Présentée comme un levier d’optimisation et de sobriété, l’intelligence artificielle pourrait-elle, paradoxalement, aggraver la crise environnementale ? Derrière ses promesses d’efficacité, elle cache une empreinte énergétique et matérielle colossale. L’essor fulgurant de l’IA ces dernières années repose sur des infrastructures massives et énergivores. L’entraînement des modèles les plus avancés nécessite des milliards de calculs, mobilisant des puissances de calcul considérables. L’empreinte carbone de ces systèmes repose sur deux piliers : l’énergie nécessaire à leur fonctionnement et les ressources physiques mobilisées pour la fabrication des composants informatiques. En France, le secteur du numérique représente déjà 10 % de la consommation d’électricité, avec une croissance annuelle estimée entre 6 et 9 %. À l’échelle mondiale, le numérique contribue à 4 % des émissions de CO2, avec une hausse constante depuis 2010. « Deux phases sont particulièrement gourmandes en ressources : l’entraînement des modèles, qui peut nécessiter plusieurs mois de calculs intensifs sur des plateformes consommant jusqu’à 30 mégawatts en continu, et l’inférence, c’est-à-dire l’utilisation de ces modèles, qui représente une dépense énergétique encore plus importante dans le cas des IA génératives, explique Denis Trystram, chercheur au LIG* et professeur à Grenoble INP - Ensimag, UGA. À titre d’exemple, l’entraînement des plus grands modèles nécessite environ 1026 opérations, soit l’équivalent de plusieurs mois d’utilisation des plus grandes plateformes en continu. »
Au-delà de la consommation électrique, l’IA mobilise une quantité considérable de matières premières. La fabrication des puces et composants électroniques requiert des métaux rares dont l’extraction est coûteuse en énergie et en eau. En parallèle, la production et l’exploitation des data centers augmentent la pression sur les ressources en eau en plus de leur consommation d’électricité. L’analyse de cycle de vie des services d’IA est encore aujourd’hui trop souvent incomplète, ne prenant en compte que les effets directs, sans considérer les effets rebond ou les impacts systémiques.
Si l’IA peut contribuer à réduire certaines consommations pour des applications particulières – par exemple en optimisant l’efficacité thermique des bâtiments – ces gains sont souvent anéantis par l’augmentation exponentielle de son utilisation. L’amélioration de l’efficacité énergétique des infrastructures ne suffit pas à compenser leur expansion continue. Ce phénomène, bien connu sous le nom d’effet rebond, pose la question du véritable bénéfice écologique de l’IA.
Certaines pistes sont explorées pour rendre l’IA plus frugale : utiliser des data centers alimentés par des énergies renouvelables, développer des algorithmes moins gourmands en calcul, améliorer l’efficacité des composants électroniques… Mais ces solutions ne remettent pas en question la croissance effrénée de ces technologies. Par exemple, si l’IA est utilisée pour réduire les émissions de carbone, elle pourrait indirectement encourager une consommation plus importante d’autres ressources (comme la consommation d’eau ou l’extraction de métaux), annulant ainsi les bénéfices obtenus.
Pour Denis Trystram, la vraie question à se poser est celle des usages. « A-t-on réellement besoin de tout ce que nous développons ? Cette interrogation dépasse le cadre des sciences dures pour convoquer les sciences humaines, comme la sociologie ou la philosophie, et l’économie. Or, ces dimensions sont encore trop peu intégrées dans les travaux sur l’intelligence artificielle. »
Les chercheurs prennent de plus en plus conscience des limites planétaires et de l’urgence d’agir, mais la mise en œuvre de solutions concrètes reste complexe. La digitalisation de nos sociétés agit comme un système en expansion incontrôlable, alimenté par le mythe de la croissance illimitée, et absorbant les autres systèmes sans réflexion sur la nécessité des usages développés.
L’intelligence artificielle a transformé nos façons de chercher l’information et d’interagir avec le monde. Depuis l’apparition des agents conversationnels en 2022, une baisse significative du trafic Internet classique a été observée, signe que ces outils remplacent de plus en plus les recherches traditionnelles. Mais cette évolution ne garantit pas une amélioration qualitative des connaissances produites. L’IA repose sur des modèles probabilistes dont les résultats doivent être vérifiés, et le manque de transparence de ses mécanismes de génération soulève des questions sur la fiabilité des informations diffusées. « Si aucune régulation forte n’est mise en place, nous nous dirigeons vers une saturation des ressources et un appauvrissement des données utilisées pour entraîner les IA. À terme, ces modèles risquent de ne plus s’appuyer que sur des contenus générés par d’autres IA, créant un cercle vicieux où l’information se dégrade progressivement. »
Denis Trystram utilise une image forte pour résumer la situation : l’accélération de nos modes de vie, dopée par le progrès technologique réduit le comportements humain à celui d’un hamster, condamné à courir toujours plus vite sans jamais remettre en question la direction empruntée. L’IA frugale est-elle possible ? Oui, à condition de sortir de cette roue et d’adopter une approche qui place le besoin avant la performance.
*CNRS / UGA / Inria / Grenoble INP - UGA
