L’intelligence artificielle possède une particularité assez remarquable : plus elle devient puissante, plus son fonctionnement matériel disparaît de notre regard.

Nous écrivons quelques mots sur un téléphone, une réponse arrive presque immédiatement. Nous demandons une image, un résumé, une traduction, une analyse de document ou quelques lignes de code et, du point de vue de l’utilisateur, l’opération paraît presque gratuite. Il n’y a ni fumée, ni moteur, ni compteur qui tourne devant nous. Le mot même de « cloud » a probablement contribué à installer cette illusion d’un numérique flottant quelque part au-dessus du monde matériel.

Pourtant, l’IA est tout sauf immatérielle. Elle repose sur des centres de données, des processeurs spécialisés, des réseaux électriques, des équipements de refroidissement, des bâtiments, des chaînes industrielles capables de fabriquer des composants extrêmement complexes et, en bout de course, des machines qu’il faudra remplacer et recycler. Elle consomme de l’électricité, mobilise de l’eau dans certains systèmes de refroidissement et entraîne la construction accélérée d’infrastructures dont l’empreinte ne se résume pas au moment où nous appuyons sur « envoyer ». Cette empreinte matérielle commence avant même la mise en service : extraction et transformation des matières premières, fabrication des semi-conducteurs et des serveurs, construction des centres de données, puis renouvellement et fin de vie des équipements. L’OCDE recommande d’ailleurs d’évaluer l’impact de l’IA sur l’ensemble de ce cycle de vie, et non sur sa seule consommation en fonctionnement, en intégrant notamment l’extraction de ressources et les déchets électroniques.

Cette consommation augmente rapidement. L’Agence internationale de l’énergie estime que la consommation électrique mondiale des centres de données devrait plus que doubler d’ici 2030 pour atteindre environ 945 TWh, l’IA constituant le principal moteur de cette progression. Aux États-Unis, les centres de données pourraient représenter près de la moitié de la croissance de la demande d’électricité d’ici la fin de la décennie. Mais se demander combien consomme « une requête à une IA » ne suffit pas pour comprendre ce qui est en train de se passer.

Une demande adressée à un petit modèle n’a rien à voir avec la génération d’une vidéo, l’analyse de milliers de documents ou le fonctionnement d’un système autonome capable d’enchaîner plusieurs opérations. Le matériel utilisé, son taux d’occupation, le lieu où il fonctionne, son refroidissement et la manière dont l’électricité y est produite peuvent modifier considérablement le résultat.

Les chiffres spectaculaires attribuant à chaque requête une quantité précise d’eau ou d’électricité ont donc leurs limites. Ils ont au moins eu le mérite de rappeler que nos usages numériques possèdent un poids physique, mais ils risquent aussi de concentrer toute notre attention sur le mauvais endroit.

Car la question environnementale posée par l’intelligence artificielle ne commence pas vraiment lorsque quelqu’un ouvre ChatGPT.

Elle commence bien avant.

Pourquoi la sobriété spontanée ne suffira pas

Nous pourrions imaginer une société dans laquelle chacun connaîtrait approximativement le coût environnemental de ses usages et ajusterait volontairement son comportement. Nous réserverions les modèles les plus puissants aux problèmes complexes, utiliserions des systèmes plus légers pour les tâches simples, éviterions les générations inutiles et renoncerions parfois à solliciter une machine lorsque nous n’en avons pas réellement besoin.

Ce serait certainement souhaitable.

Mais bâtir une réflexion environnementale sur cette hypothèse reviendrait à faire reposer une grande partie du problème sur une qualité dont l’histoire des technologies nous a rarement fourni la preuve : notre capacité collective à nous arrêter spontanément lorsqu’un outil devient plus pratique, plus accessible et moins coûteux.

Lorsque le stockage informatique était cher, nous supprimions des fichiers. Lorsqu’il est devenu presque gratuit, nous avons commencé à tout conserver. Lorsque prendre une photographie nécessitait une pellicule, chaque déclenchement avait un coût perceptible ; le smartphone nous permet aujourd’hui d’en produire des milliers sans même y penser. Les exemples pourraient être multipliés presque indéfiniment.

L’IA ne possède aucune raison particulière d’échapper à ce mécanisme.

Au contraire, elle réunit plusieurs conditions idéales pour accélérer les usages : le résultat arrive vite, son coût individuel est presque invisible et les possibilités semblent infinies. Lorsque générer dix propositions demande moins d’effort que d’en écrire une, nous en demandons dix. Lorsque vingt images peuvent être produites presque instantanément, nous n’avons aucune raison pratique de nous contenter de deux. Lorsque résumer un document ou reformuler un texte ne demande qu’un clic, nous finissons naturellement par utiliser l’outil pour des opérations que nous accomplissions auparavant autrement.

Cela ne fait pas de nous des utilisateurs irresponsables. C’est simplement ainsi que fonctionnent les technologies lorsqu’elles réduisent suffisamment le coût d’une action.

Et cette dynamique ne repose pas uniquement sur nous.

Il faut que nous utilisions l’IA

Le modèle économique de l’industrie l’incite beaucoup plus fortement à étendre les usages qu’à en limiter le volume total.

Les investissements engagés dans les modèles, les processeurs et les centres de données sont considérables. Ils doivent être rentabilisés. Pour les entreprises qui participent à cette course, le succès ne consiste donc pas seulement à développer une intelligence artificielle efficace. Il consiste à faire de cette intelligence artificielle un outil utilisé souvent, par beaucoup de monde et dans un nombre croissant de situations.

L’échelle des sommes engagées permet de mesurer l’enjeu. Microsoft annonçait début 2025 prévoir environ 80 milliards de dollars d’investissements sur son exercice fiscal pour construire des centres de données adaptés à l’IA. Plus directement encore, Meta explique dans son rapport annuel 2025 que ses investissements dans l’IA servent notamment à recommander du contenu, améliorer ses outils publicitaires et développer de nouveaux produits ; l’entreprise prévoit entre 115 et 135 milliards de dollars de dépenses d’investissement en 2026 pour soutenir l’IA et son activité principale. Toutes ces dépenses ne sont évidemment pas imputables à la seule IA, mais celle-ci en constitue désormais l’un des principaux moteurs.

Nous assistons déjà à cette transformation. L’IA n’est plus seulement un service vers lequel nous décidons de nous rendre. Elle apparaît dans les moteurs de recherche, les suites bureautiques, les logiciels professionnels, les téléphones, les outils de programmation, les plateformes commerciales et quantité de services qui fonctionnaient très bien avant son arrivée.

Google en fournit un exemple spectaculaire. En avril 2025, l’entreprise annonçait que les réponses générées automatiquement par AI Overviews dans son moteur de recherche atteignaient déjà plus de 1,5 milliard d’utilisateurs par mois, tout en précisant vouloir étendre la fonction à davantage de pays, d’utilisateurs et de requêtes. L’utilisateur n’a donc même plus nécessairement besoin de décider d’utiliser une IA : elle peut simplement apparaître dans un service qu’il utilisait déjà.

Cela ne signifie évidemment pas que son intégration soit inutile. Dans beaucoup de cas, elle apporte une véritable valeur. Mais la logique économique pousse naturellement à élargir son domaine d’intervention bien au-delà des usages où son intérêt est évident.

Une entreprise qui vient de consacrer des milliards à une infrastructure d’IA ne construit pas sa stratégie autour de l’idée que nous devrions essayer de l’utiliser le moins possible.

Elle cherche au contraire à rendre cette utilisation naturelle.

Puis habituelle.

Puis indispensable.

Et c’est précisément à cet endroit que la question environnementale devient beaucoup plus difficile que celle du comportement individuel.

Même si chaque génération de processeurs devient plus efficace et si chaque calcul nécessite moins d’énergie, cette amélioration peut être absorbée par une explosion du nombre de calculs effectués. Nous connaissons depuis longtemps ce phénomène : rendre une technologie moins coûteuse ne garantit pas que sa consommation totale diminuera, parce que la baisse du coût permet généralement d’en multiplier les usages.

Avec l’intelligence artificielle, cet effet peut prendre une ampleur particulière. Nous ne sommes pas seulement en train de rendre moins coûteuses des opérations qui existaient déjà. Nous inventons en permanence de nouvelles raisons de calculer.

Chaque progrès ouvre un nouveau marché, chaque nouveau marché crée de nouveaux usages et chaque nouvel usage justifie de nouvelles infrastructures.

L’efficacité technique et la sobriété environnementale ne sont donc pas nécessairement synonymes.

Tout cela pour quoi ?

Il serait malgré tout absurde d’en conclure que la consommation énergétique de l’intelligence artificielle constitue en elle-même une raison de la rejeter.

Nous consacrons d’immenses quantités d’énergie à des activités que nous jugeons utiles. Nous chauffons des écoles, faisons fonctionner des hôpitaux, transportons des personnes et des marchandises, produisons des médicaments et construisons des réseaux de communication. La question n’a jamais été de parvenir à une activité humaine sans consommation d’énergie, mais de décider ce qui mérite les ressources que nous lui consacrons.

L’IA peut elle-même contribuer à réduire certaines dépenses énergétiques, optimiser des réseaux électriques, améliorer des procédés industriels, accélérer certaines recherches ou éviter des tâches coûteuses réalisées autrement. Elle peut aussi fabriquer quelques centaines de variantes d’une publicité pour déterminer celle qui retiendra notre attention deux secondes de plus.

Ces bénéfices potentiels ne sont pas seulement théoriques. L’AIE estime par exemple que l’utilisation de l’IA et d’autres technologies numériques permettant d’exploiter plus efficacement les réseaux électriques existants pourrait libérer jusqu’à 175 GW de capacité de transport supplémentaire sans construire de nouvelles lignes. Dans les bâtiments équipés de systèmes de gestion adaptés, l’optimisation du chauffage, de la ventilation et de la climatisation peut également réduire la consommation d’énergie d’environ 10 %.

Le problème est qu’un kilowattheure ne fait aucune différence entre les deux.

Nous, si.

Mais même cette distinction doit être maniée avec précaution. Personne n’a probablement envie d’une administration chargée de déterminer quelles utilisations de l’intelligence artificielle seraient suffisamment nobles pour mériter de l’électricité. La frivolité fait également partie de nos vies et une société qui ne consacrerait de ressources qu’aux activités strictement nécessaires serait peut-être très efficace, mais assez peu agréable à habiter.

La question n’est donc pas de distinguer autoritairement les bons calculs des mauvais.

Elle consiste plutôt à se demander ce qui arrive lorsque la production permanente de nouveaux calculs devient elle-même un modèle économique.

C’est là que le sujet dépasse largement l’intelligence artificielle.

Nous avons déjà construit une partie de l’économie numérique autour de la captation de notre attention, de l’augmentation du temps passé sur les plateformes et de la multiplication des interactions. Pendant longtemps, le coût environnemental marginal de cette mécanique est resté suffisamment discret pour n’occuper qu’une place secondaire dans le débat.

L’IA ajoute désormais une nouvelle couche à ce système. Une interaction peut déclencher un calcul beaucoup plus important qu’un simple affichage de page, et l’objectif économique reste pourtant semblable : augmenter l’usage.

Nous nous retrouvons ainsi devant une contradiction assez étrange. Nous cherchons à rendre chaque calcul plus efficace tout en construisant simultanément des services dont la réussite dépend de la multiplication de ces calculs.

La responsabilité ne commence donc pas chez l’utilisateur

Il serait facile de terminer cette réflexion par quelques recommandations destinées à chacun : éviter les requêtes inutiles, ne pas générer trente images lorsqu’une seule suffit, utiliser l’IA seulement lorsqu’elle apporte quelque chose.

Ces conseils ne sont pas absurdes. Ils sont simplement très insuffisants.

Une étude publiée en 2025 par des chercheurs notamment associés au Lawrence Berkeley National Laboratory a montré que la consommation d’eau rapportée à une même charge informatique pouvait varier de plus de 10 000 fois selon l’efficacité des serveurs, leur taux d’utilisation, le mode de refroidissement, le climat local ou encore la manière dont l’électricité est produite.

L’utilisateur ne choisit généralement ni le centre de données qui traitera sa demande, ni le processeur utilisé, ni la source d’électricité, ni le système de refroidissement. Il ne sait pas toujours quel modèle répond, et encore moins si un modèle beaucoup plus léger aurait pu accomplir exactement la même tâche. Surtout, il évolue dans un environnement conçu pour l’inciter à utiliser ces services davantage, pas moins.

La responsabilité environnementale de l’IA ne peut donc pas être transférée au dernier maillon de la chaîne sous la forme d’une nouvelle injonction individuelle à la sobriété.

Elle appartient aussi aux entreprises qui choisissent les architectures, aux fournisseurs qui décident quel modèle est utilisé pour quelle tâche, aux opérateurs qui construisent les infrastructures, aux pouvoirs publics qui autorisent leur implantation et aux investisseurs qui financent cette expansion.

Et ces choix techniques peuvent produire des différences très concrètes. Google indique que son processeur Ironwood est près de trente fois plus efficace énergétiquement que son premier Cloud TPU de 2018. Microsoft estime pour sa part que ses nouveaux centres de données utilisant un refroidissement en circuit fermé peuvent éviter environ 125 000 mètres cubes d’eau par an et par installation pour le refroidissement.

Elle concerne également une question dont nous parlons encore relativement peu : la transparence.

Aujourd’hui, il reste extrêmement difficile pour un utilisateur de connaître réellement l’impact de ce qu’il utilise. Les entreprises publient parfois leur consommation globale, leurs progrès en matière d’efficacité ou leurs objectifs environnementaux, mais ces informations permettent rarement de comprendre ce que coûte précisément le développement massif de l’IA et encore moins de comparer sérieusement deux services.

Une transparence réellement utile supposerait au minimum de distinguer la consommation liée aux charges d’IA de celle des autres activités, d’indiquer quel modèle et quelle infrastructure ont effectivement traité les demandes, et de publier les consommations d’énergie et d’eau en tenant compte de leur contexte local, notamment du stress hydrique. Encore faudrait-il que ces données reposent sur des méthodes de mesure communes, avec des périmètres comparables, faute de quoi la transparence produirait surtout une collection de chiffres impossibles à confronter.

Ce manque d’informations n’est pas seulement une impression. Plusieurs travaux scientifiques récents, publiés dans iScience, soulignent que les opérateurs distinguent rarement publiquement les charges liées à l’IA des autres activités de leurs centres de données, obligeant les chercheurs à travailler à partir d’estimations et de données agrégées.

Nous sommes donc invités à utiliser toujours davantage une technologie dont nous pouvons difficilement mesurer le coût collectif.

C’est peut-être là que se trouve le véritable problème.

L’IA vaut-elle ce qu’elle consomme ?

La question n’appelle probablement aucune réponse définitive.

Certaines utilisations valent très largement les ressources qu’elles mobilisent. D’autres beaucoup moins. Et personne ne pourra tracer proprement une frontière entre les deux.

Mais nous pouvons au moins éviter deux réponses trop faciles.

La première consiste à faire de l’utilisateur le responsable principal et à lui demander de devenir soudainement plus discipliné que ne l’a jamais été aucun utilisateur lorsqu’une technologie lui simplifie la vie.

La seconde consiste à faire confiance au seul progrès technique en supposant que des processeurs plus efficaces résoudront automatiquement le problème, même si nous multiplions parallèlement leurs usages.

Entre les deux se trouve une question beaucoup plus inconfortable : que se passe-t-il lorsque notre intérêt collectif à consommer moins de ressources rencontre l’intérêt économique d’entreprises qui ont besoin que nous utilisions toujours davantage leurs machines ?

L’intelligence artificielle peut certainement nous aider à mieux utiliser une partie des ressources dont nous disposons.

Mais si nous voulons sérieusement mesurer son impact environnemental, il faudra cesser de regarder uniquement la personne qui appuie sur le bouton.

Il faudra aussi regarder ceux qui ont intérêt à ce qu’elle appuie dessus le plus souvent possible.

Références