IA générative : pourquoi son empreinte écologique dépasse la seule électricité

L’intelligence artificielle générative semble vivre dans un espace abstrait : quelques mots saisis dans une fenêtre de dialogue, une réponse produite en quelques secondes, puis l’utilisateur passe à autre chose. Pourtant, derrière cette apparente simplicité se trouvent des milliers de serveurs, des cartes graphiques spécialisées, des systèmes de refroidissement et des réseaux électriques bien réels. À mesure que les outils inspirés de modèles comme GPT-4 se diffusent, leur coût environnemental devient une question centrale.

Au 17 janvier 2025, il n’existe pas un chiffre unique capable de résumer l’empreinte écologique de l’IA générative. Elle varie selon la taille du modèle, le matériel employé, la durée de son entraînement, le volume de requêtes, l’emplacement du centre de données et l’origine de l’électricité. Mais les mécanismes qui composent cette empreinte sont désormais bien identifiés : énergie, eau, matériaux et pression exercée sur les infrastructures.

L’IA générative consomme-t-elle beaucoup d’énergie ?

Oui, surtout parce que les grands modèles de langage et de génération d’images demandent une capacité de calcul inhabituelle. Leur principe est d’apprendre à repérer des régularités dans d’immenses volumes de données afin de prédire, mot après mot ou pixel après pixel, une réponse plausible. Cette phase d’apprentissage, appelée entraînement, consiste à ajuster des milliards de paramètres à travers un très grand nombre de calculs.

Les processeurs graphiques, ou GPU, sont au cœur de cette opération. Initialement très utilisés pour l’affichage et le jeu vidéo, ils sont particulièrement adaptés à l’exécution simultanée de nombreux calculs. Ils permettent d’entraîner des modèles plus ambitieux, mais ils concentrent aussi une forte demande d’électricité dans les centres de données.

L’électricité consommée ne dit toutefois pas tout du bilan climatique. Une même quantité d’énergie n’a pas les mêmes conséquences selon qu’elle provient d’un réseau majoritairement alimenté par des combustibles fossiles, du nucléaire ou des énergies renouvelables. Le lieu et le moment où les calculs sont réalisés comptent donc autant que leur quantité.

L’entraînement des grands modèles concentre des besoins massifs

L’entraînement est la phase la plus spectaculaire du point de vue des ressources. Pour un modèle de très grande taille, les équipes techniques font fonctionner des grappes de processeurs graphiques sur des périodes prolongées. Elles testent également différentes versions, règlent les paramètres et relancent des calculs avant d’aboutir à un modèle utilisable. Ces étapes intermédiaires font partie du coût total, même si elles sont moins visibles que le lancement final d’un assistant conversationnel.

Le cas de GPT-3 donne un ordre de grandeur souvent cité. Son entraînement aurait consommé environ 1 287 MWh d’électricité. Cela correspond à l’approvisionnement électrique annuel d’environ 120 foyers américains. Ce chiffre ne doit pas être lu comme une mesure universelle de tous les modèles : les méthodes de calcul, l’efficacité des matériels et les conditions d’exploitation varient. Il illustre en revanche l’échelle que peut atteindre l’apprentissage d’un grand modèle.

La course aux modèles toujours plus vastes ajoute une difficulté. Davantage de paramètres et de données peuvent conduire à de meilleurs résultats sur certaines tâches, mais aussi à davantage de calculs. Les charges de travail liées à l’IA générative peuvent ainsi être bien plus énergivores que l’informatique classique. Les pics d’activité durant l’entraînement compliquent en outre la gestion du réseau électrique, car l’infrastructure doit être capable de répondre à une demande importante et concentrée.

Cette réalité ne signifie pas que toute application d’IA est à proscrire. Elle impose plutôt une question simple avant d’engager de très grands moyens : le bénéfice attendu justifie-t-il les ressources mobilisées ? Générer un contenu indispensable, assister une recherche ou automatiser une tâche précise n’appelle pas nécessairement la même évaluation qu’un usage répétitif sans finalité claire.

Pourquoi l’usage quotidien, ou inférence, compte aussi

Une fois le modèle entraîné, son coût environnemental ne disparaît pas. Lorsqu’un utilisateur pose une question à un assistant, demande la rédaction d’un texte, produit une image ou sollicite du code, le système réalise une phase appelée inférence. Les serveurs interprètent la demande et génèrent une réponse en exécutant à nouveau de nombreux calculs.

L’impact d’une requête isolée peut sembler modeste. Mais un service utilisé par des millions de personnes transforme cette dépense unitaire en consommation continue. Selon l’estimation reprise dans la publication d’origine, une requête auprès d’un outil tel que ChatGPT peut demander environ cinq fois plus d’électricité qu’une recherche web standard. Cette comparaison reste indicative : elle dépend de la longueur de la demande et de la réponse, de l’architecture du modèle, du matériel et de la méthode retenue pour mesurer une recherche traditionnelle.

L’enjeu est donc celui du volume. Un modèle très performant peut être entraîné une seule fois, puis répondre à des quantités considérables de sollicitations. À l’inverse, un modèle plus léger, mieux adapté à une tâche spécifique, peut éviter de mobiliser une infrastructure surdimensionnée. L’efficacité ne se joue pas uniquement lors de la conception du modèle, elle se joue aussi dans la façon dont il est servi à ses utilisateurs.

Les centres de données ont aussi besoin d’eau

L’électricité alimente les processeurs, mais elle produit de la chaleur. Pour empêcher les équipements de surchauffer et maintenir leurs performances, les centres de données doivent être refroidis. Selon la technologie utilisée, cette opération peut solliciter de l’air, des circuits d’eau ou une combinaison des deux.

La littérature scientifique évoquée sur le sujet avance une estimation d’environ deux litres d’eau par kilowattheure d’électricité utilisé dans un centre de données. Il s’agit d’un ordre de grandeur, et non d’une règle fixe applicable à tous les sites. Les besoins réels dépendent notamment du climat local, du système de refroidissement, de la saison, de l’efficacité du bâtiment et de l’origine de l’électricité.

Il faut aussi distinguer l’eau utilisée directement sur le site de celle mobilisée indirectement pour produire l’électricité. Cette nuance est essentielle. Un centre de données installé dans une zone soumise au stress hydrique ne pose pas les mêmes difficultés qu’un site localisé dans une région où l’eau est abondante et gérée durablement. Dans tous les cas, une implantation qui prélève fortement dans les ressources locales peut entrer en concurrence avec les besoins des habitants, de l’agriculture ou des écosystèmes.

Les GPU ont une empreinte avant même leur mise en service

Le calcul nécessaire à l’IA générative n’existerait pas sans matériel spécialisé. Or une carte graphique ne surgit pas dans un centre de données sans coût environnemental préalable. Sa production requiert des matières premières, des procédés industriels complexes, de l’énergie pour fabriquer les semi-conducteurs et des transports successifs tout au long de la chaîne d’approvisionnement.

Les GPU sont particulièrement importants pour l’IA car ils accélèrent les calculs parallèles. Leur fabrication est plus complexe et peut demander davantage d’énergie que celle d’unités centrales de traitement classiques. L’extraction et le raffinage des matériaux nécessaires aux équipements électroniques soulèvent également des enjeux de pollution, de consommation d’eau et d’atteintes aux milieux naturels.

Les données citées dans la publication d’origine indiquent que les fabricants de GPU ont expédié 3,85 millions de dispositifs en 2023. Cette hausse de la demande illustre la pression exercée par le développement de l’IA sur la chaîne matérielle. Elle invite à ne pas réduire l’analyse aux seules émissions produites lorsque le modèle répond à une requête.

La durée de vie des équipements constitue dès lors un levier important. Remplacer rapidement des serveurs encore fonctionnels pour adopter du matériel plus performant peut améliorer l’efficacité par calcul, mais accélère aussi le renouvellement des composants. Le bilan doit considérer l’ensemble du cycle de vie : fabrication, utilisation, réemploi éventuel et traitement en fin de vie.

Quelles solutions pour une IA générative plus soutenable ?

La première condition est la mesure. Sans données sur l’électricité consommée, le refroidissement, l’intensité carbone du réseau et le matériel mobilisé, il est difficile de comparer deux systèmes ou d’arbitrer entre plusieurs choix techniques. Les entreprises, laboratoires et opérateurs de centres de données ont donc intérêt à publier des indicateurs compréhensibles, en évitant de ne présenter que les résultats les plus favorables.

Plusieurs pistes peuvent être combinées :

• choisir un modèle proportionné à la tâche plutôt qu’un système plus lourd par défaut ;
• optimiser les logiciels et l’utilisation des serveurs pour effectuer moins de calculs inutiles ;
• améliorer le rendement énergétique des centres de données et leurs systèmes de refroidissement ;
• implanter les infrastructures en tenant compte de la disponibilité de l’électricité bas carbone et de la ressource en eau ;
• prolonger la durée utile des équipements lorsque cela est possible et mieux organiser leur réemploi ou leur recyclage.

Les utilisateurs ont eux aussi une marge d’action, même si elle reste limitée face aux choix industriels. Poser des questions précises, éviter de multiplier les générations identiques, demander des réponses adaptées au besoin réel ou privilégier un outil transparent sur ses pratiques sont des réflexes cohérents. L’objectif n’est pas de culpabiliser chaque requête, mais de rappeler qu’un usage numérique n’est jamais totalement immatériel.

Ce qu’il faut surveiller pour concilier IA et contraintes écologiques

Le développement de l’IA générative oblige à regarder au-delà des performances des modèles. La qualité d’une réponse, la rapidité d’un assistant ou le nombre de paramètres ne suffisent pas à décrire un progrès si les besoins en énergie, en eau et en équipements progressent sans évaluation globale.

Les sujets à suivre concernent d’abord la transparence : quelles ressources sont réellement mobilisées pour entraîner et exploiter un modèle ? Il faudra aussi observer l’évolution des réseaux électriques, la localisation des nouveaux centres de données, leurs prélèvements d’eau et les choix opérés dans l’industrie des semi-conducteurs.

L’IA peut contribuer à optimiser certains systèmes, y compris dans l’énergie ou la recherche. Mais cette promesse ne dispense pas ses concepteurs et ses utilisateurs d’examiner son propre coût matériel. Une trajectoire plus durable reposera moins sur un geste isolé que sur des décisions cohérentes, de la conception des puces jusqu’à l’usage quotidien des outils.