L'impact environnemental de l'intelligence artificielle fait référence aux effets agrégés que le développement, le déploiement et l'utilisation des systèmes d'IA ont sur l'environnement naturel. Ces effets couvrent l'ensemble du cycle de vie des technologies d'IA, de l'extraction des matières premières pour la fabrication du matériel à l'électricité et à l'eau consommées pendant l'entraînement et l'inférence des modèles, jusqu'à l'élimination des déchets électroniques. Alors que les modèles d'IA ont gagné en échelle et en complexité, en particulier avec l'essor des grands modèles de langage et de l'IA générative, l'empreinte environnementale associée est devenue un sujet de recherche important et de débat public.
Quantifier cet impact est difficile en raison de la nature propriétaire d'une grande partie de l'infrastructure d'IA et de la variabilité des réseaux électriques. Cependant, les études indiquent systématiquement que l'entraînement d'un seul grand modèle peut émettre des centaines de tonnes d'équivalent dioxyde de carbone, comparable aux émissions sur la durée de vie de plusieurs voitures. La consommation d'énergie opérationnelle pour l'inférence, où les modèles entraînés génèrent des réponses, dépasse souvent les coûts d'entraînement au fil du temps, en particulier pour les systèmes largement déployés. La consommation d'eau pour le refroidissement des centres de données ajoute une autre dimension, avec des estimations suggérant qu'une conversation typique avec un grand modèle de langage peut consommer l'équivalent d'une bouteille d'eau en ressources de refroidissement.
Consommation d'énergie et émissions de carbone
La principale préoccupation environnementale liée à l'IA est sa demande en électricité. L'entraînement d'un modèle moderne d'apprentissage profond nécessite des milliers de processeurs spécialisés, tels que des unités de traitement graphique (GPU) ou des unités de traitement tensoriel (TPU), fonctionnant pendant des semaines ou des mois. Par exemple, l'entraînement d'un grand modèle basé sur des transformeurs en 2020 a été estimé à environ 1 287 mégawattheures d'électricité, entraînant environ 552 tonnes d'émissions d'équivalent dioxyde de carbone. Des modèles plus récents, tels que GPT-4, sont considérés comme ayant utilisé beaucoup plus d'énergie, bien que les chiffres exacts ne soient pas divulgués publiquement.
L'inférence, le processus d'utilisation d'un modèle entraîné, est également énergivore. Une seule requête à un grand modèle de langage peut nécessiter plusieurs fois plus d'énergie qu'une recherche web standard. En 2024, les centres de données dans le monde consommaient environ 1 à 2 % de l'électricité mondiale, les charges de travail d'IA représentant une part croissante. Des entreprises comme Google Cloud, Amazon Web Services et Microsoft Azure se sont engagées à des opérations neutres en carbone ou alimentées par des énergies renouvelables, mais la croissance rapide de l'IA menace de dépasser ces efforts de durabilité.
Exigences en eau et refroidissement
Les centres de données hébergeant du matériel d'IA génèrent une chaleur substantielle, nécessitant des systèmes de refroidissement efficaces. De nombreuses installations utilisent un refroidissement évaporatif à base d'eau, qui consomme de grands volumes d'eau douce. Des recherches publiées en 2023 ont estimé que l'entraînement de GPT-3 dans les centres de données de Microsoft évaporait directement environ 700 000 litres d'eau propre. Pour l'inférence, une conversation typique de 20 à 50 questions avec un grand modèle de langage était estimée à environ 500 millilitres d'eau, selon l'emplacement du centre de données et l'efficacité du refroidissement.
La rareté de l'eau est une préoccupation particulière dans les régions arides où les centres de données sont souvent construits. Les entreprises explorent des méthodes de refroidissement alternatives, telles que le refroidissement par immersion liquide ou les systèmes à air, mais celles-ci ont leurs propres compromis. En 2025, plusieurs grands développeurs d'IA ont commencé à publier des mesures d'utilisation de l'eau, bien que les données complètes à l'échelle de l'industrie restent incomplètes.
Fabrication de matériel et déchets électroniques
L'impact environnemental de l'IA s'étend au-delà de l'énergie opérationnelle à la production de matériel spécialisé. La fabrication des puces avancées de TSMC, utilisées dans de nombreux accélérateurs d'IA, nécessite une énergie et une eau importantes, ainsi que des minéraux de terres rares et d'autres matériaux à coûts d'extraction élevés. Le processus de fabrication des semi-conducteurs est parmi les activités industrielles les plus gourmandes en ressources, une seule tranche nécessitant des milliers de gallons d'eau ultrapure.
Les déchets électroniques provenant du matériel d'IA obsolète sont un autre problème croissant. Les GPU et les accélérateurs ont une durée de vie utile courte en raison des progrès technologiques rapides, entraînant une augmentation des déchets électroniques. Les taux de recyclage des appareils électroniques restent faibles à l'échelle mondiale, et les matériaux complexes des puces d'IA rendent la récupération difficile. Certaines entreprises, comme Intel et AMD, ont lancé des programmes de reprise, mais la charge environnementale globale du cycle de vie du matériel est souvent sous-estimée dans les évaluations d'impact de l'IA.
Stratégies d'atténuation et recherche
Les chercheurs et les praticiens de l'industrie développent plusieurs approches pour réduire l'empreinte environnementale de l'IA. Les techniques d'efficacité des modèles, telles que élagage, quantification (pas dans la liste, mais lié), et distillation (pas dans la liste), peuvent réduire le coût computationnel de l'inférence sans pertes majeures de précision. L'augmentation des données et l'apprentissage par curriculum peuvent améliorer l'efficacité de l'entraînement, nécessitant moins d'époques et moins d'énergie.
Côté infrastructure, l'utilisation de sources d'énergie renouvelables, l'optimisation du refroidissement des centres de données et la localisation du calcul dans des régions à faible émission de carbone sont des stratégies courantes. Google DeepMind a appliqué l'apprentissage automatique lui-même pour réduire l'énergie de refroidissement des centres de données jusqu'à 40 %. De plus, la planification sensible au carbone, qui déplace les tâches d'entraînement vers des moments où l'énergie renouvelable est abondante, est adoptée par certains fournisseurs de cloud.
Des efforts politiques et de normalisation émergent également. La proposition de loi sur l'IA de l'Union européenne inclut des exigences de transparence concernant la consommation d'énergie des systèmes d'IA. Des groupes académiques, tels que le Stanford AI Lab, ont publié des lignes directrices pour rapporter le coût environnemental de la recherche en IA. Cependant, en 2025, il n'existe pas de norme universellement acceptée pour mesurer ou divulguer l'impact environnemental de l'IA, ce qui rend les comparaisons difficiles.
Perspectives futures et incertitudes
La trajectoire de l'impact environnemental de l'IA dépend de plusieurs facteurs. Si les tendances actuelles de mise à l'échelle des modèles se poursuivent, la demande en énergie pourrait croître de manière exponentielle, ce qui pourrait mettre à rude épreuve les réseaux électriques et retarder les efforts de décarbonation. À l'inverse, les progrès en efficacité matérielle, tels que les puces AWS Trainium ou les processeurs d'inférence de Groq, pourraient dissocier la performance de l'IA de la consommation d'énergie.
L'incertitude entoure également l'effet de rebond : une IA plus efficace pourrait entraîner une utilisation accrue, compensant les gains. Certains experts soutiennent que l'IA peut aider à résoudre des problèmes environnementaux, tels que l'optimisation des réseaux électriques ou la découverte de nouveaux matériaux pour les batteries, créant potentiellement un impact net positif. En 2025, le consensus est que l'impact environnemental de l'IA est significatif et croissant, mais gérable avec des politiques proactives, l'innovation technologique et l'engagement de l'industrie en faveur de la durabilité.