Entraînement, requêtes, eau des data centers : quelle est réellement l’empreinte carbone de l’IA ? Les chiffres clés et 6 leviers concrets pour une IA plus sobre.
Depuis 2022, l’intelligence artificielle s’est imposée comme le moteur d’une nouvelle révolution industrielle. Modèles de langage, générateurs d’images, systèmes d’apprentissage profond : ces technologies numériques transforment les entreprises, les métiers et nos interactions quotidiennes. Mais derrière cette effervescence se cache une réalité plus complexe. La fabrication des modèles génère une lourde dette écologique initiale, et leur utilisation massive pose la question de l’équilibre entre coût énergétique et gains d’efficacité opérationnelle.
En 2025, plus de 200 milliards de requêtes sont adressées chaque mois à des IA génératives, un volume comparable à celui des moteurs de recherche traditionnels. Quelle est réellement l’empreinte carbone de l’IA ? Combien d’eau consomme une requête ChatGPT ? Et surtout, comment les entreprises peuvent-elles en réduire l’impact sans renoncer à l’innovation ? Cet article fait le point, chiffres à l’appui, et propose des leviers concrets pour construire une IA responsable, conciliant performance, sobriété et création de valeur.
En bref :
- Cycle de vie : l’empreinte carbone de l’IA se mesure de la fabrication du matériel à la fin de vie des équipements, en passant par l’entraînement et l’usage des modèles.
- Ordres de grandeur : l’entraînement de GPT-3 est estimé à environ 1 300 MWh ; une requête ChatGPT consomme environ 0,34 Wh et 0,3 mL d’eau selon OpenAI.
- Tendance : les data centers pourraient consommer environ 945 TWh en 2030, plus du double d’aujourd’hui, l’IA étant le premier moteur de cette hausse (IEA).
- Leviers : modèles plus sobres, usages maîtrisés, infrastructures bas carbone, mesure systématique et gouvernance permettent de réduire cet impact sans renoncer à l’innovation.
Quelle est l’empreinte carbone de l’intelligence artificielle ?
L’empreinte carbone de l’IA ne se résume pas à l’électricité consommée au moment où l’on pose une question à un chatbot. Pour l’évaluer correctement, il faut raisonner sur tout le cycle de vie, selon la logique d’une analyse de cycle de vie (ACV) : fabrication du matériel informatique, entraînement des modèles, phase d’inférence (l’usage quotidien), stockage des données et fin de vie des équipements.
Une puissance de calcul en explosion
Chaque avancée en IA repose sur une augmentation massive de la puissance de calcul. Si les premières études de 2019 alertaient déjà sur l’impact de modèles alors modestes, les chiffres actuels ont changé de dimension. Selon l’étude LLMCarbon (ICLR, 2024), l’entraînement de modèles de pointe comme Llama-3 ou GPT-4 représente désormais des milliers de tonnes de CO2. Cette empreinte ne se limite plus au seul calcul (« compute ») : elle intègre aussi le carbone incorporé (« embodied carbon ») lié à la fabrication des milliers de GPU et autres équipements informatiques nécessaires.
L’étude Green AI (Springer, 2024) montre que la corrélation entre nombre de paramètres et émissions de dioxyde de carbone est directe : les modèles dépassant 100 milliards de paramètres sont extrêmement énergivores. L’empreinte totale d’un modèle d’IA inclut donc l’entraînement, l’inférence, le stockage et la fabrication du matériel.
Empreinte carbone de l’IA générative : l’ACV de Mistral, un premier repère
Les estimations restent variables, faute de données publiées par la plupart des acteurs de la chaîne. En 2025, Mistral AI a été l’un des premiers à publier une ACV de son modèle Mistral Large 2, menée avec Carbone 4 et l’ADEME. Le chiffre communiqué : environ 20 400 tonnes de CO2e et 281 000 m³ d’eau pour l’entraînement et les 18 premiers mois d’usage, et environ 1,14 g de CO2e et 45 mL d’eau pour une réponse d’une page. Ce type de rapport environnemental reste rare, mais il fixe un cap : sans transparence, impossible de piloter.
Une électricité mondiale encore largement fossile
Derrière la promesse du cloud « virtuel », l’énergie qui alimente les centres de données reste bien concrète. D’après l’Agence internationale de l’énergie (IEA, 2024), une large majorité de l’électricité utilisée par les data centers dans le monde provient encore d’énergies fossiles, charbon et gaz naturel en tête. Aux États-Unis, premier marché de l’IA, les data centers représentaient déjà environ 4,4 % de la consommation électrique nationale en 2023 (LBNL / DOE).
Le lieu d’hébergement change donc tout : le mix électrique français, l’un des plus décarbonés d’Europe grâce au nucléaire et aux renouvelables, divise l’empreinte d’un même calcul par rapport à un data center alimenté au charbon.
Pourquoi l’IA consomme-t-elle beaucoup d’eau ?
La consommation d’eau est le coût environnemental le plus souvent ignoré. Les data centers utilisent d’immenses volumes d’eau pour refroidir les serveurs et maintenir leur stabilité thermique, auxquels s’ajoute l’eau consommée pour produire l’électricité elle-même. Selon Penn State IEE (2023), un grand centre de données peut consommer 3 à 5 millions de litres d’eau par jour, soit les besoins quotidiens d’une petite ville.

Une étude de 2024 menée sur 41 pays met en évidence une forte variabilité de l’empreinte hydrique de l’IA. Pour une même tâche, comme la génération d’un rapport d’une dizaine de pages, la consommation d’eau peut varier de moins d’un litre à plusieurs dizaines de litres selon le modèle utilisé, la localisation du data center, le mix énergétique et les systèmes de refroidissement.
Quelle est l’empreinte écologique globale de l’IA ?
L’empreinte écologique de l’IA dépasse le seul carbone : elle englobe aussi l’eau, les métaux et l’énergie mobilisés tout au long du cycle de vie des équipements, de leur fabrication à leur fin de vie.
Pourquoi l’IA est-elle polluante ?
La pollution générée par l’IA tient à deux sources distinctes qui s’additionnent. D’un côté, la production des serveurs, des puces et des équipements de refroidissement mobilise des métaux rares et de l’énergie dès l’usine. De l’autre, le fonctionnement quotidien des modèles réclame une alimentation électrique continue, jour et nuit, pour des millions de requêtes simultanées.
Cette électricité mondiale consommée par les data centers dépasse déjà 1 % de la production totale, et cette part pourrait tripler d’ici 2030 selon plusieurs projections. L’usage répété, bien plus que l’entraînement initial, constitue désormais le principal poste de pollution d’un modèle.
À cela s’ajoute un angle mort souvent négligé : le renouvellement accéléré du matériel informatique, poussé par des composants toujours plus puissants, accroît l’empreinte écologique liée à l’extraction minière et au recyclage des équipements.
ChatGPT : Quelle consommation d’eau, comparée à Google ?
Selon l’étude How Hungry is AI? (2025), la phase d’inférence pourrait, à l’échelle mondiale, représenter l’équivalent des besoins annuels en eau potable de plus d’un million de personnes. À l’échelle d’une requête ChatGPT, OpenAI avance environ 0,3 mL d’eau, et Google environ 0,26 mL pour une requête texte médiane sur Gemini (rapport technique d’août 2025). Ces chiffres, publiés par les entreprises de l’IA elles-mêmes, ne couvrent pas toujours l’eau liée à la production d’électricité ni à l’entraînement : ils sont donc à manier avec prudence.
Quelle est l’empreinte carbone de ChatGPT ?
Il n’existe pas de chiffre officiel complet pour ChatGPT. Les estimations disponibles convergent toutefois vers quelques ordres de grandeur :
- Entraînement : l’entraînement de GPT-3 a été estimé à environ 1 300 MWh d’électricité, soit plusieurs centaines de tonnes de CO2e.
- Requête ChatGPT : OpenAI évoque environ 0,34 Wh par requête moyenne, un ordre de grandeur proche des 0,3 Wh longtemps attribués à une recherche Google.
- Variabilité : selon How Hungry is AI? (2025), certaines requêtes adressées à un LLM peuvent générer jusqu’à 70 fois plus d’émissions qu’avec un modèle très efficient, selon la complexité de la tâche et le modèle utilisé.
Empreinte carbone d’une image IA
La génération d’image est nettement plus gourmande que la génération de texte. Les travaux de Hugging Face et de la chercheuse Sasha Luccioni (2023) montrent que produire une image avec les modèles les moins efficaces peut consommer autant d’énergie qu’une recharge partielle de smartphone, soit bien plus qu’une réponse textuelle.
Empreinte carbone de l’IA vs avion : un ordre de grandeur
Pour donner une échelle : un aller-retour Paris-New York représente environ une tonne de CO2e par passager. L’entraînement d’un grand modèle de la génération GPT-3 équivaut donc à plusieurs centaines de ces vols. À l’inverse, une requête isolée pèse quelques dixièmes de gramme à quelques grammes : c’est l’utilisation massive, multipliée par des milliards, qui fait la différence.

Quelles sont les conséquences environnementales de l’IA ?
Oui, l’IA a un impact environnemental réel, et il croît plus vite que celui de la plupart des secteurs. L’IEA projette une consommation des data centers d’environ 945 TWh en 2030 au niveau mondial si la tendance se poursuit, soit plus du double d’aujourd’hui, l’IA étant le premier moteur de cette hausse. L’entraînement massif de modèles, leur mise à jour continue et les usages de l’IA au quotidien multiplient les cycles énergétiques, donc les émissions.
L’impact dépasse le carbone : épuisement des ressources minérales pour fabriquer les puces, stress hydrique local autour des data centers, renouvellement accéléré des équipements réseaux et des équipements utilisateurs. Les rapports environnementaux de Google et de Microsoft ont d’ailleurs fait état d’une hausse de leurs émissions ces dernières années, largement attribuée à l’IA.
Impact du numérique sur l’environnement : remettre l’IA en perspective
L’IA s’inscrit dans un bilan carbone du numérique déjà significatif. En France, selon l’ADEME et l’Arcep, le numérique représente environ 4,4 % de l’empreinte carbone nationale, la fabrication des terminaux pesant pour l’essentiel. L’IA ajoute une nouvelle couche, concentrée cette fois dans les centres de données : c’est pourquoi l’impact environnemental de l’IA est désormais suivi de près par l’ADEME, qui accompagne les premières ACV du secteur.
Le paradoxe de l’efficacité technologique
L’IA est souvent présentée comme une solution pour la durabilité : optimisation énergétique, agriculture raisonnée, gestion intelligente des réseaux. Pour comprendre l’impact de l’IA, il faut distinguer deux phases : la phase d’entraînement (la fabrication) et l’inférence (l’usage).
L’inférence : vers une rationalisation des usages ?
Si la phase d’entraînement est indéniablement coûteuse en carbone et en eau, l’inférence peut s’avérer comparativement plus sobre que les habitudes numériques qu’elle remplace. Là où un utilisateur devait formuler plusieurs recherches Google, ouvrir de multiples onglets et charger des pages web encombrées (publicités, vidéos, scripts de traçage), un LLM fournit une synthèse immédiate.
Ce phénomène de substitution réduit le nombre total de cycles informatiques et le transfert de données pour une même tâche finale. Une technologie coûteuse à produire peut ainsi devenir un levier de sobriété à l’usage.
Le risque de l’effet rebond
Ce gain d’efficacité unitaire porte cependant un risque bien connu : l’effet rebond. Plus l’IA devient performante, accessible et rapide, plus son usage explose. L’efficacité de chaque requête augmente, mais la consommation globale croît par multiplication des usages. Microsoft, Google et Amazon visent la neutralité carbone et un bilan hydrique positif d’ici 2030, mais la demande énergétique du secteur progresse plus vite que les gains d’efficacité. Tout l’enjeu de la période est là : éviter que la facilité d’usage n’annule les progrès techniques.
Vers une IA durable : de la puissance brute à l’efficience
La véritable innovation ne consiste plus à construire les plus grands modèles, mais les plus justes. L’arrivée de DeepSeek début 2025 l’a illustré : des performances proches des leaders du marché, pour un coût d’entraînement annoncé bien inférieur. Cette « sobriété logicielle » repose sur des techniques de compression comme le pruning (élagage des parties inutiles d’un réseau), la quantization (réduction de la précision des calculs, à la manière d’une image compressée) et la distillation. Elles permettent de réduire la consommation énergétique de 5 à 10 fois sans perte significative de performance (Data-Centric Green AI, 2022). Cette logique rejoint celle du Green IT et du software craftsmanship : un logiciel bien conçu consomme moins.

L’optimisation s’étend aussi au pilotage énergétique. De nouveaux indicateurs apparaissent, comme les émissions en CO2e par requête ou par modèle entraîné. La performance devient un arbitrage entre capacité de calcul et coût environnemental (LLMCarbon, ICLR 2024). En parallèle, les infrastructures se modernisent : data centers alimentés par des énergies renouvelables, refroidissement liquide, outils de mesure intégrés aux pipelines de développement. En France, le référentiel AFNOR Spec 2314 sur l’IA frugale (2024) donne un premier cadre commun pour concevoir et évaluer ces systèmes.
Le sujet est aussi politique : lors du Sommet pour l’action sur l’IA organisé à Paris en février 2025, la France a lancé, avec le PNUE et l’UIT, une Coalition pour une IA durable réunissant entreprises, chercheurs et institutions.
Comment réduire l’empreinte carbone de l’IA : 6 leviers d’action concrets
Face à l’empreinte environnementale croissante des systèmes d’IA, la transition vers une IA responsable repose sur des leviers opérationnels, activables à trois niveaux : technique, organisationnel et usage. C’est l’approche que nous défendons chez Meritis, au croisement de nos expertises data & IA, infrastructure et numérique responsable : réduire l’empreinte carbone de l’IA suppose d’agir à la fois sur les modèles et sur les infrastructures qui les font tourner.

1. Optimiser les modèles : faire mieux avec moins
La première source de réduction d’impact réside dans l’adéquation entre la puissance du modèle d’IA et la complexité de la tâche. Plutôt que de privilégier systématiquement des modèles volumineux :
- Arbitrer selon l’usage : tout ne nécessite pas un « poids lourd ». Pour du raisonnement complexe ou de la planification stratégique, un modèle de pointe est pertinent.
- Préférer des modèles compacts quand c’est possible : pour la classification, l’extraction ou le résumé simple, des modèles plus légers (type Mistral 7B ou Llama-3-8B) peuvent réduire l’empreinte énergétique de plus de 80 % pour un résultat métier équivalent.
- Limiter les entraînements lourds : favoriser le fine-tuning ciblé sur des jeux de données restreints et le réemploi de modèles pré-entraînés, ou des approches comme le RAG, qui enrichissent un modèle existant sans le réentraîner.
L’enjeu : maximiser la valeur produite par unité d’énergie consommée.
2. Maîtriser les usages : la sobriété côté utilisateur
Une part croissante de l’impact provient de l’inférence. Des pratiques simples permettent de la limiter :
- éviter les requêtes longues, répétitives ou peu utiles ;
- regrouper les demandes pour réduire le nombre d’appels ;
- réserver la génération d’image et de vidéo aux besoins réels ;
- former les collaborateurs au prompt efficace, qui obtient le bon résultat du premier coup.
C’est la réponse la plus directe à l’effet rebond, où la facilité d’usage entraîne une surconsommation invisible mais massive.
3. Choisir des infrastructures responsables
Le choix de l’infrastructure est un levier majeur, souvent sous-estimé :
- privilégier des data centers alimentés par des énergies bas carbone ou renouvelables ;
- sélectionner des régions au mix énergétique favorable, comme la France ;
- intégrer des critères d’efficacité hydrique et de refroidissement dans le choix du cloud.
Ce levier agit directement sur l’empreinte carbone et hydrique, sans modifier les usages. Il suppose une vraie maîtrise de l’infrastructure : dimensionnement des capacités, choix entre cloud public, cloud privé ou hébergement sur site, supervision de la consommation et de la performance des services IT. C’est là que l’expertise infrastructure rejoint l’expertise data & IA, pour que chaque modèle tourne au bon endroit, avec les bonnes ressources. Pour aller plus loin, voir notre article comment rendre le cloud plus durable.
4. Mesurer pour piloter : intégrer des indicateurs environnementaux
On ne peut améliorer que ce que l’on mesure :
- Outiller le suivi : des bibliothèques comme CodeCarbon suivent les émissions pendant le développement, et le ML CO2 Impact calculator permet une estimation avant même de lancer un entraînement. Nos équipes avaient d’ailleurs repéré CodeCarbon lors de PyData Paris 2024.
- Suivre le coût réel par requête : mesurer les kgCO2e par appel API pour identifier les modèles les plus sobres.
- S’appuyer sur des méthodes open source : des outils comme Green Algorithms permettent d’auditer l’impact global d’une infrastructure de calcul.
L’objectif : faire de l’impact environnemental un KPI à part entière, au même titre que le coût financier ou la latence.
5. Intégrer la gouvernance et la responsabilité
La transition vers une IA responsable dépasse le cadre technique :
- intégrer des critères environnementaux dans les appels d’offres et les choix fournisseurs ;
- exiger davantage de transparence sur les consommations d’énergie et d’eau ;
- anticiper la réglementation : l’AI Act européen impose déjà aux fournisseurs de modèles d’IA à usage général de documenter leur consommation d’énergie ;
- sensibiliser les équipes IT et métiers aux enjeux du numérique responsable ;
- inscrire l’IA dans le bilan carbone de l’entreprise, comme Meritis l’a fait en réalisant son premier bilan carbone.
6. Repenser la valeur : utiliser l’IA à bon escient
La question n’est plus seulement « comment optimiser l’IA », mais « quand l’utiliser » :
- Auditer la pertinence des cas d’usage : si une méthode algorithmique classique suffit et consomme moins, elle doit être privilégiée. Ce tri est aussi une étape clé pour passer l’IA générative du POC à la production.
- Prioriser le rendement écologique : réserver les modèles les plus coûteux aux cas où l’IA apporte un bénéfice environnemental supérieur à son propre coût.
- Éliminer les « usages gadgets » : éviter les déploiements massifs pour des fonctionnalités à faible valeur métier mais à forte empreinte.
Impact environnemental de l’IA : les chiffres clés
| Indicateur | Valeur / contexte | Source |
|---|---|---|
| Entraînement estimé de GPT-3 | ~1 300 MWh | The Verge |
| Eau utilisée pour entraîner GPT-3 | ~700 000 litres | The Washington Post |
| ACV Mistral Large 2 (entraînement + 18 mois d’usage) | ~20 400 t CO2e et 281 000 m³ d’eau | Mistral AI, Carbone 4, ADEME (2025) |
| Part de l’électricité des data centers aux États-Unis (2023) | ~4,4 % de la consommation électrique | LBNL / DOE |
| Projection mondiale des data centers (2030) | ~945 TWh si la tendance se poursuit | IEA |
| Variabilité d’inférence | Jusqu’à 70× plus d’émissions selon le modèle | How Hungry is AI? (2025) |
| Consommation d’eau d’un grand data center | Jusqu’à 18,9 millions L/jour | eesi.org, waterunite.org |
| Part du numérique dans l’empreinte carbone française | ~4,4 % | ADEME / Arcep |
Impact positif de l’IA sur l’environnement : vers un bilan net positif
Il serait incomplet d’analyser l’empreinte de l’IA sans mettre en balance sa capacité à résoudre des défis climatiques complexes. Si l’IA consomme des ressources, elle peut aussi être un catalyseur de sobriété pour d’autres secteurs. On parle de bilan carbone net : l’enjeu est que les émissions évitées grâce à l’IA dépassent largement celles liées à son fonctionnement. Quelques exemples :
- Réseaux d’énergie (smart grids) : ajuster en temps réel la production d’énergies renouvelables intermittentes à la demande, et limiter le recours aux centrales thermiques de secours.
- Agriculture de précision : en croisant données satellites et capteurs au sol, réduire l’usage d’intrants chimiques et la consommation d’eau de 20 à 30 %, tout en améliorant les rendements.
- Logistique et supply chain : optimiser les trajets et le remplissage des véhicules pour réduire nettement l’empreinte du transport de marchandises.
Une IA écologique ne se limite donc pas à réduire sa propre consommation : elle dirige sa puissance de calcul vers les problèmes où son rendement environnemental est maximal.
Conclusion : l’intelligence doit aussi être durable
L’IA et les grands modèles de langage incarnent à la fois le génie humain et ses paradoxes : une technologie puissante, mais énergivore. Derrière chaque requête, des wattheures et des millilitres d’eau rappellent que le numérique a une empreinte bien tangible.
Cet impact n’est pas une fatalité. Des leviers existent : modèles plus sobres, data centers bas carbone, mesure systématique, gouvernance. Pour les entreprises, la question n’est plus seulement de savoir ce que l’IA peut faire, mais comment elle le fait, et à quel coût pour la planète. C’est sur cet équilibre entre performance et responsabilité que se jouera la valeur durable de l’IA.
Vous avez aimé cet article ?
Abonnez-vous à notre newsletter pour ne rien rater de l’actualité Tech et Finance.

Références
- Green AI (Springer, 2024) – https://link.springer.com/article/10.1007/s44163-024-00149-w
- LLMCarbon (ICLR, 2024) – https://openreview.net/forum?id=aIok3ZD9to
- How Hungry is AI? (arXiv, 2025) – https://arxiv.org/abs/2505.09598
- Empreinte hydrique de l’IA, étude sur 41 pays (arXiv, 2024) – https://arxiv.org/abs/2412.03716
- The Guardian, 2025 – https://www.theguardian.com/technology/2025/feb/07/call-to-make-tech-firms-report-data-centre-energy-use-as-ai-booms
- Data-Centric Green AI (2022) – https://arxiv.org/abs/2204.02766
- IEA, Energy and AI (2025) – https://www.iea.org/reports/energy-and-ai
- https://meritis.fr/actualites/comment-rendre-le-cloud-plus-durable-en-2024-pour-l-essentiel-de-leco/
- https://meritis.fr/blog/pydata-paris-2024-bilan-immersion-au-coeur-de-linnovation/

Pas encore de commentaires