Note de synthèse : IA & Environnement

Le débat autour de l’empreinte environnementale de l’IA se résume souvent à deux positions : d’un côté, catastrophisme (« doomers ») et déni, d’un autre, technosolutionnisme. Toutefois, les ordres de grandeur sont plus nuancés. La consommation du développement et des usages est significative et leur déploiement progresse vite mais elle ne représente, à ce stade, qu’une fraction minime des grands postes d’émissions mondiaux. 
 

Le sujet mérite donc d’être pris au sérieux sans être traité comme une fatalité ni un problème insoluble. C’est d’une part, un enjeu de trajectoire d’adoption, d’autre part, de localisation des infrastructures.
 

Trois questionnements structurent cette note : où se situe réellement la consommation énergétique de l’IA ? Pourquoi les impacts en eau et sur la biodiversité sont d’abord un enjeu de tensions locales ? Enfin, pourquoi ni l’alarmisme ni le solutionnisme technologique ne rendent justice à une situation qui continue d’évoluer rapidement ?

États des lieux

Les émissions de l'IA

Le premier impact environnemental de l’IA est celui des émissions carbone. En effet, les émissions liées à l’IA sont, à l’échelle globale, l’impact le plus important.

Le hardware, une empreinte intégrée avant même l’usage

Les centres de données représentaient, en 2024, 1,5 % de la demande mondiale d’électricité. Toutefois, 15 % seulement de cette consommation était liée à l’IA, le reste servant principalement au stockage de données, ou au streaming¹. Ainsi, l’IA ne consomme aujourd’hui qu’une part minime de l’électricité mondiale. Malgré une croissance rapide, elle demeurerait un poste d’émissions faible par rapport aux secteurs du bâtiment, des transports et à l’agriculture.

Une part significative de l’empreinte des centres de données est liée à leur fabrication elle-même : puces, serveurs, câblage. En moyenne, la fabrication des serveurs pèse environ 20 % de l’empreinte d’un centre de données, contre 75 % pour l’utilisation. Ce ratio varie fortement selon le mix électrique local : sur un mix décarboné comme en France (grâce au nucléaire), l’utilisation génère moins d’émissions, engendrant une part liée à la fabrication plus forte (45 %). À l’inverse, en Chine, la fabrication verra sa part de l’empreinte totale diminuer (15 % du total, mix plus carboné)², malgré des émissions absolues équivalentes. Le choix géographique d’implantation n’est donc pas neutre. 

Une consommation principalement due à l’utilisation

L’empreinte varie également avec le type de data center concerné. Les hyperscalers, data centers de très grande taille construits par les grandes entreprises de technologies comme Amazon, Google, Meta, Microsoft, ont une empreinte liée à la fabrication nettement plus importante que les data centers classiques. En revanche, par unité de calcul donnée, ils sont bien plus efficients. Cette plus grande efficience constitue un atout certain mais s’accompagne d’un risque d’effet rebond : moins d’émissions par calcul mais davantage de calculs réalisés au total.

Répartition de la consommation d’électricité par équipement

L’empreinte du hardware varie donc selon le mix énergétique du pays où il se trouve, mais aussi selon l’efficience de l’installation considérée. Quoi qu’il en soit, cela reste une part non négligeable de l’impact environnemental de l’IA. 

L’entraînement, un pic de puissance plus qu’une consommation continue

L’empreinte liée à l’entraînement des modèles suit une trajectoire haussière portée par trois forces : les besoins en puissance de calcul multipliés par 4,2/an en moyenne depuis 2020³, la durée des cycles d’entraînement multipliée par 1,5/an en moyenne depuis 2018⁴, et l’efficacité énergétique des puces qui progresse (de -26 à -40 % par an⁵) sans pour autant compenser les deux premières. La contrainte n’est donc pas tant la consommation totale que l’appel de puissance instantanée : on estime qu’un seul entraînement pourrait nécessiter 4 à 16 GW de puissance installée en 20305, un ordre de grandeur comparable à la pointe estivale de consommation à New York, contre environ 100 MW aujourd’hui.
 

Cette contrainte constitue un enjeu de gestion du réseau, davantage qu’un enjeu climatique à proprement parler. Elle soulève deux questions prioritaires : le risque de conflits d’usage lors des pics de demande hivernaux, ainsi que le calibrage des investissements dans des capacités de production dont l’utilisation reste incertaine à horizon dix ans. Les gestionnaires de réseau sont aussi confrontés à un calendrier de raccordement très chargé, favorisant la multiplication d’installations « off-grid ».
 

L’inférence, levier d’action principal pour l’utilisateur 

C’est lors de la phase d’inférence que l’utilisateur peut le mieux maîtriser son impact. La consommation d’un prompt dépend fortement de la taille du modèle et de la longueur du contexte fourni : un prompt long (l’équivalent d’un article) consomme environ 5 fois plus qu’un prompt court, et un document de 200 pages jusqu’à 100 fois plus⁶. De plus, un modèle de raisonnement (type DeepSeek) déplace la consommation de l’entraînement vers l’inférence car il génère un raisonnement long, token par token, et augmentant le volume de consommation.

La bonne pratique implique donc d’ajuster l’usage au besoin : choisir un modèle adapté à la tâche (pour une même tâche, le choix du modèle peut changer la quantité d’énergie utilisée par 30 fois ou plus⁷), limiter le contexte fourni à l’essentiel et préciser que l’on souhaite une réponse courte lorsque c’est suffisant.

EAU ET BIODIVERSITÉ : UN ENJEU AVANT TOUT LOCAL

Au-delà du carbone, l’utilisation d’eau et l’impact sur la biodiversité méritent une attention particulière car leur intensité peut être significative en fonction des lieux où les centres de données sont implantés.

L’eau : une consommation globale modeste mais localement sensible

Il faut distinguer deux notions : le prélèvement, d’une part, c’est-à-dire l’eau puisée mais rejetée à proximité des lieux d’extraction et, d’autre part, la consommation, part réellement perdue pour un milieu donné, par évaporation notamment. 

Environ la moitié de la consommation d’eau liée à l’IA est indirecte, via la production d’électricité. L’autre moitié provient du refroidissement direct des serveurs, de plus en plus assuré par l’eau plutôt que par l’air, les puces GPU chauffant davantage que les puces CPU.

Comparés aux autres grands secteurs économiques, ces volumes restent modestes : les centres de données consommaient en 2023 environ 0,56 milliard de m³ d’eau par an dans le monde¹ contre près de 80 milliards de m³ pour la seule industrie textile², soit plus de 140 fois plus. À l’échelle des États-Unis, les centres de données représentent environ 0,3 % de la consommation d’eau potable publique³. À l’échelle de Google, un data center moyen consomme en eau l’équivalent d’un terrain de golf⁴.
 

Aujourd’hui, le problème vient surtout de la localisation des data centers. En effet, ils sont souvent implantés dans des zones arides qui bénéficient d’un fort ensoleillement propice à la production d’électricité photovoltaïque. Cela renforce des tensions dans des régions déjà en stress hydrique. De plus, même quand l’eau prélevée est restituée, elle ne l’est pas toujours au même endroit, ce qui peut perturber les écosystèmes locaux si des mesures dédiées ne sont pas mises en place.

Nombre d’installations construites aux États-Unis et zone de stress hydrique

Source : Bloomberg
 

Ainsi, les oppositions locales (data center backlash) sont déjà documentées dans plusieurs États américains et s’imposent de plus en plus dans le débat des élections américaines de mi-mandat de novembre 2026. En Pennsylvanie, par exemple, le gouverneur Josh Shapiro a signé un décret encadrant strictement les nouvelles implantations : les promoteurs devront notamment présenter un plan qui prouvera l’absence de report des coûts  énergétiques sur les ménages et obtenir l’adhésion des communautés locales⁵. Plus de 100 projets seraient en discussion dans l’État, beaucoup jugés spéculatifs. La Pennsylvanie rejoint un mouvement croissant d’oppositions locales aux États-Unis : l’État de New York a suspendu temporairement les grandes constructions de data centers cet été⁶ et des dizaines de villes et comtés, démocrates mais aussi républicains, ont suivi le mouvement.

Améliorer la donnée et les technologies pour mieux suivre l’enjeu de l’eau

Une des priorités identifiées est de commencer par encadrer le reporting sur l’eau des opérateurs, à l’image de ce qui existe pour le carbone, en distinguant consommation directe et indirecte.
 

Sur le plan technique, d’autres technologies apparaissent pour réduire la consommation d’eau : le refroidissement par air, insuffisant pour les puces GPU les plus denses, cède progressivement la place à des circuits d’eau fermés puis à l’immersion cooling, technologie qui réduit fortement la consommation d’eau et améliore l’efficacité énergétique des installations même si leur coût reste élevé. Les constructeurs s’emparent du sujet, comme avec la nouvelle génération d’infrastructures Rubin de NVIDIA, construite pour fonctionner en circuit fermé⁷. 
 

Biodiversité et emprise au sol : un changement d’échelle à surveiller

L’IA pèse sur les écosystèmes à chaque étape de son cycle de vie : extraction de métaux et terres rares pour les composants, chimie des semi-conducteurs lors de la fabrication, artificialisation des sols et pollution lumineuse ou sonore à l’exploitation. Enfin, la prise en charge des déchets électroniques en fin de vie s’impose comme un sujet majeur au regard de la quantité de serveurs installés et du raccourcissement de leur durée de vie, d’autant plus que seulement 20 % des déchets électroniques sont aujourd’hui recyclés à l’échelle mondiale⁸. 
 

Le point le plus visible reste le changement d’échelle des implantations : certains « méga-campus » d’IA annoncés atteignent 4,5 km² pour le projet Stargate d’OpenAI, plus vaste que Central Park, ou 16 km² (Meta Hyperion, Louisiane), soit près d’un cinquième de la surface de Paris intra-muros. Ce sont des ordres de grandeur inédits pour des infrastructures numériques qui expliquent en grande partie la nature locale des conflits d’usage observés autour de ces projets. 

À ce jour, aucune étude d’impact indépendante sur la biodiversité n’a été publiée pour des installations de cette taille. Tout repose sur des engagements de développement durable communiqués par les entreprises elles-mêmes : compensation carbone, restauration de zones humides, « biodiversity net gain ». Aucune étude scientifique indépendante et systématique, comparable à ce qu’on exigerait pour un projet industriel de taille équivalente dans d’autres secteurs, n’a été menée, notamment du fait de la révision aux États-Unis du National Environmental Policy Act pour ce secteur depuis 2025. Le contentieux juridique, via les lois environnementales des États, est en train de devenir le principal moyen de forcer ces données à sortir.

En Union européenne, les exploitants de data centers d’au moins 500 kW doivent déclarer chaque année leur consommation d’énergie et d’eau à une base de données européenne. La Commission prévoit de s’en servir pour établir une notation commune des sites.

Évolutions & perspectives

L’IA AGGRAVE-T-ELLE OU ATTÉNUE-T-ELLE LA CRISE CLIMATIQUE ?

Un nouvel usage, une consommation significative mais pas de bouleversement d’ordre de grandeur pour les émissions mondiales

Selon l’Agence internationale de l’Énergie (AIE), les centres de données pèseraient environ 0,5 à 1 % des émissions mondiales de CO₂ à horizon 2035 (soit environ 300 Mt), loin des 2,5 % de l’aviation, 7 % (chacun) de l’acier et du ciment ou encore des 15 % du transport routier. L’IA ne change donc pas, à ce stade, l’ordre de grandeur du réchauffement climatique. Cependant, l’AIE projette que 70 % de la hausse de la demande électrique des serveurs entre 2025 et 2030 viendra des serveurs accélérés, ceux dédiés à l’IA¹. La hausse prévue des émissions des centres de données sera donc principalement due à l’IA. 

Cependant, contrairement à des secteurs comme le ciment ou l’aviation, une voie de décarbonation directe de l’usage existe pour l’IA. Nombre d’acteurs s’y sont d’ailleurs déjà engagés : la production d’électricité décarbonée pour alimenter les centres de données, notamment via les contrats d’achat d’électricité renouvelable de long terme (PPA) que les hyperscalers financent massivement.

Ainsi, l’usage est relativement facile à décarboner, mais l’empreinte du hardware demeure et ne doit pas être négligée.

Une aide réelle à la décarbonation d’autres secteurs mais un potentiel à relativiser

L’AIE estime que les applications de l’IA déjà existantes pourraient permettre, une fois généralisées dans l’industrie, les transports et le bâtiment, des réductions d’émissions de l’ordre de 1,4 Gt de CO₂ en 2035, soit environ trois fois plus que les émissions induites par les centres de données eux-mêmes. Elles reposent surtout sur des gains d’efficience, notamment dans la logistique, le pilotage énergétique des bâtiments ou la maintenance prédictive.

Au total, cette baisse correspond à environ 5 % des réductions annuelles nécessaires pour rester compatible avec une trajectoire à 1,5°C (~25 Gt de CO₂ requis). L’essentiel de l’effort à fournir viendra du déploiement de technologies et de process autres que l’IA.

Comparaison des émissions supplémentaires liées aux data centers avec la réduction d’émissions grâce à l’IA.

Source : AIE
 

De plus, le potentiel de réduction d’émissions est conditionné par un potentiel effet rebond, facteur difficile à mesurer. Des gains d’efficience permis par l’IA peuvent être partiellement voire totalement compensés par une hausse des usages qu’ils rendent possibles. Par exemple, l’IA pourrait optimiser les réseaux de transport public et contribuer aux baisses d’émissions de ce secteur. Toutefois, elle pourrait aussi accélérer le développement du véhicule autonome individuel. L’impact net du déploiement de l’IA apparaît moins évident qu’il n’y paraît. Il faut analyser les émissions évitées, qui seront mises en avant par ses promoteurs, mais aussi les émissions déplacées et créées, relevées par ses détracteurs.

CONCLUSION

Le sujet de l’impact environnemental de l’IA continue d’évoluer vite, techniquement et réglementairement. Trois messages permettent de garder une lecture équilibrée, sans céder ni au fatalisme ni à l’indifférence.

Un enjeu de trajectoire, largement local dans ses tensions concrètes
 

Les impacts les plus documentés et les plus disputés aujourd’hui (stress hydrique, conflits d’usage, artificialisation des sols) se jouent d’abord au niveau des territoires d’implantation, et non à l’échelle globale. Les réponses relèvent donc avant tout des choix d’implantation, des exigences de transparence et des cadres de régulation locaux, plutôt que d’une remise en cause de la technologie elle-même.

Les bons réflexes à notre échelle

• Privilégier un usage pertinent de l’IA générative : elle n’est pas un substitut à un moteur de recherche classique pour une question simple.
• Connaître les bonnes pratiques qui peuvent changer radicalement l’empreinte finale (voir encadré page 3).
• Garder à l’esprit que l’impact varie fortement selon le mix électrique du fournisseur et sa politique de refroidissement (PUE, WUE).

Des évolutions techniques et réglementaires à surveiller

Plusieurs pistes concrètes progressent et pourraient changer significativement la donne dans les prochaines années : la généralisation de l’immersion cooling et des circuits fermés, qui réduisent fortement la consommation d’eau et améliorent l’efficacité énergétique (PUE proche de 1,05 contre 1,55 en moyenne industrie) ; la mise en place progressive d’un reporting eau des opérateurs de centres de données comparable au reporting carbone ; et, plus prospectif, les premiers essais de calcul en orbite évoqués par certains acteurs du secteur, qui restent à ce stade expérimentaux et sujets à débat entre observateurs du secteur.

Repères à retenir