Les impacts environnementaux de l'intelligence artificielle

L’intelligence artificielle semble avoir envahi nos quotidiens, que ce soit via les agents conversationnels comme ChatGPT ou les algorithmes de recommandation, pour vous proposer des vidéos ou des achats susceptibles de vous intéresser par exemple. Derrière ce terme d’intelligence artificielle, je parlerai d'IA par la suite, se cache en réalité des types de programmes informatiques potentiellement divers. Mais la question de l’empreinte environnementale de l’IA a émergé depuis plusieurs années maintenant, du fait du développement de nouvelles méthodes d’apprentissage artificiel, appelées Deep learning. Et la généralisation de méthodes d’IA générative a encore accentué les questionnements. En effet, ces méthodes s’appuient sur des quantités de calcul potentiellement très élevés, et nécessitent du matériel spécifique pour pouvoir s’exécuter en un temps raisonnable. L’image présentée ici, qui vient du site de l’organisation EpochAI, montre la quantité de calcul (en termes de nombre d’opérations nécessaires) pour l’entraînement, c’est-à-dire la création, de modèles d’IA au fil du temps. Vous pouvez observer une très forte augmentation lorsque les modèles de Deep learning apparaissent. Comme pour tout service numérique, l’IA a une empreinte environnementale liée aux équipements numériques sur lesquels elle repose. Pour calculer l’empreinte d’un service d’IA il faut ainsi tenir compte des différentes phases du cycle de vie de ces équipements : extraction des matériaux, fabrication, distribution, usage et fin de vie. La phase d’usage est la plus visible pour l’IA, du fait de la consommation d’électricité notable des serveurs sur lesquels elle tourne. Il faut aussi tenir compte des différentes étapes d’un service d’IA, en particulier la création des données, l’entraînement, c’est-à-dire la création des modèles, et l’inférence, c’est-à-dire l’utilisation des modèles. Les premières études sur ces sujets ont calculé l’empreinte carbone de l’entraînement de modèles, cette étape pouvant mobiliser de nombreux serveurs pendant de nombreuses heures de calcul (jusqu’à plusieurs mois même) sur des infrastructures spécialisées. Tout ceci a des impacts en termes d’empreinte carbone, mais aussi en termes d’épuisement des ressources minérales, ou de consommation d’eau par exemple. L’empreinte carbone correspond à celle du cycle de vie des équipements numériques utilisés, serveurs de calcul et terminaux utilisateurs notamment. Un service d’IA consommera également de l’eau, en particulier pour le refroidissement des centres de calcul, la fabrication des équipements numériques, et la production de l’électricité. L’épuisement des ressources vient principalement de la fabrication des équipements numériques, qui nécessitent de nombreux matériaux différents. Cette empreinte environnementale a été calculée à plusieurs niveaux. Une étude de 2025 a par exemple calculé une empreinte très complète, avec 16 indicateurs environnementaux comme par exemple l’empreinte carbone ou la consommation d’eau, d’une carte GPU. Elle a montré en particulier que la puce du GPU est le composant le plus impactant sur la plupart des indicateurs. Une étude de 2024 a effectué une analyse du cycle de vie du modèle de génération d’image Stable diffusion. Des travaux de 2025 ont montré que l’empreinte de l’entraînement des modèles a augmenté ces dernières années. Bien que la quantité de calcul ait augmenté, les optimisations algorithmiques, matérielles et énergétiques auraient pu compenser cette augmentation. Or cela ne semble pas être le cas puisque l’empreinte augmente également, ce qui semble indiquer un effet rebond : plus on optimise, plus on crée des gros modèles. La figure montre par exemple l’empreinte carbone de l’entraînement des modèles au fil du temps. L’une des difficultés de ces études est le manque de données précises : par exemple, les organisations créant les modèles ne reportent généralement pas l’empreinte environnementale de ces modèles. L’empreinte environnementale de l’IA pose question. Cependant, l’IA est parfois également vue comme un atout pour la transition écologique, ce qui se retrouve par exemple dans les discours sur la “twin transition” de l’Union européenne, c’est-à-dire la double transition numérique et écologique. La numérisation est alors vue comme favorisant la transition écologique. L’IA est ainsi largement mobilisée dans les scénarios prospectifs, qui mobilisent l’IA et le numérique de façon plus générale pour la transition écologique et le suivi de l’état environnemental. Le GIEC indique ainsi en 2023 que « l’Intelligence artificielle peut améliorer la gestion de l’énergie dans tous les secteurs », tout en notant que « ces gains pourraient être réduits ou compensés par la croissance de la demande de biens et services due à l’utilisation d’appareils numériques ». Un article de 2019 avait référencé les applications possibles de l’IA à des fins environnementales, par exemple pour optimiser la consommation d’énergie des bâtiments, ou surveiller les feux de forêt. Une étude de 2022 a cependant montré que ces applications possibles n’étaient jamais évaluées sur le plan environnemental, en estimant au minimum l’empreinte du service d’IA par rapport à ce qu’il rapporte sur le plan environnemental. Dans la figure que vous voyez à l'écran sont indiqués le nombre de travaux pour chaque type d’évaluation environnementale, l’évaluation étant plus complète en descendant dans le graphe. En parallèle des travaux ont souligné que l’IA est également largement utilisée dans le secteur pétrolier, contributeur majeur du changement climatique. Mais en l’absence d’évaluation ou de réflexion sur les bénéfices réels de l’IA pour l’environnement, il serait donc utile de réfléchir à la place que doit réellement jouer l’IA dans un monde soutenable.