Climat : l’IA pourrait réduire jusqu’à 5,4 milliards de tonnes d’émissions par an

L’intelligence artificielle est souvent associée à la consommation électrique des centres de données qui l’entraînent et la font fonctionner. Cette réalité ne disparaît pas. Mais l’IA peut aussi aider à consommer moins d’énergie, à mieux intégrer les renouvelables dans les réseaux, à accélérer la découverte de matériaux ou à limiter le gaspillage de ressources. Toute la question est donc de savoir où elle est déployée, pour quels usages et sous quelles règles.

Une étude menée par la London School of Economics et le cabinet de conseil environnemental Systemiq avance une estimation particulièrement marquante : des usages ciblés de l’IA pourraient permettre de réduire les émissions mondiales de gaz à effet de serre de 3,2 à 5,4 milliards de tonnes par an d’ici 2035. Ce potentiel concerne avant tout trois domaines dont la transformation est décisive pour le climat : l’énergie, l’alimentation et les déplacements en voiture.

Cette projection ne signifie pas qu’un algorithme suffit à décarboner l’économie. Elle décrit ce qui pourrait être évité si les outils d’IA étaient associés à des changements techniques, industriels et politiques concrets. Elle rappelle surtout qu’il faut juger l’IA à l’aune des problèmes qu’elle résout, et pas uniquement de l’énergie qu’elle consomme.

Une réduction potentielle de plusieurs milliards de tonnes

Une tonne d’émissions à l’échelle mondiale est une unité difficile à se représenter. Les chiffres avancés par l’étude se comptent en milliards de tonnes annuelles. À ce niveau, l’enjeu ne se situe plus dans l’amélioration marginale d’un appareil ou d’un service numérique : il concerne l’organisation de systèmes entiers, comme un réseau électrique, une chaîne logistique ou la production alimentaire.

Les chercheurs concentrent leur analyse sur la production d’énergie, l’élevage lié à la viande et aux produits laitiers, et les véhicules de passagers. Réunis, ces secteurs représentent presque la moitié des émissions mondiales. C’est aussi là que l’IA peut contribuer à prendre de meilleures décisions à grande échelle, en traitant rapidement de grands volumes de données et en ajustant des systèmes complexes.

Ces ordres de grandeur sont des estimations de potentiel et non une prévision automatique. Ils dépendent notamment de la vitesse d’adoption des solutions, de la disponibilité d’une électricité moins carbonée, des investissements et des réglementations. Les différentes estimations sectorielles ne doivent donc pas être additionnées mécaniquement : la fourchette globale de l’étude tient compte de scénarios et d’hypothèses propres à chaque domaine.

Pourquoi l’énergie est le premier terrain d’action

Un réseau électrique doit maintenir en permanence un équilibre entre la production et la consommation. Avec le solaire et l’éolien, cet exercice se complique : la production varie selon l’ensoleillement, le vent et les conditions météorologiques, tandis que la demande évolue au fil de la journée. Anticiper ces changements avec précision permet de mieux utiliser l’électricité disponible et de limiter le recours à des moyens de production plus polluants lorsque la demande monte.

C’est précisément le type de problème pour lequel les systèmes d’apprentissage automatique sont utiles. Ils peuvent analyser des données météorologiques, des historiques de consommation et des informations sur l’état du réseau afin d’améliorer les prévisions. L’IA ne crée pas d’électricité renouvelable par elle-même, mais elle peut rendre son intégration plus fiable et plus rentable.

L’étude cite notamment une initiative de Google DeepMind qui a amélioré d’environ 20 % la valeur économique de l’énergie éolienne. Le principe est simple : de meilleures prévisions permettent aux opérateurs de vendre l’électricité au moment le plus opportun et de planifier plus efficacement l’équilibre du réseau. Le gain économique n’est pas, à lui seul, une mesure d’émissions évitées. Il illustre néanmoins l’intérêt de prévisions plus fines dans un système électrique où chaque mauvaise anticipation peut entraîner des coûts et du gaspillage.

Les gains potentiels de l’IA dans l’énergie atteindraient 1,8 milliard de tonnes d’émissions par an d’ici 2035, selon les auteurs. Un tel résultat suppose toutefois que les réseaux, les capacités de stockage et les règles de marché évoluent avec les logiciels. Un bon algorithme ne compense pas l’absence de lignes électriques, de batteries ou de production bas carbone.

Accélérer l’innovation sans confondre découverte et déploiement

La lutte contre le changement climatique dépend aussi de technologies qui ne sont pas encore déployées à grande échelle. L’étude souligne que, pour parvenir à un bilan net nul à l’horizon 2050, 50 % des réductions d’émissions devraient provenir de technologies émergentes. L’IA peut raccourcir certaines étapes de recherche, en aidant les scientifiques et les ingénieurs à explorer davantage de pistes avant de passer aux essais physiques.

Le programme GNoME de Google DeepMind en fournit un exemple. Il a identifié plus de deux millions de nouvelles structures cristallines, susceptibles d’être utiles dans le développement de matériaux liés notamment aux énergies renouvelables. Les matériaux jouent un rôle essentiel dans les batteries, les panneaux solaires, les réseaux électriques ou les procédés industriels. Repérer des structures prometteuses plus rapidement peut accélérer le travail de recherche.

Il faut cependant distinguer deux étapes. Une structure identifiée par un modèle n’est pas un produit commercialisé, et encore moins une réduction d’émissions déjà obtenue. Elle doit être synthétisée, testée, fabriquée à un coût acceptable et intégrée dans une filière industrielle. L’IA peut augmenter la vitesse d’exploration scientifique, pas supprimer ces étapes de validation.

L’optimisation des ressources est un autre levier plus immédiat. Amazon indique que ses algorithmes d’emballage ont permis d’économiser plus de trois millions de tonnes de matériaux depuis leur création. Ici encore, la donnée porte sur les matériaux économisés, non sur un volume direct de CO2 évité. Mais réduire la matière utilisée peut limiter les besoins de production, de transport et de traitement des déchets, à condition que l’économie de ressources soit réelle et durable.

Alimentation et mobilité : des choix systémiques autant qu’individuels

La viande, les produits laitiers et les voitures particulières ne se transforment pas seulement dans les usines ou les laboratoires. Ils dépendent aussi des infrastructures disponibles, des prix, des habitudes de consommation et des choix quotidiens. L’étude estime que les décisions individuelles pourraient contribuer à jusqu’à 70 % des réductions d’émissions. Cette proportion ne signifie pas que la responsabilité repose uniquement sur les particuliers : leurs possibilités de choix dépendent très largement des transports proposés, de l’offre alimentaire et de l’efficacité des logements.

Dans l’alimentation, l’amélioration des protéines d’origine végétale est identifiée comme une piste majeure. L’IA peut aider à analyser des formulations, à optimiser des procédés ou à réduire le gaspillage dans les chaînes d’approvisionnement. Le potentiel évalué par l’étude, entre 0,9 et 3,0 milliards de tonnes par an, montre à quel point le remplacement progressif d’une partie des produits les plus émetteurs pourrait peser dans le bilan mondial.

Dans les transports, les outils numériques peuvent aussi accompagner des choix moins gourmands en carburant. Google Maps propose par exemple des itinéraires conçus pour limiter la consommation de carburant. Dans les foyers, les systèmes connectés comme Nest peuvent ajuster le chauffage ou la climatisation selon les usages, afin d’éviter une consommation inutile. Ces applications ne remplacent ni les transports collectifs, ni des véhicules moins émetteurs, ni la rénovation des bâtiments. Elles peuvent en revanche réduire certains gaspillages au quotidien.

La modernisation des technologies de véhicules de passagers pourrait contribuer à une baisse de 0,6 milliard de tonnes d’ici 2035, selon l’étude. Le point central est que l’IA a un rôle d’optimisation : elle aide à mieux utiliser une solution technique ou une infrastructure, mais ne décide pas à elle seule du mode de transport, de l’aménagement urbain ou de la provenance de l’électricité.

Prévoir les risques climatiques pour mieux protéger les populations

La réduction des émissions, appelée atténuation, n’est qu’une partie du défi climatique. Les sociétés doivent aussi s’adapter aux effets déjà visibles du changement climatique. Dans ce domaine, l’IA peut analyser de vastes ensembles de données pour améliorer les prévisions, repérer des risques et diffuser des alertes plus tôt.

L’outil IceNet est cité pour ses prédictions relatives aux niveaux de glace de mer. De meilleures prévisions peuvent aider les scientifiques, les collectivités et les responsables publics à anticiper les évolutions et à organiser leur réponse. L’IA ne modifie pas le climat, mais elle peut rendre les informations climatiques plus exploitables dans la planification.

Les systèmes d’alerte précoce constituent une application particulièrement concrète. Le Flood Hub de Google utilise l’apprentissage automatique pour fournir des prévisions d’inondation jusqu’à cinq jours à l’avance dans 80 pays. Quelques jours supplémentaires peuvent permettre d’alerter une population, de préparer les secours, de protéger des biens ou d’organiser une évacuation. Les incendies et les inondations exigent des décisions rapides : une information plus anticipée peut sauver des vies, même si elle ne remplace ni les services d’urgence ni les politiques de prévention.

Réduire l’empreinte de l’IA et organiser son déploiement

Le bilan climatique de l’intelligence artificielle ne peut pas être évalué en ne regardant que ses promesses. Entraîner et utiliser des modèles nécessite des centres de données, des serveurs et des équipements électroniques. Leur consommation d’électricité, ainsi que la fabrication du matériel, doivent être prises en compte. Une IA utilisée pour optimiser un système très émetteur peut générer un bénéfice net ; une IA déployée sans objectif utile peut au contraire ajouter une consommation évitable.

La priorité consiste donc à orienter les usages vers les secteurs où chaque optimisation produit un effet mesurable. Cela demande de suivre plusieurs indicateurs : l’électricité consommée par les infrastructures, les émissions associées, les ressources économisées et les réductions réellement obtenues dans le secteur concerné. Sans cette mesure, il est facile de confondre une démonstration technologique avec un progrès climatique.

Les chercheurs appellent les pouvoirs publics à jouer un rôle actif. Ils recommandent notamment des incitations en faveur de la recherche sur une IA au service de l’environnement, des règles pour encadrer ses impacts et des investissements dans des infrastructures permettant aux innovations de bénéficier à toutes les communautés. L’enjeu est aussi social : une transition efficace ne peut pas se limiter aux régions disposant déjà des meilleurs réseaux électriques, des données les plus abondantes et des plus grandes capacités de calcul.

Ce qu’il faut surveiller d’ici 2035

La fourchette de 3,2 à 5,4 milliards de tonnes fixe un cap ambitieux. Pour savoir si ce potentiel se concrétise, il faudra observer le déploiement réel de l’IA dans les réseaux électriques, les progrès des protéines végétales, l’efficacité des véhicules et la qualité des outils de prévision climatique. Il faudra aussi vérifier que les bénéfices annoncés sont mesurés sur le terrain, plutôt que déduits uniquement de simulations.

La question n’est pas seulement de rendre les modèles plus puissants. Elle est de les placer là où ils peuvent éviter le plus de gaspillage, soutenir l’innovation et aider les populations à faire face aux risques. Si l’IA devient un outil intégré à des politiques énergétiques, alimentaires et industrielles cohérentes, elle peut contribuer de façon significative à la transition. Si elle se développe sans exigences sur son empreinte et ses finalités, son potentiel climatique restera largement théorique.