L’essor des systèmes d’intelligence artificielle (IA) commercialement disponibles a généré des titres alarmants. Chaque fois que ChatGPT rédige un e-mail, c’est comme vider une bouteille d’eau, ou chaque réponse d’un chatbot équivaut à allumer une ampoule pendant environ 20 minutes. À mesure que la technologie s’intègre davantage dans notre vie quotidienne, les chercheurs tentent de quantifier l’impact environnemental de l’IA. Bien que les préoccupations concernant la demande énergétique de l’IA et son omniprésence croissante augmentent, les efforts réussis des décideurs pour suivre ou réguler l’empreinte de l’industrie ont été rares. Cela est principalement dû au manque de données pertinentes et de mécanismes de reporting de la part des entreprises des secteurs technologique et énergétique.
Quels sont les coûts énergétiques de l’IA et d’où proviennent-ils ?
Les comparaisons environnementales utilisées dans les articles de presse ne mettent en évidence qu’un aspect des demandes énergétiques de l’IA. L’impact écologique de la technologie s’étend sur les mois, voire les années, nécessaires pour entraîner et déployer un modèle d’IA. Différentes étapes de développement nécessitent un matériel spécialisé avec des besoins de consommation variables, mais généralement élevés. Pendant la phase d’entraînement, les modèles sont nourris avec des quantités soignées, bien que souvent étendues, de données pour « apprendre » selon leurs algorithmes. Les unités de traitement graphique (GPU) utilisées dans ce processus fonctionnent généralement 24 heures sur 24, générant des besoins énergétiques élevés (généralement soutenus par des sources non renouvelables) qui augmentent rapidement en fonction de la complexité du modèle. Par exemple, des chercheurs de Google et de l’Université de Californie à Berkeley ont estimé que l’entraînement du modèle ChatGPT-3 d’OpenAI a consommé suffisamment d’électricité pour alimenter environ 120 foyers américains pendant un an. Bien que le manque d’accès à ce type de données ait rendu difficile le calcul des besoins électriques de GPT-4, les chercheurs estiment qu’il a probablement consommé 50 fois plus d’électricité. Une estimation basée sur les données de l’Agence internationale de l’énergie (AIE) a suggéré que ChatGPT utilise presque 10 fois plus d’électricité qu’une recherche normale sur Google. Ces chiffres ne feront qu’augmenter à mesure que de plus en plus d’utilisateurs adopteront des programmes d’IA générative au lieu de moteurs de recherche traditionnels. En fait, les chercheurs estiment que si Google traitait 9 milliards de recherches alimentées par l’IA par jour, cela pourrait nécessiter 23 à 30 fois la quantité d’énergie nécessaire pour des recherches normales. Certains experts, comme le responsable de l’IA et du Climat chez Hugging Face, maintiennent un tableau de bord « AI Energy Score », qui rapporte une différence d’environ 62 000 fois entre les besoins énergétiques les plus élevés et les plus bas parmi les différents cas d’utilisation et modèles du tableau de bord. Les besoins énergétiques pour générer du texte, des images et des vidéos varient largement, la génération de vidéos étant la plus intensive en énergie ; récemment, le MIT Technology Review a trouvé qu’un modèle d’IA a utilisé environ 3,4 millions de joules, la quantité d’énergie nécessaire pour faire fonctionner un micro-ondes pendant plus d’une heure, pour générer une vidéo de 5 secondes.
Une grande partie de ce traitement de commandes se fait via des centres de données. La consommation électrique des centres de données représentait 4,4 % de la demande électrique des États-Unis en 2023 et pourrait atteindre 6 % d’ici 2026. À l’échelle mondiale, ces centres représentent 1 à 2 % des besoins énergétiques mondiaux, mais compte tenu de la demande croissante d’IA, certains estiment qu’elle pourrait atteindre 21 % d’ici 2030. Cela ne tient pas compte de l’utilisation de l’eau, qui est nécessaire pour refroidir le matériel. Certains chercheurs du Royaume-Uni estiment que l’utilisation mondiale de l’eau pour le traitement des données pourrait atteindre la moitié de la consommation d’eau du pays d’ici 2027. Il existe également des coûts énergétiques indirects supplémentaires liés à l’entretien de grandes infrastructures de bâtiments, qui incluent le matériel informatique, les systèmes de stockage et l’équipement réseau. Il existe également des coûts en fin de vie. Une GPU est généralement utilisée pendant quatre ans avant d’être jetée ou réutilisée. Actuellement, il y a peu d’informations sur la manière dont ces dispositifs sont éliminés et quel sera l’impact environnemental de cette accumulation de déchets. Le manque de données rend la consommation énergétique de l’IA moins transparente.
Ces estimations sont encore compliquées par le fait que les entreprises technologiques et électriques ne divulguent généralement pas les données de consommation d’énergie ou d’eau et ne sont pas soumises à des obligations de le faire. La plupart des estimations sont incertaines parce qu’elles manquent d’informations propriétaires. Bien que Google, Microsoft et Meta aient refusé de partager les besoins énergétiques des requêtes d’IA de leurs modèles, le PDG d’OpenAI, Sam Altman, a récemment écrit qu’une requête moyenne utilise 0,34 watt-heure, ou ce qu’une ampoule utilise en quelques minutes, et 0,000085 gallon d’eau. Cependant, ces chiffres ne tiennent pas compte des besoins énergétiques étendus pour entraîner le modèle et ne reflètent que les besoins énergétiques sur une base par requête. Il existe des améliorations dans l’efficacité de la consommation énergétique de l’IA. Ce niveau de consommation n’échappe pas aux dirigeants du secteur. Bien qu’il y ait eu une certaine croissance en matière d’efficacité, ces améliorations ont commencé à stagner. Les grands centres de données représentent une opportunité pour une plus grande efficacité énergétique, comme l’illustre la construction de centres « hyperscale ». D’autres exemples incluent les améliorations au niveau du matériel, comme la limitation de la puissance, ou la limitation de la quantité d’énergie alimentant les processeurs et les GPU ; cette technique a été démontrée pour réduire la consommation d’énergie jusqu’à 15 % avec des effets minimaux sur l’expérience utilisateur. D’autres efficacités proviennent également de la construction de modèles plus petits, de l’élagage ou de la quantification de la conception de l’architecture de l’algorithme, de la transition vers des sources d’énergie renouvelable, de l’augmentation de la collaboration entre les entreprises d’IA, ou de l’utilisation de l’IA pour identifier d’éventuelles améliorations pour elle-même et d’autres modèles. Par exemple, Google DeepMind a rapporté avoir réussi à réduire sa consommation d’énergie dans les centres de données de 30 % en utilisant l’IA pour mieux prédire les besoins de refroidissement. Cependant, ces améliorations nécessitent toujours une utilisation supplémentaire de l’IA et, par conséquent, une consommation d’énergie accrue, même avec de nouvelles efficacités prises en compte. Avec des coûts énergétiques plus bas pour les systèmes d’IA, la demande croissante pourrait entraîner un effet de rebond, où la technologie plus efficace et ses coûts de production plus faibles génèrent une demande et une adoption accrues, entraînant à nouveau une augmentation de la consommation. Ce cycle est parfois appelé la paradoxe de Jevons, un terme qui a été initialement forgé lorsque le moteur à vapeur est devenu plus efficace.
Malheureusement, l’impact des demandes énergétiques croissantes ne se fera pas sentir de manière uniforme. Certaines régions et États sont déjà beaucoup plus drainés de ressources que d’autres. « Data Center Alley » en Virginie en offre un exemple ; elle abrite plus de 300 centres de données, le plus grand nombre aux États-Unis. Les résidents luttent contre les expansions continues des centres de données dans la région, entraînant des factures d’énergie plus élevées, une demande d’eau croissante et une qualité de l’air dégradée en raison des générateurs diesel de secours des installations. Plus au sud, la NAACP a récemment poursuivi xAI d’Elon Musk pour avoir prétendument exploité des turbines pour un centre de données à South Memphis sans les permis appropriés. La NAACP a souligné que les émissions toxiques des turbines étaient dirigées vers des quartiers majoritairement noirs qui supportent le poids du racisme environnemental.
Pour s’assurer que l’adoption croissante de l’IA n’exacerbe pas la dégradation environnementale, les décideurs, les entreprises et les communautés auront besoin d’une meilleure compréhension de là où concentrer leur attention et leurs ressources, en commençant par de meilleures données sur les émissions et la consommation d’énergie.
Les scientifiques du MIT ont trouvé que les entreprises utilisant des auditeurs indépendants pour l’assurance ont réduit leurs émissions totales de 7,5 % par an, même lorsqu’elles commençaient avec des émissions plus élevées que les entreprises sans assurance. Cependant, ces estimations peuvent ne pas être suffisamment détaillées. Par exemple, l’estimation de l’AIE inclut l’activité dans les centres de données, sans se concentrer directement sur les applications d’IA. À moins que les entreprises technologiques ne révèlent quel pourcentage de leur utilisation d’énergie est lié à l’IA, l’ambiguïté persistera. L’année dernière, le sénateur Ed Markey (D-MA) a présenté le « Artificial Intelligence Environmental Impacts Act of 2024 » pour mieux mesurer l’impact de l’IA. La législation exigerait que l’Agence de protection de l’environnement (EPA) réalise une étude exhaustive sur la question, en plus de convoquer un consortium de parties prenantes via l’Institut national des normes et de la technologie (NIST) et en créant un système de reporting volontaire. Cela culminerait dans un rapport interinstitutionnel présenté au Congrès pour informer des conclusions et fournir des recommandations de politique. Le Bureau de la responsabilité gouvernementale (GAO) a également publié un rapport sur les effets environnementaux et humains de l’IA générative en avril 2025, détaillant six options de politique possibles, y compris encourager les développeurs à partager des détails sur le modèle concernant l’infrastructure utilisée pour l’entraînement et l’utilisation de l’IA générative, ainsi que fournir des incitations gouvernementales pour des modèles et des méthodes d’entraînement plus efficaces en ressources. Au niveau de l’État, au moins 60 projets de loi ont été présentés dans tout le pays pour aborder l’impact des centres de données, mais il y a eu peu de changement significatif. Les chercheurs de Harvard ont trouvé que l’intensité de carbone des centres de données était 48 % plus élevée que la moyenne nationale, en partie parce que les centres de données sont souvent construits dans des zones avec des réseaux électriques plus sales. De grandes entreprises, comme Meta et Microsoft, ont eu recours à des formes d’énergie alternatives pour alimenter leurs centres de données, se concentrant sur l’énergie nucléaire. Cependant, le MIT Technology Review a souligné que l’énergie nucléaire ne représente que 20 % de la production d’électricité aux États-Unis, tandis que les technologies propres mais intermittentes, comme l’énergie éolienne et solaire, ne peuvent pas alimenter complètement les centres de données en fonctionnement continu. Étant donné les nombreuses incertitudes, il est temps pour les États-Unis de soutenir des initiatives de recherche supplémentaires sur des méthodes pour réduire l’impact environnemental de l’IA, tout en continuant d’améliorer la transparence et d’établir des normes dans ce domaine important. Ne pas le faire pourrait non seulement accélérer la crise climatique, mais aussi ralentir l’adoption des applications d’IA et retarder leurs avantages.
