Impacts environnementaux de l’IA générative, les principaux enseignements de l’avis de l’Ademe

Le développement de l’intelligence artificielle générative et des systèmes agentiques bouleverse le numérique en faisant rapidement progresser les besoins en puissance de calcul. Même si elle semble immatérielle, ces services nécessitent des serveurs, des puces spécialisées, des centres de données et des réseaux. Le numérique représentait déjà 4,4 % de l’empreinte carbone de la France en 2022, et ce avant l’adoption massive des nouveaux outils génératifs.

L’empreinte provient d’abord de la fabrication des équipements. Les processeurs graphiques, les mémoires et les autres composants mobilisent des métaux et des procédés industriels associés à des consommations d’énergie et d’eau, à des émissions de gaz à effet de serre et à différentes pollutions. La construction des centres de données entraîne également une emprise foncière et une artificialisation des sols. Pour les puces étudiées, les émissions liées à la fabrication varient fortement, les générations les plus récentes et les plus spécialisées pouvant être plus émettrices.

Une consommation dominée par le fonctionnement des serveurs

La majeure partie des impacts environnementaux directs de l’IA reste toutefois liée à l’électricité nécessaire pour alimenter et refroidir les serveurs. L’entraînement ne constitue notamment pas une opération unique. Il comprend les phases de recherche, l’entraînement principal, les réglages, les mises à jour et parfois des travaux qui n’aboutissent pas à un modèle commercialisé. L’entraînement de Mistral Large 2 est ainsi évalué, dans l’avis, à 20 kt éq. CO₂, soit l’empreinte annuelle de plus de 2 400 personnes en France.

L’utilisation quotidienne des modèles, appelée inférence, peut ensuite devenir prépondérante lorsque le nombre d’utilisateurs et de requêtes augmente. Son impact varie selon la taille du modèle, le type de contenu demandé, la longueur de la réponse et le niveau de qualité recherché. La génération de vidéo est particulièrement consommatrice. Une estimation reprise dans le document évalue une requête moyenne à 0,34 wattheure. Rapportée aux 2,6 milliards de requêtes quotidiennes revendiquées par ChatGPT en juillet 2025, cette valeur correspondrait à 884 MWh/jour.

Cette estimation illustre surtout les difficultés de mesure. Les fournisseurs communiquent peu sur leurs modèles, leurs bases d’entraînement, leurs équipements, leurs centres de données et leur consommation énergétique. Les chiffres disponibles restent donc difficiles à comparer, car les périmètres et les méthodes divergent. La seule empreinte d’une requête ne suffit pas à représenter un service complet.

La trajectoire générale appelle néanmoins à la vigilance. La consommation mondiale des centres de données atteignait 485 TWh en 2025 et pourrait doubler d’ici 2030. Pour les usages français, elle pourrait être multipliée par 3,7 d’ici 2035 dans le scénario tendanciel. Une part importante des traitements répondant aux usages français est en outre réalisée à l’étranger, dans des systèmes électriques généralement plus carbonés.

Des bénéfices écologiques qui doivent être démontrés

Les effets indirects peuvent dépasser la seule consommation des serveurs. La production massive de textes, d’images, de sons et de vidéos accroît les besoins de stockage. L’arrivée d’agents autonomes pourrait multiplier les échanges sur les réseaux, tandis que des terminaux spécialement conçus pour l’IA risquent d’accélérer le renouvellement des équipements et d’augmenter leur consommation électrique.

Les applications de l’IA destinées à la transition écologique restent minoritaires et reposent surtout sur des technologies différentes de l’IA générative. Aucun gain environnemental quantifiable n’est aujourd’hui établi pour les modèles génératifs et agentiques pris dans leur ensemble. Chaque usage doit donc être évalué au moyen d’une analyse du cycle de vie, en intégrant les effets rebonds et les transferts d’impact.

La priorité consiste à adopter une méthode commune, transparente et multicritère portant sur l’énergie, les émissions de gaz à effet de serre, l’eau et les ressources métalliques. L’avis recommande également de remettre en question le besoin avant tout déploiement, de privilégier de petits modèles spécialisés, de produire uniquement le contenu nécessaire et de limiter les usages très énergivores. Les utilisateurs devraient enfin pouvoir désactiver les fonctionnalités génératives intégrées par défaut. La réduction de l’empreinte de l’IA dépend donc autant de l’écoconception que d’un usage plus sobre et mieux maîtrisé.

Retrouvez l’intégralité de l’étude ici.