L'impact environnemental et écologique de l'IA - Rapport 2026

Table des matières :

• L’impact environnemental global du numérique  
• La consommation énergétique de l’IA  
• Le bilan carbone de l’entraînement des modèles d’IA  
• Le bilan carbone lié à l’utilisation massive des IA  
• La consommation en eau de l’intelligence artificielle et des data centers  
• La demande en matières premières et en infrastructures  
• Les impacts positifs de l'IA sur le développement durable  
• Des zones d’ombre qui compliquent l’évaluation de l’impact de l’IA sur l’écologie

Dernière mise à jour : 17 novembre 2025

L’impact environnemental global du numérique

Avant toute chose, il est important de rappeler que l’intelligence artificielle s’inscrit dans un ensemble plus vaste : l’écosystème numérique. Et si celui-ci pesait déjà lourd dans l’empreinte environnementale française et mondiale, son impact n’a fait qu’augmenter avec l’essor de l’IA. Ainsi :

• Le numérique représente 4,4 % de l’empreinte carbone française, et est à l’origine de 29,5 millions de tonnes en équivalent CO2, soit à peu près autant que les émissions du secteur des poids lourds.  
• Il compte pour 11 % de la consommation électrique française.  
• Les émissions liées au numérique sont dues à 50 % aux terminaux utilisateurs (smartphones, ordinateurs, TV), à 46 % aux data centers, et à 4 % aux réseaux.  
• À l’échelle mondiale, les technologies numériques représentent près de 3 % des émissions de gaz à effet de serre.  
• L’impact environnemental du numérique augmente d’environ 5 à 6 % par an, une dynamique d’ailleurs enclenchée bien avant l’arrivée des modèles d'IA générative.

La consommation énergétique de l’IA

Avec l’intégration croissante de l’IA générative dans une multitude de services (recherche, bureautique, réseaux sociaux, outils professionnels) et l’entraînement de modèles toujours plus nombreux et plus performants, la demande en puissance de calcul connaît une croissance sans précédent. Résultat : la part du numérique dans la consommation énergétique mondiale explose du fait de l’intelligence artificielle. Ainsi :

• D’ici 2026, à l’échelle mondiale, la consommation électrique des data centers pourrait doubler pour atteindre 1 000 TWh, soit l’équivalent de la consommation annuelle du Japon.  
• L’Agence internationale de l’énergie estime que les data centers consomment aujourd’hui 1,5 % de l’électricité mondiale, et que cela pourrait dépasser les 3 % d’ici à 2030.  
• Les serveurs dédiés à l’intelligence artificielle consomment à eux seuls 24 % de l’électricité des serveurs numériques, et 15 % de l’énergie des data centers.  
• Envoyer une requête à une IA générative comme ChatGPT consomme environ 10 fois plus d’électricité qu’une recherche classique sur Google, bien que cela soit fortement lié au type de résultat à générer (la génération d’une image ou d’une vidéo sera ainsi bien plus énergivore que celle d’un texte).  
• En six ans, la puissance de calcul nécessaire aux modèles d’IA a été multipliée par un million, soit une progression bien plus rapide que les gains d’efficacité énergétique des différents équipements (serveurs, processeurs…) réalisés sur la même période.

L’impact de l’IA sur la désinformation climatique

Comme le souligne Amélie Raoul, chercheuse en éthique appliquée à l’intelligence artificielle, « la manipulation de l'information et la désinformation liées à l’IA sont de vrais enjeux », ce qui peut poser un problème en matière de désinformation climatique :

• En Europe, le climat est devenu le premier sujet de désinformation.  
• Le modèle Grok aurait intégré des arguments climatosceptiques dans environ 10 % de ses réponses aux questions liées au climat.  
• Au premier trimestre 2025 en France, 128 cas de désinformation climatique ont été identifiés sur les 18 principales chaînes de radio et de télé françaises.

Le bilan carbone de l’entraînement des modèles d’IA

L’entraînement des grands modèles de langage nécessite une puissance de calcul colossale, et mobilise des milliers de processeurs pendant des jours, et même parfois des semaines. Et si cette phase ne représente qu’une partie de l’empreinte carbone totale d’un modèle, elle concentre néanmoins des pics de consommation énergétique et d’émissions de CO₂ très élevés :

• L’entraînement de GPT-3 a généré entre 500 et 550 tonnes de CO₂, soit l’équivalent de plus de 200 allers-retours Paris–New York.  
• L'entraînement du modèle Llama 3.1 8B de Meta aurait généré près de 9 000 tonnes de CO₂, soit environ 18 fois plus que GPT-3.  
• L’entraînement de GPT-4 aurait nécessité environ 40 fois plus d’énergie que celui de GPT-3, illustrant la croissance exponentielle des ressources nécessaires aux modèles les plus récents.  
• Le modèle BLOOM (176 milliards de paramètres), entraîné en France, a émis 30 tonnes de CO₂, soit bien moins que ce qu’a nécessité l’entraînement de GPT-3, une différence qui s’explique notamment par le mix électrique français, beaucoup moins carboné que celui des États-Unis.  
• Selon l’analyse de cycle de vie complète publiée par Mistral AI, l’ensemble du cycle de vie de Mistral Large 2 (conception, fabrication, entraînement, inférence) a généré 20,4 kilotonnes de CO₂ sur 18 mois, mais également mobilisé l’équivalent de 660 kg Sb-eq, un indicateur qui reflète l’impact sur les ressources minérales (métaux, terres rares), et consommé 281 000 m³ d’eau. Cette transparence rare, et ces chiffres bien au-dessus de ceux avancés par la concurrence, poussent inévitablement à se demander si les consommations des géants de l’IA ne sont pas sous-estimées.  
• Cet impact carbone varie d’un pays à l’autre : l’entraînement d’un même modèle comme GPT-3 aurait émis 93 tonnes en France, 485 tonnes en Corée du Sud et jusqu’à 858 tonnes en Inde, uniquement en raison des différences de mix énergétique.

En somme, l’entraînement des modèles d’IA est à l’origine d’une part importante de leur empreinte carbone, avec des niveaux d’émissions qui varient fortement selon l’infrastructure utilisée et l’intensité carbone de l’électricité disponible.

Le bilan carbone lié à l’utilisation massive des IA

Chaque requête envoyée à une IA mobilise des dizaines de serveurs, parfois situés à des milliers de kilomètres, et ce phénomène se répète des millions voire des milliards de fois par jour. Résultat : l’utilisation de l’intelligence artificielle (ou l’inférence) pèse davantage que la phase d’entraînement des modèles :

• L’inférence représente environ 60 % de l’empreinte carbone totale d’un modèle d’IA, contre 40 % pour son entraînement.  
• L’inférence devient plus consommatrice que l’entraînement dès qu’un modèle dépasse 200 à 600 millions d’utilisations, un seuil qui est rapidement franchi par les IA génératives les plus populaires (ChatGPT dépassant par exemple les 3,8 milliards de visites rien qu’en janvier 2025).  
• L’inférence étant effectuée en continu, elle sollicite massivement les serveurs spécialisés (GPU, TPU, accélérateurs), créant un impact énergétique largement sous-estimé par rapport à l’entraînement, qui n’est que ponctuel.  
• La consommation énergétique de l’IA dépend énormément de l’usage qui en est fait :

En résumé, plus un modèle est utilisé, plus son empreinte carbone augmente. Et avec la démocratisation des outils comme ChatGPT, Gemini ou encore Grok, les requêtes se comptent en millions chaque jour, ce qui contribue grandement à l’impact environnemental de l’IA.

La consommation en eau de l’intelligence artificielle et des data centers

Il faut de l’eau pour refroidir les serveurs utilisés pour entraîner et exécuter les modèles d’IA, mais aussi pour produire l’électricité qui alimente ces installations. Et avec la multiplication des data centers, cet impact hydrique prend une ampleur que nous ne pouvons pas oublier :

• À l’échelle mondiale, les systèmes d'IA pourraient consommer entre 4,2 et 6,6 milliards de mètres cubes d’eau par an d’ici 2027, soit plus que la consommation annuelle d’un pays comme le Danemark.  
• L’entraînement de GPT-3 aurait nécessité plus de 5 millions de litres d’eau, un volume équivalent à la consommation annuelle de 100 Français.  
• Les data centers de Google ont utilisé 12,7 milliards de litres d’eau en 2021 pour le refroidissement de leurs infrastructures américaines, dont 90 % étaient de l’eau potable.  
• En 2022, la consommation d’eau de Google a augmenté de 20 %, tandis que celle de Microsoft bondissait de 34 %, une hausse largement imputée à l’essor des usages liés à l’IA.  
• En moyenne, 35 interactions avec un modèle d’IA consommeraient l’équivalent d’une petite bouteille de 500 ml d'eau douce.

La demande en matières premières et en infrastructures

Derrière les modèles d’IA se cachent des infrastructures massives : serveurs, puces spécialisées, réseaux optiques, data centers gigantesques… Or, tous ces équipements reposent sur des ressources matérielles dont l’extraction, la fabrication et le transport ont un impact environnemental considérable. Et avec l’essor rapide de l’IA, et notamment de l’IA générative, cette pression sur les matières premières ne fait qu’augmenter :

• À l’échelle mondiale, la demande en cuivre liée à l’IA pourrait atteindre les 3,4 millions de tonnes par an d’ici 2050, soit une hausse majeure pour un métal déjà très sollicité par la transition énergétique.  
• En France, la quantité de métaux et minéraux nécessaires à la fabrication des équipements numériques devrait augmenter de 59 % d’ici 2050, uniquement pour répondre à la croissance du parc numérique.  
• Une année de fonctionnement d’un modèle comme Stable Diffusion représenterait l’équivalent de la fabrication de 5 659 smartphones, uniquement en termes de matériaux mobilisés.  
• L’essor des data centers entraîne également une artificialisation croissante des sols, puisque ces infrastructures peuvent occuper plusieurs dizaines d’hectares, et que leur multiplication met sous pression les territoires qui les accueillent.

Les impacts positifs de l'IA sur le développement durable

Si l’IA a des impacts énergétiques et matériels importants, dans certaines conditions, elle peut également contribuer à réduire les émissions de gaz à effet de serre et à améliorer l’efficacité environnementale de nombreux secteurs. Ainsi :

• Grâce à l’IA, les émissions de gaz à effet de serre pourraient être réduites de 5 à 10 % d’ici à 2030.  
• L’intelligence artificielle peut être utilisée pour optimiser le pilotage des éoliennes, et ainsi augmenter de 20 % les quantités d’énergie produites.  
• L’IA permettrait d’améliorer le confort thermique tout en réduisant la consommation d’énergie des bâtiments de 17 à 25 %.  
• Dans le secteur routier, l’optimisation des feux de circulation avec l'intelligence artificielle IA permettrait de réduire jusqu’à 20 % les émissions liées à la circulation urbaine, en diminuant le temps passé à l’arrêt.  
• Grâce à l’automatisation du tri dans les centres de gestion des déchets, l’IA permet d’améliorer le recyclage des déchets et d’atteindre un taux de pureté de 97 %.  
• Dans le secteur agricole, l’IA peut permettre de réduire l’usage des pesticides de 30 à 50 %, de prévoir les maladies des plantes avec près de 91 % de précision, et de diminuer les émissions globales du secteur d’environ 20 %.  
• Google a déjà réduit sa consommation énergétique de 40 % en utilisant l’IA pour détecter les moments où ses utilisateurs font les recherches les plus énergivores, et refroidir ses centres de données en conséquence.

En somme, bien utilisée, l’intelligence artificielle peut avoir un impact positif significatif sur l’environnement, et nous accompagner dans notre transition écologique.

Des zones d’ombre qui compliquent l’évaluation de l’impact de l’IA sur l’écologie

Si les entreprises qui développent et opèrent les plus grands modèles d’intelligence artificielle publient des rapports environnementaux, ceux-ci montrent une tendance inquiétante : malgré les engagements de neutralité carbone, leurs émissions repartent fortement à la hausse. Et face à ce constat, les entreprises de l’IA sont de plus en plus nombreuses à fournir des données fragmentaires, hétérogènes, et qui ne suivent aucune méthode standardisée pour évaluer leur impact énergétique. Résultat : il existe encore de nombreuses zones d’ombre, qui compliquent l’évaluation précise du coût écologique de l’IA. Ainsi :

• Les émissions de Google ont augmenté de 48 % entre 2019 et 2023, principalement en raison de la croissance de l’IA et de la demande en puissance de calcul associée.  
• Celles de Microsoft ont bondi de 30 % entre 2020 et 2023, compromettant son objectif de neutralité carbone à horizon 2030.  
• D’après certaines analyses indépendantes, les émissions réelles des data centers pourraient être jusqu’à 7,6 fois plus élevées que celles déclarées officiellement.  
• Google indique que les charges de travail liées au Machine Learning représentent déjà environ 15 % de sa consommation totale d’électricité.  
• Depuis l’explosion des usages liés à l’IA générative, plusieurs grandes entreprises (Google, Apple, Meta, Amazon…) ont cessé de publier des données détaillées quant à la consommation énergétique de leurs data centers.  
• Faute de données directes, les études disponibles s’appuient donc souvent sur des proxies (comme l’utilisation de serveurs accélérés ou la taille des modèles), ce qui complique la comparaison.  
• La localisation des data centers est parfois partiellement confidentielle, alors qu’elle conditionne l’essentiel de l’impact énergétique de l’IA (mix électrique, disponibilité en eau, stress hydrique local).  
• Les ACV (analyses de cycle de vie) restent rares : l’évaluation complète réalisée pour Mistral Large 2, incluant émissions, eau et matériaux, montre à quel point ce type d’analyse est encore l’exception.  
• Les impacts matériels de l’IA restent mal documentés, alors que l’extraction minière et la fabrication de certains composants (puces, serveurs et réseaux) ont un impact environnemental conséquent.

En somme, la hausse rapide des émissions liées à l’IA s’accompagne d’une opacité croissante : faute de normes communes et face à des données largement déclaratives, il reste aujourd’hui très difficile d’estimer de manière fiable l’impact environnemental réel des data centers et des modèles d’IA.

Sources :

• ADEME, Impacts environnementaux du numérique, 2024  
• Sopra Steria, IA & Environnement : sortir du brouillard informationnel, 2025  
• Inria, Les principaux défis à relever pour favoriser la performance environnementale de l'IA, 2025  
• Tribunal pour les générations futures, Y a-t-il une IA pour sauver la planète ?, 2025  
• IFRI, AI, Data Centers and Energy Demand, 2025  
• GAO, Artificial Intelligence: Generative AI’s Environmental and Human Effects, 2025  
• Google, Environmental Report 2024  
• IEA, Energy and AI, 2024  
• Oeko-Institut, Environmental Impacts of AI, 2024  
• OECD – Measuring the Environmental Impacts of Artificial Intelligence compute and applications, 2022  
• European Parliament, AI and the energy sector, 2025  
• UC Riverside, Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models, 2023  
• CESE, Impacts de l'intelligence artificielle : risques et opportunités pour l'environnement IA & Environnement, 2024  
• AI Now Institute, Climate, Climate Justice & Labor Rights, 2023  
• Bowdoin, The Hidden Footprint of AI, 2025  
• Stanford HAI, Artificial Intelligence Index Report 2025, 2025