L’IA : l’équation carbone encore irrésolue
L’essor fulgurant de l’intelligence artificielle s’accompagne d’un coût environnemental croissant. Entraîner un grand modèle de langage mobilise des milliers de processeurs pendant plusieurs semaines. L’entraînement de GPT-3 a ainsi généré 552 tonnes de CO₂, soit l’équivalent de plus de 300 allers-retours Paris–New York.[1] Depuis, les modèles n’ont cessé de grossir : la taille des grands modèles de langage a été multipliée par 10 000 entre 2018 et 2023, chaque génération mobilisant des ressources de calcul considérablement plus importantes.[2] Quant à GPT-5, sorti en 2025, aucun chiffre officiel n’a été communiqué. OpenAI figure parmi les dix acteurs majeurs qui n’ont divulgué aucune métrique environnementale clé, selon le Foundation Model Transparency Index 2025 publié par des chercheurs de Stanford, Berkeley, Princeton et MIT.[3] Cette absence de transparence constitue un déficit de gouvernance que les régulateurs, en Europe notamment, commencent à prendre en compte.
Parallèlement, la prolifération des modèles se poursuit à un rythme tout aussi soutenu. Selon le rapport AI Index 2024 de Stanford University, il en existe quatre-vingt-seize (59 aux États-Unis, 35 en Chine et 2 en Europe).[4] La dynamique d’adoption des outils grand public est également impressionnante : ChatGPT a atteint 400 millions d’utilisateurs actifs hebdomadaires en février 2025 et le milliard d’utilisateurs actifs mensuels en juin 2026.
À l’échelle globale, les centres de données représentaient 1,5 % de la consommation électrique mondiale en 2024, soit 415 TWh, selon l’Agence internationale de l’énergie.[5] Cette consommation devrait plus que doubler d’ici 2030, pour atteindre 945 TWh, sous l’effet de la généralisation des usages de l’IA. Aux États-Unis, la moitié de la croissance de la demande d’électricité entre aujourd’hui et 2030 est liée aux besoins des centres de données. [6]
Les investissements infrastructurels en cours donnent la mesure de ce qui se joue. Le projet Stargate, lancé en janvier 2025 par OpenAI, Oracle et SoftBank avec un objectif de 500 milliards de dollars et 10 gigawatts de capacité — soit l’équivalent énergétique de la consommation annuelle d’un pays comme la Belgique —, illustre l’échelle des engagements en jeu.[7]
Des gains d’efficacité réels ont néanmoins été enregistrés. Les acteurs du secteur optimisent leurs modèles et investissent dans des architectures matérielles spécialisées. Selon son rapport de développement durable 2024, NVIDIA indique que le passage à l’accelerated computing GPU permet de traiter les mêmes charges de travail avec 10 à 20 fois moins de serveurs qu’une infrastructure CPU classique, réduisant d’autant la consommation énergétique globale.[8] En août 2025, Google a publié les données environnementales de Gemini par requête — 0,24 Wh et 0,03 g de CO₂ équivalent pour une requête textuelle médiane[9] —, premier exercice de transparence de ce type parmi les grands acteurs. Il reste à ce jour sans équivalent dans le secteur.
Ces gains se heurtent cependant à une dynamique économique structurelle : l’effet rebond. Comme le soulignent Lou Welgryn et Théo Alves Da Costa dans leur analyse publiée sur Bon Pote, le cas de DeepSeek l’illustre de façon saisissante. Lancé en janvier 2025, ce modèle open source chinois a été présenté comme nettement moins gourmand en ressources que ses concurrents. Les premiers tests indépendants ont toutefois montré que les gains d’efficacité réels étaient plus limités qu’annoncés, et que l’adoption massive du modèle génère un effet rebond qui annule une partie des bénéfices attendus.[10] Plus fondamentalement, la croissance des usages suit celle de la valeur économique générée : McKinsey & Company estime que l’IA générative pourrait représenter entre 2 600 et 4 400 milliards de dollars de valeur économique annuelle[11]. Un potentiel de cette ampleur implique une multiplication des déploiements, des requêtes et, mécaniquement, de la consommation énergétique.
La question de l’architecture des systèmes devient alors déterminante. Toutes les applications justifient-elles le recours à des modèles massifs ? Des travaux compilés par Stanford University montrent que des modèles compacts et spécialisés peuvent rivaliser, sur certaines tâches, avec des architectures généralistes bien plus lourdes, pour une fraction des ressources mobilisées.[12] Un point de vigilance cependant : les émissions cumulées de l’inférence peuvent dépasser celles de l’entraînement dès lors que les modèles sont interrogés à grande échelle.[13] L’enjeu est donc moins le choix du modèle que la pertinence de chaque usage. Ces chiffres ne reflètent pourtant qu’une partie de l’empreinte réelle. Comme le montre la chercheuse Kate Crawford dans son Contre-atlas de l’intelligence artificielle (Zulma, 2022), l’IA repose sur une triple extraction — minéraux, données, travail humain — dont le coût environnemental dépasse largement la seule consommation électrique des data centers. La fabrication des puces nécessaires à l’entraînement des modèles mobilise des métaux rares dont l’extraction génère des impacts locaux considérables, souvent invisibles dans les bilans carbone des entreprises tech.
Face à ce constat, la recherche publique française s’est organisée. Le PEPR IA, co-piloté par l’INRIA, le CEA et le CNRS dans le cadre de France 2030, consacre 73 millions d’euros sur cinq ans au développement de l’IA frugale (https://www.pepr-ia.fr/projet/sharp/) — définie comme la capacité à accomplir des tâches complexes en mobilisant le moins de ressources possible, sans sacrifier la performance. Un enjeu d’autant plus aigu que, pour une tâche aussi simple que la reconnaissance d’image, une machine consomme quatre à six ordres de grandeur d’énergie de plus qu’un cerveau humain.[14] L’efficience est un défi scientifique de premier ordre.
Alors, peut-on réduire l’impact carbone de l’IA ? Oui, partiellement. Les gains d’efficacité sont réels, les marges de progrès technique considérables. Mais sans une maîtrise de la croissance des usages, ces gains resteront structurellement insuffisants. L’équation carbone de l’IA ne se résoudra pas par la seule performance technologique : elle exige des choix stratégiques explicites, de la part des entreprises comme des États, sur ce que nous voulons réellement optimiser.
—
Pour aller plus loin : le dossier de Lou Welgryn et Théo Alves Da Costa publié sur BonPote, « Intelligence artificielle : le vrai coût environnemental de la course à l’IA » (septembre 2025, mis à jour avril 2026), constitue l’une des synthèses les plus complètes disponibles en français sur ce sujet. Il aborde notamment la consommation d’eau, les ressources minérales, les émissions réelles des géants du numérique et les conflits d’usage locaux. https://bonpote.com/intelligence-artificielle-le-vrai-cout-environnemental-de-la-course-a-lia/
[1] « Carbon Emissions and Large Neural Network Training », Google / UC Berkeley / Google Brain, avril 2021. https://arxiv.org/abs/2104.10350
[2]Lou Welgryn et Théo Alves Da Costa, « Intelligence artificielle : le vrai coût environnemental de la course à l’IA », BonPote, septembre 2025 (mis à jour avril 2026). Source primaire citée : Stanford University, AI Index Report 2025. https://bonpote.com/intelligence-artificielle-le-vrai-cout-environnemental-de-la-course-a-lia/
[3] Foundation Model Transparency Index 2025, décembre 2025. https://crfm.stanford.edu/fmti/
[4]Stanford University Human-Centered Artificial Intelligence, AI Index Report 2024, avril 2024. https://aiindex.stanford.edu/report/
[5]Agence internationale de l’énergie (IEA), « Energy and AI », rapport spécial, avril 2025. https://www.iea.org/reports/energy-and-ai
[6]IEA, ibid. Scénario de base : la consommation mondiale des data centers atteindrait 945 TWh en 2030, contre 415 TWh en 2024.
[7]OpenAI, communiqué officiel « Announcing The Stargate Project », 21 janvier 2025 ; https://openai.com/index/announcing-the-stargate-project/
[8]NVIDIA, Sustainability Report Fiscal Year 2024, https://images.nvidia.com/aem-dam/Solutions/documents/FY2024-NVIDIA-Corporate-Sustainability-Report.pdf
[9]Google Cloud Blog, « How much energy does Google’s AI use? We did the math », Amin Vahdat et Jeff Dean, 21 août 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
[10]Lou Welgryn et Théo Alves Da Costa, « Intelligence artificielle : le vrai coût environnemental de la course à l’IA », BonPote, septembre 2025 (mis à jour avril 2026). https://bonpote.com/intelligence-artificielle-le-vrai-cout-environnemental-de-la-course-a-lia/
[11]McKinsey & Company, « The Economic Potential of Generative AI », juin 2023. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[12]Stanford University, AI Index Report 2024, op. cit.
[13]Stanford University, AI Index Report 2024, op. cit.
[14]Benjamin Guedj, chercheur Inria, « Machine learning : comment allier performance d’apprentissage et sobriété numérique ? », Inria, avril 2022. https://www.inria.fr/fr/machine-learning-ia-numerique-frugal.