IA générative : réduire l’empreinte écologique sans freiner les usages

L’essor de l’IA générative ne se résume pas à des assistants conversationnels plus rapides ou à des images créées en quelques secondes. Derrière chaque service se trouvent des milliers de serveurs, des processeurs spécialisés et des installations qui doivent être alimentées, refroidies puis régulièrement modernisées. À mesure que les usages se généralisent, leur coût environnemental devient une question centrale pour les entreprises technologiques, les énergéticiens et les pouvoirs publics.

Le débat mérite toutefois d’être posé avec précision. L’intelligence artificielle n’est pas seule responsable de la hausse des besoins électriques des centres de données, qui hébergent aussi le cloud, la vidéo, les services en ligne ou les systèmes informatiques des entreprises. Mais l’entraînement et l’utilisation de grands modèles génératifs sont devenus un moteur important de cette croissance. La réponse ne peut donc pas se limiter à acheter davantage d’électricité renouvelable : elle suppose de rendre les modèles, les puces et les infrastructures plus efficaces, tout en tenant compte des émissions générées avant même la mise en route des serveurs.

Une demande électrique appelée à fortement progresser

Les centres de données sont au cœur de l’économie numérique. Ils regroupent les équipements qui stockent des données et réalisent les calculs nécessaires aux services en ligne. L’IA générative leur impose une charge particulière : elle requiert de très nombreux calculs parallèles, réalisés notamment par des processeurs graphiques, ou GPU, initialement conçus pour l’affichage mais particulièrement adaptés à ce type d’opérations.

Selon un rapport de l’Agence internationale de l’énergie, ou AIE, la demande mondiale d’électricité des centres de données devrait plus que doubler d’ici à 2030 pour atteindre environ 945 térawattheures. Ce volume est légèrement supérieur à la consommation électrique du Japon. Ce chiffre ne doit pas être interprété comme la consommation de la seule IA : il recouvre l’ensemble des activités hébergées dans ces sites. Il donne néanmoins la mesure de l’enjeu énergétique qui accompagne l’expansion des capacités de calcul.

L’analyse de Goldman Sachs citée dans l’article estime que près de 60 % de la demande supplémentaire d’électricité des centres de données pourrait être satisfaite par la combustion de combustibles fossiles. Elle associe cette évolution à une hausse d’environ 220 millions de tonnes des émissions mondiales de carbone. À titre de comparaison, parcourir 8 000 kilomètres avec une voiture à essence produit environ une tonne de dioxyde de carbone.

Ces projections ne constituent pas une fatalité. Leur réalisation dépendra du rythme de construction de capacités renouvelables, de l’évolution des réseaux électriques, des gains d’efficacité et de la localisation des nouveaux centres. Elles soulignent néanmoins une difficulté concrète : la demande informatique peut croître plus vite que les infrastructures bas carbone capables de l’alimenter.

Carbone opérationnel et carbone incorporé : deux impacts à distinguer

Pour réduire l’empreinte de l’IA, il faut d’abord savoir ce que l’on mesure. Les spécialistes distinguent généralement deux grandes catégories d’émissions.

Le carbone opérationnel désigne les émissions liées au fonctionnement quotidien des équipements : alimentation électrique des GPU et autres processeurs, stockage, réseau et refroidissement. Son niveau dépend directement de la quantité d’énergie nécessaire aux calculs et de la composition du mix électrique local. Un même entraînement informatique n’a pas le même bilan carbone selon qu’il est réalisé sur un réseau très alimenté par les combustibles fossiles ou par des sources bas carbone.

Le carbone incorporé correspond, lui, aux émissions associées à la fabrication et à la construction : extraction et transformation des matières premières, production des équipements, construction des bâtiments, acheminement des composants et renouvellement du matériel. Vijay Gadepally, scientifique principal au MIT, rappelle que bâtir ou moderniser un centre de données nécessite notamment de grandes quantités d’acier et de béton, deux matériaux dont la production est fortement émettrice.

Cette distinction est importante, car une amélioration opérationnelle ne fait pas disparaître le reste du problème. Un centre de données très efficace une fois ouvert conserve une empreinte initiale liée à sa construction. Inversement, prolonger la durée d’usage de certains équipements ou éviter des installations surdimensionnées peut limiter la multiplication des infrastructures.

Rendre les modèles moins gourmands en calcul

La première famille de solutions concerne l’efficacité du calcul. Un modèle génératif consomme de l’énergie lors de sa phase d’entraînement, pendant laquelle il apprend à partir de très grands ensembles de données, puis pendant son inférence, c’est-à-dire lorsqu’il répond aux demandes des utilisateurs. Les leviers ne sont pas exactement les mêmes, mais l’objectif reste identique : accomplir une tâche donnée avec moins de ressources.

Un réglage apparemment modeste peut avoir des effets notables à l’échelle d’un parc de machines. Vijay Gadepally indique ainsi qu’il est possible de réduire la puissance consommée par les GPU jusqu’à environ un tiers de leur consommation, avec un impact limité sur les résultats dans certains cas. Cette limitation de puissance réduit aussi la chaleur dégagée, ce qui allège par ricochet les besoins de refroidissement. Elle doit cependant être évaluée selon le matériel et la charge de travail : une réduction mal calibrée peut rallonger un calcul ou affecter ses performances.

Un autre levier consiste à diminuer la précision numérique utilisée par les processeurs. Les grands systèmes d’IA, comme GPT-5 cité dans la publication d’origine, exigent des capacités de calcul considérables. Or, toutes les étapes ne nécessitent pas forcément le même niveau de précision. Employer des représentations numériques moins précises peut réduire les besoins de calcul et de mémoire tout en conservant des résultats comparables pour certaines tâches. Cette approche est couramment décrite comme une forme de quantification : elle demande des tests rigoureux, car l’économie d’énergie ne doit pas se faire au prix de réponses moins fiables ou de biais accentués.

Enfin, les chercheurs recommandent de ne pas prolonger l’entraînement d’un modèle au-delà de ce qui est utile. L’arrêt précoce consiste à interrompre le processus lorsque le niveau d’exactitude atteint un seuil jugé suffisant. Dans une course à la performance, quelques gains marginaux peuvent mobiliser beaucoup de calcul supplémentaire. Définir à l’avance un objectif pertinent permet de limiter ce gaspillage.

L’efficacité des puces reste un levier majeur

La performance énergétique du matériel progresse encore. Bien que l’amélioration de l’efficacité des puces ait ralenti depuis 2005, les GPU ont continué d’accroître leur capacité à exécuter des opérations par joule d’énergie, de l’ordre de 50 à 60 % par an selon les chiffres repris dans la publication d’origine. Cette tendance est souvent rapprochée de la loi de Moore, expression historiquement liée à la densité de transistors, mais l’enjeu pratique est clair : une puce plus efficace peut fournir davantage de calcul pour une même quantité d’électricité.

Ce progrès matériel est nécessaire, sans être suffisant. Des puces plus performantes peuvent aussi encourager la conception de modèles plus grands ou le déploiement de davantage de services. L’efficacité doit donc s’accompagner de choix sur les usages, les tailles de modèles réellement justifiées et le niveau de service attendu.

Les centres de données ont aussi leur géographie

L’emplacement d’un centre de données influence fortement son bilan. Le climat local compte, car les équipements informatiques dégagent beaucoup de chaleur. Meta a ainsi implanté un centre de données à Luleå, en Suède, où la fraîcheur ambiante réduit les besoins énergétiques de refroidissement. Cette solution ne se transpose pas mécaniquement partout : la disponibilité du réseau, les liaisons de télécommunications, l’accès à l’eau, le foncier et l’acceptabilité locale entrent également en ligne de compte.

La capacité à utiliser une électricité bas carbone au bon moment est tout aussi déterminante. Le solaire et l’éolien produisent de manière variable. Des systèmes de stockage d’énergie de longue durée pourraient conserver les surplus pour une utilisation ultérieure et aider les centres de données à mieux exploiter les sources renouvelables. Des équipes du MIT étudient ce type de stockage, qui pourrait transformer la gestion énergétique de ces installations.

Une stratégie de sobriété consiste aussi à déplacer, lorsque c’est possible, les tâches informatiques non urgentes vers les périodes ou les lieux où l’électricité renouvelable est abondante. Cette flexibilité est plus simple pour certains entraînements ou traitements en arrière-plan que pour une conversation en temps réel. Elle illustre néanmoins une idée essentielle : l’empreinte d’un calcul dépend autant de son moment et de son lieu que de sa durée.

L’IA peut-elle aider à décarboner l’électricité ?

L’IA générative crée une tension : elle augmente les besoins énergétiques, mais ses méthodes de calcul peuvent aussi aider à mieux gérer un système électrique devenu plus complexe. Jennifer Turliuk souligne que les procédures d’autorisation de nouveaux projets d’énergie renouvelable peuvent durer des années. Accélérer le raccordement de ces projets au réseau est donc un enjeu aussi important que leur construction.

Des modèles génératifs pourraient contribuer à optimiser les études d’interconnexion, qui déterminent les conditions de branchement d’une nouvelle installation de production au réseau. Réduire le temps nécessaire à ces études faciliterait, en théorie, l’arrivée de nouvelles capacités renouvelables. L’IA peut également améliorer les prévisions de production solaire et éolienne, afin d’anticiper les variations météorologiques et d’aider les opérateurs à équilibrer le réseau.

Le machine learning est particulièrement adapté à l’analyse de systèmes très vastes et changeants, comme un réseau électrique. Il peut repérer des schémas dans d’importants volumes de données, identifier des zones où des interventions sont nécessaires et aider à planifier l’exploitation des équipements. Mais ces usages doivent être évalués avec la même rigueur que les autres : un bénéfice climatique allégué n’est crédible que s’il dépasse les émissions induites par les calculs et les infrastructures qu’il mobilise.

Ce qu’il faut surveiller

La trajectoire environnementale de l’IA générative se jouera moins dans une innovation isolée que dans l’addition de décisions techniques et industrielles. Les entreprises ont intérêt à publier des mesures précises sur l’énergie consommée, l’origine de l’électricité, les émissions opérationnelles et celles liées aux infrastructures. Des outils d’évaluation, comme le Net Climate Impact Score mentionné dans la publication d’origine, visent justement à mettre en regard les émissions d’un projet d’IA et ses bénéfices environnementaux potentiels.

Les critères les plus importants seront la construction effective de nouvelles capacités bas carbone, l’adaptation des réseaux, le déploiement du stockage de longue durée et la capacité des acteurs à éviter les calculs inutiles. La coopération entre entreprises, chercheurs, énergéticiens et régulateurs sera déterminante : aucun acteur ne peut, à lui seul, rendre durable une demande de calcul qui touche à la fois aux puces, aux bâtiments, aux réseaux et aux usages.

L’enjeu n’est donc pas d’opposer par principe intelligence artificielle et transition énergétique. Il consiste à exiger que les gains apportés par l’IA soient démontrés, mesurés et supérieurs à son coût environnemental. Dans un secteur où les capacités de calcul se développent rapidement, la sobriété doit devenir un critère de conception, au même titre que la performance ou la fiabilité.