ChatGPT et l’environnement : une requête peut-elle vraiment faire fondre la glace ?

Une phrase générée par ChatGPT ne peut pas, à elle seule, être tenue responsable de la fonte d’une calotte glaciaire. La formule est volontairement provocatrice, et elle ne correspond pas à une relation de cause à effet que l’on saurait mesurer. Elle pointe toutefois vers une réalité moins spectaculaire, mais bien concrète : l’intelligence artificielle générative repose sur une infrastructure physique dont la consommation d’énergie, d’eau et de matières premières augmente avec les usages.

L’essor des assistants conversationnels a rendu cette infrastructure presque invisible. Poser une question semble immatériel : quelques mots sont saisis, une réponse apparaît. Pourtant, entre les deux, des serveurs calculent, transmettent et stockent des données dans des centres de données. À grande échelle, la multiplication de ces opérations pose une question essentielle : comment profiter des capacités de l’IA sans ignorer son coût écologique ?

Une formule choc, mais pas une causalité démontrée

Dire que ChatGPT a « provoqué » la fonte d’une calotte glaciaire en rédigeant un titre relève de l’image, pas d’un constat scientifique. Le climat résulte de l’accumulation mondiale des émissions de gaz à effet de serre sur de longues périodes. La fonte d’une masse de glace dépend ensuite de nombreux paramètres, dont les températures de l’air et de l’océan, les précipitations, les courants marins et la géographie locale.

Il n’existe pas de mesure permettant de relier une requête donnée à la disparition d’une quantité précise de glace. Une réponse de chatbot mobilise une part très faible et variable d’une infrastructure partagée par un grand nombre de personnes et de services. Son empreinte dépend notamment du modèle employé, de la longueur de la demande et de la réponse, de l’efficacité des puces, du taux d’occupation des serveurs et de l’électricité disponible au moment du calcul.

Cela ne signifie pas que la question environnementale est imaginaire. Elle doit simplement être posée à la bonne échelle : celle des millions, voire des milliards d’interactions, des entraînements de modèles, des flottes de serveurs et des nouveaux centres de données construits pour répondre à la demande.

Que se passe-t-il lorsqu’on interroge ChatGPT ?

ChatGPT est un système d’IA générative capable de produire du texte à partir d’une consigne. Il s’appuie sur un grand modèle de langage, entraîné à repérer des régularités dans d’immenses ensembles de textes. Lorsqu’un utilisateur formule une question, le modèle calcule progressivement les éléments les plus plausibles pour construire sa réponse.

Ces calculs sont exécutés sur des processeurs spécialisés, très souvent des GPU, installés dans des centres de données. Ces bâtiments abritent des rangées de serveurs, des équipements de réseau, des systèmes électriques et des dispositifs de refroidissement. Ils doivent fonctionner avec une grande fiabilité, car une panne peut interrompre de nombreux services numériques.

Il faut distinguer deux étapes, dont les profils de consommation sont différents :

• L’entraînement, qui consiste à ajuster le modèle à partir de très grandes quantités de données. Cette opération peut nécessiter des semaines ou des mois de calcul intensif.
• L’inférence, c’est-à-dire l’utilisation quotidienne du modèle pour générer une réponse, résumer un document, créer une image ou assister un programmeur.

L’entraînement est concentré dans le temps et très intensif. L’inférence est moins lourde à chaque usage, mais elle peut devenir dominante lorsque des dizaines de millions de personnes sollicitent régulièrement un service. Or, les entreprises ne publient pas systématiquement les données nécessaires pour calculer l’empreinte exacte de chaque modèle ou de chaque requête. Les estimations très précises avancées sans méthode complète doivent donc être regardées avec prudence.

Les centres de données, un enjeu énergétique qui dépasse l’IA

L’IA générative n’est pas la seule activité numérique à utiliser de l’électricité. Le streaming vidéo, le stockage en ligne, les moteurs de recherche, les réseaux sociaux, le commerce électronique et les services professionnels reposent eux aussi sur des centres de données. Mais le développement de modèles capables de générer du texte, des images, du son ou du code accroît les besoins de calcul et renforce la pression sur ces infrastructures.

Aux États-Unis, une estimation du Lawrence Berkeley National Laboratory évalue la consommation des centres de données à environ 176 térawattheures, ou TWh, en 2023. Cela représente près de 4,4 % de la consommation électrique américaine. Ce chiffre couvre l’ensemble des centres de données : il ne peut donc pas être attribué à l’IA seule. Il donne néanmoins un ordre de grandeur de l’infrastructure sur laquelle reposent les nouveaux outils génératifs.

Google a, de son côté, déclaré que ses émissions totales de gaz à effet de serre avaient augmenté de 48 % entre 2019 et 2023. Le groupe souligne que la croissance de ses centres de données et de sa chaîne d’approvisionnement rend ses objectifs climatiques plus difficiles à atteindre. L’entreprise développe des services d’IA, mais ce chiffre ne permet pas non plus d’isoler la seule contribution de l’IA à ses émissions.

La provenance de l’électricité est décisive. Un centre de données alimenté à un instant donné par une production fortement carbonée n’a pas le même impact qu’un centre alimenté par une électricité moins émettrice. Les achats d’électricité renouvelable peuvent améliorer un bilan annuel, mais ils ne font pas disparaître les contraintes locales du réseau, ni les besoins de puissance lors des pics de demande.

Pourquoi l’eau et le matériel comptent aussi

L’électricité n’est qu’une partie de l’équation. Les serveurs dégagent de la chaleur et doivent être refroidis afin de rester dans une plage de fonctionnement sûre. Selon leur conception et leur localisation, les centres de données peuvent recourir à l’air extérieur, à des circuits d’eau, à des systèmes d’évaporation ou à des combinaisons de ces solutions.

L’utilisation d’eau soulève une difficulté particulière dans les territoires soumis au stress hydrique. L’eau consommée ou évaporée pour le refroidissement n’a pas la même portée selon qu’elle est prélevée dans une région abondamment pourvue ou dans une zone frappée par la sécheresse. Les opérateurs peuvent réduire ce besoin par une meilleure conception thermique, par la réutilisation de certaines eaux ou par le choix d’implantations plus adaptées. Mais ces solutions ont elles aussi des limites et des arbitrages.

La fabrication du matériel est l’autre face, souvent oubliée, du numérique. Construire des serveurs, des puces, des câbles, des systèmes de refroidissement et des batteries de secours exige des métaux, de l’énergie et des chaînes logistiques mondialisées. Le cobalt est notamment utilisé dans une partie des batteries lithium-ion. Son extraction, particulièrement présente en République démocratique du Congo, est associée à de sérieux enjeux environnementaux, sociaux et de droits humains.

Il serait abusif d’affirmer qu’une conversation avec ChatGPT provoque directement l’extraction d’une quantité donnée de cobalt. En revanche, l’expansion des infrastructures numériques accroît globalement la demande de composants, de bâtiments et d’équipements électriques. L’impact doit donc être examiné sur l’ensemble du cycle de vie, de la fabrication à la fin de vie des appareils.

Peut-on chiffrer l’empreinte d’une requête d’IA ?

La tentation est forte de convertir chaque usage en grammes de CO2, en litres d’eau ou en minutes de lumière allumée. Ces comparaisons sont parlantes, mais elles deviennent trompeuses si elles donnent une fausse impression de précision. Une même demande peut coûter davantage ou moins selon la version du modèle, le nombre de mots générés, le matériel, la localisation du centre de données et les conditions d’exploitation.

Pour obtenir un bilan sérieux, il faudrait connaître au minimum la puissance utilisée, la durée de calcul, l’efficacité énergétique du centre de données, l’intensité carbone locale de l’électricité, le mode de refroidissement et l’empreinte de fabrication du matériel. Ces données sont rarement toutes publiques, encore moins sous une forme comparable entre entreprises.

La bonne question n’est donc pas seulement « combien consomme mon message ? ». Elle est aussi : quels usages l’IA remplace-t-elle, lesquels crée-t-elle, et quelle valeur apporte-t-elle par rapport aux ressources mobilisées ? Une IA qui aide à optimiser un réseau électrique, à améliorer la maintenance d’équipements ou à accélérer certains travaux scientifiques peut avoir des effets utiles. Mais ces bénéfices ne dispensent pas de mesurer l’énergie réellement consommée et d’éviter les usages superflus.

Réduire l’impact sans renoncer aux usages utiles

La réponse ne consiste pas nécessairement à abandonner l’IA. Elle consiste à rendre ses choix techniques et ses usages plus cohérents avec des limites environnementales réelles. Les leviers sont partagés entre les concepteurs des modèles, les opérateurs de centres de données, les organisations clientes et les utilisateurs.

Du côté des entreprises technologiques, l’amélioration des algorithmes et des puces peut réduire l’énergie nécessaire pour une tâche donnée. Des modèles plus petits, spécialisés ou mieux optimisés peuvent suffire à certains besoins, plutôt que de solliciter systématiquement le système le plus puissant. La conception de logiciels sobres, le partage de ressources entre utilisateurs et une meilleure utilisation des serveurs peuvent également limiter le gaspillage.

Les opérateurs ont aussi un rôle dans le choix de l’implantation, l’efficacité du refroidissement, la durée de vie des équipements et l’accès à une électricité moins carbonée. Publier des indicateurs comparables sur l’électricité, l’eau, les émissions et le matériel permettrait aux clients comme aux autorités d’évaluer les progrès réels.

À l’échelle d’un utilisateur, il ne s’agit pas de culpabiliser chaque question utile. Quelques réflexes peuvent toutefois éviter les calculs inutiles :

• formuler une demande claire plutôt que multiplier les essais identiques ;
• demander une réponse adaptée au besoin réel, sans produire de longs textes destinés à ne pas être lus ;
• choisir un outil simple lorsqu’une recherche classique, un document existant ou un calcul local suffit ;
• privilégier les usages qui apportent un gain concret plutôt que la génération automatique de contenus jetables.

Transparence et règles publiques : un chantier nécessaire

L’impact climatique de l’IA ne peut pas reposer sur les seules promesses volontaires des acteurs du numérique. Les pouvoirs publics disposent de plusieurs leviers : exiger des données harmonisées, encadrer la performance énergétique des équipements, prendre en compte la pression sur l’eau et s’assurer que les nouvelles capacités de calcul s’intègrent aux réseaux électriques locaux.

Dans l’Union européenne, les règles sur l’efficacité énergétique prévoient déjà des obligations de déclaration pour les centres de données d’une certaine taille. C’est une étape utile, car elle crée un socle de données publiques sur la consommation et la performance de ces installations. La qualité, la comparabilité et l’exploitation de ces informations seront déterminantes pour que la transparence produise un véritable effet.

Les entreprises qui utilisent l’IA dans leurs activités ont, elles aussi, intérêt à demander des informations précises à leurs fournisseurs. Un discours sur une IA « verte » ne suffit pas. Il faut pouvoir examiner la méthode de calcul, le périmètre pris en compte, la part d’électricité réellement décarbonée et les effets locaux sur les ressources.

Ce qu’il faut surveiller à mesure que l’IA se généralise

Le débat ne se résume pas à opposer progrès technologique et protection du climat. La question est de savoir quelles formes d’IA la société veut développer, pour quels usages et sous quelles contraintes. La croissance rapide des assistants génératifs rend cette discussion urgente, car les infrastructures se construisent sur plusieurs années et engagent durablement de l’électricité, des terrains, de l’eau et des matériaux.

Il faudra suivre en priorité la publication de données détaillées par les grands fournisseurs, l’évolution de la consommation électrique des centres de données, les besoins en eau dans les régions concernées et la capacité des réseaux à accueillir de nouvelles charges. Il faudra aussi distinguer les gains d’efficacité réels des simples effets d’annonce.

Une requête à ChatGPT ne fait donc pas fondre une calotte glaciaire de façon identifiable. Mais l’IA n’est pas immatérielle, et son déploiement massif a un coût environnemental qui mérite mieux que des slogans. Le rendre visible est la première condition pour concevoir des outils plus sobres, plus transparents et réellement utiles.