Accueil › Glossaire › Empreinte Carbone de l’IA

Empreinte carbone de l’IA : chiffres, calcul et stratégies de réduction

L’empreinte carbone de l’IA (carbon footprint of AI) désigne la quantité totale de gaz à effet de serre émise tout au long du cycle de vie d’un système d’intelligence artificielle, depuis la fabrication du matériel jusqu’à l’entraînement des modèles, leur utilisation quotidienne (inférence) et le refroidissement des data centers qui les hébergent.

Pourquoi l’empreinte carbone de l’IA est devenue incontournable

Pendant longtemps, l’empreinte environnementale de l’IA était un sujet de niche, réservé aux chercheurs en informatique durable. Ce n’est plus le cas. Depuis l’explosion de l’IA générative fin 2022, la consommation énergétique des data centers a connu une croissance sans précédent, et les grands acteurs de la tech (Google, Microsoft, Meta) ont tous vu leurs émissions de CO₂ augmenter significativement, malgré leurs engagements climatiques.

Google a reconnu que ses émissions étaient environ 50 % plus élevées en 2023 qu’en 2019, attribuant cette hausse principalement à l’IA. La consommation électrique des data centers en Amérique du Nord est passée de 2 688 MW fin 2022 à 5 341 MW fin 2023. À l’échelle mondiale, les data centers consommaient environ 460 TWh d’électricité en 2022, ce qui les plaçait entre l’Arabie Saoudite et la France en termes de consommation nationale. L’AIE projette que cette consommation atteindra environ 1 050 TWh d’ici 2026, ce qui classerait les data centers au 5e rang mondial, entre le Japon et la Russie.

Le sujet concerne désormais directement les entreprises qui utilisent l’IA. Sous le GHG Protocol, les émissions liées à l’utilisation de services cloud IA (Azure, AWS, Google Cloud) entrent dans les émissions Scope 3 (Catégorie 1 : biens et services achetés). Avec le durcissement des exigences de reporting (CSRD en Europe, SEC climate disclosure aux États-Unis), mesurer et réduire l’empreinte carbone de l’IA n’est plus optionnel.

Anatomie de l’empreinte carbone d’un modèle d’IA

L’empreinte carbone d’un système d’IA se décompose en trois grandes couches, qu’il faut toutes prendre en compte pour une analyse complète (approche cycle de vie / LCA).

1. Le carbone embarqué (embodied carbon)

Avant même qu’un data center ne traite un seul octet de données, il a déjà émis une quantité massive de CO₂. Le carbone embarqué inclut l’extraction des matières premières (métaux rares pour les GPU), la fabrication des puces (processus complexe nécessitant des produits chimiques toxiques), l’assemblage des serveurs, la construction des bâtiments et le transport. Un rapport d’Inria et du CEA-Leti de 2023 souligne que l’empreinte carbone de l’IA doit impérativement être évaluée en analyse de cycle de vie complète, pas uniquement sur les émissions opérationnelles.

TechInsights estime que les trois principaux fabricants (NVIDIA, AMD, Intel) ont expédié 3,85 millions de GPU vers les data centers en 2023, contre 2,67 millions en 2022. Ce chiffre a encore augmenté en 2024 et 2025. Chaque GPU a une empreinte carbone de fabrication significative, amplifiée par le fait que les puces IA (GPU) consomment plus d’énergie et émettent plus de chaleur que les CPU traditionnels.

2. L’entraînement (training)

L’entraînement est la phase où un modèle « apprend » à partir de vastes jeux de données, en ajustant des milliards de paramètres sur des semaines ou des mois de calcul intensif. C’est la phase qui fait les gros titres, mais ce n’est pas la plus importante en termes d’impact cumulé.

Deux facteurs critiques déterminent les émissions d’entraînement : la quantité de calcul (directement liée au nombre de paramètres et de tokens d’entraînement) et l’intensité carbone du réseau électrique où se trouve le data center (mesurée en kgCO₂/kWh). L’entraînement d’un même modèle peut émettre 30 fois plus de CO₂ dans une région alimentée au charbon par rapport à une région alimentée en renouvelable.

Un point souvent ignoré : l’énergie d’entraînement publiée ne couvre généralement que le run final réussi. Elle exclut la recherche d’hyperparamètres, la recherche d’architecture neuronale (NAS), les runs échoués et le prétraitement des données. Le coût réel est donc significativement plus élevé que les chiffres annoncés.

3. L’inférence (inference)

C’est la phase qui compte le plus en pratique, et c’est celle qui est le moins bien comprise. L’inférence se produit chaque fois qu’un utilisateur envoie une requête à un modèle. Une seule requête consomme peu (0,03 à 1,14 gramme de CO₂-eq selon le modèle et le fournisseur), mais multipliée par des milliards de requêtes quotidiennes, l’impact cumulé dépasse largement celui de l’entraînement.

Voici les chiffres de consommation par requête pour les principaux modèles, d’après les données publiées ou estimées :

Plusieurs facteurs influencent la consommation d’une requête : le nombre de tokens en entrée et en sortie (un document de 100 pages consomme beaucoup plus qu’une question sur la météo), le type de tâche (la génération d’images est 10 à 100 fois plus énergivore que le texte), l’heure de la requête (une requête à 3h du matin peut émettre jusqu’à 67 % de CO₂ en plus si le réseau électrique est alimenté par des centrales fossiles la nuit) et l’architecture du modèle (les modèles MoE comme Mistral Large 3 activent moins de paramètres par requête et sont donc plus efficaces).

Les chiffres globaux de l’impact

Pour mettre en perspective : les émissions de l’IA en 2025 ont été comparées à celles de la ville de New York (~50 Mt CO₂). Les data centers IA émettent plus que le secteur de l’aviation (~2 % des GES mondiaux). Toutefois, le problème principal n’est pas le niveau actuel mais le taux de croissance : l’AIE prévoit un quadruplement de la demande énergétique des data centers dédiés à l’IA d’ici 2030.

Comment calculer l’empreinte carbone de vos usages IA

La formule de base est simple. L’empreinte carbone est égale au produit de la puissance consommée (W) par le temps d’exécution (h), multiplié par le PUE (Power Usage Effectiveness) du data center, puis par l’intensité carbone du réseau électrique (kgCO₂/kWh).

En pratique, cette formule est difficile à appliquer car les fournisseurs cloud ne publient pas la consommation exacte de chaque requête. Voici les outils disponibles pour vous aider :

CodeCarbon : bibliothèque Python open source qui mesure les émissions de CO₂ de vos scripts de machine learning en temps réel. Elle détecte automatiquement le matériel utilisé, estime la consommation électrique et applique l’intensité carbone locale. C’est l’outil de référence dans la recherche.

ML CO2 Impact : calculateur en ligne développé par Mila et l’IQIA, qui estime les émissions d’entraînement en fonction du type de GPU, de la durée, du fournisseur cloud et de la région.

Electricity Maps : fournit l’intensité carbone en temps réel par zone géographique, ce qui permet de choisir le moment et le lieu les plus propres pour exécuter vos charges de calcul.

Green Algorithms : calculateur en ligne de l’Université de Cambridge pour estimer l’empreinte carbone de n’importe quelle charge de calcul.

Techniques concrètes pour réduire l’empreinte

Compression de modèle

La quantization réduit la précision des nombres utilisés dans le réseau de neurones (de 32 bits à 8 bits ou moins). Cela peut réduire la taille du modèle de 75 % et la consommation d’énergie de 50 %, avec une perte de performance souvent marginale. Le pruning (élagage) supprime les connexions inutiles du réseau, réduisant la consommation de 30 à 40 %. La distillation de connaissances entraîne un modèle compact (« élève ») à reproduire le comportement d’un modèle plus large (« enseignant »), avec un résultat pouvant conserver ~97 % de la performance originale pour ~40 % de paramètres en moins (cas de DistilBERT).

La combinaison pruning + quantization peut produire des modèles 4-5× plus petits et 2-3× plus rapides que l’original. C’est devenu un pipeline standard pour le déploiement sur appareils embarqués et en edge computing.

Choix d’architecture

Les architectures Mixture-of-Experts (MoE), comme celles de Mistral Large 3 ou DeepSeek V3.2, activent seulement une fraction des paramètres par requête (~40 milliards sur 675 milliards pour Mistral Large 3). Cela réduit drastiquement la consommation d’inférence par rapport aux modèles denses de taille comparable. Le coût d’entraînement de DeepSeek V3 est estimé à moins d’un dixième de celui de GPT-4, et son coût d’inférence à un trentième de celui du modèle o1 d’OpenAI.

Carbon-aware computing

Le même entraînement IA peut émettre 30 fois plus de CO₂ selon la région géographique. Les stratégies de « carbon-aware computing » consistent à router les charges de calcul vers les régions et les moments où l’intensité carbone est la plus faible. En Suède (0,05 kgCO₂/kWh), un entraînement émet une fraction de ce qu’il produirait en Chine (0,544 kgCO₂/kWh). Des API comme Electricity Maps et WattTime fournissent les données d’intensité carbone en temps réel pour automatiser ce routage.

Google a annoncé un facteur 44 de réduction des émissions carbone par requête Gemini sur un an, grâce à la combinaison d’améliorations logicielles et d’achat d’énergie propre. En termes d’énergie pure, le facteur est de 33×.

Optimisation de l’infrastructure

Le PUE (Power Usage Effectiveness) mesure l’efficacité énergétique d’un data center. Un PUE de 1,0 signifie que toute l’énergie va au calcul ; un PUE de 2,0 signifie que la moitié est perdue en refroidissement et pertes. Les data centers Google visent un PUE de ~1,1. Les accélérateurs spécialisés (TPU de Google, puces IA de NVIDIA) sont conçus pour maximiser la performance par watt. Le refroidissement avancé (refroidissement liquide, immersion) réduit la consommation auxiliaire.

Transfer learning et modèles pré-entraînés

Plutôt que d’entraîner un modèle from scratch, le transfer learning adapte un modèle existant à une tâche spécifique avec une fraction du coût de calcul. Le fine-tuning d’un LLM pré-entraîné sur un dataset spécifique consomme des ordres de grandeur moins d’énergie qu’un entraînement complet. Les modèles open source sur les model hubs (Hugging Face) permettent de mutualiser l’effort d’entraînement : un seul entraînement, des milliers de réutilisations.

Choisir le bon modèle pour la tâche

Utiliser GPT-5.4 Pro pour classifier des emails est un gaspillage énergétique. Les modèles plus petits (Claude Haiku 4.5, Mistral Small 4, Llama 3 8B) consomment une fraction de l’énergie des modèles frontière et sont suffisants pour la majorité des tâches. Un modèle Llama 3.1 8B consomme environ 0,03 Wh par réponse, contre des ordres de grandeur supérieurs pour un modèle de 405 milliards de paramètres.

Le problème de la transparence

Le plus grand obstacle à la réduction de l’empreinte carbone de l’IA est le manque de données. La plupart des entreprises ne publient pas la consommation énergétique de leurs modèles. Le reporting est volontaire, pas obligatoire. Les données disponibles sont parcellaires (un modèle spécifique, un data center donné, une période limitée) et ne permettent pas de dresser un tableau complet.

Un rapport de Lawrence Berkeley National Laboratory critique ouvertement le niveau de transparence des entreprises tech, notant que les informations divulguées ne suffisent pas à faire des projections raisonnables sur la demande énergétique future. Les chercheurs proposent des mécanismes de partage anonymisé des données sans violer les secrets commerciaux, mais cette proposition n’a pas encore été adoptée à l’échelle industrielle.

Les publications scientifiques ne font guère mieux : une étude de 2025 montre que les benchmarks existants rapportent rarement la consommation d’énergie, créant un « trou d’information » majeur. L’appel à un cadre d’évaluation harmonisé incluant des métriques de durabilité standardisées se fait de plus en plus pressant.

La géographie carbone de l’IA

L’empreinte carbone de l’IA est profondément inégale géographiquement. Les États-Unis et la Chine représentent environ 99 % des émissions mondiales liées à l’IA générative, selon une étude PMC de 2025. La Chine, bien que démarrant plus tard dans les grands modèles, contribue à 54 % des émissions mondiales en raison de son intensité carbone élevée (0,544 kgCO₂/kWh). L’Europe ne représente que 0,02 à 0,09 million de tonnes, grâce à des mix énergétiques plus propres.

Cette concentration géographique soulève des questions de justice environnementale. Des études de 2025-2026 montrent que les data centers sont fréquemment implantés à proximité de communautés à faible revenu, qui subissent le bruit, l’instabilité du réseau et les effets d’îlot de chaleur sans bénéficier directement des services IA.

En France, l’intensité carbone du réseau électrique est relativement basse (~0,05-0,06 kgCO₂/kWh grâce au nucléaire), ce qui fait du pays un emplacement favorable pour les data centers à faible empreinte. C’est un avantage concurrentiel pour les entreprises françaises qui hébergent leurs charges IA localement.

Cadre réglementaire

La réglementation évolue rapidement dans ce domaine. En Europe, la CSRD impose le reporting des émissions Scope 1, 2 et 3, ce qui inclut l’utilisation de services IA cloud. L’AI Act exige que les fournisseurs de modèles d’IA à usage général documentent la consommation d’énergie connue ou estimée liée à l’entraînement et, lorsque applicable, aux tests et au fine-tuning. L’Assemblée des Nations Unies pour l’Environnement (UNEA) a inscrit l’impact environnemental de l’IA à son ordre du jour pour ses sessions récentes.

Du côté des standards volontaires, le GHG Protocol fournit le cadre de comptabilité carbone le plus utilisé. La SBTi (Science Based Targets initiative) commence à intégrer les émissions liées au numérique dans ses méthodologies. L’Union Internationale des Télécommunications (UIT) travaille sur un cadre standardisé pour les frontières système de l’entraînement et de l’inférence IA.

Mise en perspective et faux débats

Il est important de garder la tête froide sur ce sujet. Quelques éléments de contexte :

L’IA n’est pas (encore) le plus gros problème climatique. Les data centers dans leur ensemble représentent 1-2 % de la consommation électrique mondiale, dont l’IA est une fraction (environ 15 %, en croissance). C’est significatif, mais bien en dessous de l’industrie, des transports ou du chauffage.

L’efficacité progresse vite. La loi de Dennard est morte, mais l’efficacité énergétique du calcul continue de progresser. Google revendique une réduction de 33× de la consommation par requête Gemini sur un an. Les architectures MoE (DeepSeek, Mistral) réduisent le coût d’inférence d’un ordre de grandeur par rapport aux modèles denses.

La comparaison humain vs IA est complexe. Une étude de 2024 dans Scientific Reports estimait que les humains avaient un impact carbone 130 à 2 900 fois plus élevé que l’IA pour certaines tâches créatives. Mais une étude de 2025 a contesté cette comparaison, trouvant que GPT-4 consommait 5 à 19 fois plus de carbone que des programmeurs humains pour des tâches de codage. La réponse dépend entièrement de la tâche, de la qualité de l’output et de la méthodologie.

Le problème est la trajectoire, pas le niveau actuel. L’AIE prévoit que la demande d’énergie des data centers IA va quadrupler d’ici 2030. Si cette croissance est alimentée par des fossiles, l’impact sera majeur. Si elle est alimentée par des renouvelables, l’impact sera beaucoup plus gérable. Le choix des sources d’énergie est le levier principal, plus que l’optimisation des modèles.

Checklist pour les entreprises

Mesurez d’abord. Installez CodeCarbon ou un outil équivalent sur vos pipelines ML. Demandez à vos fournisseurs cloud les données de consommation et d’intensité carbone par région. Sans baseline, vous ne pouvez pas améliorer.

Choisissez le bon modèle. Ne déployez pas un modèle frontière quand un modèle plus petit suffit. Un Haiku ou un Mistral Small consomme une fraction de l’énergie d’un Opus ou d’un GPT-5.4 Pro.

Optimisez l’inférence. Le caching, le batching, la quantization post-entraînement et le choix d’accélérateurs efficaces réduisent directement la consommation par requête.

Choisissez la bonne région cloud. Routez vos charges vers des régions à faible intensité carbone. En Europe, la Scandinavie et la France offrent les mix les plus propres.

Reportez. Intégrez l’empreinte carbone IA dans votre reporting CSRD/ESG. La transparence crée l’incitation à améliorer.