Impact écologique de l’IA

Qu’en est-il des effets de l’IA sur le milieu dans lequel nous vivons? Y a-t-il des différences entre les types d’application? Et tant qu’on y est: quid des autres technologies?

GEMINI me répond

L’impact écologique de l’intelligence artificielle générative (texte, image, vidéo) est une thématique complexe. Pour l’évaluer correctement, il convient de différencier le coût par requête, l’empreinte globale des centres de données et l’ordre de grandeur par rapport à d’autres usages quotidiens et industriels.

1. Hiérarchie d’impact de l’IA Générative : Texte vs Image vs Vidéo

Toutes les requêtes IA ne se valent pas. La consommation d’énergie varie de plusieurs ordres de grandeur selon la modalité générée et la complexité du modèle :
Modalité Consommation moyenne par requête Équivalent d’émissions (ordre de grandeur)
Texte (requête simple) (ex: GPT-4o, Gemini Flash) ~0,2 à 0,4 Wh ~0,1 g CO₂e (quasiment identique à une recherche Google classique)
Texte avec raisonnement (ex: DeepSeek-R1, OpenAI o3) ~15 à 30 Wh ~1 à 8 g CO₂e (le modèle effectue des chaînes de pensées internes)
Image (ex: Midjourney, Flux, DALL-E 3) ~2,5 à 3 Wh ~1,3 g CO₂e (équivalent à ~300 requêtes texte simples)
Vidéo (5 secondes HD) (ex: Sora, Veo, Kling) ~25 à 90 Wh ~11 à 39 g CO₂e (équivalent à 30 images ou 300 requêtes texte)

Les trois facteurs d’impact

  1. L’Inférence (l’usage au quotidien) : C’est le calcul réalisé par la puce graphique (GPU/TPU) à chaque génération. Si une requête texte est très légère, la génération de vidéo réclame de calculer des dizaines d’images intermédiaires dépendantes les unes des autres, ce qui fait exploser la consommation.
  2. L’Entraînement des modèles : L’apprentissage d’un grand modèle (LLM ou modèle vidéo) nécessite des milliers de GPU tournant pendant des mois, émettant plusieurs centaines ou milliers de tonnes de CO₂ avant même la première utilisation.
  3. L’Eau de refroidissement : Outre l’électricité, les centres de données consomment des millions de litres d’eau pour refroidir les serveurs à forte charge, impactant localement les ressources hydriques.

2. Comparaison avec l’impact d’autres technologies

Pour situer l’impact d’une génération IA, il faut le mettre en perspective avec le reste du numérique et les transports.
Émission de CO₂e par action (ordres de grandeur) :

[Requête IA texte]        ▪ 0,1 g
[Recherche Google]        ▪ 0,1 g - 0,3 g
[1h de streaming HD]      ████ 15 - 35 g
[1 vidéo IA (5 sec)]      ██████ 39 g
[Fabriquer 1 smartphone]   ████████████████████████████████ 50 000 g
[1 km en voiture therm.]  ████████████ 140 g
  • IA texte vs Streaming vidéo classique : Un échange de texte avec une IA générative consomme très peu d’énergie. Regarder 1 heure de vidéo en 4K sur Netflix ou YouTube (qui mobilise les serveurs de contenu, le réseau et l’écran) émet autant de CO₂ que la génération de 150 à 300 requêtes texte simples.
  • IA vidéo vs Déplacements : Générer une vidéo IA de 5 secondes (~39 g CO₂e) émet autant de carbone que parcourir environ 280 mètres en voiture thermique.
  • Usage système vs Fabrication du matériel : Dans le secteur du numérique, l’utilisation des services de cloud et d’IA ne représente généralement que moins de 5 % du bilan carbone utilisateur ou entreprise. La majeure partie de l’empreinte environnementale du numérique (70 % à 80 %) provient de la fabrication des appareils (extraction des terres rares, production des puces, assemblage).

3. L’enjeu macro-économique et l’Effet Rebond

Bien qu’une requête texte individuelle soit très sobre, le problème de l’IA réside dans l’échelle globale et l’effet rebond (paradoxe de Jevons) :
  • Croissance des centres de données : L’intégration massive de l’IA dans tous les logiciels du quotidien (moteurs de recherche, suites bureautiques, réseaux sociaux) augmente drastiquement la demande mondiale en électricité. Les data centers représentent aujourd’hui environ 1,5 % à 2 % de la consommation électrique mondiale, un chiffre qui pourrait doubler d’ici 2030.
  • L’Effet Rebond : À mesure que la génération de vidéos ou d’images devient plus fluide, économe et accessible, le volume d’utilisation augmente de façon exponentielle, annulant les gains d’efficacité technologique.

Synthèse

L’IA générative de texte a une empreinte unitaire très faible, comparable à une recherche web. En revanche, la génération de vidéo et d’images avancées exige des ressources matérielles et énergétiques considérablement plus lourdes. À l’échelle globale, le défi environnemental de l’IA ne réside pas dans l’acte d’écrire une question à un assistant, mais dans la prolifération des infrastructures matérielles et la hausse massive du volume de médias générés à la demande.

NOTEBOOK me dit

Les sources présentées analysent l’empreinte environnementale de l’intelligence artificielle à travers l’ensemble de son cycle de vie, en comparant notamment l’énergie nécessaire à une requête ChatGPT à celle d’une recherche Google, estimée à environ 0,3 Wh. Elles détaillent également l’impact global des technologies d’IA sur les émissions de carbone, la consommation d’eau et la production de déchets électroniques, tout en soulignant que l’utilisation de workflows agentiques multiplie de manière exponentielle la consommation énergétique par rapport à une inférence classique. Enfin, elles proposent des solutions durables, telles que l’allongement de la durée de vie des équipements informatiques et le choix d’hébergeurs alimentés par des sources d’énergie décarbonées, pour réduire l’impact écologique des entreprises.

Vous pouvez consulter et interroger le notebook ici.