La question dérange, parce qu’elle oblige à tenir deux choses en même temps. D’un côté, l’intelligence artificielle est présentée partout comme un outil au service de la transition écologique : optimisation des réseaux électriques, modélisation du climat, détection de fuites de méthane par satellite, agriculture de précision. De l’autre, les data centers qui font tourner ces modèles consomment des quantités d’eau et d’électricité qui donnent le vertige.
Les deux sont vrais. Et c’est précisément pour ça que la question mérite d’être posée sérieusement, sans le confort d’une réponse simple.
Commençons par les chiffres : Entraîner un grand modèle de langage comme GPT-4 aurait
consommé l’équivalent de plusieurs centaines de milliers de kilowattheures d’électricité, soit
l’empreinte carbone de dizaines de vols transatlantiques. Une seule requête à un modèle
génératif consomme entre dix et cinquante fois plus d’énergie qu’une recherche Google
classique. Et la croissance du secteur est exponentielle : selon l’Agence Internationale de
l’Énergie, la consommation électrique mondiale des data centers pourrait doubler d’ici 2030,
portée en grande partie par l’essor de l’IA.
À cela s’ajoute la question de l’eau. Les data centers ont besoin d’être refroidis. Pour
refroidir, on utilise de l’eau, des millions de litres par an pour les plus grands sites. Microsoft
a reconnu que sa consommation d’eau avait bondi de 34 % entre 2021 et 2022, en grande
partie à cause du développement de ses capacités d’IA. Google a publié des chiffres
similaires. Dans des régions déjà soumises au stress hydrique, l’implantation de ces
infrastructures pose des questions de concurrence des usages qui ne sont pas théoriques.
Pourtant, réduire l’IA à son empreinte brute serait aussi intellectuellement malhonnête que
d’ignorer cette empreinte. Parce que ce que l’IA permet de faire, dans certains cas, change
vraiment la donne. DeepMind a développé un système qui optimise en temps réel la
consommation des data centers de Google et a obtenu une réduction de 40 % de l’énergie
utilisée pour le refroidissement. Des modèles de prévision météorologique dopés à l’IA
permettent désormais d’anticiper la production des parcs éoliens et solaires avec une
précision inédite, ce qui facilite l’intégration des énergies intermittentes dans les réseaux
électriques. Des start-ups utilisent l’apprentissage automatique pour détecter des fuites de
méthane sur des infrastructures pétrolières et gazières que personne n’inspectait
régulièrement. Un gaz dont le pouvoir de réchauffement est quatre-vingt fois supérieur au
CO2 sur vingt ans.
Dans l’agriculture, les modèles de vision par ordinateur permettent d’adapter précisément
les doses de pesticides et d’eau à l’état réel des cultures, parcelle par parcelle. Dans
l’industrie, l’IA de maintenance prédictive évite des pannes coûteuses et énergivores.
Dans l’urbanisme, des outils de simulation permettent de concevoir des bâtiments qui
consomment structurellement moins dès la phase de conception. Ces applications
fonctionnent, elles se déploient, elles produisent des effets mesurables.
Le vrai problème n’est donc pas l’IA en soi. C’est la disproportion entre les usages.
Aujourd’hui, la majorité de la puissance de calcul mondiale dédiée à l’IA sert à générer des
images de synthèse, à rédiger des emails, à faire parler des avatars virtuels et à alimenter
des chatbots dont l’utilité marginale est, soyons honnêtes, modeste. Une fraction infime de
cette puissance est dirigée vers des applications à fort impact climatique. Ce déséquilibre est
le résultat de choix d’investissement, de priorités commerciales, et d’une régulation encore
balbutiante.
La question de l’électricité utilisée pour faire tourner ces systèmes est également centrale.
Un data center alimenté à 100 % par des énergies renouvelables n’a pas le même impact
qu’un data center branché sur un réseau majoritairement charbonnier. Or la géographie de
l’IA est en partie déterminée par le coût de l’électricité et la disponibilité du foncier. Des
grandes puissances asiatiques construisent des capacités considérables dans des régions où
le mix électrique reste très carboné. L’IA verte est possible techniquement. Elle n’est pas
encore la norme économiquement.
L’IA est-elle compatible avec l’écologie ? La réponse est donc Oui, si on choisit délibérément
de l’orienter dans cette direction. Ce qui suppose des investissements publics fléchés, une
régulation sur la transparence des empreintes, et des choix individuels et collectifs sur ce
qu’on décide de faire tourner. Mais la réponse est Non, si on laisse la logique commerciale
décider seule de ses usages, et qu’on continue de consacrer l’essentiel de la puissance de
calcul mondiale à des applications dont la valeur environnementale est nulle ou négative.
