Dernière revue :
Qu'est-ce que l'empreinte carbone de l'IA ? Définition et enjeux pour l'entreprise
L'empreinte carbone de l'IA est l'ensemble des émissions de gaz à effet de serre liées à son cycle de vie : entraînement des modèles, fabrication des composants, fonctionnement des data centres et inférence à l'usage. Elle devient un poste de consommation significatif à l'échelle mondiale.
L'empreinte carbone de l'IA se décompose en quatre postes principaux. La fabrication du matériel : production des GPU, serveurs, refroidisseurs, dont l'empreinte amont est rarement comptabilisée. L'entraînement des modèles : opération à coût énergétique élevé, ponctuelle mais répétée à chaque nouvelle génération. L'entraînement de GPT-3 a consommé environ 1 287 MWh et émis 552 tonnes d'équivalent CO2 (Patterson et al., 2021). Le fonctionnement des data centres : poste continu, dominant en cumulé. Selon l'IEA, les data centres mondiaux ont consommé 415 TWh en 2024 (1,5 % de l'électricité mondiale), avec une projection à 945 TWh en 2030. L'inférence à l'usage : opération unitaire faible mais multipliée par des milliards d'appels quotidiens. Les data centres dédiés à l'IA ont vu leur consommation croître de 50 % en 2025.
Exemple concret
À l'échelle d'une entreprise européenne déployant un assistant IA pour 500 salariés à raison de 20 requêtes par jour, la consommation annuelle directe se chiffre en quelques milliers de kilowattheures par an, équivalent énergétique de quelques dizaines de tonnes de CO2 selon le mix électrique. C'est modeste rapporté au bilan carbone d'une PME. Mais le ratio change pour les usages intensifs : génération vidéo, modèles de raisonnement multi-étapes, agents autonomes. L'IEA estime que ces tâches peuvent consommer cent à mille fois plus d'énergie qu'une simple génération de texte. Le choix entre un modèle léger optimisé et un modèle de pointe a un impact direct sur l'empreinte.
À voir aussi
Pour aller plus loin
Sources
- Energy and AI, International Energy Agency, executive summary, 2025. https://www.iea.org/reports/energy-and-ai/executive-summary
- Carbon Emissions and Large Neural Network Training, Patterson et al., arXiv:2104.10350, 2021. https://arxiv.org/abs/2104.10350