Mesurer tout le cycle de vie
L’empreinte de l’IA commence avant une requête et se poursuit après le retrait d’un serveur. La fabrication de semi-conducteurs consomme de l’énergie, de l’eau ultrapure, des produits chimiques et des minéraux. Les centres de données consomment électricité, refroidissement, production de secours, réseau, terrain et équipement. Le matériel en fin de vie devient un problème de déchets électroniques et de récupération.
Le débat public cite souvent un chiffre d’eau ou d’énergie par requête comme s’il était universel. L’usage réel varie selon le modèle, le matériel, le taux d’utilisation du centre de données, le refroidissement, le climat, le réseau électrique, la longueur de la requête, la modalité de sortie et la méthode d’attribution. L’entraînement et l’inférence sont distincts ; l’inférence peut dominer sur la durée de vie d’un produit si l’usage est important. Les fournisseurs divulguent trop peu d’informations pour des totaux mondiaux précis propres à l’IA seule.
Ce qui est mesuré aujourd’hui
L’Agence internationale de l’énergie a estimé que l’ensemble des centres de données a consommé environ 415 térawattheures d’électricité en 2024, soit environ 1,5 % de la consommation mondiale. L’IA n’est qu’une partie de ce total. Près de la moitié de la capacité des centres de données américains était concentrée dans cinq grappes régionales, si bien que les effets locaux sur le réseau peuvent être bien plus importants que la part mondiale (AIE, avril 2025).
La projection centrale actualisée de l’AIE situe l’usage des centres de données à environ 950 TWh en 2030, soit environ 3 % de la demande mondiale. C’est une prévision fondée sur des hypothèses de capacité, d’efficacité, d’adoption et de marché, pas une lecture de compteur venue du futur. Un raisonnement plus intensif en énergie, la vidéo et l’usage agentique pourraient pousser la demande à la hausse ; l’efficacité, des contraintes de financement ou une adoption plus lente pourraient la réduire (AIE, 2026).
Aux États-Unis, le Lawrence Berkeley National Laboratory a estimé que l’usage d’électricité des centres de données est passé à 176 TWh en 2023 et pourrait atteindre 325 à 580 TWh en 2028 (Département de l’Énergie des États-Unis, décembre 2024). Cette fourchette illustre l’incertitude. Elle couvre les centres de données en général, pas seulement l’IA générative.
Les émissions dépendent d’où et de quand l’électricité est produite
Un serveur efficace sur un réseau à forte teneur en énergies fossiles peut créer plus d’émissions opérationnelles qu’un serveur moins efficace alimenté par une énergie à faible teneur en carbone. Les contrats annuels d’énergie renouvelable ne reflètent pas toujours l’électricité qui alimente une installation à l’heure de la demande. La demande marginale peut maintenir en service la production fossile même lorsqu’une entreprise achète des certificats renouvelables.
L’AIE a estimé les émissions liées à l’électricité des centres de données à environ 180 millions de tonnes de dioxyde de carbone en 2024, soit environ 0,5 % des émissions mondiales de combustion de combustibles. Son scénario de référence grimpe vers 1 % d’ici 2030 (analyse climatique de l’AIE). De faibles parts mondiales peuvent tout de même entrer en conflit avec des plans climatiques locaux ou créer une croissance sectorielle rapide.
Un rapport crédible devrait inclure les émissions basées sur la localisation et sur le marché, une correspondance horaire lorsque c’est possible, les générateurs de secours, la construction, et les émissions incorporées du matériel. Les affirmations d’émissions évitées grâce à l’optimisation par IA devraient être rapportées séparément et validées contre un contrefactuel.
L’eau est locale
Les centres de données peuvent consommer de l’eau directement par refroidissement évaporatif, et indirectement par la production d’électricité. La fabrication de semi-conducteurs exige aussi de l’eau de haute qualité. Le prélèvement n’est pas identique à la consommation : l’eau prélevée peut être restituée, tandis que l’eau consommée n’est pas immédiatement disponible pour le bassin versant local.
Un litre utilisé dans un bassin en stress hydrique a un impact différent d’un litre utilisé là où l’approvisionnement est abondant. Les totaux mondiaux annuels peuvent masquer la concurrence saisonnière avec les foyers, les écosystèmes, l’agriculture et l’industrie. Le refroidissement par air peut réduire l’usage direct d’eau mais augmenter l’usage d’électricité ; l’eau recyclée peut réduire la demande d’eau potable mais exige une infrastructure et des garde-fous.
L’OCDE note que l’évaluation environnementale devrait s’étendre au-delà de l’énergie et du carbone jusqu’à l’eau douce et l’extraction minérale, et que le rapport sur l’eau des centres de données reste incomplet (calcul IA de l’OCDE). Les communautés ont besoin de données au niveau des installations sur le prélèvement, la consommation, la source, le stress saisonnier, le rejet et les plans d’urgence avant que des permis ne soient accordés.
Les puces ont une empreinte en amont
Les accélérateurs avancés dépendent d’une fabrication, d’un conditionnement, d’une mémoire et de matériaux géographiquement concentrés. Les usines de fabrication ont d’importants besoins de construction et de services publics. Les cycles courts de mise à niveau des modèles peuvent retirer des équipements encore fonctionnels, bien que les accélérateurs plus anciens puissent être réutilisés pour une inférence moins exigeante.
L’extraction minière et le traitement peuvent produire des dommages à l’habitat, de la pollution, des risques professionnels et une dépendance géopolitique. L’attribution exacte à « l’IA » est difficile car la même chaîne d’approvisionnement alimente aussi les téléphones, les véhicules, les réseaux et d’autres formes de calcul. L’analyse du cycle de vie devrait attribuer l’impact de façon transparente plutôt que d’imputer toute la croissance des semi-conducteurs à l’IA.
Le PNUE identifie l’énergie, les émissions de gaz à effet de serre, l’eau, l’extraction minérale et les déchets électroniques comme des préoccupations directes du cycle de vie, et appelle à des méthodes de mesure communes (PNUE, septembre 2024). Le PNUE a un mandat environnemental, ce qui façonne son angle d’approche ; sa recommandation de mesure reste largement utile.
L’IA peut produire des bénéfices environnementaux
L’apprentissage automatique peut améliorer la modélisation météorologique et climatique, détecter le méthane, optimiser réseaux et bâtiments, prévoir la production renouvelable, concevoir des matériaux et soutenir la conservation. Les bénéfices doivent être mesurés en déploiement, non déduits de la précision sur des tests de référence.
Les effets de rebond comptent. Si l’efficacité réduit le coût, l’usage total peut augmenter suffisamment pour effacer les économies. L’optimisation peut aussi déplacer le préjudice : réduire le coût d’électricité tout en augmentant l’usage d’eau, ou implanter une infrastructure dans une communauté vulnérable. L’évaluation nette devrait inclure la demande induite et la répartition.
L’AIE projette que les renouvelables couvriront environ la moitié de la croissance de la demande d’électricité des centres de données d’ici 2035 dans son scénario de référence, mais le gaz naturel et le charbon fournissent aussi une croissance substantielle à court terme. « Alimenté par les renouvelables » n’est donc pas une description du secteur mondial.
De meilleurs choix d’infrastructure
Les opérateurs peuvent améliorer le taux d’utilisation, utiliser des modèles et du matériel efficaces, planifier les charges de travail flexibles lorsqu’une énergie plus propre est disponible, prolonger la durée de vie de l’équipement, récupérer la chaleur quand c’est utile, réduire la capacité inactive, et choisir un refroidissement adapté au bassin versant local. De petits modèles spécifiques à une tâche peuvent surpasser l’usage gaspilleur d’un modèle de pointe.
Les services publics et les régulateurs peuvent exiger des études d’interconnexion réalistes, une répartition des coûts, une flexibilité de la demande, un approvisionnement propre, un examen public de l’eau, et des plans de démantèlement. Les clients de centres de données ne devraient pas reporter silencieusement sur les foyers les coûts de mise à niveau du réseau ou de pénurie.
La divulgation devrait utiliser des unités fonctionnelles communes : énergie et eau par cycle d’entraînement, par charge de travail normalisée, et par volume de service, aux côtés des totaux absolus par entreprise et par installation. Des ratios d’efficacité sans croissance absolue peuvent induire en erreur.
Ce que l’AGI pourrait changer
La demande énergétique de l’AGI est un scénario. Des systèmes qui automatisent la recherche et l’activité économique pourraient augmenter fortement l’usage du calcul. Ils pourraient aussi améliorer la conception des puces, les matériaux, les réseaux électriques et le déploiement d’énergie propre. Un effet de rebond à la Jevons pourrait transformer les gains d’efficacité en une consommation totale plus élevée.
Des contraintes physiques demeurent : les usines de puces, les transformateurs, la production, les réseaux, les systèmes d’eau et les permis prennent du temps. Les affirmations d’une abondance immédiate d’intelligence devraient tenir compte de ces goulots d’étranglement. La gouvernance environnementale pourrait devenir une limite pratique au déploiement plutôt qu’une question externe.
Une norme équilibrée
Posez quatre questions : quelle est l’empreinte absolue du cycle de vie ? Où et quand se produit-elle ? Qui reçoit le bénéfice et qui supporte le coût ? Quelle alternative remplit la même fonction ?
Les preuves ne soutiennent ni « l’IA est environnementalement négligeable », ni une catastrophe universelle par requête. Les centres de données représentent une minorité de l’usage électrique mondial, mais une charge à croissance rapide et géographiquement concentrée, avec des impacts matériels sur l’eau et la chaîne d’approvisionnement. L’IA peut permettre des améliorations environnementales, mais seuls comptent les résultats nets mesurés. La divulgation obligatoire au niveau des installations, les normes de cycle de vie, la participation locale, l’investissement dans des réseaux propres et le choix de modèles efficaces sont les fondations d’une politique environnementale honnête.