L'IA peut-elle devenir verte ?

Beaucoup s’inquiètent de l’appétit énergétique de l’IA générative. Sam Altman a récemment écrit qu’une seule requête ChatGPT utilise environ 0,34 Wh, soit à peu près ce qu’une LED haute efficacité consomme en quelques minutes. Multipliez cela par des milliards de requêtes et la consommation électrique des data centers devient rapidement un titre de une sur le climat.

Une étude de Nature publiée en juin 2025 soutient qu’une IA intelligente et spécifique à chaque secteur pourrait réduire de 3,2 à 5,4 gigatonnes d’équivalent CO₂ par an (Gt CO2e) d’ici 2035 dans les domaines de l’énergie, de l’alimentation et des transports. Une couverture du Financial Times souligne le même potentiel mais avertit que le déploiement dans le monde réel est encore à la traîne par rapport aux résultats de laboratoire.

Voici un tour rapide des avantages, de l’empreinte, du filtre anti-hype et des impératifs pour une IA plus verte.

1. Les avantages : cinq leviers valant environ 5 gigatonnes

Réseaux et trafic plus intelligents : L’IA prédit la demande, équilibre les énergies renouvelables et désengorge les routes urbaines.
Meilleures batteries et moins de déchets : les modèles génératifs accélèrent la recherche en chimie et réduisent les emballages.
Choix quotidiens plus verts : des outils comme les éco-itinéraires de Google Maps incitent les utilisateurs à économiser du carburant.
Prévisions climatiques plus précises : des modèles haute résolution avertissent plus tôt des inondations et des sécheresses.
Réponse aux catastrophes plus rapide : des alertes précoces pour les incendies et les tempêtes protègent les personnes et les biens.

En se concentrant uniquement sur l’énergie, l’alimentation et la mobilité, Stern et al. estiment que l’IA pourrait éviter jusqu’à 5,4 Gt CO₂e chaque année, soit environ trois fois les propres émissions projetées de l’IA.

Le bleu représente le scénario business-as-usual avec seulement des réductions modestes, le vert montre l’efficacité permise par l’IA réduisant de 3 à 5 Gt CO₂ par an d’ici 2035, et la ligne pointillée bleu marine représente des politiques climatiques ambitieuses livrant les réductions les plus fortes (Source : Nature).

2. L’empreinte : en hausse rapide

L’AIE prédit que la demande en électricité des data centers va plus que doubler pour atteindre environ 945 TWh d’ici 2030, avec l’IA comme principal moteur. C’est similaire à l’ensemble du réseau électrique du Japon aujourd’hui.

Points clés :

L’emplacement compte : S’entraîner (Training) par une nuit d’hiver belge alimentée par l’éolien offshore est plus propre qu’un après-midi ensoleillé au Texas sur un réseau dépendant du charbon.
La consommation d’eau est un coût caché : L’empreinte de l’IA n’est pas seulement le carbone. Les data centers consomment de vastes quantités d’eau douce pour le refroidissement. L’étude de Nature souligne cela, appelant à un reporting transparent de l’utilisation de l’eau aux côtés de l’énergie et des émissions.
La taille du modèle n’est pas gratuite : Un modèle dix fois plus grand peut nécessiter dix à vingt fois plus d’énergie pour des gains marginaux.
Matériel et refroidissement : Le refroidissement liquide et des GPU plus rapides gagnent du temps mais ne résolvent pas le problème seuls.

3. Le filtre anti-hype : leçons du FT

Pilita Clark du Financial Times note que les prototypes impressionnent les investisseurs, mais que les conditions de terrain désordonnées et les marges faibles font dérailler de nombreux pilotes d’IA climatique. Le modèle de capture de CO₂ de Meta, par exemple, s’est effondré lors de l’examen par les pairs (peer review).

4. L’IA verte en pratique : Quatre impératifs

Suivre et divulguer les émissions les deux sources appellent à des rapports transparents sur l’énergie du modèle, le carbone et l’utilisation de l’eau.
Viser les secteurs à fort impact déployer les GPU rares là où les gains de décarbonation sont les plus importants, à savoir l’énergie, l’alimentation et la mobilité.
Tester hors du laboratoire valider avec des données réelles et publier les incertitudes pour combler le fossé entre le laboratoire et le marché.
Adopter une tech efficace Les GPU NVIDIA Blackwell promettent jusqu’à vingt-cinq fois plus d’énergie par token que les H100, et le routage Mixture of Experts peut réduire l’énergie d’inférence d’environ soixante-dix pour cent.

5. Politique : l’angle de l’État actif

Les marchés seuls ne prioriseront pas les applications climatiques à faible profit et fort impact. Le papier de Nature suggère que les gouvernements devraient :

Rendre obligatoire la divulgation des émissions sur le cycle de vie pour les fournisseurs de cloud et de modèles.
Offrir des remises basées sur l’heure d’utilisation (time of use rebates) pour les charges de travail IA qui s’alignent avec les pics d’énergie renouvelable.
Financer des jeux de données (datasets) et benchmarks IA climatiques ouverts pour dé-risquer la recherche précoce.

Conclusion

L’IA peut être un multiplicateur climatique, mais seulement si nous mesurons son empreinte, orientons les GPU vers les plus grandes victoires carbone et adoptons la tech efficace déjà sur la roadmap.

Prêt à tester votre propre budget énergétique IA (stress test) ? Contactez-nous ; nous pouvons mesurer votre impact climatique IA et l’optimiser pour une empreinte plus légère.