Empreinte carbone de l’IA : 5 idées reçues à revoir
Environnement · Intelligence artificielle
L’intelligence artificielle est souvent présentée comme une technologie immatérielle : quelques lignes de texte apparaissent à l’écran, et l’infrastructure disparaît du regard. Pourtant, derrière chaque modèle se trouvent des puces, des centres de données, des réseaux et des chaînes d’approvisionnement. Pour discuter sérieusement de son empreinte carbone, il faut dépasser les slogans et examiner les périmètres de calcul.
1. « Une requête, c’est toujours une quantité fixe d’énergie »
Il n’existe pas de chiffre universel valable pour chaque question posée à une IA. Le coût varie selon le modèle utilisé, sa taille, le matériel qui l’exécute, la longueur de l’échange et la complexité de la tâche. Générer une réponse brève n’est pas équivalent à produire un long texte, analyser une image ou créer une vidéo.
Le lieu et le moment comptent aussi. L’électricité consommée peut provenir d’un réseau dont l’intensité carbone diffère selon les pays et les heures. Comparer deux estimations sans vérifier leurs hypothèses — modèle, durée, équipement, mix électrique — revient donc à comparer des périmètres différents. Une mesure utile publie ses méthodes et distingue les données observées des estimations.
2. « L’entraînement explique presque tout »
La phase d’entraînement, qui permet au modèle d’apprendre à partir de vastes corpus, peut mobiliser d’importantes ressources de calcul. Elle attire donc légitimement l’attention. Mais l’empreinte ne s’arrête pas au jour où le modèle est prêt : chaque utilisation répétée mobilise des serveurs, et le déploiement à grande échelle peut rendre l’inférence — la production des réponses — déterminante dans le bilan cumulé.
Il faut également compter les essais, les mises à jour et les modèles qui ne sont finalement pas diffusés. Pour apprécier l’impact, les entreprises devraient préciser à quelle période et à quel service se rapporte leur bilan, plutôt que de présenter une valeur isolée. La question essentielle est celle du volume d’usage auquel cette valeur est appliquée.
3. « Les centres de données ne consomment que de l’électricité »
L’électricité alimente les processeurs et les systèmes du centre de données, mais elle ne résume pas toutes les pressions environnementales. Les installations doivent gérer la chaleur produite par les équipements ; certaines solutions de refroidissement nécessitent de l’eau. Les volumes et leurs effets locaux dépendent notamment des technologies utilisées, du climat et de la ressource disponible dans le bassin concerné.
Il faut aussi considérer les équipements eux-mêmes. Extraire et transformer les matières premières, fabriquer les puces et les serveurs, puis les remplacer ou les recycler mobilise des ressources et génère des émissions. Une analyse de cycle de vie cherche à intégrer ces étapes, au lieu de limiter le calcul à la consommation affichée pendant l’utilisation.
Un détour par les usages concrets. Examiner l’impact d’un service numérique invite aussi à s’interroger sur les choix matériels du quotidien et sur la valeur des ressources locales. Des pratiques autour du potager, de la cuisine et de la fabrication maison, comme celles explorées sous le nom de Terroir Vivant, rappellent que sobriété et savoir-faire se construisent souvent à l’échelle des territoires.
4. « Une IA plus efficace est forcément plus écologique »
Un modèle plus performant peut accomplir une tâche avec moins de calcul qu’un modèle antérieur. C’est un progrès réel, mais il ne garantit pas une baisse de l’empreinte totale. Si le service devient moins coûteux, plus rapide et plus facile à intégrer, davantage de personnes et d’organisations peuvent l’utiliser : c’est un effet rebond possible.
Le bilan dépend donc à la fois de l’efficacité par opération et du nombre d’opérations. Il dépend aussi de la tâche choisie : employer un système très gourmand pour une demande simple n’a pas le même sens que l’utiliser lorsqu’il apporte un bénéfice net et difficile à obtenir autrement. La bonne comparaison porte sur le service rendu, pas seulement sur la taille du modèle.
5. « Un chiffre unique permet de classer les acteurs »
Les annonces d’empreinte sont difficiles à comparer lorsque les entreprises ne publient ni la même période ni les mêmes frontières de calcul. Certaines données peuvent inclure l’énergie du bâtiment, d’autres non ; une estimation peut couvrir l’entraînement seul, une autre l’ensemble des usages. Les achats d’électricité renouvelable, eux aussi, doivent être décrits avec précision : une déclaration ne révèle pas à elle seule l’électricité effectivement disponible à chaque heure.
Pour suivre les progrès, les indicateurs devraient être accompagnés de leur méthode, de leur périmètre et de leurs incertitudes. Il est pertinent de croiser consommation énergétique, intensité carbone, besoins en eau, durée de vie du matériel et volume d’utilisation. La transparence rend les chiffres discutables et vérifiables, plutôt que simplement séduisants.
Mesurer avant de conclure
Les cinq idées reçues ont un point commun : elles réduisent un système complexe à un nombre, une phase ou une promesse d’efficacité. Or, l’empreinte de l’IA varie selon les modèles, les infrastructures, les usages et les territoires. Les estimations sont nécessaires, mais elles doivent être contextualisées, mises à jour et présentées avec leurs limites.
Une enquête solide peut croiser les données énergétiques, les informations des opérateurs, les déclarations des fournisseurs et les contraintes locales. Les visualiser dans le temps et sur une carte aide à repérer les écarts entre les engagements et les ressources mobilisées. Pour découvrir d’autres analyses fondées sur les données, retrouvez les enquêtes et décryptages de DataVox.
La question n’est donc pas de déclarer l’IA « propre » ou « polluante » en bloc. Elle consiste à savoir quel système est utilisé, pour quel besoin, avec quelles ressources et selon quelle méthode de calcul. C’est à cette condition que l’on peut distinguer les gains réels des effets d’annonce — et décider où l’innovation est pertinente.