IA et décarbonation : le défi énergétique derrière la course aux data centers

Au 3 octobre 2025, l’intelligence artificielle est devenue un symbole ambigu de la modernisation économique. Elle promet d’accélérer la recherche, d’améliorer la prévision de la demande électrique ou d’optimiser des procédés industriels. Mais son déploiement repose sur une infrastructure bien matérielle : des puces, des réseaux, des systèmes de refroidissement et, surtout, des centres de données qui doivent être alimentés en continu. Cette réalité place l’IA au cœur d’un arbitrage climatique majeur.

La question n’est donc pas de savoir si toute IA est, par nature, incompatible avec la décarbonation. Elle est plus exigeante : quels usages justifient l’électricité, les équipements et les capacités de réseau qu’ils mobilisent ? Alors que les bâtiments, les transports et l’industrie doivent eux aussi s’électrifier pour sortir des combustibles fossiles, la montée en puissance des infrastructures numériques ouvre un risque de concurrence pour l’accès à une électricité bas carbone.

Pourquoi l’IA fait bondir les besoins en électricité

L’IA générative a rendu visible une consommation qui restait largement abstraite pour le grand public. Derrière une requête adressée à un assistant conversationnel ou la création d’une image, des serveurs exécutent des calculs. Ces calculs ne sont pas réalisés sur un ordinateur personnel, mais dans des centres de données regroupant de grandes quantités de matériel informatique.

Deux phases expliquent l’essentiel des besoins. L’entraînement consiste à faire apprendre à un modèle à partir de très grands volumes de données. C’est une opération ponctuelle, mais particulièrement intensive. L’inférence, elle, correspond à l’utilisation du modèle une fois entraîné : répondre à des requêtes, générer du texte, classer une image ou assister un logiciel. Chaque interaction peut sembler minime, mais l’effet cumulé devient considérable lorsque le service est utilisé à grande échelle.

À cela s’ajoutent les besoins périphériques. Les équipements doivent être refroidis, les données stockées et transférées, les installations sécurisées. Un centre de données ne se résume donc pas aux seules machines qui calculent. Son empreinte dépend aussi de son taux d’utilisation, de la performance de ses équipements, de son implantation géographique et de la composition du réseau électrique auquel il est raccordé.

Les projections citées par le Shift Project donnent la mesure de l’enjeu : la consommation électrique des centres de données pourrait tripler d’ici 2030. Dans cette évolution, l’IA joue un rôle central, puisque sa part serait d’environ 15 % de la consommation des centres de données aujourd’hui et pourrait se situer entre un tiers et la moitié à cet horizon.

Des projections à lire comme un signal d’alerte

Ces chiffres ne décrivent pas un destin inévitable. Ils dépendent de plusieurs choix : le rythme de construction des centres de données, la taille des modèles, le nombre d’utilisateurs, les progrès matériels et logiciels, ainsi que les arbitrages politiques sur l’électricité disponible. Ils suffisent néanmoins à poser le problème dans des termes concrets : l’essor de l’IA ne peut plus être séparé de la planification énergétique.

L’enjeu climatique ne dépend pas uniquement du volume de kilowattheures consommés. Il dépend également de l’heure et du lieu de cette consommation. Un calcul exécuté dans un réseau encore très dépendant du charbon ou du gaz n’a pas le même impact qu’un calcul réalisé là où l’électricité est largement décarbonée. Mais disposer d’un mix électrique moins émetteur ne rend pas la demande illimitée ni sans conséquence.

L’électricité bas carbone, une ressource disputée

Le paradoxe est particulièrement net aux États-Unis. Une majorité de l’électricité y provient encore de sources fossiles. La construction rapide de capacités de calcul peut donc se traduire, à court terme, par des émissions supplémentaires si la production disponible repose sur le gaz ou le charbon. Affirmer qu’un centre de données achète de l’électricité renouvelable ne résout pas automatiquement la question du fonctionnement réel du réseau à chaque instant.

La France se trouve dans une situation différente. Sa production électrique est largement portée par le nucléaire, ce qui lui confère une électricité relativement peu carbonée. Pour autant, cette caractéristique ne fait pas disparaître le débat. La décarbonation suppose aussi de remplacer des usages fossiles dans le chauffage, la mobilité et l’industrie par de l’électricité. Une forte hausse de la demande des data centers peut donc compliquer le calendrier et le coût de cette électrification.

Le sujet est aussi local. Un nouveau centre de données exige des raccordements, parfois des renforcements du réseau, et une capacité électrique disponible là où il s’implante. La question n’est pas seulement « y a-t-il assez d’électricité à l’échelle nationale ? », mais aussi « peut-on fournir cette puissance au bon endroit, sans retarder d’autres projets utiles à la transition ? ».

Les promesses de l’IA ne doivent pas masquer l’effet rebond

L’IA a des applications potentiellement utiles à la transition énergétique. Elle peut aider à anticiper la production renouvelable, mieux ajuster l’offre et la demande sur un réseau, repérer des anomalies dans des installations ou optimiser certains processus de production. Dans les bâtiments, elle peut aussi contribuer à piloter plus finement le chauffage ou la climatisation. Ces usages doivent toutefois être évalués au regard de l’énergie qu’ils consomment réellement et des économies qu’ils permettent effectivement.

C’est ici qu’intervient la critique du technosolutionnisme. Elle vise l’idée selon laquelle l’innovation technologique résoudrait, à elle seule, les problèmes climatiques qu’elle peut aussi aggraver. Dans le cas de l’IA, l’argument consiste à dire que les gains d’efficacité seront suffisants pour compenser la croissance des usages. Or rien ne permet de l’affirmer à l’avance.

Le risque est celui d’un effet rebond. Si une tâche devient moins coûteuse en calcul, elle peut être exécutée beaucoup plus souvent, intégrée dans davantage de services ou confiée à des modèles plus complexes. Le gain par requête peut alors être absorbé, voire dépassé, par l’augmentation du nombre de requêtes. C’est pourquoi l’amélioration de l’efficacité technique est nécessaire, mais insuffisante pour garantir la sobriété énergétique.

Quels leviers pour concilier IA et décarbonation ?

Le premier levier consiste à rendre les impacts mesurables. Entreprises et opérateurs gagneraient à publier des informations comparables sur l’électricité consommée, la localisation des calculs, le type d’énergie mobilisé et, lorsque cela est pertinent, les besoins en refroidissement. Sans données suffisamment précises, il est difficile de distinguer un usage réellement utile d’une multiplication peu justifiable des services.

Le deuxième levier concerne les choix technologiques. Il s’agit de développer des modèles et des infrastructures capables de produire un résultat pertinent avec moins de calcul, d’éviter d’utiliser un modèle surdimensionné pour une tâche simple et de limiter les opérations inutiles. Cette démarche ne signifie pas renoncer à l’IA : elle revient à adapter la puissance mobilisée au besoin réel.

Le troisième levier est politique. Le Shift Project évoque notamment l’idée de plafonds de consommation électrique. Une telle mesure poserait inévitablement des questions difficiles : comment répartir une ressource limitée, quels usages considérer comme prioritaires, comment éviter de déplacer simplement les infrastructures vers des pays moins exigeants ? Mais elle a le mérite de rendre visible une contrainte physique souvent absente des discours sur la croissance numérique.

Une approche au cas par cas peut compléter ces règles générales. Une IA qui permet de réduire des pertes d’énergie dans un système industriel n’appelle pas le même examen qu’un outil conçu pour multiplier à très grande échelle des contenus dont l’utilité est plus difficile à établir. L’objectif n’est pas de décréter quels usages sont légitimes en toute circonstance, mais de mettre les bénéfices attendus face aux ressources mobilisées.

Une question aussi géopolitique qu’environnementale

La sobriété numérique se heurte à une compétition internationale intense. Les États cherchent à attirer des centres de données, des fabricants de puces et des entreprises d’IA, parce que ces infrastructures sont perçues comme stratégiques pour l’économie, la défense et la souveraineté technologique. Dans ce contexte, encadrer la consommation électrique peut être vu comme un frein à l’investissement plutôt que comme une condition de soutenabilité.

Les désaccords entre grandes puissances compliquent donc une réponse collective. Les orientations politiques défendues par des dirigeants comme Donald Trump aux États-Unis et Xi Jinping en Chine pèsent sur les possibilités de coopération climatique et technologique. Sans règles partagées, le risque est celui d’une course à la capacité de calcul dans laquelle les contraintes environnementales seraient contournées ou reportées ailleurs.

Cette dimension ne doit pas conduire au fatalisme. Elle rappelle simplement que le bilan de l’IA ne sera pas déterminé par les ingénieurs seuls. Il dépendra de décisions d’aménagement, de politique énergétique, d’investissements dans les réseaux et de règles économiques capables d’orienter la demande.

Ce qu’il faut surveiller d’ici 2030

La compatibilité entre IA et décarbonation se jouera sur quelques indicateurs très concrets. Le premier est la vitesse à laquelle la consommation des data centers progresse par rapport à la construction de capacités électriques bas carbone. Le deuxième est la part réelle de l’IA dans cette hausse, au-delà des annonces sur l’efficacité des nouveaux modèles. Le troisième est la capacité des États à organiser les raccordements et à éviter que l’expansion numérique ne retarde l’électrification d’autres secteurs.

Il faudra également observer la qualité des évaluations environnementales. Des promesses d’optimisation ne suffisent pas : les gains doivent être mesurés sur l’ensemble du cycle d’usage, puis comparés à l’énergie nécessaire pour faire fonctionner les systèmes. La même exigence vaut pour les entreprises qui annoncent recourir à une électricité propre : l’origine de l’énergie, le moment de sa disponibilité et les contraintes locales comptent autant que les objectifs affichés.

L’IA peut contribuer à mieux gérer l’énergie, mais elle ne peut pas s’affranchir des limites du système énergétique. La voie crédible n’est ni le rejet global de la technologie ni la foi dans une compensation automatique. Elle passe par une IA plus frugale, des usages hiérarchisés et une planification qui traite l’électricité bas carbone comme ce qu’elle est : une ressource essentielle pour toute la transition climatique.