L'IA consomme-t-elle trop d'énergie et d'eau ?

L’IA consomme-t-elle trop d’énergie et d’eau ? Le débat tourne en rond parce que les deux camps ne parlent pas de la même chose. Les uns regardent la requête : une question posée à un chatbot consomme une quantité d’énergie minuscule. Les autres regardent l’agrégat : des milliards de requêtes, l’entraînement des modèles et la construction de nouveaux centres de données pèsent lourd sur les réseaux électriques et, localement, sur l’eau.

Les deux constats sont vrais. La question utile pour une entreprise n’est pas « faut-il arrêter l’IA ? », mais « utilise-t-on la bonne taille de modèle pour chaque tâche ? », parce que c’est là que se jouent à la fois l’empreinte et la facture.

En bref

• Selon le scénario de référence de l’AIE, la consommation d’électricité des centres de données atteindrait environ 945 TWh en 2030, et leur consommation d’eau environ 1 200 milliards de litres par an.
• Par requête, la consommation baisse vite : Google annonce une division par 33 en un an pour Gemini, sur ses propres mesures.
• Les deux tendances coexistent, parce que chaque gain d’efficacité ouvre de nouveaux usages.
• Dans les essais de l’AIE, un modèle environ 40 fois plus grand consomme plus de 40 fois plus pour la même tâche : choisir la bonne taille est le levier d’une entreprise.

Position 1 : les centres de données font exploser la consommation

La source la plus solide sur l’agrégat est le rapport spécial Energy and AI de l’Agence internationale de l’énergie (AIE), publié en avril 2025. Ses chiffres :

• les centres de données ont consommé environ 415 TWh d’électricité en 2024, soit 1,5 % de la consommation mondiale ;
• leur consommation a augmenté d’environ 12 % par an depuis 2017, plus de quatre fois plus vite que la consommation totale d’électricité ;
• dans son scénario de référence, elle devrait plus que doubler, à environ 945 TWh en 2030, soit un peu plus que toute la consommation d’électricité du Japon au moment du rapport, et l’IA est le principal moteur de cette croissance, aux côtés des autres services numériques ;
• les États-Unis représentaient 45 % de cette consommation en 2024, la Chine 25 % et l’Europe 15 %.

Sur l’eau, l’AIE estime la consommation mondiale liée aux centres de données à environ 560 milliards de litres par an au moment du rapport, et elle pourrait atteindre environ 1 200 milliards de litres par an en 2030 dans son scénario de référence. En 2023, environ deux tiers de cette consommation étaient liés à la production d’énergie et d’électricité, un quart au refroidissement direct, et le reste à la fabrication des puces.

Le rapport insiste enfin sur la concentration : un centre de données dédié à l’IA peut consommer autant d’électricité qu’une usine très énergivore comme une aluminerie, mais ces centres sont beaucoup plus concentrés géographiquement, et près de la moitié de la capacité américaine se trouve dans cinq grappes régionales. Le secteur pèse déjà lourd dans la consommation d’électricité de certains marchés locaux : c’est là que la tension se ressent, sur le réseau comme sur l’eau, selon le climat et le mode de refroidissement.

Position 2 : une requête consomme très peu, et l’efficacité progresse vite

L’autre camp met en avant l’unité. Google a publié en août 2025 une mesure de l’empreinte de son assistant Gemini : la requête textuelle médiane consommerait 0,24 Wh d’énergie et 0,26 mL d’eau, et l’énergie par requête aurait été divisée par 33 en un an, l’empreinte carbone par 44. C’est Google qui mesure ses propres services : ce n’est pas une évaluation indépendante.

Le rapport AI Index 2025 de l’université Stanford observe de son côté que le coût d’inférence d’un système aussi performant que GPT-3.5 a été divisé par plus de 280 entre novembre 2022 et octobre 2024, grâce à des petits modèles de plus en plus capables. Un coût n’est pas une consommation d’énergie, mais le même rapport note que l’efficacité énergétique du matériel progresse de 40 % par an : faire la même chose demande de moins en moins de ressources.

Ce camp ajoute que l’AIE elle-même relativise : les centres de données ne représentent qu’environ un dixième de la croissance de la demande mondiale d’électricité d’ici 2030, moins que les moteurs industriels, la climatisation des logements et des bureaux ou les véhicules électriques.

Pourquoi les deux ont raison

Les gains par requête sont réels, mais ils ne disent rien du nombre de requêtes. Quand une ressource devient moins chère, on en utilise davantage : chaque gain d’efficacité ouvre de nouveaux usages, plus d’agents, plus de modèles qui « réfléchissent » longuement avant de répondre. Les deux tendances coexistent : chaque requête devient plus sobre, et l’AIE projette pourtant un doublement de la consommation totale.

Deux limites honnêtes à garder en tête. Les chiffres par requête des services commerciaux viennent de leurs éditeurs, qui choisissent leur méthode : l’AIE note que le manque de données sur la consommation des modèles commerciaux empêche de l’évaluer, et ses propres mesures portent sur des modèles ouverts, en conditions d’essai. Et ses projections sont des scénarios, avec des incertitudes que le rapport dit lui-même croissantes après 2030.

Ce que nous en pensons

Culpabiliser l’utilisateur pour chaque question posée à un chatbot nous semble à côté du sujet : à l’échelle d’une personne, l’effet est faible, et l’AIE montre que d’autres usages pèsent plus lourd dans la croissance de la demande. En revanche, à l’échelle d’une entreprise qui automatise des milliers d’opérations par jour, le choix des modèles devient un vrai levier, et c’est l’entreprise qui le tient.

Les essais de l’AIE en donnent l’ordre de grandeur. Pour une même tâche de génération de texte, en conditions d’essai, un très petit modèle de 1,7 milliard de paramètres a consommé 0,1 Wh, et un modèle environ 40 fois plus grand plus de 40 fois plus, environ 4 Wh. Un modèle qui « raisonne », employé sur une tâche simple, consomme deux fois plus qu’un modèle de taille comparable. Le piège est donc de tout envoyer par défaut au modèle le plus puissant, y compris des tâches qu’un petit modèle ferait aussi bien, comme classer un email ou extraire un montant d’une facture. Le plus gros modèle est aussi le plus cher : la sobriété et l’économie vont ici dans le même sens, ce qui est assez rare pour être souligné.

Ce qui nous ferait changer d’avis : des mesures indépendantes, et non publiées par les éditeurs, qui montreraient que la consommation par requête des modèles courants ne baisse plus, ou qu’elle remonte avec les modèles qui raisonnent longuement.

Ce que ça change concrètement pour une entreprise

1. Router les tâches vers le bon modèle. Chaque tâche automatisée doit passer par le plus petit modèle qui la réussit : un tableau associe chaque type de tâche à un modèle, testé sur des exemples réels. Notre guide sur le coût de l’IA en entreprise, des tokens au routage détaille la méthode.

2. Éviter les appels inutiles. Une partie des traitements n’a pas besoin d’IA du tout : une règle simple ou une requête à une base de données font le travail sans modèle. Et un résultat qui ne change pas se met en cache plutôt que d’être recalculé : sur le pipeline de traduction que nous opérons pour Palmora, un portail immobilier que nous accompagnons, 95 % des segments sortent du cache après le premier passage, sans rappeler l’IA.

3. Regarder où tourne le modèle. L’empreinte dépend de l’électricité du lieu où le calcul se fait. Héberger certains traitements en Europe, ou un modèle ouvert sur son propre serveur, est aussi une question de souveraineté, que nous abordons dans notre analyse sur la dépendance de l’Europe aux géants américains du cloud.

4. Mesurer avant de communiquer. Une entreprise qui veut parler de l’empreinte de ses usages doit compter ses appels et le modèle utilisé pour chacun. Sans ce relevé, tout chiffre affiché serait une estimation de seconde main.

Par où commencer

L’empreinte de l’IA se joue moins sur une question posée à un chatbot que sur les traitements qui se répètent des milliers de fois. Commencez par la liste de vos usages automatisés, avec le modèle que chacun appelle et leur volume : ceux qui tournent le plus sur un grand modèle sont les premiers à tester sur un plus petit, et le même tri allège la facture comme l’empreinte. Notre rubrique IA d’entreprise, privée et au juste coût rassemble les guides sur ces choix. Si vous voulez savoir ce que coûte chaque usage avant de trancher, notre offre pour payer l’IA ce qu’elle vaut, usage par usage commence par un audit de votre facture et un banc d’essai sur vos propres contenus.

Questions fréquentes

Combien d’électricité consomme une question posée à ChatGPT ?

Aucun chiffre indépendant et vérifié n’existe pour ChatGPT : l’AIE note que le manque de données sur les modèles commerciaux empêche de l’évaluer. En conditions d’essai, elle estime qu’une requête de génération de texte demande environ 2 Wh, et au moins deux fois plus pour un grand modèle qui raisonne. Google publie de son côté une médiane de 0,24 Wh pour une requête textuelle à Gemini, mesurée par ses propres équipes.

L’IA consomme-t-elle beaucoup d’eau ?

L’AIE estime la consommation d’eau de l’ensemble des centres de données à environ 560 milliards de litres par an, et jusqu’à environ 1 200 milliards en 2030 dans son scénario de référence. En 2023, environ deux tiers de cette eau étaient liés à la production d’énergie et d’électricité, et un quart au refroidissement direct. L’effet se ressent surtout là où les centres sont concentrés, selon le climat et le mode de refroidissement.

Supprimer ses vieux emails économise-t-il de l’eau ?

Ce sont deux sujets distincts. Un email stocké occupe un peu d’espace dans un centre de données, mais il ne fait tourner aucun modèle d’IA, et l’AIE désigne l’IA comme le principal moteur de la hausse de leur consommation d’électricité. Pour réduire l’empreinte de ses usages numériques, une entreprise a plus de prise sur le choix et le volume de ses appels aux modèles que sur sa boîte de réception.