À quel point l’IA est-elle vraiment mauvaise pour l’environnement ?

L’impact environnemental de l’IA est réel et croissant, mais de nombreuses comparaisons virales sont trop certaines. Les invites textuelles ordinaires semblent utiliser une fraction de wattheure selon les estimations récentes ; un long raisonnement, un contexte étendu, des images et des vidéos peuvent en utiliser bien plus. La demande en électricité et en eau des centres de données est importante à grande échelle, en particulier dans certaines régions.

Le verdict le plus honnête n’est ni la panique ni le licenciement. Certains chiffres populaires sont obsolètes, dépourvus de leurs hypothèses ou appliqués à la mauvaise unité. Parallèlement, la tendance au niveau du système – une croissance rapide des infrastructures tirée en partie par l’IA – est bien soutenue. Cet audit mythique sépare ce qui devrait être retiré de ce qui mérite une attention sérieuse.

Mythe : chaque requête d'IA utilise 3 Wh

Le 3 le chiffre en wattheure était une première estimation basée sur l'ancien matériel A100, un GPT-3.5-scale modèle et une hypothèse 2,000 jetons générés. Ce n’était pas une mesure universelle.

Les estimations publiques les plus récentes pour une requête textuelle ordinaire sont inférieures. OpenAI le directeur général Sam Altman a déclaré une moyenne ChatGPT requête utilisée environ 0.34 Wh. Google signalé 0.24 Wh pour un médiane Gemini Invite de texte d'applications en mai 2025 en utilisant une méthodologie incluant une infrastructure de support.

Aucun des deux chiffres ne couvre tous les modes et Altman n'a pas publié le calcul de sa moyenne. Les entrées et sorties longues peuvent encore en utiliser plusieurs fois plus. Supprimez « 3 Wh pour chaque requête » ; continuez à demander quelle charge de travail et quelle limite.

Mythe : un message boit une bouteille d'eau

L’estimation académique derrière l’allégation de la bouteille ne contenait aucun message. Li et ses collègues ont estimé qu'une bouteille de 500 ml pourrait correspondre à peu près à 20–50 réponses de longueur moyenne, selon l'endroit et le moment où le modèle a été exécuté. Cela équivaut à environ 10–25 ml par réponse selon leurs hypothèses.

Les chiffres ultérieurs des opérateurs étaient bien inférieurs : Altman donnait environ 0.000085 gallons américains, soit environ 0.32 ml, pour une consommation moyenne. ChatGPT requête, tandis que Google rapporté 0.26 ml pour sa médiane Gemini invite de texte. Ce ne sont pas des réfutations claires car les systèmes et les frontières diffèrent.

La conclusion est une incertitude, pas zéro. L'eau varie en fonction du refroidissement, de la météo et de l'électricité. Voir l'IA utilise-t-elle vraiment une bouteille par message ? pour le parcours complet.

Mythe : l'IA utilise toujours dix fois une recherche sur le Web

Ce rapport place généralement un ancien Google recherchez une estimation à côté d’une estimation IA plus récente. L'infrastructure de recherche a changé depuis Google a publié des chiffres sur l'énergie en 2009, et de nombreux produits de recherche incluent désormais des résumés générés. Pendant ce temps, « requête IA » pourrait signifier une courte réalisation ou un travail de recherche en plusieurs étapes.

Un ratio établi à partir de différents fournisseurs, années et limites du système ne constitue pas une comparaison contrôlée. Cela a peut-être été une illustration utile, mais il ne doit pas être traité comme une constante physique actuelle.

Pour une tâche individuelle, la question la plus pertinente est de savoir si la recherche, une source directe ou une réponse générée est le bon outil. Au niveau du système, comparez les totaux transparents et contemporains. La précision sans comparabilité n’est pas l’exactitude.

Mythe : les énergies renouvelables rendent l’IA sans impact

L’électricité à faible émission de carbone peut réduire considérablement les émissions opérationnelles, et les contrats avec les entreprises technologiques peuvent contribuer à créer une nouvelle génération. Le AIE s’attend à ce que les énergies renouvelables répondent à près de la moitié de la croissance de l’approvisionnement en électricité des centres de données d’ici 2030 dans son scénario de base.

Il s’attend également à ce que le gaz naturel et le charbon couvrent ensemble plus de 40% de l’offre supplémentaire au cours de cette période. L’adéquation annuelle des énergies renouvelables peut ne pas aligner la production sur le lieu et l’heure de la demande du centre de données. Une électricité plus propre ne supprime pas non plus l’eau de refroidissement, la fabrication de matériel informatique, les bâtiments ou les terrains.

« Opérations à faibles émissions de carbone » est une affirmation défendable et étayée par des preuves. « Aucune empreinte » ne l’est pas. La distinction est centrale si l'IA est mauvaise pour l'environnement.

Mythe : une petite invite n'a pas d'importance

Une courte invite a une faible empreinte opérationnelle. C’est une raison de proportion et non de déni. Des milliards d’utilisations, des longueurs de sortie croissantes et de nouvelles charges de travail d’images, de vidéos et d’agents s’additionnent. Les prestataires renforcent leurs capacités en fonction de la demande globale attendue, et non du message d’une seule personne.

L'AIE a estimé que tous les centres de données, et pas seulement l'IA, utilisés aux alentours 415 TWh en 2024 et prévoit environ 945 TWh en 2030 dans son scénario de base. Les serveurs accélérés basés sur l’IA représentent près de la moitié de l’augmentation nette.

La culpabilité individuelle reste une mauvaise politique. Les opérateurs choisissent les modèles, le matériel, l'emplacement et l'énergie ; les gouvernements supervisent les réseaux et l’eau. Les utilisateurs peuvent éviter le gaspillage, tandis que les décisions structurelles déterminent l’essentiel de la trajectoire du système.

Mythe : l'IA est la seule raison pour laquelle les centres de données se développent

L’IA est un moteur important, et non l’ensemble du secteur. Les centres de données fournissent également du stockage, de la vidéo, des systèmes financiers, des logiciels d'entreprise et du cloud computing conventionnel. Répéter le total complet du centre de données sous le nom d’« électricité IA » surestime l’attribution actuelle.

L’erreur inverse consiste à ignorer l’IA car une allocation précise est difficile. L’AIE modélise une croissance accélérée de l’électricité des serveurs beaucoup plus rapide que la demande des serveurs conventionnels et identifie l’IA comme la principale source d’expansion.

Un bon reporting rassemble les deux faits : les totaux observés sont plus larges que l’IA, et l’IA change sensiblement les perspectives. Notre article sur Centres de données IA explique pourquoi les impacts locaux sur le réseau et l’eau peuvent être plus informatifs qu’un pourcentage global.

Ce qui est vraiment préoccupant

La demande absolue rapide peut dépasser l’efficacité et la construction à énergie propre. Les installations se regroupent, de sorte que les réseaux locaux et les systèmes d’approvisionnement en eau peuvent être confrontés à des pressions que les moyennes mondiales masquent. Les émissions de la chaîne d’approvisionnement et de la fabrication de matériel restent mal réparties. Les données opérationnelles publiques au niveau des modèles sont encore rares.

Les médias génératifs et les systèmes agents pourraient rendre chaque demande d'utilisateur plus complexe sur le plan informatique. Le rebond pourrait transformer une déduction moins coûteuse en une demande totale plus importante. Il s’agit de risques planifiés plutôt que de preuves du pire scénario, c’est pourquoi les fourchettes de scénarios sont importantes.

Les utilisateurs peuvent choisir des modèles plus petits, rester concentrés sur le contexte et éviter les générations jetables. Les fournisseurs doivent publier des totaux spécifiques et absolus à la charge de travail. Treechat explique ses estimations limitées, basées sur un modèle, sur son page méthodologie. Un reçu peut encourager de meilleurs choix, mais il ne s’agit pas d’un audit du cycle de vie complet.

L’IA est suffisamment mauvaise pour exiger de la transparence, des infrastructures plus propres et de la retenue. Les données probantes ne permettent pas de considérer chaque invite comme une urgence environnementale. Il soutient la construction d’une culture dans laquelle les calculs coûteux doivent gagner leur vie.