L’IA est-elle mauvaise pour l’environnement ? La réponse honnête
L’IA a des coûts réels en énergie, en eau et en matériaux, mais son impact varie considérablement. Voici ce que les preuves soutiennent et ce qu’elles ne soutiennent pas.
Oui, l’IA peut être néfaste pour l’environnement. Les modèles d’entraînement et de fonctionnement utilisent de l’électricité ; les centres de données peuvent consommer de l'eau pour leur refroidissement ; et fabriquer des puces et des bâtiments nécessite des matériaux et crée des émissions. À grande échelle, ces coûts sont importants. Mais « l’IA » couvre tout, depuis un petit classificateur jusqu’à un modèle frontière générant de la vidéo, il n’y a donc pas d’empreinte unique.
La conclusion défendable est conditionnelle : un système d’IA est nocif pour l’environnement lorsque ses coûts totaux sont élevés par rapport à la valeur qu’il crée et lorsque des alternatives plus propres, plus petites ou sans IA pourraient faire l’affaire. L’IA peut également aider à faire fonctionner les réseaux électriques, à détecter les fuites de méthane et à réduire les déchets. Ces avantages doivent être démontrés et non présumés. C’est pourquoi « l’IA détruit la planète » et « l’IA résoudra le changement climatique » sont trop simples.
L'électricité est la pression la plus claire
L'IA fonctionne dans des centres de données, où des accélérateurs effectuent les calculs derrière la formation et les réponses. Le Agence internationale de l'énergie On estime que tous les centres de données (et pas seulement l’IA) ont consommé environ 415 térawattheures d’électricité en 2024, soit environ 1.5% du total mondial. Son scénario de base atteint environ 945 TWh en 2030, l’IA étant le principal moteur de croissance aux côtés d’autres services numériques.
Ce sont des projections, pas un relevé de compteur du futur. L’adoption, l’efficacité du matériel, la conception du modèle et les limites des connexions au réseau pourraient faire évoluer le total considérablement. L'AIE publie donc plusieurs scénarios.
Un seul échange de texte ordinaire est beaucoup plus petit. De récentes estimations publiques évaluent une invite typique à une fraction de wattheure, alors qu'un contexte, un raisonnement, une recherche et des images générées à long terme peuvent nécessiter bien plus. De petits chiffres d'utilisation par utilisation et une demande système en croissance rapide peuvent tous deux être vrais : l'efficacité par réponse peut s'améliorer tandis que l'utilisation totale augmente plus rapidement.
Le carbone dépend du lieu et du moment où l’électricité est produite
La consommation d’électricité n’est pas la même chose que les émissions de carbone. Un kilowattheure fourni par un réseau à forte composante charbon a une empreinte opérationnelle différente de celui fourni par l’énergie éolienne, solaire, hydroélectrique ou nucléaire. Le lieu et le moment sont donc importants, tout comme les règles utilisées pour comptabiliser les contrats d'énergie renouvelable.
L’analyse du réseau physique de l’AIE indique que les combustibles fossiles fournissent toujours une part substantielle de l’énergie des centres de données. Il prévoit que les émissions des centres de données liées à l'électricité culmineront à environ 320 millions de tonnes de CO2 vers 2030 dans son cas de base. Cela reste moins de 1% des émissions mondiales de CO2, mais les centres de données sont également l'un des secteurs dans lesquels les émissions augmenteront jusqu'en 2030 selon cette analyse.
Les affirmations de l’entreprise doivent être lues attentivement. « Associé à une énergie renouvelable » peut signifier qu'une entreprise a acheté suffisamment d'électricité propre sur une année, et non qu'un serveur particulier a utilisé de l'énergie sans carbone dans l'heure à laquelle il a répondu. Les achats peuvent soutenir la nouvelle génération, mais ils ne font pas disparaître la géographie et le timing.
L'eau est locale, variable et mal divulguée
Certains centres de données évaporent l’eau pour évacuer la chaleur. La production d’électricité peut également consommer de l’eau, créant une empreinte indirecte même sur un site qui utilise peu d’eau pour le refroidissement. Le résultat change en fonction des conditions météorologiques, de la conception du système de refroidissement et du mix énergétique local.
Le laboratoire de Berkeley a modélisé la consommation moyenne d'eau sur site dans les centres de données américains à un peu plus de 0.36 litre par kilowattheure en 2023. Il s’agit d’une moyenne pour la flotte et non d’un taux universel. Une installation dans un climat frais utilisant l’air extérieur peut être très différente d’une installation refroidie par évaporation dans une région chaude.
Les réclamations par message varient encore plus. Une estimation universitaire largement partagée associe un 500 flacon de ml à environ 20–50 réponses de modèle de langage ; les chiffres ultérieurs des opérateurs pour les invites textuelles médianes étaient beaucoup plus faibles. Leurs modèles, localisations et limites comptables diffèrent. Notre guide pour comment l'IA utilise l'eau explique pourquoi aucune comparaison de bouteilles ne s'applique à chaque message.
Le matériel a une empreinte avant que l’IA ne soit activée
L'énergie opérationnelle et l'eau ne représentent qu'une partie du cycle de vie. Les accélérateurs nécessitent des matériaux extraits et traités, la fabrication de semi-conducteurs, leur transport et finalement leur élimination. La construction des centres de données utilise de l'acier, du béton, des câbles et des équipements de secours. La fabrication peut également nécessiter de l’eau ultra pure et produire des gaz à effet de serre.
Les estimations publiques par requête attribuent rarement tous ces impacts. Il n’existe aucune méthode convenue et auditée pour diviser l’empreinte de fabrication d’une puce entre la formation, l’inférence et toutes les autres tâches effectuées au cours de sa durée de vie utile. Laisser le matériel de côté rend un nombre incomplet ; l’attribuer avec des hypothèses d’utilisation spéculatives peut créer une fausse précision.
La réponse sensée est d’énoncer la limite. Une estimation de l’énergie d’inférence peut répondre « à peu près quelle quantité d’électricité de fonctionnement cette réponse a-t-elle nécessitée ? Il ne peut pas, à lui seul, répondre « quel a été l’impact environnemental total de ce service d’IA ? » Notre méthodologie suit cette règle : Treechat Les recettes de sont des estimations basées sur l'utilisation du modèle et des jetons, les frais généraux du centre de données et un facteur de réseau moyen, et non sur des mesures du cycle de vie complet.
L’IA peut aider, mais l’impact évité doit être prouvé
Il existe des utilisations bénéfiques crédibles. L'AIE décrit des applications dans la prévision de l'énergie, l'exploitation des réseaux, l'optimisation industrielle et la détection des fuites de méthane. De meilleures prévisions peuvent aider à intégrer la production renouvelable variable ; une détection plus rapide des fuites peut empêcher les émissions ; et les contrôles des bâtiments peuvent réduire le gaspillage d’énergie.
Pourtant, une application possible n’est pas une économie réalisée. La comparaison pertinente inclut l’empreinte propre du système d’IA, son déploiement à grande échelle, le comportement humain et les effets de rebond. Un optimiseur d’itinéraire permettant d’économiser du carburant peut être bénéfique. Si la baisse des coûts conduit à une conduite beaucoup plus fréquente, le résultat net peut diminuer ou s’inverser. Un modèle qui découvre un matériau à faible teneur en carbone doit encore être validé et adopté en laboratoire.
C'est la distinction clé lorsqu'on demande si l'IA est bonne pour l'environnement: la capacité n'est pas le résultat. Recherchez une référence mesurée, un contrefactuel crédible, une limite de système déclarée et des résultats au fil du temps. Méfiez-vous lorsqu'un fournisseur compte toutes les économies possibles mais omet le calcul nécessaire pour les réaliser.
À quel point une utilisation particulière est-elle mauvaise ?
Commencez par la tâche. Un modèle spécialisé effectuant une seule classification peut être beaucoup plus léger qu'un générateur à usage général. Lors d'expériences sur des tâches courantes d'apprentissage automatique, Luccioni, Jernite et Strubell ont découvert les systèmes génératifs étaient nettement plus gourmands en énergie que les modèles spécifiques à une tâche remplissant des fonctions comparables. Leurs résultats de référence ne constituent pas des mesures universelles de produits, mais ils montrent pourquoi le choix du modèle et des tâches est important.
Ensuite, posez des questions sur le volume et le mode. Quelques réponses textuelles courtes n’équivalent pas à des millions de sorties longues ou à une génération répétée d’images et de vidéos. Demandez ensuite où fonctionne le service, avec quelle efficacité l'installation utilise l'électricité et l'eau et ce que le fournisseur divulgue réellement.
Enfin, envisagez des alternatives. Une recherche normale, une calculatrice, un script local ou un document existant peut résoudre le problème avec moins de calculs. Pour un travail qui bénéficie véritablement de l’IA, utilisez le modèle le plus petit possible, restez concentré sur le contexte et évitez de générer des variations jetables. Voir notre plus complet audit des mythes sur la mauvaise qualité de l'IA.
Ce qu'un lecteur responsable peut faire
Vous n’avez pas besoin d’un calculateur de carbone personnel parfait pour faire de meilleurs choix. Réservez les raisonnements lourds, les agents, les images et les vidéos pour le travail qui en a besoin. Utilisez des invites courtes et claires et arrêtez-vous lorsque la réponse est suffisamment bonne. Choisissez des prestataires qui divulguent les méthodes plutôt que de présenter des chiffres précis sans limites.
La retenue individuelle ne remplace pas la politique des infrastructures ou le reporting des entreprises. Les opérateurs contrôlent l’emplacement des installations, le refroidissement, l’utilisation du matériel et l’approvisionnement en énergie. Les gouvernements et les régulateurs façonnent la planification du réseau, les permis d’eau et la divulgation. Les gros clients peuvent demander à leurs fournisseurs des données spécifiques à leur charge de travail sur l'énergie, l'eau et les émissions.
Treechat L'approche de est délibérément plus étroite : acheminez les questions quotidiennes vers des modèles plus petits, montrez un reçu estimé et financez un arbre nouvellement planté chaque mois pour chaque membre payant. Cette plantation n'efface pas le calcul. Il s'agit d'une contribution distincte, tandis que le choix du modèle aborde l'estimation opérationnelle. L'explication plus large de comment l'IA affecte l'environnement est toujours le meilleur cadre que n'importe quelle étiquette verte ou coupable.
Questions fréquemment posées
Une question sur l’IA est-elle mauvaise pour l’environnement ?
Une courte question textuelle a une faible empreinte opérationnelle, mais elle n’est pas nulle. Le modèle, la longueur de la réponse, l’efficacité du centre de données et le mix électrique déterminent la taille du projet. La plus grande préoccupation concerne l’utilisation répétée par des millions de personnes et les modes de transport plus intensifs.
L'IA est-elle pire que Google Rechercher ?
Il n’existe pas de ratio intemporel. Les produits de recherche et d’IA changent, certaines recherches incluent désormais des réponses générées et les estimations publiées utilisent des années et des limites différentes. Comparez une tâche définie en utilisant des données actuelles et comparables.
Les énergies renouvelables peuvent-elles rendre l’IA verte ?
Une électricité plus propre peut réduire considérablement les émissions opérationnelles. Cela ne supprime pas la consommation d’eau, la fabrication de matériel, la construction ou tout autre effet de réseau local, et la contrepartie annuelle des énergies renouvelables n’est pas la même chose qu’un fonctionnement horaire sans carbone.
Dois-je arrêter d’utiliser l’IA ?
Pas nécessairement. Utilisez-le là où il produit suffisamment de valeur pour justifier les ressources et préférez un modèle plus petit et performant. La meilleure question n’est pas de savoir si toute IA est bonne ou mauvaise, mais si ce système est un moyen proportionné d’accomplir cette tâche.