Comment l’IA affecte-t-elle l’environnement ?

L’IA affecte l’environnement à travers les ordinateurs, les centres de données et les chaînes d’approvisionnement qui la font fonctionner. Les modèles d’entraînement et de course utilisent de l’électricité. Le refroidissement peut consommer de l’eau. La fabrication de puces et la construction d’installations nécessitent des matériaux, de l’eau et de l’énergie. Les émissions de carbone qui en résultent dépendent fortement de la manière dont l’électricité est produite.

L’IA peut également réduire les dommages environnementaux – par exemple en prévoyant les énergies renouvelables ou en repérant les fuites de méthane – mais ces avantages sont des résultats spécifiques et non un laissez-passer pour chaque application de l’IA. La taille de l'empreinte change considérablement en fonction du modèle, de la tâche, de la longueur de réponse, du matériel, de l'emplacement et du nombre d'utilisateurs. Toute réponse qui attribue un coût environnemental fixe à « l’IA » laisse de côté un contexte important.

L'impact commence avec le matériel

Avant qu’un modèle ne soit formé, ses processeurs doivent être créés. La fabrication de semi-conducteurs est un processus industriel gourmand en énergie et en eau, impliquant de l'eau ultra pure, des produits chimiques et des chaînes d'approvisionnement mondiales complexes. Les serveurs ont également besoin d’équipements de mémoire, de stockage, de réseau et d’alimentation. Les bâtiments ajoutent du béton, de l'acier et des systèmes de refroidissement.

Ces impacts incarnés sont réels mais difficiles à exprimer par invite. Un processeur peut former plusieurs modèles et servir de nombreuses autres charges de travail au fil des années. Diviser son empreinte de fabrication par un nombre supposé de réponses nécessite des choix incertains concernant l’utilisation et la durée de vie.

C'est pourquoi la plupart des chiffres publiés « par requête » couvrent l'électricité opérationnelle plutôt que le cycle de vie complet. Un tel nombre peut encore être utile si la limite est explicite. Cela devient trompeur lorsqu’on le présente comme l’impact global. Une évaluation solide sépare la fabrication et la construction de l’énergie utilisée lors de la formation ou du service d’un modèle.

La formation et l'inférence sont des tâches différentes

La formation ajuste un modèle à l’aide de grands ensembles de données et de nombreux calculs répétés. Il peut occuper des clusters d’accélérateurs pendant des semaines ou des mois. L'inférence se produit après la formation chaque fois que quelqu'un demande au modèle de classer, prédire ou générer quelque chose.

La formation est concentrée et plus facile à remarquer, mais les services populaires peuvent accumuler bien plus d'inférences au cours de leur durée de vie. Il n'y a pas de règle fixe quant à ce qui est le plus important : l'équilibre dépend des cycles de formation, de la durée de vie du modèle, du trafic quotidien et du travail effectué par requête.

Les tâches génératives diffèrent également. Produire une phrase courte, analyser un long document et générer une vidéo ne sont pas comparables. L'étude Traitement gourmand en énergie mesuré 1,000 des inférences à travers des tâches représentatives et ont trouvé des systèmes génératifs à usage général nettement plus gourmands en énergie que des alternatives spécifiques à des tâches. Il ne fournit pas de tarif universel, mais il conforte une leçon pratique : utiliser des systèmes spécialisés ou plus petits lorsqu'ils peuvent faire le travail.

Les centres de données transforment le calcul en demande locale

Les serveurs consomment de l’électricité et la rejettent presque entièrement sous forme de chaleur. Les centres de données doivent évacuer cette chaleur tout en conservant une alimentation, un réseau et un stockage fiables. Le refroidissement, la conversion d'énergie et d'autres équipements de support ajoutent des frais supplémentaires au-delà des processeurs eux-mêmes.

Le Estimations de l'AIE tous les centres de données ont consommé environ 415 TWh en 2024, soit environ 1.5% de l'électricité mondiale. Son scénario de base s'élève à environ 945 TWh en 2030, les serveurs accélérés associés principalement à l'IA étant responsables de près de la moitié de la croissance nette. Ces totaux incluent également les charges de travail non liées à l’IA, ils ne doivent donc pas être réétiquetés comme « électricité IA ».

Les actions mondiales peuvent cacher des tensions locales. Les installations se regroupent là où les terrains, les réseaux et les connexions au réseau sont disponibles. Un nouveau campus à haute densité peut affecter sensiblement la planification énergétique d’une région, même si les centres de données restent une part modeste de la demande mondiale. Notre aperçu de Impacts de l'IA sur les centres de données regarde ce contexte local.

L’électricité crée du carbone, mais pas à un rythme unique

L’empreinte carbone opérationnelle est l’énergie multipliée par l’intensité des émissions de son électricité. Cette intensité varie selon les pays, les régions et les heures. Des grilles plus propres le réduisent ; les réseaux riches en fossiles l’augmentent.

L’approvisionnement en énergies renouvelables complique la situation. Une entreprise peut signer des contrats qui ajoutent de la production propre ou acheter des certificats correspondant à sa consommation annuelle. Cela peut être précieux, mais ce n’est pas la même chose que de prouver qu’un serveur est alimenté à tout moment en électricité sans carbone. Les rapports basés sur la localisation et sur le marché peuvent être légitimes s'ils sont clairement étiquetés.

L’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. Cette perspective mitigée explique pourquoi « l’IA fonctionne aux énergies renouvelables » et « l’IA fonctionne aux combustibles fossiles » peuvent chacune sélectionner un véritable fragment tout en manquant le système.

La consommation d’eau comporte deux niveaux

Les centres de données peuvent consommer de l'eau directement lorsque les systèmes de refroidissement l'évaporent pour rejeter la chaleur. Elles peuvent également avoir une empreinte eau indirecte, car certaines centrales électriques consomment de l’eau pour produire de l’électricité. Une installation utilisant le refroidissement à sec peut réduire la consommation sur site tout en utilisant plus d'électricité, créant ainsi un compromis plutôt qu'une réduction gratuite.

Laboratoire de Berkeley Rapport sur les centres de données américains modélise les conceptions de refroidissement, l’électricité et les scénarios futurs. Ses résultats varient selon le type d'installation et montrent pourquoi une moyenne nationale ne peut pas décrire un site particulier.

La météo compte aussi. Le refroidissement peut consommer plus d’eau lors d’une journée chaude, tandis que le mix électrique change d’heure en heure. La rareté de l’eau rend un litre dans un bassin asséché plus conséquent qu’un litre dans une région abondante en eau. La question « Comment l'IA utilise-t-elle l'eau ? » il faut donc un lieu et un timing, et pas seulement un volume global.

Les avantages environnementaux de l’IA nécessitent une analyse contrefactuelle

L’IA est utilisée dans les prévisions météorologiques, la prévision de la demande d’électricité, l’intégration des énergies renouvelables, les contrôles industriels et la détection des fuites. Le Catalogues AIE comment ces applications pourraient améliorer les systèmes énergétiques. Il y a aussi des coûts : capteurs, réseaux, modèles et changements de comportement.

Pour décider si une application est utile, comparez-la avec ce qui se passerait autrement. Mesurez l’énergie, les émissions ou les déchets évités, soustrayez l’empreinte du système et surveillez les résultats après le déploiement. Ne comptez pas une possibilité de laboratoire comme une économie réalisée.

Les effets de rebond méritent attention. L’efficacité peut rendre une activité moins chère et en encourager davantage. Une optimisation qui réduit l’énergie par travail peut toujours s’accompagner d’une consommation totale plus élevée. Cela ne rend pas l’efficacité inutile ; cela signifie que les effets par unité et totaux doivent être déclarés ensemble. Lire si l'IA peut être bonne pour l'environnement comme une question de preuve, pas comme une étiquette.

Comment réduire l’impact de votre consommation

Utilisez l'outil le moins exigeant en termes de calcul qui résout la tâche de manière fiable. Une calculatrice, un résultat de recherche ou une règle locale peuvent battre un modèle général. Pour le travail en IA, préférez un petit modèle performant ; garder les documents et l'historique des conversations concentrés ; éviter les régénérations inutiles ; et réservez les images, les vidéos et les longs raisonnements aux cas qui les justifient.

Demandez aux prestataires quelles sont les limites et l’incertitude. Un chiffre inclut-il uniquement l'électricité de l'accélérateur, l'ensemble du centre de données, l'eau, le matériel intégré ou la formation ? Est-il mesuré, modélisé ou moyenné ? Notre méthodologie dit Treechat Les reçus par message de sont des estimations opérationnelles basées sur un modèle. Il ne s’agit pas de mesures directes ni d’allégations sur le cycle de vie complet.

L’effet environnemental de l’IA est en fin de compte une question de système. Les choix individuels influencent la demande, tandis que les fournisseurs déterminent l'architecture du modèle, l'utilisation du matériel, l'emplacement des installations et la divulgation. La politique façonne l’approvisionnement en électricité, les autorisations d’eau et les rapports. De meilleures décisions nécessitent les trois niveaux et le refus de transformer des chiffres incomplets en certitude.