructures d’IA identifie notamment le potentiel de réchauffement global (31 %), l’épuisement des ressources abiotiques (21 %), les émissions de particules fines (18 %), l’eutrophisation des milieux aquatiques (18 %) et l’écotoxicité (7 %) .

L’étude souligne que les impacts environnementaux proviennent à la fois de la fabrication des équipements et de leur utilisation. La production de l’électricité consommée représente la majorité des impacts, pouvant atteindre 90 %, tandis que la fabrication des serveurs contribue de manière significative à certains impacts, notamment liés à l’épuisement des ressources minérales .

L’étude indique également que la croissance rapide des infrastructures dédiées à l’intelligence artificielle, notamment liée à l’augmentation du nombre de serveurs spécialisés, pourrait entraîner une hausse significative de leur empreinte environnementale à l’horizon 2030

En septembre 2024, Microsoft a conclu un accord avec Constellation Energy pour rouvrir la centrale nucléaire de Three Mile Island afin d’alimenter ses centres de données en énergie. Cette remise en service nécessitera l’approbation des régulateurs américains et représente un investissement de 1,6 milliard de dollars, soutenu par des subventions de la loi sur la réduction de l’inflation de 2022^[32]. Par ailleurs, les autorités américaines et l’État du Michigan investissent près de 2 milliards de dollars pour rouvrir la centrale nucléaire de Palisades, prévue pour octobre 2025^[33].

Un accord a été approuvé le 20 septembre 2024 entre Microsoft et Constellation Energy pour rouvrir la centrale nucléaire de Three Mile Island. Bill Gates a déclaré que Microsoft avait l'intention d'utiliser cette énergie pour alimenter son utilisation des services d'Open AI au sein de ses systèmes ainsi que dans les foyers^[34]. Les permis réglementaires clés pour la nouvelle vie de la centrale n'ont pas encore été déposés, affirment les régulateurs^[34]. Si l’accord est conclu, Three Mile Island fournirait à Microsoft l’équivalent énergétique nécessaire pour alimenter 800 000 foyers, soit 835 mégawatts. Ce serait la première fois qu'une centrale déclassée serait rouverte et la première fois qu'une centrale commerciale serait fournie à un client unique^[35].

En 2025, Microsoft a annoncé un investissement de 80 milliards de dollars pour développer des centres de données destinés à l’IA, qui nécessitent d’importantes infrastructures électriques^[36]. La demande en électricité pour l’IA explose aux États-Unis, ce qui pose un défi pour les réseaux énergétiques. Dans des régions comme la Virginie, le délai pour connecter de grands centres de données au réseau atteint sept ans, illustrant la pression sur l’infrastructure énergétique^[37]. Un éditorial du New York Times souligne l’importance de moderniser ces infrastructures, affirmant que « l’électricité est le socle de l’ère numérique et de l’IA »^[38].

Le refroidissement des serveurs d'IA peut nécessiter de grandes quantités d'eau douce, qui s'évapore dans les tours de refroidissement^[20],[39]. À l'échelle mondiale, les centres de données hébergeant l'IA devraient consommer six fois plus d'eau que le Danemark^[40],[41]. D'ici 2027, l'IA pourrait utiliser jusqu'à 6,6 milliards de mètres cubes d'eau^[42]. La génération de 10 à 50 réponses de longueur moyenne par GPT-3 (lancées par OpenAI en 2020) nécessite environ un demi-litre d’eau douce^[43]. L'entraînement de GPT-3 aurait consommé 700 000 litres d'eau, soit l'équivalent de l'empreinte hydrique nécessaire à la fabrication de 320 véhicules électriques Tesla^[44].

Un centre de données que Microsoft envisageait de construire près de Phoenix, en raison de l'augmentation de l'utilisation de l'IA, aurait consommé jusqu'à 56 millions de gallons (212 millions de litres) d'eau douce par an, soit l'équivalent de la consommation annuelle de 670 familles^[42]. Microsoft aurait augmenté sa consommation d'eau de 34 % à cause de l'IA, tandis que Google l'aurait augmentée de 20 %^[45],[27]. Dans une ville de l'Iowa, les centres de données de Microsoft étaient responsables de 6 % de l'utilisation locale d'eau douce^[45].

Les déchets électroniques issus de la production de matériel d’IA peuvent également contribuer aux émissions de gaz à effet de serre^[27]. La croissance rapide de l’IA peut également conduire à une dépréciation plus rapide des appareils, ce qui entraînerait des déchets électroniques dangereux^[46]. Certaines applications de l’IA, comme le recyclage des robots, peuvent réduire les déchets électroniques^[47],[48].