« On présente l’IA comme immatérielle, alors qu’elle repose sur des équipements et des infrastructures énergivores », résume Thomas Brilland, du service Sobriété et consommation de l’Ademe. Au cœur de la machine : le GPU, un processeur initialement conçu pour l’affichage graphique, devenu incontournable pour entraîner les modèles d'IA grâce à sa capacité à effectuer des milliards de calculs en parallèle. Chaque puce coûte entre 40 000 et 50 000 dollars et consomme autant qu'un four à micro-ondes fonctionnant en continu. Un serveur en regroupe généralement huit. Quant aux grands centres de calcul dédiés à l'IA, ils peuvent en accueillir plusieurs dizaines de milliers, pour une puissance installée équivalente à celle d'un réacteur nucléaire.
À cette infrastructure matérielle s'ajoutent plusieurs impacts environnementaux. Les centres de données nécessitent de vastes surfaces, avec l'artificialisation des sols et la bétonisation que cela implique. Leur refroidissement peut également mobiliser d'importantes quantités d'eau, une ressource particulièrement sensible en période de sécheresse, et contribuer à la formation d'îlots de chaleur urbains.
Entraîner, utiliser : une consommation qui s’emballe
Pour comprendre l'empreinte environnementale de l'IA, l'Ademe distingue deux grandes étapes. D’abord, l’entraînement. Durant cette phase d'apprentissage, le modèle ajuste ses paramètres à partir de gigantesques volumes de données, en mobilisant des milliers de serveurs pendant plusieurs jours. Sans compter que de nombreux modèles sont également entraînés sans jamais être rendus publics
Difficile, dans ces conditions, de mesurer précisément leur empreinte. Le secteur souffre d'une double opacité : les grands acteurs communiquent peu de données et, lorsqu'elles sont disponibles, les méthodes de calcul sont trop hétérogènes pour permettre des comparaisons fiables. Résultat : peu de chiffres consolidés et des données qui deviennent rapidement obsolètes dans un secteur en évolution permanente.
Ensuite, l’usage. « La consommation énergétique d’une requête est très faible. Mais rapportée aux milliards de requêtes effectuées chaque jour, elle peut dépasser celle nécessaire à l’entraînement des modèles. », explique Thomas Brilland. Un exemple permet de mesurer l'ampleur du phénomène : en juillet 2025, ChatGPT enregistrait environ 2,6 milliards de requêtes quotidiennes. En appliquant l'estimation de consommation (probablement conservatrice) avancée par Sam Altman, PDG d'OpenAI, cela représenterait 884 MWh par jour, soit l'équivalent de la consommation électrique quotidienne de 145 000 personnes en France.
L’importance du mix électrique
En 2025, les centres de données du monde entier ont consommé 485 TWh d'électricité. Une consommation équivalente à celle de la France, à laquelle l'IA contribue de plus en plus fortement. Ce chiffre pourrait doubler d'ici 2030. En France, la consommation électrique des centres de données pourrait, quant à elle, être multipliée par 3,7 d'ici 2035 si la tendance actuelle se poursuit.
Mais toutes les requêtes ne se valent pas sur le plan environnemental. Leur empreinte dépend notamment du mix électrique du pays dans lequel elles sont traitées : un réseau alimenté par des sources décarbonées n'a pas le même impact qu'un réseau reposant largement sur le charbon ou le gaz.
La France dispose ici d'un avantage, grâce à son parc nucléaire, qui permet d'alimenter les centres de données installés sur son territoire avec une électricité largement décarbonée. À l'inverse, aux États-Unis, certains industriels vont jusqu'à installer des centrales à gaz directement sur leurs sites, faute de pouvoir obtenir suffisamment rapidement un raccordement au réseau électrique.
AI for Green VS AI for Brown
L'intelligence artificielle peut-elle aussi contribuer à la transition écologique ? Oui, mais les applications les plus pertinentes reposent généralement sur des IA dites « traditionnelles », bien moins énergivores, et non sur l’IA générative. Ces solutions, regroupées sous l'appellation AI for Green, permettent notamment d'optimiser les chaînes logistiques, d'améliorer l'efficacité énergétique des bâtiments et des équipements, de développer la maintenance prédictive ou encore de mieux anticiper les effets du dérèglement climatique.
À l'inverse, l'IA peut aussi servir des activités fortement émettrices de gaz à effet de serre. Certaines applications, qualifiées d'AI for Brown, contribuent ainsi à optimiser l'extraction des énergies fossiles ou à identifier de nouveaux gisements de pétrole. Des usages dont les impacts environnementaux indirects pourraient largement dépasser l'empreinte directe de l'IA générative.
Quatre leviers pour limiter l'impact de l'IA générative
L’empreinte de l’IA générative n’a rien d’une fatalité technique : elle dépend de choix qui se jouent à quatre niveaux.
1. Mesurer pour mieux maîtriser
Premier enjeu : disposer de chiffres fiables et comparables. L'Ademe plaide pour une méthodologie commune, fondée sur une analyse du cycle de vie multicritères. Celle-ci doit prendre en compte non seulement les émissions de gaz à effet de serre, mais aussi la consommation d'énergie et d'eau ainsi que l'épuisement des ressources métalliques. Concernant l'électricité, l'agence recommande de comptabiliser les émissions réelles du pays dans lequel fonctionne le serveur, plutôt que de se fier aux seules garanties d'origine ou aux contrats d'achat d'électricité verte.
En attendant l'adoption d'un standard commun, plusieurs outils permettent déjà d'obtenir des ordres de grandeur, comme CodeCarbon, Ecologits ou Green Algorithms.
2. Concevoir des IA plus sobres
Les concepteurs disposent déjà de plusieurs référentiels pour intégrer l'écoconception dès la création des services. Parmi eux : le référentiel IA Frugale de l'AFNOR, spécifiquement consacré à l'intelligence artificielle, et le Référentiel général de l'écoconception des services numériques (RGESN), porté par l'Arcep et l'Arcom. Ce dernier couvre l'ensemble des services numériques et comporte notamment un volet consacré à l'algorithmie, applicable à l'IA.
Mais la sobriété commence encore plus en amont, avec une question essentielle : a-t-on réellement besoin d'un modèle génératif pour répondre à ce besoin, ou une solution plus légère serait-elle suffisante ? Le Shift Project propose notamment une « boussole de l'IA » pour aider à orienter ces choix.
L'une des pistes les plus prometteuses consiste à privilégier des modèles de petite taille, spécialisés et entraînés sur des données fiables pour répondre à un besoin précis, plutôt que de recourir systématiquement aux grands modèles généralistes. Moins gourmands en ressources et moins coûteux, ces modèles ciblés permettent aussi de réduire la dépendance aux grands acteurs du secteur.
3. Relocaliser et planifier les infrastructures
L'implantation des centres de données constitue un autre levier d'action. Rapatrier en France des infrastructures aujourd'hui hébergées à l'étranger peut contribuer à réduire leur empreinte carbone, puisque le mix électrique français est moins carboné que la moyenne mondiale. Le bénéfice ne joue toutefois à plein que si cette relocalisation s’accompagne d’une vraie planification territoriale : centres de données plus efficaces, alimentés par des énergies décarbonées ou renouvelables locales, et dont la chaleur dégagée est récupérée plutôt que perdue, par exemple pour chauffer des bâtiments voisins
L'enjeu est également stratégique. Maîtriser l'implantation des infrastructures, c'est aussi renforcer la souveraineté numérique, en conservant davantage de contrôle sur les équipements, les modèles et les choix de conception.
4. Adopter des usages plus responsables
La responsabilité individuelle ne suffira pas à résoudre le problème, mais certains réflexes peuvent contribuer à limiter l'empreinte des usages. L'Ademe recommande notamment de choisir un modèle adapté à son besoin plutôt que de solliciter systématiquement le plus puissant, de formuler des requêtes précises pour éviter les relances ou encore de limiter la génération de vidéos, particulièrement énergivore.
L'agence préconise également de désactiver l’IA générative imposée par défaut, comme les résumés automatiques en tête des résultats de recherche. « C'est un vrai problème pour les utilisateurs qui cherchent à limiter leur empreinte », souligne Thomas Brilland.
