On la dit virtuelle, impalpable. Pourtant, derrière chaque requête se cachent des entrepôts de plusieurs hectares, des puces à 50 000 dollars et une facture électrique qui pourrait, en France, être multipliée par 3,7 d’ici 2035. À l’heure où l’IA générative s’invite partout, l’ADEME a publié un avis sur ses impacts environnementaux réels et les leviers pour les limiter.
Derrière l’écran, des tonnes de matériel
« 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 conçu à l’origine pour l’affichage graphique et devenu la puce de référence pour entraîner les modèles, parce qu’il excelle à mener des milliards de calculs en parallèle. Chaque GPU coûte entre 40 000 et 50 000 dollars et consomme autant qu’un four à micro-ondes qui ne s’éteindrait jamais. Or, un serveur regroupe huit de ces puces. Un gros centre de calcul dédié à l’IA en aligne des dizaines de milliers, pour une puissance installée qui représente l’équivalent d’un réacteur nucléaire. Ces serveurs doivent être logés quelque part, avec l’emprise foncière et la bétonisation que cela suppose. S’y ajoutent une consommation d’eau parfois lourde pour le refroidissement (critique en période de sécheresse) et qui peut contribuer aux îlots de chaleur urbains. Enfin, la fabrication est une étape très gourmande en ressources minérales.
Entraîner, utiliser : une consommation qui s’emballe
Pour bien comprendre l’empreinte de l’IA, il faut aussi distinguer deux moments clés. L’entraînement, d’abord. C’est la phase d’apprentissage pendant laquelle le modèle ajuste ses paramètres sur des masses de données, en mobilisant des milliers de serveurs pendant plusieurs jours. Beaucoup de modèles sont également entraînés sans jamais être rendus publics. Le secteur souffre d’une double opacité : les grands acteurs communiquent peu de données, et lorsque des données existent, elles sont bâties sur des méthodes trop différentes pour être comparées. Résultat : peu de chiffres fiables sur lesquels s’appuyer et un secteur qui évolue tellement vite qu’ils deviennent obsolètes rapidement.
Vient 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. Ainsi, en juillet 2025, ChatGPT enregistrait environ 2,6 milliards de requêtes par jour. En retenant l’estimation de consommation (probablement conservatrice) avancée par Sam Altman, PDG d’OpenAI, cela représenterait 884 MWh quotidiens, ce qui correspond à la consommation électrique de 145 000 personnes en France.
L’importance du mix électrique
En 2025, la consommation électrique de l’ensemble des centres de données dans le monde (dont l’IA fait partie des contributeurs majeurs) atteignait 485 TWh, soit l’équivalent de la consommation totale de la France. Elle pourrait doubler d’ici 2030. En France, elle pourrait être multipliée par 3,7 d’ici 2035 si on poursuit la tendance actuelle. Des millions de requêtes n’auront pas le même impact selon qu’elles tournent sur un réseau de production électrique décarboné ou sur un réseau dominé par le charbon et le gaz. A titre d’exemple, la France alimente les centres de données installés sur son territoire avec une électricité décarbonée, grâce à ses centrales nucléaires. A l’inverse aux États-Unis, certains industriels installent des centrales à gaz directement sur le site de leurs centres de données, faute de pouvoir se raccorder assez vite au réseau électrique.
L’IA peut-elle contribuer à sauver le climat ?
Les usages au service de la transition reposent le plus souvent sur des IA dites « traditionnelles », bien moins énergivores, et non sur l’IA générative. Ces solutions AI for Green sont utilisées pour l’optimisation des chaînes logistiques, l’efficience énergétique, la maintenance prédictive, ou encore l’adaptation au dérèglement climatique. A l’inverse, le revers existe : certaines IA servent à optimiser l’extraction d’énergies fossiles et à repérer de nouveaux gisements de pétrole. Cet AI for Brown entraîne des impacts indirects qui pourraient dépasser de très loin l’empreinte directe de l’IA générative.
Quatre recommandations 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.
- Mesurer autant que possible. Ce premier levier implique de produire des chiffres fiables et comparables. L’ADEME plaide en faveur d’une méthodologie commune, fondée sur une analyse du cycle de vie multicritères, qui évalue non seulement l’empreinte carbone, mais aussi la consommation d’énergie et d’eau ainsi que l’épuisement des ressources métalliques. Pour l’électricité, l’ADEME recommande de compter les émissions réelles du pays où tourne le serveur plutôt que celles affichées dans un contrat d’achat d’énergie verte. Dans son avis, elle distingue deux échelles d’évaluation : celle du service d’IA dans son ensemble et celle d’une requête individuelle, qui ne peut à elle seule rendre compte de son impact. En attendant qu’un standard s’impose, des outils existent déjà pour estimer des ordres de grandeur, comme CodeCarbon, Ecologits ou Green Algorithms. Et la commande publique peut jouer un rôle incitatif : une fiche d’achat responsable de solutions d’IA a été publiée fin 2025 par la DINUM, la Direction des achats de l’État et le Commissariat général au développement durable.
- Concevoir des IA plus sobres. Côté concepteurs, deux référentiels d’éco-conception sont déjà disponibles : le référentiel IA Frugale de l’AFNOR, spécifique à l’IA, et le Référentiel général de l’écoconception des services numériques (RGESN) de l’Arcep et de l’Arcom, qui couvre tout le numérique avec une partie « algorithmie » applicable à l’IA. Ils pourraient d’ailleurs servir de base à un futur label distinguant les services en fonction de leur niveau d’écoconception. Mais la frugalité commence plus en amont, par une question simple, trop rarement posée : a-t-on vraiment besoin d’un modèle génératif pour cet usage, ou une solution plus légère suffirait-elle ? Le Shift Project propose à cet égard une « boussole de l’IA » pour éclairer ces arbitrages. La piste la plus structurante tient en une idée : préférer de petits modèles spécialisés, entraînés sur des données fiables pour répondre à un besoin précis, aux grands modèles généralistes énergivores. Ces modèles ciblés consomment moins, coûtent moins cher et réduisent la dépendance aux acteurs dominants, un atout que l’Inria présente même comme un levier de compétitivité.
- Relocaliser et planifier. L’implantation des infrastructures est un levier à part entière. Rapatrier en France des centres de données aujourd’hui hébergés à l’étranger réduit les émissions, à condition qu’ils servent à alimenter les usages actuels. En effet, 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 dépasse l’environnement : il touche à la souveraineté, c’est-à-dire à la capacité de garder la main sur les infrastructures, les modèles et les choix de conception. L’appel à projets France 2030 Econum fait partie des outils mobilisés en ce sens.
- Côté utilisateurs : des gestes qui comptent. La responsabilité individuelle ne réglera pas tout, mais certains réflexes pèsent réellement. L’ADEME recommande ainsi de choisir un modèle adapté au besoin plutôt que le plus puissant par défaut, formuler des requêtes précises qui évitent les relances, ou encore limiter la génération de vidéo (qui apparait à ce stade comme un usage particulièrement énergivore). L’ADEME recommande aussi 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. Les concepteurs doivent permettre aux utilisateurs de faire des choix éclairés, notamment en leur indiquant comment refuser les fonctionnalités IA par défaut.
Aucun de ces leviers ne suffit isolément. Conjugués ensemble, ils dessinent une autre trajectoire pour nous permettre de maîtriser l’empreinte environnementale de l’IA générative.