IA durable en entreprise : pourquoi 2025 impose de revoir les infrastructures

L’intelligence artificielle est souvent présentée comme un accélérateur de productivité et d’innovation. Elle peut automatiser des tâches, détecter des anomalies, prévoir une demande ou optimiser une chaîne logistique. Mais cette promesse a une contrepartie matérielle bien concrète : des serveurs, des puces, de l’électricité, des systèmes de refroidissement et, à terme, des équipements à réparer, réemployer ou recycler. Pour les entreprises, la question n’est donc plus seulement de savoir où déployer l’IA, mais comment le faire sans alourdir inutilement leur empreinte environnementale.

En 2025, intégrer la durabilité dans les initiatives d’intelligence artificielle devient un sujet de compétitivité autant que de responsabilité. Les directions générales doivent rapprocher des équipes qui travaillent encore trop souvent séparément : informatique, données, achats, opérations, conformité et responsabilité sociale des entreprises, ou RSE. L’enjeu est simple à formuler, mais exigeant à mettre en œuvre : obtenir un bénéfice opérationnel réel grâce à l’IA, tout en maîtrisant les ressources mobilisées pour l’obtenir.

Pourquoi la durabilité devient un critère de décision pour l’IA

Un projet d’IA ne se résume pas au choix d’un logiciel ou d’un modèle. Il suppose une chaîne complète : collecte et stockage de données, entraînement éventuel, requêtes quotidiennes des utilisateurs, transfert d’informations, infrastructures de calcul et renouvellement du matériel. Chacune de ces étapes a des conséquences en matière d’énergie et de ressources.

Cette réalité modifie la manière d’évaluer un projet. Pendant longtemps, les critères dominants étaient la précision d’un modèle, sa rapidité, son niveau de sécurité et son coût. Ils restent essentiels. Désormais, une entreprise a aussi intérêt à se demander si le modèle est proportionné au besoin, s’il faut réellement l’entraîner à nouveau, quel volume de calcul son usage impliquera et combien de temps les équipements seront conservés.

Cette évolution répond à trois pressions convergentes :

• Économique, car l’énergie, les serveurs et la capacité de calcul représentent des coûts d’exploitation concrets.
• Réglementaire, car les entreprises concernées font face à des exigences croissantes de transparence et de responsabilité environnementale.
• Commerciale et réputationnelle, car les clients, investisseurs et partenaires regardent davantage la cohérence entre les engagements climatiques affichés et les pratiques numériques réelles.

La durabilité ne consiste donc pas à ajouter une couche de communication autour de l’IA. Elle impose d’intégrer des critères environnementaux dans les arbitrages techniques et budgétaires, dès la phase de cadrage.

Où se situe l’empreinte environnementale d’un projet d’IA ?

L’impact d’un système d’IA dépend fortement de son architecture, de son usage et de l’infrastructure qui l’héberge. Il serait trompeur de considérer que toute IA a la même empreinte. Une automatisation ciblée, exécutée ponctuellement sur une infrastructure déjà disponible, n’a pas les mêmes besoins qu’un modèle génératif sollicité à grande échelle.

Le tableau suivant aide à repérer les principaux postes à examiner avant un déploiement.

L’entraînement d’un modèle peut être très exigeant en calcul, mais la phase d’utilisation ne doit pas être sous-estimée. Un outil accessible à des milliers de salariés ou de clients peut générer un volume très important de requêtes au fil du temps. L’impact dépend alors de la fréquence d’usage, de la complexité des demandes, de la taille du modèle et des règles mises en place pour éviter les traitements inutiles.

La question des déchets électroniques complète le bilan. Les accélérateurs de calcul, serveurs et équipements réseau sont indispensables à l’essor de l’IA. Leur renouvellement rapide peut accroître la pression sur les matières premières et sur les filières de traitement. Prolonger la durée de vie du matériel lorsque cela reste compatible avec les besoins de sécurité et de performance est donc un levier à considérer.

Des règles environnementales qui dépassent le seul secteur de l’IA

Il n’existe pas, à ce stade, une unique réglementation qui fixerait à elle seule l’empreinte environnementale de tous les systèmes d’IA. En revanche, les projets d’IA sont concernés par un ensemble de règles et de politiques publiques relatives à l’énergie, aux produits, aux équipements électroniques, aux déchets et au reporting de durabilité.

Dans l’Union européenne, le plan d’action pour l’économie circulaire inscrit notamment la réparation, le réemploi, la réduction des déchets et une meilleure utilisation des ressources dans une stratégie plus large. Pour une entreprise qui investit dans l’IA, cette logique invite à regarder au-delà du logiciel : les achats de serveurs, la maintenance, la durée de vie des équipements et leur traitement en fin d’usage font partie de l’équation.

Les exigences de responsabilité sociale et environnementale poussent également les organisations à mieux documenter leurs impacts. Cette évolution a une conséquence pratique : une direction informatique ne peut plus piloter ses infrastructures sans dialoguer avec les responsables de la conformité, des achats et de la stratégie climat.

Il faut toutefois éviter les raccourcis. La conformité réglementaire ne garantit pas automatiquement qu’un usage de l’IA est sobre, pas plus qu’une réduction d’énergie sur un serveur ne résume l’impact environnemental d’un service. La démarche doit porter à la fois sur les équipements, les usages et la gouvernance.

L’informatique économe en énergie, une priorité technologique

La recherche de performance reste au cœur des investissements en IA. Elle ne s’oppose pas nécessairement à la sobriété, à condition de ne pas confondre puissance maximale et efficacité. Une infrastructure plus efficace peut délivrer le niveau de service attendu tout en limitant les ressources consommées pour chaque tâche exécutée.

Gartner a placé l’informatique économe en énergie parmi les tendances technologiques stratégiques de 2025. Ce signal reflète une préoccupation grandissante des entreprises : la multiplication des charges de travail liées à l’IA rend le sujet de l’énergie difficile à ignorer, tant pour la maîtrise des coûts que pour le respect des engagements environnementaux.

Cela peut conduire à privilégier plusieurs choix techniques :

• sélectionner un modèle plus petit lorsque le cas d’usage ne requiert pas les capacités d’un modèle généraliste très volumineux ;
• ajuster les paramètres et l’architecture afin d’éviter des calculs disproportionnés ;
• mutualiser les infrastructures plutôt que multiplier les environnements sous-utilisés ;
• surveiller la consommation et la disponibilité des serveurs sur toute la durée de vie du service ;
• prendre en compte les performances énergétiques lors des appels d’offres et des renouvellements matériels.

Les partenariats industriels illustrent cette orientation. ASUS et Intel ont notamment mis en avant des serveurs à haute efficacité énergétique. Pour les acheteurs, ce type d’annonce ne dispense pas d’une évaluation précise. Les gains annoncés doivent être rapprochés des besoins de l’entreprise, de la charge de travail réellement prévue et de la durée d’exploitation des équipements.

Comment mettre en place une IA durable sans bloquer l’innovation ?

La première étape consiste à sortir des objectifs trop généraux. Dire qu’un projet sera « responsable » ne suffit pas. L’entreprise doit définir ce qu’elle cherche à mesurer, à quel moment et qui sera chargé de prendre les décisions d’arbitrage.

Un cadre opérationnel peut s’appuyer sur quatre réflexes.

Mesurer avant d’optimiser

Avant le déploiement, il faut établir un point de départ : volume de données, besoins de stockage, ressources de calcul, fréquence d’utilisation envisagée et matériel mobilisé. Pendant l’exploitation, les équipes peuvent suivre des indicateurs simples, comme la consommation énergétique associée au service, l’intensité d’usage, les coûts de calcul, le taux d’utilisation des infrastructures et la durée de vie des équipements.

L’objectif n’est pas de créer une bureaucratie supplémentaire. Il est de détecter les traitements superflus, les environnements surdimensionnés et les usages qui ne produisent pas de valeur suffisante au regard des ressources engagées.

Choisir une IA proportionnée au besoin

Toutes les tâches ne nécessitent pas un modèle génératif de grande taille. Dans certains cas, une règle métier, une analyse statistique, un modèle spécialisé ou une automatisation plus simple peut répondre au besoin avec moins de ressources. Le bon choix est celui qui fournit une qualité suffisante, de manière fiable et sécurisée.

Cette sobriété de conception est également une forme de résilience. Un service moins dépendant d’un volume excessif de calcul peut être plus facile à maintenir, à expliquer et à déployer à l’échelle.

Intégrer les achats et le cycle de vie

Les critères environnementaux doivent apparaître dans les relations avec les fournisseurs de cloud, les éditeurs et les fabricants de matériel. La localisation des infrastructures, les informations disponibles sur leur efficacité énergétique, les modalités de maintenance et la gestion de fin de vie méritent d’être examinées avant la signature d’un contrat.

L’économie circulaire donne ici une direction concrète : éviter l’achat inutile, prolonger ce qui peut l’être, réemployer lorsque c’est possible et organiser le traitement des équipements arrivés en fin de vie.

L’IA peut aussi aider les entreprises à réduire leurs propres impacts

L’IA n’est pas seulement une charge à maîtriser. Utilisée avec discernement, elle peut devenir un outil d’optimisation dans des activités plus larges. L’analyse de données énergétiques peut, par exemple, aider à repérer des consommations anormales, anticiper des besoins ou ajuster le fonctionnement d’équipements. Dans les chaînes d’approvisionnement, elle peut contribuer à mieux prévoir la demande et à réduire certains gaspillages liés aux surstocks ou aux déplacements inutiles.

Ces bénéfices doivent cependant être évalués de façon honnête. Un outil d’IA qui réduit une consommation sur un site, mais déclenche parallèlement des calculs massifs sans usage réel, ne peut être qualifié de progrès net sans analyse. Les entreprises ont intérêt à comparer les ressources consommées par le système avec les économies effectivement obtenues dans l’activité qu’il optimise.

Les technologies autonomes offrent une autre illustration de cette logique. Des véhicules sous-marins autonomes peuvent faciliter l’inspection d’infrastructures environnementales, telles que les parcs éoliens en mer. L’IA peut alors assister la surveillance et la maintenance dans des zones difficiles d’accès. Là encore, la valeur environnementale dépend du cas d’usage précis et des moyens évités grâce à cette technologie.

Coopérer pour faire émerger des pratiques comparables

La durabilité de l’IA ne peut pas reposer sur les seules décisions d’une équipe informatique. Les fournisseurs de matériel, exploitants de centres de données, éditeurs de logiciels, chercheurs, pouvoirs publics et entreprises utilisatrices doivent pouvoir comparer des méthodes de mesure et partager des pratiques éprouvées.

Ce besoin de dialogue explique l’importance des rencontres internationales. Le Sommet pour l’action sur l’IA, annoncé à Paris les 10 et 11 février 2025, doit notamment nourrir les échanges sur les orientations de l’intelligence artificielle. Pour les entreprises, ces rendez-vous sont l’occasion de suivre l’évolution des débats, mais aussi de comprendre que l’enjeu dépasse la seule adoption rapide des nouveaux outils.

La recherche appliquée a un rôle déterminant : elle peut aider à concevoir des modèles et des infrastructures moins énergivores, tout en améliorant les moyens d’évaluer leurs effets. L’objectif n’est pas d’opposer innovation et écologie, mais de faire de l’efficacité des ressources une dimension normale de l’innovation.

Ce qu’il faut surveiller en 2025

La principale difficulté sera de passer des déclarations d’intention à des indicateurs utiles. Les entreprises qui avanceront le plus solidement seront celles qui relieront leurs choix d’IA à des objectifs opérationnels précis : moins de calcul inutile, meilleure utilisation des équipements, réduction des déchets électroniques et gains mesurables dans les activités optimisées.

Il faudra aussi surveiller la qualité des informations fournies par les prestataires technologiques. Une promesse de performance énergétique n’a de valeur que si elle peut être mise en regard du service rendu, des conditions d’exploitation et de la durée de vie du matériel. La transparence deviendra un critère de sélection aussi important que la puissance annoncée.

Enfin, l’enjeu est stratégique. Une entreprise capable de concevoir des services d’IA utiles, proportionnés et mieux documentés peut limiter ses risques de conformité, contenir certains coûts et renforcer la crédibilité de ses engagements. En 2025, la durabilité ne constitue plus un supplément facultatif à l’intelligence artificielle : elle devient l’une des conditions de son déploiement durablement acceptable.