Intelligence artificielle : quel impact réel sur l'environnement ?

En quelques années, l'intelligence artificielle générative s'est installée dans les usages professionnels et personnels. Rédaction, traduction, analyse de données, génération d'images : chaque requête mobilise des serveurs installés dans des centres de données (data centers) qui consomment de l'électricité, de l'eau et des ressources minérales. Derrière l'apparente immatérialité de l'IA se cache donc une empreinte environnementale bien réelle, encore mal mesurée mais en forte croissance.

Une consommation d'électricité qui pourrait plus que doubler d'ici 2030

Selon le rapport Energy and AI de l'Agence internationale de l'énergie (AIE), la demande mondiale d'électricité des centres de données devrait plus que doubler d'ici 2030 pour atteindre environ 945 TWh, soit un peu plus que la consommation électrique actuelle du Japon. L'IA est le principal moteur de cette hausse : la demande des centres de données optimisés pour l'IA pourrait être multipliée par plus de quatre sur la même période.

Aux États-Unis, les centres de données devraient représenter près de la moitié de la croissance de la demande électrique d'ici 2030. Dans les économies avancées, ils pèseraient plus de 20 % de cette croissance. Cette pression supplémentaire sur les réseaux électriques pose la question de la provenance de l'énergie : l'AIE estime que les énergies renouvelables et le gaz naturel couvriront l'essentiel des nouveaux besoins, ce qui signifie qu'une partie de la croissance de l'IA reste adossée à des énergies fossiles.

En France, une empreinte des data centers en nette hausse

La France bénéficie d'un mix électrique peu carboné, mais la tendance reste préoccupante. D'après l'enquête annuelle « Pour un numérique soutenable » de l'Arcep (édition 2026, données 2024) :

• les centres de données suivis ont consommé 2,7 TWh, soit +38 % en trois ans et +12 % en un an ;
• les émissions de gaz à effet de serre qui leur sont associées ont progressé de 23 % ;
• les nouveaux sites ouverts en 2024 affichent une puissance moyenne de 20 MW, près de sept fois celle des sites existants ;
• l'Île-de-France concentre 56 % des centres de données et plus de 70 % de la puissance de calcul nationale.

Ces chiffres sont par ailleurs incomplets : l'enquête ne couvre pas encore les grands acteurs du cloud (hyperscalers), dont l'intégration est prévue pour l'édition 2027. L'empreinte réelle est donc vraisemblablement supérieure.

L'eau, ressource sous tension

Les serveurs dégagent beaucoup de chaleur et doivent être refroidis, souvent à l'aide d'eau de haute pureté prélevée sur les mêmes réseaux que l'eau potable. Une partie s'évapore, une autre est rejetée réchauffée, ce qui complique sa réutilisation.

L'AIE a estimé la consommation d'eau liée à l'IA à 560 milliards de litres en 2023, dont 373 milliards pour le refroidissement des centres de données, 140 milliards pour la production de l'électricité qui les alimente et 47 milliards pour la fabrication du matériel informatique. Une étude publiée dans la revue Patterns (Alex de Vries-Gao) situe l'empreinte hydrique de l'IA entre 312 et 765 milliards de litres pour l'année 2025, un ordre de grandeur comparable à la consommation mondiale d'eau en bouteille.

En France, l'Arcep relève des prélèvements de 575 000 m³ d'eau, quasi exclusivement potable, pour les centres de données recensés, et alerte sur de possibles conflits d'usage locaux, notamment lors des épisodes de sécheresse.

Et à l'échelle d'une requête ?

Les premiers chiffres publiés par les fournisseurs eux-mêmes donnent un ordre de grandeur. Google a indiqué en 2025 qu'une requête texte médiane sur Gemini consommait environ 0,24 Wh et 0,26 mL d'eau. L'analyse de cycle de vie publiée par Mistral AI la même année estime qu'une réponse de 400 tokens de son modèle Large 2 représente environ 1,14 g de CO?e et 45 mL d'eau, en incluant l'amont (fabrication, infrastructures).

Ces valeurs individuelles paraissent faibles. Le problème tient à leur multiplication par des milliards de requêtes quotidiennes, et aux écarts importants selon les méthodes de calcul, les modèles utilisés et le type de contenu généré : une image ou une vidéo consomme bien davantage qu'une réponse textuelle courte. L'Arcep souligne d'ailleurs que 84 % des modèles d'IA ne publient aucune donnée environnementale, ce qui rend toute comparaison fiable difficile.

Entraînement ou utilisation : où se situe l'impact ?

L'attention s'est longtemps portée sur l'entraînement des grands modèles, très énergivore mais ponctuel. Aujourd'hui, c'est l'inférence, c'est-à-dire l'usage quotidien par des millions d'utilisateurs, qui devient le principal enjeu. Plus un modèle est adopté, plus la part de son impact liée à l'usage augmente.

Un impact qui dépasse l'énergie : métaux et matériel

L'IA repose sur des processeurs spécialisés (GPU) dont la fabrication mobilise des métaux critiques et des terres rares, extraits dans des conditions souvent lourdes pour les milieux naturels (pollution des sols et des eaux, consommation d'eau, déchets miniers). L'AIE note que la croissance des centres de données accentuera la demande en minerais critiques, dont l'approvisionnement est très concentré géographiquement. Le renouvellement rapide du matériel génère en outre des volumes croissants de déchets d'équipements électriques et électroniques (DEEE).

L'IA peut aussi servir la transition écologique

Le bilan ne se résume pas à un passif. L'AIE estime que l'adoption de l'IA pourrait générer des réductions d'émissions capables de compenser une partie de la hausse liée aux centres de données, à condition d'un déploiement large. Parmi les applications concrètes :

• optimisation des réseaux électriques et intégration des énergies renouvelables ;
• accélération de la recherche sur les batteries et le photovoltaïque ;
• surveillance de la qualité de l'air et de l'eau, détection de fuites sur les réseaux ;
• exploitation de données géographiques et historiques pour l'identification de sites potentiellement pollués ou le suivi de la biodiversité.

Ces bénéfices restent cependant conditionnés à des usages ciblés. Ils ne justifient pas une utilisation indifférenciée de l'IA pour des tâches qui pourraient être réalisées plus sobrement.

Quels leviers pour un usage plus sobre ?

Pour les entreprises et les collectivités, plusieurs pistes permettent de limiter l'empreinte de l'IA :

• Choisir le bon outil : un moteur de recherche ou un logiciel classique suffit souvent, sans recourir à un grand modèle génératif.
• Privilégier des modèles plus légers ou spécialisés : des tests menés sur le supercalculateur Jean Zay montrent que des techniques de compression peuvent réduire la consommation d'énergie de près de 40 % sans dégrader la qualité des réponses.
• Tenir compte de la localisation des serveurs : un centre de données alimenté par un mix électrique décarboné, comme en France, réduit l'empreinte carbone de chaque requête.
• Exiger de la transparence de la part des fournisseurs sur la consommation d'énergie, d'eau et les émissions, et intégrer ces critères dans les achats publics et privés.
• Intégrer l'IA au bilan carbone et à la démarche RSE de l'organisation, au même titre que les autres postes numériques.

Conclusion

L'intelligence artificielle n'est ni intrinsèquement nuisible ni neutre pour l'environnement. Sa croissance rapide entraîne une hausse mesurable de la consommation d'électricité, des prélèvements d'eau et de la demande en matières premières, alors même que les données disponibles restent partielles. L'enjeu des prochaines années sera de mesurer précisément cet impact, de réserver l'IA aux usages qui créent une réelle valeur, y compris environnementale, et d'intégrer ces arbitrages dans les politiques de sobriété numérique.