L’intelligence artificielle n’est plus seulement un sujet de performance, d’innovation ou de gouvernance des risques; elle devient aussi un sujet de sobriété environnementale.

Les impacts diffèrent fortement selon la forme d’IA utilisée, le lieu d’exécution, le volume de calcul, le matériel mobilisé et le mix électrique des infrastructures.

Plusieurs sources récentes soulignent que les centres de données liés à l’IA consomment à la fois beaucoup d’électricité, beaucoup d’eau pour le refroidissement et génèrent des émissions de CO2 très variables selon le contexte d’exploitation.

Pour les décideurs, l’enjeu n’est pas seulement de “réduire l’empreinte”, mais de disposer d’indicateurs comparables pour arbitrer entre usages, fournisseurs et architectures.

Une stratégie d’IA responsable crédible doit donc intégrer ces métriques au même niveau que la sécurité, la conformité, la qualité de service et le retour sur investissement.

Pourquoi les impacts varient autant

Toutes les IA ne se valent pas sur le plan environnemental.

Un système de recherche classique, un chatbot, un modèle génératif d’images, un modèle fondation entraîné à grande échelle ou un modèle spécialisé déployé en local n’ont ni la même intensité de calcul, ni la même consommation énergétique, ni la même pression sur l’eau.

Les différences viennent aussi de la phase considérée: l’entraînement est souvent très intensif, tandis que l’inférence peut devenir dominante lorsque le service est massivement utilisé.

Le lieu d’exécution compte tout autant.

Une même charge de calcul peut produire un impact carbone très différent selon le mix énergétique du data center et son système de refroidissement; certaines publications évoquent des écarts très importants entre sites comparables.

C’est pourquoi il faut éviter les comparaisons simplistes du type “une requête = tant de CO2” sans préciser le périmètre, le modèle et l’infrastructure.

Ordres de grandeur par forme d’IA

Les ordres de grandeur ci-dessous doivent être lus comme des repères de pilotage, pas comme des valeurs absolues.

Ils servent surtout à classer les usages et à identifier les principaux leviers de réduction.

Les sources récentes confirment que les data centers liés à l’IA sont gourmands en électricité et en eau, et qu’une partie importante de l’empreinte provient du refroidissement et de l’infrastructure, pas seulement du modèle lui-même.

Elles indiquent aussi que des requêtes ou des images générées peuvent avoir un coût unitaire faible mais devenir très significatif à grande échelle.

Les bons indicateurs à suivre

Une stratégie sérieuse ne doit pas se limiter à “mesurer le CO2”. Elle doit suivre un triptyque cohérent: eau, énergie et carbone, avec des indicateurs d’intensité et de volume.

Les décideurs ont intérêt à suivre au minimum l’énergie consommée par requête ou par 1 000 requêtes, l’eau consommée par heure de calcul ou par unité de charge, et les émissions en CO2e par cas d’usage, par modèle et par fournisseur.

Voici les indicateurs les plus utiles:

Énergie totale consommée par usage, en kWh.

• Intensité énergétique, par requête, par document traité ou par image générée.
• Consommation d’eau totale, en m3.
• Intensité hydrique, par charge de calcul ou par heure de fonctionnement.
• Émissions de GES en CO2e, en valeur absolue et par unité de service.
• Taux d’utilisation de modèles compacts ou réutilisables.
• Part des charges exécutées sur des infrastructures alimentées par des énergies bas-carbone.
• Taux d’optimisation des prompts, du batching et de la mise en cache.

L’intérêt de ces indicateurs est double: ils servent à piloter les arbitrages techniques et à produire un reporting crédible pour les comités ESG, achats, risques et direction générale.

Intégrer ces métriques dans la gouvernance

Les entreprises doivent traiter l’empreinte environnementale de l’IA comme un sujet de gouvernance, pas comme un simple sujet technique.

Cela implique d’inscrire ces métriques dans les appels d’offres, les contrats cloud, les revues de conception, les comités d’architecture et les arbitrages budgétaires.

Une gouvernance mature repose sur quatre décisions:

Définir un seuil d’acceptabilité environnementale par type de cas d’usage.

• Exiger des fournisseurs des données vérifiables sur énergie, eau et carbone.
• Arbitrer entre performance, coût, délai et impact environnemental dès la phase de cadrage.
• Conditionner le passage à l’échelle à la preuve d’un gain métier net et mesurable.
• Les organisations qui font cet effort évitent de déployer des IA très consommatrices sur des cas d’usage peu différenciants.
• Elles orientent plutôt les usages sensibles vers des modèles plus petits, des traitements par lots, des architectures hybrides ou des solutions réutilisant des ressources déjà entraînées.

Leviers de réduction

Les leviers les plus efficaces sont souvent les plus simples.

D’abord, il faut réduire la taille du modèle au besoin réel: un petit modèle bien ajusté peut suffire là où un grand modèle généraliste serait surdimensionné.

Ensuite, il faut limiter les requêtes inutiles, améliorer la qualité des prompts, mettre en cache les réponses récurrentes et regrouper les traitements lorsque c’est possible.

Au niveau infrastructurel, plusieurs leviers se cumulent:

Choisir des data centers mieux alimentés en électricité bas-carbone.

• Préférer les régions où le stress hydrique est plus faible.
• Optimiser le refroidissement.
• Réutiliser des modèles existants plutôt que réentraîner depuis zéro.
• Mesurer systématiquement avant et après optimisation.
• Ces mesures sont particulièrement importantes dans les usages génératifs, où les volumes peuvent rapidement faire basculer un service apparemment anodin en poste environnemental significatif.

Feuille de route

Pour une direction générale, une feuille de route efficace tient en trois étapes.

La première consiste à cartographier les cas d’usage d’IA selon leur criticité métier et leur empreinte environnementale probable.

La deuxième consiste à établir des budgets d’impact par produit, par BU ou par fournisseur, exactement comme on le ferait pour des budgets financiers ou de sécurité.

La troisième consiste à industrialiser le reporting et à l’intégrer au pilotage mensuel ou trimestriel.

En pratique, l’objectif n’est pas d’empêcher l’IA, mais de la rendre mesurable, comparable et arbitrable.

Dans les organisations matures, l’empreinte hydrique et carbone devient un critère de conception au même titre que la latence, la précision ou le coût unitaire.

Conclusion opérationnelle

La meilleure stratégie d’IA responsable est celle qui associe performance, sobriété et transparence. Les décideurs doivent traiter l’énergie, l’eau et le CO2 comme des indicateurs de pilotage à part entière, car ils conditionnent déjà la soutenabilité économique, réglementaire et réputationnelle des projets IA.

En clair, une IA “performante” mais opaque sur ses impacts environnementaux n’est plus acceptable à l’échelle d’une entreprise ou d’un secteur.

À l’inverse, une IA bien dimensionnée, correctement hébergée et suivie par des métriques robustes peut devenir un avantage concurrentiel durable.