Empreinte environnementale de l’IA : ordres de grandeur réels

L'empreinte environnementale de l'IA mobilise deux camps qui s'ignorent : catastrophistes et techno-optimistes. Les données disponibles dessinent pourtant un tableau plus précis — significatif mais ni catastrophique ni négligeable. Ce qui suit décompose les vrais ordres de grandeur : émissions carbone, consommation d'eau, impact sur la biodiversité, et capacité réelle de l'IA à contribuer à la décarbonation d'autres secteurs.

Émissions carbone : fabrication, entraînement, inférence

La fabrication du hardware : une empreinte avant le premier calcul

En 2024, les centres de données représentaient 1,5 % de la demande mondiale d'électricité. Sur ce total, 15 % seulement était imputable à l'IA — le reste allant au stockage de données, au streaming et aux applications d'entreprise classiques. L'IA ne consomme donc aujourd'hui qu'une fraction minime de l'électricité mondiale, même si la trajectoire est haussière.

La fabrication des serveurs, des puces et du câblage représente en moyenne 20 % de l'empreinte carbone totale d'un centre de données, l'utilisation en constituant 75 %. Ce ratio se déplace selon le mix électrique local. En France, où le nucléaire décarbone fortement la production d'électricité, la part de la fabrication monte à 45 % de l'empreinte totale : l'utilisation émet peu, la fabrication pèse donc davantage en proportion. En Chine, mix plus carboné, la fabrication tombe à 15 % du total — non parce qu'elle émet moins en valeur absolue, mais parce que l'utilisation émet beaucoup plus. Le choix géographique d'implantation déplace donc les curseurs sans supprimer l'empreinte.

Les hyperscalers — Amazon, Google, Meta, Microsoft — construisent des centres de données de très grande taille dont la part d'empreinte liée à la fabrication est structurellement plus élevée que celle des data centers classiques. En contrepartie, leur efficience par unité de calcul est nettement supérieure. Cet avantage s'accompagne d'un risque d'effet rebond documenté : moins d'émissions par calcul, mais davantage de calculs réalisés au total.

L'entraînement des modèles : un pic de puissance, pas une consommation continue

L'empreinte de l'entraînement suit une trajectoire haussière portée par trois forces simultanées :

• Les besoins en puissance de calcul progressent en moyenne de ×4,2 par an depuis 2020.
• La durée des cycles d'entraînement augmente de ×1,5 par an en moyenne depuis 2018.
• L'efficacité énergétique des puces s'améliore de 26 à 40 % par an — sans compenser les deux tendances précédentes.

La contrainte principale n'est pas la consommation totale d'électricité mais l'appel de puissance instantanée. Un seul entraînement de grand modèle pourrait nécessiter entre 4 et 16 GW de puissance installée en 2030 — un ordre de grandeur comparable à la pointe estivale de consommation de New York, contre environ 100 MW pour les entraînements actuels. C'est un enjeu de gestion de réseau avant d'être un enjeu climatique : risques de conflits d'usage lors des pics hivernaux, incertitude sur le calibrage des investissements de production à dix ans, et pression sur les calendriers de raccordement qui favorise la multiplication d'installations off-grid.

L'inférence : le seul levier directement accessible à l'utilisateur

C'est lors de la phase d'inférence — la génération de réponse à chaque prompt — que l'utilisateur dispose d'une marge d'action concrète. La consommation varie fortement selon deux paramètres : la taille du modèle sollicité et la longueur du contexte fourni. Un prompt long équivalent à un article consomme environ cinq fois plus qu'un prompt court. Un document de 200 pages soumis en contexte peut multiplier la consommation par 100.

Le choix du modèle lui-même est déterminant : pour une même tâche, l'écart de consommation entre deux modèles peut atteindre un facteur 30 ou plus. Les modèles de raisonnement de type DeepSeek déplacent par ailleurs la consommation de la phase d'entraînement vers l'inférence, en générant un raisonnement long token par token avant de produire la réponse finale.

Les bonnes pratiques sont donc simples : choisir le modèle adapté à la complexité réelle de la tâche, limiter le contexte au strict nécessaire, préciser explicitement qu'une réponse courte suffit quand c'est le cas.

Eau et biodiversité : des tensions avant tout locales

L'eau : volumes modestes à l'échelle mondiale, pression réelle à l'échelle locale

Deux notions sont à distinguer : le prélèvement (eau puisée puis restituée à proximité) et la consommation (eau réellement perdue pour le milieu, principalement par évaporation). Environ la moitié de la consommation d'eau liée à l'IA est indirecte — elle passe par la production d'électricité. L'autre moitié sert au refroidissement direct des serveurs, assuré de plus en plus par l'eau plutôt que par l'air, les puces GPU dégageant davantage de chaleur que les puces CPU.

À l'échelle mondiale, les centres de données consommaient en 2023 environ 0,56 milliard de m³ d'eau par an — contre près de 80 milliards de m³ pour la seule industrie textile, soit plus de 140 fois plus. Aux États-Unis, les centres de données représentent environ 0,3 % de la consommation d'eau potable publique. À l'échelle d'un opérateur, un data center moyen de Google consomme l'équivalent en eau d'un terrain de golf.

Le problème n'est pas l'ordre de grandeur global mais la localisation. Les centres de données sont fréquemment implantés dans des zones arides bénéficiant d'un fort ensoleillement, propice à la production photovoltaïque. Ces régions sont souvent déjà en stress hydrique. Même lorsque l'eau prélevée est restituée, la restitution ne s'effectue pas toujours au même point de prélèvement, ce qui peut perturber les écosystèmes locaux.

Les oppositions locales sont désormais documentées dans plusieurs États américains. En Pennsylvanie, le gouverneur Josh Shapiro a signé un décret imposant aux promoteurs de prouver l'absence de report des coûts énergétiques sur les ménages et d'obtenir l'adhésion des communautés locales avant toute nouvelle implantation. Plus de 100 projets seraient en discussion dans cet État, dont beaucoup jugés spéculatifs. L'État de New York a suspendu temporairement les grandes constructions de centres de données à l'été 2024. Des dizaines de villes et comtés, toutes tendances politiques confondues, ont suivi ce mouvement. Ce backlash local s'impose progressivement dans le débat des élections de mi-mandat américaines de novembre 2026.

Technologies de refroidissement : vers les circuits fermés et l'immersion cooling

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 — les serveurs sont plongés dans un liquide diélectrique. Cette technologie réduit fortement la consommation d'eau et améliore l'efficacité énergétique des installations, même si son coût de déploiement reste élevé. NVIDIA a intégré cette approche dans sa nouvelle génération d'infrastructures Rubin, construite pour fonctionner en circuit fermé.

L'indicateur PUE (Power Usage Effectiveness) de l'immersion cooling peut approcher 1,05, contre une moyenne de 1,55 pour l'industrie. L'écart de consommation est donc substantiel. Sur le plan réglementaire, l'Union européenne oblige depuis 2023 les exploitants de centres de données d'au moins 500 kW à déclarer chaque année leur consommation d'énergie et d'eau à une base de données commune — un reporting qui devrait alimenter à terme une notation européenne des sites.

Biodiversité et emprise foncière : un changement d'échelle sans précédent

L'impact sur la biodiversité s'exerce à chaque étape du cycle de vie de l'IA : extraction de métaux et terres rares pour les composants, chimie des semi-conducteurs lors de la fabrication, artificialisation des sols et pollutions lumineuse et sonore à l'exploitation, déchets électroniques en fin de vie. Sur ce dernier point, seulement 20 % des déchets électroniques sont recyclés à l'échelle mondiale, alors que la quantité de serveurs installés et le raccourcissement de leur durée de vie en font un sujet croissant.

Le changement d'échelle des implantations est le point le plus visible. Le projet Stargate d'OpenAI annoncé en 2025 atteint 4,5 km² — plus vaste que Central Park. Le campus Meta Hyperion en Louisiane couvre 16 km², soit près d'un cinquième de la surface de Paris intra-muros. Ce sont des ordres de grandeur inédits pour des infrastructures numériques.

À ce jour, aucune étude d'impact indépendante sur la biodiversité n'a été publiée pour des installations de cette taille. L'ensemble du reporting repose sur des engagements de développement durable communiqués par les entreprises elles-mêmes : compensation carbone, restauration de zones humides, biodiversity net gain. Aux États-Unis, la révision du National Environmental Policy Act pour ce secteur depuis 2025 a réduit les obligations d'évaluation indépendante. Le contentieux juridique via les lois environnementales des États est devenu le principal mécanisme forçant la publication de données.

L'IA aggrave-t-elle ou atténue-t-elle la crise climatique ?

Les émissions des centres de données dans le bilan mondial

Selon l'Agence internationale de l'Énergie (AIE), les centres de données représenteraient 0,5 à 1 % des émissions mondiales de CO₂ à l'horizon 2035, soit environ 300 Mt. Pour donner une échelle de comparaison :

L'IA ne modifie donc pas, à ce stade, l'ordre de grandeur du réchauffement climatique. En revanche, l'AIE projette que 70 % de la hausse de la demande électrique des serveurs entre 2025 et 2030 proviendra des serveurs accélérés dédiés à l'IA. La croissance des émissions des centres de données sera donc principalement tirée par l'IA dans les cinq prochaines années.

Contrairement au ciment ou à l'aviation, l'usage de l'IA dispose d'une voie de décarbonation directe : alimenter les centres de données en électricité décarbonée. Les hyperscalers financent massivement des contrats d'achat d'électricité renouvelable à long terme (PPA) dans cette perspective. L'utilisation est donc relativement facile à décarboner ; l'empreinte du hardware, elle, demeure et ne doit pas être ignorée dans les bilans.

Le potentiel de réduction dans d'autres secteurs : réel mais à relativiser

L'AIE estime que les applications existantes de l'IA, une fois généralisées dans l'industrie, les transports et le bâtiment, pourraient permettre des réductions d'émissions de l'ordre de 1,4 Gt de CO₂ en 2035 — soit environ trois fois les émissions induites par les centres de données eux-mêmes. Ces gains reposent principalement sur des améliorations d'efficience : optimisation logistique, pilotage énergétique des bâtiments, maintenance prédictive.

Ce potentiel représente toutefois environ 5 % des réductions annuelles nécessaires pour maintenir une trajectoire compatible avec un réchauffement limité à 1,5°C (soit environ 25 Gt de CO₂ par an à éviter). L'essentiel de l'effort continuera de reposer sur d'autres technologies et transformations structurelles.

L'effet rebond constitue le facteur le plus difficile à quantifier. Des gains d'efficience rendus possibles par l'IA peuvent être partiellement ou totalement compensés par une hausse des usages qu'ils rendent accessibles. L'IA peut optimiser les réseaux de transport public et réduire les émissions de ce secteur — mais elle peut aussi accélérer le déploiement du véhicule autonome individuel. L'analyse rigoureuse exige de comptabiliser simultanément les émissions évitées, les émissions déplacées et les émissions créées.

Ce que les engagements des opérateurs ne disent pas encore

Les grands opérateurs communiquent sur leurs engagements de développement durable : neutralité carbone, achats d'électricité renouvelable, biodiversity net gain. Ces engagements ne font l'objet d'aucune vérification indépendante systématique comparable à ce qu'on exigerait pour un projet industriel de taille équivalente dans d'autres secteurs. L'encadrement réglementaire du reporting eau est encore absent à l'échelle internationale — un angle mort significatif au regard des tensions hydriques documentées. L'Union européenne avance sur ce terrain avec sa base de données obligatoire, mais le périmètre reste limité aux sites de plus de 500 kW.

Trois axes de lecture pour garder une position équilibrée

Les impacts se jouent d'abord au niveau des territoires

Les impacts les plus documentés et les plus conflictuels aujourd'hui — stress hydrique, artificialisation des sols, conflits d'usage — se jouent à l'échelle des territoires d'implantation, pas à l'échelle globale. Les réponses relèvent donc principalement des choix de localisation, des exigences de transparence et des cadres réglementaires locaux. La technologie elle-même n'est pas en cause : c'est le où et le comment de son déploiement qui font la différence.

Les bons réflexes à l'échelle de l'utilisateur

• Ne pas substituer l'IA générative à un moteur de recherche classique pour une question simple : la consommation n'est pas du tout comparable.
• Choisir le modèle adapté à la complexité de la tâche — l'écart de consommation peut atteindre ×30 entre deux modèles pour un résultat équivalent.
• Limiter le contexte fourni à l'essentiel et préciser qu'une réponse courte suffit quand c'est le cas.
• Prendre en compte le mix électrique du fournisseur et sa politique de refroidissement (PUE, WUE) dans le choix d'un hébergeur.

Les évolutions techniques et réglementaires à suivre

Plusieurs pistes concrètes progressent et pourraient modifier significativement la donne dans les prochaines années :

• Immersion cooling et circuits fermés : PUE proche de 1,05 contre 1,55 en moyenne industrie — réduction substantielle de la consommation d'eau et d'énergie, coût de déploiement encore élevé.
• Reporting eau des opérateurs : mise en place progressive d'un cadre comparable au reporting carbone, portée par la réglementation européenne sur les data centers.
• Calcul en orbite : premiers essais évoqués par certains acteurs, qui restent à ce stade expérimentaux et font l'objet de débats entre observateurs du secteur.

Le sujet évolue rapidement, techniquement et réglementairement. Ni le fatalisme ni l'indifférence ne constituent des positions analytiquement défendables face à une réalité qui continuera de se transformer au cours des cinq prochaines années.

L'empreinte environnementale de l'IA illustre un principe que Finconnexion applique à l'analyse des placements : les ordres de grandeur réels diffèrent souvent des présentations simplifiées, et les angles morts (frais réels, conflits d'intérêts, reporting incomplet) se trouvent rarement dans les communications des acteurs installés. Pour un examen indépendant de vos allocations — SCPI, private equity, assurance vie — et de leur cohérence avec vos objectifs patrimoniaux, l'équipe est disponible pour un échange sans engagement.