L’intelligence artificielle promet de transformer nos économies. Mais une question embarrassante est encore trop rarement posée : combien de ressources sommes-nous prêts à lui consacrer ?

La question n’est pas théorique. Si les tendances actuelles se prolongeaient, l’IA pourrait consommer en 2030 environ 815 TWh d’électricité dans le monde et être responsable de 330 millions de tonnes de CO₂eq. Ce dernier chiffre est du même ordre de grandeur que les émissions annuelles de la France.

Surtout, le problème n’est pas tant la part de l’IA dans la consommation électrique mondiale que sa part dans l’électricité supplémentaire disponible. Selon notre projection, elle pourrait représenter 13 % de l’accroissement mondial de la demande électrique entre 2025 et 2030. Aux États-Unis, elle pourrait en absorber plus de 40 %. Cette électricité est aussi celle dont nous avons besoin pour électrifier les transports, les bâtiments et l’industrie.

La contrainte est d’autant plus forte que les nouvelles capacités bas-carbone ne se déploient pas en quelques mois. Lorsque l’IA avance plus vite que les réseaux électriques, la tentation est grande de mobiliser ce qui est disponible immédiatement : centrales à gaz, voire prolongation de centrales à charbon. La contrainte n’est donc pas seulement une question de quantité d’énergie : c’est une question de calendrier et d’arbitrage entre usages.

L’eau raconte une histoire comparable. La consommation mondiale de l’IA resterait relativement faible en proportion. Mais cette moyenne masque des tensions territoriales considérables : une grande partie des centres de données américains dédiés à l’IA se situe déjà dans des régions soumises à un fort stress hydrique. L’enjeu n’est donc pas seulement combien d’eau l’IA consomme, mais où elle la consomme.

Pour une IA sobre : de quoi s’agit-il concrètement ?

Il ne s’agit pas de renoncer à l’IA mais il faut en revanche cesser de considérer que plus d’IA est nécessairement mieux que moins d’IA et qu’un modèle plus puissant est mieux qu’un petit modèle. C’est ici que se trouve peut-être le principal angle mort du débat actuel. Tous les systèmes d’IA ne se valent pas. Pour certaines tâches simples, un modèle spécialisé peut consommer dix fois moins d’électricité qu’un modèle généraliste pour une même tâche ; en 2024, l’écart pouvait atteindre un facteur 33 pour certaines tâches de question-réponse. Pourquoi utiliser un modèle géant pour une tâche qu’un modèle léger accomplit tout aussi bien ? La rapidité de déploiement et la polyvalence des grands modèles de langage (LLM) expliquent certainement une partie de la disproportion entre besoins et usages.

La question devient encore plus importante avec le développement des agents IA. Un assistant IA à qui on pose une question consomme une certaine quantité d’énergie pour calculer la réponse. Un agent qui séquence des instructions, recherche du contenu, interroge plusieurs outils, teste du code, vérifie son résultat et répartit le travail pour d’autres agents démultiplie les opérations sans contrôle humain. L’autonomie de la machine devient alors un facteur important de croissance des impacts environnementaux .

Un agent qui fait tout n’est pas nécessairement un bon agent. Un bon agent est peut-être celui qui sait aussi quand ne pas calculer. Les personnes qui surveillent leur consommation de tokens s’en sont rendues compte.

Cela conduit à déplacer le débat. La sobriété de l’IA ne doit pas être réduite à l’efficacité des puces ou des centres de données. Elle doit aussi porter sur le bon dimensionnement des usages : faut-il vraiment recourir à une IA ? Quel modèle suffit ? Combien d’étapes sont nécessaires ? Quand faut-il arrêter ? Quand faut-il passer la main à un humain ? Le référentiel d'Afnor sur l’IA frugale propose déjà cette logique : démontrer la nécessité du recours à l’IA, éco-concevoir la solution et interroger la valeur réelle de l’usage automatisé.

Cette exigence est d’autant plus importante que les gains d’efficacité technologique ne garantissent nullement une baisse des consommations. Si le coût du calcul diminue, les usages peuvent exploser. C’est le classique effet rebond : une IA plus efficace peut finalement consommer davantage parce que nous l’utilisons beaucoup plus.

Il faut également être beaucoup plus exigeant avec les promesses de « décarbonation par l’IA »

L’IA peut incontestablement contribuer à optimiser des réseaux électriques, des bâtiments, des transports ou certains procédés agricoles. Mais les solutions qui produisent ces gains reposent souvent sur des modèles spécialisés, relativement peu gourmands. À l’inverse, l’explosion actuelle des consommations est principalement portée par l’IA générative, dont les bénéfices environnementaux directs restent largement à démontrer.

Par ailleurs, une économie de carbone ne peut être revendiquée simplement parce qu’un algorithme est utilisé. Il faut démontrer ce qui aurait eu lieu sans lui, construire un scénario contrefactuel (c’est-à-dire un scénario décrivant ce qui se serait passé en l’absence de cet algorithme) robuste et vérifier que le gain n’est pas annulé par un effet rebond. Ces bénéfices devraient être mesurés et, lorsque des allégations sont faites, vérifiés par des tiers indépendants.

N’oublions pas non plus tous les usages de l’IA qui accélèrent les émissions de GES en permettant d’extraire davantage encore d’énergie fossile du sous-sol. L’Agence Internationale de l’Énergie  mentionne ainsi en exemple le rôle important des nouvelles technologies et notamment de l’IA dans l’exploration pétrolière et le pétrole non conventionnel.

La responsabilité est donc partagée. Aux utilisateurs de questionner la finalité et le dimensionnement de leurs usages. Aux concepteurs de développer des modèles plus efficaces. Aux opérateurs de choisir des implantations compatibles avec les ressources locales, notamment l’électricité et l’eau, et de valoriser autant que possible la chaleur produite par les centres de données.

Les entreprises ne peuvent pas tout régler seules

Pour ce faire, il faut des règles communes de mesure et de transparence. Il faut pouvoir comparer les empreintes environnementales des modèles et des services. Il faut également que les pouvoirs publics arbitrent explicitement les concurrences entre usages de l’électricité lorsque les capacités bas-carbone sont limitées. Car c’est là le paradoxe de la course actuelle à l’IA : les investissements dans les infrastructures qui la rendront possible sont décidés aujourd’hui, alors que leurs conséquences se feront sentir pendant des décennies. Nous ne pouvons donc pas attendre que les limites physiques se manifestent pour commencer à les intégrer.

La France, terre d’accueil idéale pour les infrastructures de l’IA ?

Son climat tempéré et l’abondance d’électricité bas-carbone font de la France un lieu intéressant pour les entreprises de l’IA souhaitant augmenter leur capacité de calcul. En effet, y implanter de nouveaux centres de données permet de diviser par 10 la « facture carbone » par rapport à la moyenne mondiale. Le potentiel de développement des EnR – sources d’énergie bas-carbone – est significatif comme vient de le montrer la CRE. Néanmoins, il reste deux sujets auxquels il est nécessaire de porter une forte attention. D’une part, la sécheresse record de 2026, symptomatique des conséquences physiques du changement climatique, doit inciter les acteurs des territoires à être très regardants sur la gestion de la ressource en eau. D’autre part le raccordement au réseau est un goulet d’étranglement qu’une concurrence accrue d’usage de l’électricité pourrait rendre problématique pour la décarbonation de la France. En effet, dans les régions les moins interconnectées, brancher un nouveau centre de données peut retarder un projet d’électrification d’une industrie.

L’IA a besoin d’être dimensionnée

Il ne s’agit pas de choisir entre innovation et écologie, mais entre deux conceptions de l’innovation : celle qui considère que toute capacité supplémentaire trouvera nécessairement son usage, et celle qui accepte que, dans un monde aux ressources limitées, la pertinence d’un usage soit une condition préalable à son déploiement.

L’IA pourra alors être un outil de la transition écologique. Mais elle ne le sera pas parce qu’elle est, par nature, « verte ». Elle le sera si nous décidons de ne lui donner que les ressources nécessaires aux usages qui en valent réellement la peine.

--

Article publié en partenariat avec Produrable. 30 sept. & 1er oct. 2026. Palais des Congrès, Paris.