IA et environnement : l'empreinte carbone cachée des modèles d'IA

Une seule requête à un modèle de langage comme GPT-4o consomme environ 10 fois plus d'énergie qu'une recherche Google classique. Selon l'Agence internationale de l'énergie (AIE), les data centers du monde entier ont absorbé plus de 700 TWh d'électricité en 2025 — soit davantage que la consommation totale de la France. L'empreinte carbone de l'intelligence artificielle n'est plus un sujet de niche. C'est un enjeu central, et pourtant, la plupart des utilisateurs n'en ont aucune idée. Décortiquons les chiffres réels, les idées reçues, et les leviers d'action concrets.

1. Pourquoi l'intelligence artificielle consomme-t-elle autant d'énergie ?

Le gouffre énergétique de l'entraînement des modèles

Pour comprendre l'empreinte carbone de l'intelligence artificielle, il faut d'abord distinguer deux phases : l'entraînement et l'inférence. L'entraînement, c'est la phase où le modèle "apprend" en traitant des milliards de données sur des milliers de processeurs graphiques (GPU) pendant des semaines, voire des mois. Selon une étude de l'Université du Massachusetts Amherst publiée en 2019 et régulièrement actualisée, l'entraînement d'un seul grand modèle de langage peut émettre autant de CO₂ que cinq voitures américaines sur toute leur durée de vie — environ 284 tonnes de CO₂ équivalent.

Les modèles de 2025 et 2026 sont considérablement plus grands que ceux de cette époque. OpenAI, Google et Anthropic n'ont pas publié les chiffres exacts d'entraînement de leurs dernières générations (GPT-4o, Gemini 2.0 Flash, Claude 4), mais les estimations d'Epoch AI situent le coût d'entraînement d'un modèle frontier à plus de 50 000 MWh d'électricité — l'équivalent de la consommation annuelle d'environ 15 000 foyers français.

L'inférence : le coût invisible de chaque requête

Voici l'insight contre-intuitif : l'inférence consomme désormais plus d'énergie que l'entraînement à l'échelle globale. L'entraînement se fait une fois (ou quelques fois), mais l'inférence — c'est-à-dire chaque question que vous posez à ChatGPT, chaque image générée par DALL-E — se répète des milliards de fois par jour. Selon une analyse de SemiAnalysis (2025), l'inférence représente environ 60 % de la consommation énergétique totale liée à l'IA dans les grands data centers.

Concrètement, l'AIE estime qu'une requête à un chatbot IA consomme entre 3 et 10 Wh d'électricité, contre 0,3 Wh pour une recherche Google standard. Quand on sait que ChatGPT seul reçoit des centaines de millions de requêtes quotidiennes, les chiffres deviennent vertigineux.

Le rôle des GPU et du refroidissement

Les puces spécialisées comme les NVIDIA H100 et B200 qui alimentent ces modèles consomment chacune entre 300 et 1 000 watts. Un cluster d'entraînement typique en aligne des milliers. Et il faut ajouter le refroidissement des data centers, qui représente environ 30 à 40 % de la facture énergétique totale d'un centre de données selon l'Uptime Institute (2025).

À retenir : chaque fois que vous écrivez un prompt, il y a un coût énergétique réel. Ce n'est pas une raison de culpabiliser, mais c'est une raison de savoir écrire des prompts efficaces — moins de requêtes inutiles, c'est moins de watts gaspillés.

2. Combien de CO₂ émet réellement un modèle d'IA ?

Les chiffres d'entraînement des grands modèles

Les entreprises d'IA communiquent peu sur ces données, mais plusieurs études indépendantes permettent de dresser un tableau comparatif. Voici les estimations disponibles pour l'entraînement de différents modèles :

Ces chiffres dépendent fortement du mix énergétique local. Un modèle entraîné en France (électricité à 90 % décarbonée grâce au nucléaire) émet bien moins qu'un modèle entraîné dans un État américain alimenté au gaz naturel.

L'empreinte carbone d'une conversation quotidienne avec l'IA

Pour un usage individuel, l'impact semble faible en apparence. Environ 20 requêtes par jour à un chatbot IA représentent à peu près 100 à 200 Wh — soit l'énergie nécessaire pour allumer une ampoule LED pendant 10 à 20 heures. Sur un an, cela correspond à environ 36 à 73 kWh, soit environ 2 à 5 kg de CO₂ selon le mix énergétique (moyenne européenne de ~230 g CO₂/kWh selon l'AEE en 2025).

Ça paraît dérisoire à l'échelle individuelle. Mais multipliez par les centaines de millions d'utilisateurs quotidiens, et vous obtenez un impact cumulé considérable — plusieurs millions de tonnes de CO₂ par an rien que pour les chatbots IA.

Comparer avec d'autres activités numériques

Pour mettre les choses en perspective : regarder une heure de vidéo en streaming émet environ 36 g de CO₂ selon le Shift Project (mis à jour en 2024). Vingt requêtes à un chatbot IA émettent entre 15 et 50 g de CO₂. L'IA n'est pas nécessairement le pire usage du numérique, mais elle s'y ajoute dans un secteur dont l'empreinte totale ne cesse de croître.

À retenir : l'empreinte carbone de l'intelligence artificielle n'est pas seulement une question de taille de modèle. C'est une question de volume d'utilisation mondial. L'effet de masse est le vrai problème.

3. Quels sont les composants cachés du coût écologique de l'IA ?

L'eau : la ressource oubliée

On parle beaucoup de carbone, mais rarement d'eau. Or, les data centers consomment d'énormes quantités d'eau pour le refroidissement. Selon une étude de l'Université de Californie Riverside (Pengfei Li et al., 2023), l'entraînement de GPT-3 a nécessité environ 700 000 litres d'eau douce pour le refroidissement. Les modèles plus récents et plus grands nécessitent proportionnellement encore davantage. Google a déclaré dans son rapport environnemental 2024 que ses data centers avaient consommé 6,1 milliards de gallons d'eau (environ 23 milliards de litres) cette année-là, avec l'IA comme facteur de croissance principal.

Les métaux rares et la fabrication des puces

Les GPU qui font tourner l'IA nécessitent des terres rares et des métaux comme le cobalt, le lithium et le tantale. La fabrication d'une seule puce avancée de type NVIDIA H100 implique des processus de gravure extrêmement énergivores dans des usines (fabs) qui consomment autant d'électricité qu'une petite ville. L'empreinte carbone de la fabrication matérielle — ce qu'on appelle le carbone embarqué — représente entre 20 % et 50 % de l'impact total sur le cycle de vie d'un serveur d'IA, selon l'ACM (2024).

Les déchets électroniques en bout de chaîne

Les GPU d'entraînement ont une durée de vie utile de 3 à 5 ans avant d'être remplacés par des modèles plus performants. La course à la puissance de calcul génère un flux croissant de déchets électroniques (e-waste). Selon l'ONU (Global E-waste Monitor 2024), les déchets électroniques mondiaux ont atteint 62 millions de tonnes en 2023, et les équipements de data centers représentent une part en croissance rapide.

À retenir : le coût écologique de l'intelligence artificielle dépasse largement le CO₂. Eau, métaux rares, déchets — l'impact est systémique. C'est ce type de vision globale qu'on développe dans nos cours sur les enjeux sociétaux de l'IA.

4. L'IA peut-elle aussi servir le développement durable ?

L'IA au service de l'optimisation énergétique

Voici le deuxième insight contre-intuitif de cet article : l'IA est aussi l'un des outils les plus puissants pour réduire les émissions de CO₂. DeepMind (Google) a utilisé l'IA pour réduire de 30 % la consommation d'énergie liée au refroidissement des data centers de Google dès 2016, un chiffre confirmé et amélioré depuis. Des systèmes similaires optimisent désormais les réseaux électriques, la logistique des transports et la gestion des bâtiments.

Selon le rapport "AI for Climate" de BCG et Google (2024), les applications d'IA pourraient contribuer à réduire entre 5 et 10 % des émissions mondiales de gaz à effet de serre d'ici 2030 — notamment dans l'agriculture de précision, l'optimisation des chaînes d'approvisionnement et la modélisation climatique.

Modélisation climatique et recherche scientifique

L'IA accélère considérablement la recherche en climatologie. Les modèles comme GraphCast de DeepMind permettent de réaliser des prévisions météorologiques à 10 jours en quelques minutes au lieu de plusieurs heures sur des supercalculateurs traditionnels — avec une précision comparable ou supérieure. Cette rapidité aide les scientifiques à mieux modéliser les scénarios climatiques et à orienter les politiques publiques. L'IA joue aussi un rôle croissant dans la médecine et d'autres domaines où elle permet d'éviter des gaspillages massifs de ressources.

Le bilan net : positif ou négatif ?

La question est ouverte et fait l'objet de débats intenses. Le Boston Consulting Group estime que le potentiel de réduction des émissions grâce à l'IA est 5 à 10 fois supérieur aux émissions générées par le secteur de l'IA lui-même. Mais cette estimation repose sur l'hypothèse que l'IA sera effectivement déployée à des fins de décarbonation — ce qui n'est pas garanti. Aujourd'hui, la majorité de la puissance de calcul IA sert à générer du texte, des images et des vidéos, pas à optimiser des centrales solaires.

À retenir : l'IA n'est ni intrinsèquement polluante ni intrinsèquement verte. Tout dépend de ce pour quoi on l'utilise. Et ça, c'est un choix collectif et individuel.

5. Que font les entreprises d'IA pour réduire leur empreinte carbone ?

Les engagements des géants du numérique

Les grandes entreprises d'IA ont pris des engagements climatiques ambitieux — avec des résultats inégaux :

Le paradoxe est flagrant : plus ces entreprises investissent dans l'IA, plus leurs émissions augmentent, malgré des achats massifs d'énergie renouvelable.

Les stratégies techniques de réduction

Plusieurs leviers techniques existent et sont activement déployés. La quantification des modèles (réduire la précision des calculs de 32 bits à 8 ou 4 bits) permet de diviser la consommation d'inférence par 2 à 4 avec une perte de qualité minime. La distillation consiste à transférer le savoir d'un gros modèle vers un modèle plus petit et plus efficient — c'est exactement ce que font des modèles comme GPT-4o mini ou Mistral Small, qui offrent un bon niveau de performance pour une fraction du coût énergétique.

L'approche open source comme levier d'efficience

Les modèles open source comme Llama 3.3 de Meta permettent à des milliers de développeurs de fine-tuner (affiner) des modèles existants sur des tâches spécifiques, plutôt que d'entraîner de nouveaux modèles depuis zéro. C'est un levier significatif de réduction de l'empreinte globale. Pour comprendre les différences entre ces approches, notre article sur le machine learning et le deep learning est un bon point de départ.

À retenir : les engagements des entreprises sont réels mais insuffisants face à la croissance exponentielle de la demande. Les modèles plus petits et optimisés sont souvent le choix le plus responsable.

6. Comment réduire son propre impact environnemental lié à l'IA ?

Choisir le bon modèle pour la bonne tâche

La première action concrète est de ne pas utiliser un canon pour écraser une mouche. Pour reformuler un e-mail ou résumer un texte court, un modèle léger comme GPT-4o mini, Gemini 2.0 Flash ou Mistral Small suffit largement — et consomme 5 à 10 fois moins d'énergie qu'un modèle frontier. Réservez les modèles les plus puissants (o3, Claude 4, Gemini Ultra 2) aux tâches qui le justifient réellement : analyse complexe, raisonnement en plusieurs étapes, génération de code sophistiqué.

Écrire des prompts plus efficaces

Un prompt vague génère des réponses approximatives, ce qui pousse l'utilisateur à reformuler — doublant ou triplant la consommation pour un même résultat. Apprendre à écrire un bon prompt n'est pas seulement une compétence utile : c'est un geste de sobriété numérique. Un prompt précis, contextualisé, avec un format de sortie clair, obtient le bon résultat du premier coup.

Cinq gestes concrets pour un usage plus sobre

1. Utiliser les modèles légers par défaut et ne passer aux modèles puissants qu'en cas de besoin avéré.
2. Limiter la génération d'images par IA — une seule image générée par Midjourney ou DALL-E consomme autant qu'une cinquantaine de requêtes textuelles.
3. Éviter les requêtes en boucle — structurez votre demande en une seule conversation plutôt que de relancer dix chats séparés.
4. Privilégier les outils IA qui tournent en local quand c'est possible (modèles open source sur votre propre machine), ce qui élimine le coût des data centers.
5. S'interroger sur la nécessité réelle — avez-vous vraiment besoin de l'IA pour cette tâche, ou une recherche classique suffirait-elle ?

Ces gestes sont modestes à l'échelle individuelle, mais ils reflètent une culture de l'usage raisonné qui peut faire la différence à grande échelle. C'est d'ailleurs l'une des dimensions qu'on aborde dans nos cours sur les outils IA pour étudiants.

À retenir : la sobriété numérique n'est pas l'abstinence. C'est utiliser l'IA de manière intentionnelle, pas réflexive.

7. Comprendre l'empreinte carbone de l'IA : une compétence essentielle en 2026

Pourquoi ce sujet fait partie de la culture IA

L'empreinte carbone de l'intelligence artificielle n'est pas un sujet réservé aux ingénieurs ou aux militants écologistes. C'est une dimension fondamentale de la littératie numérique en 2026. L'AI Act européen, entré en application progressive depuis 2024, impose désormais des obligations de transparence sur l'impact environnemental des systèmes d'IA à haut risque. Comprendre ces enjeux, c'est comprendre le cadre réglementaire dans lequel l'IA évolue aujourd'hui.

Pour les collégiens et lycéens, ces connaissances sont directement mobilisables dans les cours de SVT, d'EMC, de NSI ou de sciences économiques. Pour les adultes, c'est un enjeu professionnel — de plus en plus d'entreprises intègrent l'empreinte numérique dans leur bilan RSE, et les nouveaux métiers de l'IA exigent cette vision globale.

Ce que les cours et les manuels n'expliquent pas encore

La plupart des formations à l'IA se concentrent sur le "comment utiliser" sans aborder le "à quel prix écologique". Or, se former à l'IA de manière complète signifie aussi comprendre les arbitrages qui se jouent en coulisses : entre performance et efficience, entre innovation et soutenabilité, entre usage individuel et impact collectif. C'est la différence entre un utilisateur passif et un citoyen numérique informé.

Apprendre à penser l'IA dans sa globalité

Chez Cours IA Paris, nous intégrons ces questions environnementales et éthiques dans tous nos programmes — pas comme un chapitre à part, mais comme un fil rouge. Quand un lycéen apprend à utiliser l'IA pour ses devoirs, il apprend aussi à se poser les bonnes questions : quel modèle choisir, pourquoi, et à quel coût — pas seulement financier, mais écologique. Quand un adulte se forme à l'IA générative, il comprend pourquoi un modèle distillé peut être un meilleur choix qu'un modèle massif pour 90 % de ses besoins.

Cette approche n'est pas moralisatrice. Elle est pragmatique. L'IA va continuer de croître. La question n'est pas de l'arrêter, mais de l'utiliser avec lucidité. Si vous souhaitez développer cette compréhension — pour vous ou pour vos enfants — vous pouvez consulter notre programme ou réserver un premier cours.

À retenir : comprendre l'empreinte carbone de l'intelligence artificielle, ce n'est pas être anti-tech. C'est être pro-tech de manière responsable. Et en 2026, c'est une compétence aussi importante que savoir écrire un prompt.