Le coût environnemental de l’IA met sous pression les promesses climatiques des géants de la tech

Google News a mis en lumière un calcul inquiétant : les centres de données pourraient consommer 945 térawattheures d’électricité par an d’ici 2030, en grande partie à cause de l’intelligence artificielle.

Cette prévision provient d’un rapport de l’Université des Nations unies examinant les empreintes carbone, hydrique, foncière et de déchets électroniques de l’IA. Ses conclusions remettent en cause l’argument privilégié du secteur selon lequel des puces plus efficaces et une énergie plus propre peuvent contenir les coûts environnementaux de l’IA.

Le conflit n’oppose plus l’innovation à des personnes hostiles à la technologie. Il oppose les promesses climatiques des géants de la tech aux infrastructures physiques nécessaires pour déployer l’IA à l’échelle mondiale.

Google, Microsoft, Amazon, Meta et d’autres opérateurs ont investi dans une électricité plus propre, une informatique plus efficace et la restauration des ressources en eau. Ces efforts comptent. Toutefois, la demande de services d’IA augmente plus vite que nombre d’améliorations environnementales ne peuvent la compenser.

Le rapport révèle également un problème de mesure. Les entreprises publient souvent leurs totaux d’électricité, d’émissions et d’eau à l’échelle de l’organisation sans distinguer l’IA des autres charges de travail. Les chercheurs doivent estimer la part de l’IA à partir d’informations publiques imparfaites.

Cette limite ne rend pas la pression environnementale imaginaire. Elle rend le déficit de responsabilité plus important.

Le rapport de l’ONU alourdit la facture environnementale de l’IA

La conclusion centrale est que l’IA est un système physique dont les coûts environnementaux dépassent largement l’électricité utilisée pour entraîner les modèles.

Le rapport de juin 2026 émane de l’Institut pour l’eau, l’environnement et la santé de l’Université des Nations unies. Il a examiné la demande d’électricité ainsi que les empreintes carbone, hydrique et foncière qui en résultent sur les principaux marchés des centres de données.

Son rapport sur le coût environnemental prévoit que la consommation mondiale d’électricité des centres de données atteindra environ 945 térawattheures en 2030. C’est plus du double du niveau estimé pour 2024.

L’Agence internationale de l’énergie est arrivée à la même prévision globale concernant l’électricité grâce à sa propre modélisation. Cette convergence renforce la conclusion générale, même si des incertitudes subsistent quant à la part précise de l’IA.

L’électricité ne représente que la première couche de l’impact. La production d’énergie consomme de l’eau, occupe des terres, utilise des matériaux et génère des émissions de gaz à effet de serre. Les centres de données utilisent aussi directement de l’eau pour le refroidissement.

Les chercheurs de l’ONU estiment que l’empreinte hydrique associée pourrait équivaloir aux besoins domestiques annuels de base de 1,3 milliard de personnes. Ils prévoient une empreinte foncière dépassant 14 500 kilomètres carrés.

Ces comparaisons décrivent une empreinte mondiale modélisée, et non de l’eau physiquement détournée de 1,3 milliard de personnes. Cette distinction importe, car les effets sur l’eau dépendent fortement du lieu, de la saison, de la technologie et de la source d’électricité.

Un litre consommé dans une région riche en eau ne crée pas le même risque qu’un litre consommé pendant une grave sécheresse. Les totaux mondiaux peuvent masquer cette différence locale.

Le rapport estime également que les infrastructures d’IA pourraient générer jusqu’à 2,5 millions de tonnes métriques de déchets électroniques par an d’ici 2030. Les serveurs, accélérateurs, équipements réseau et systèmes d’alimentation doivent tous être remplacés à mesure que le matériel s’améliore.

L’entraînement n’est pas nécessairement la plus lourde charge continue. Le rapport soutient que l’utilisation courante, appelée inférence, peut représenter l’essentiel de la demande énergétique sur toute la durée de fonctionnement d’un modèle.

L’inférence correspond aux calculs effectués chaque fois qu’un modèle déployé répond à une requête, génère une image ou traite un document. Une réponse a une empreinte limitée, mais des milliards de requêtes répétées s’accumulent.

Ce déplacement modifie la question politique. Mesurer une seule exécution d’entraînement très visible ne peut pas décrire le coût sur l’ensemble de la durée de vie d’un service d’IA très utilisé.

Il modifie aussi la répartition de l’influence. Les développeurs choisissent la taille des modèles, les entreprises conçoivent les produits, les fournisseurs de cloud exploitent l’infrastructure, et les utilisateurs déterminent la fréquence d’exécution des fonctions coûteuses en calcul.

Le rapport traite donc la performance environnementale comme une responsabilité à l’échelle de l’ensemble du système. Les gains d’efficacité dans une couche peuvent disparaître lorsque la demande augmente ailleurs.

C’est le premier renversement important. La facture environnementale de l’IA n’est pas une dépense temporaire d’entraînement qui s’arrête au lancement d’un modèle. Elle continue de croître avec l’adoption.

Pourquoi le titre de Google News va au-delà du carbone

L’article de Google News importe parce qu’une comptabilité centrée uniquement sur le carbone peut valoriser des choix qui augmentent l’utilisation de l’eau, la demande foncière ou l’exposition des communautés.

Les reportages climatiques résument souvent la performance environnementale à un seul chiffre d’émissions. Cette approche facilite les comparaisons, mais elle peut masquer les arbitrages créés par différentes sources d’énergie.

L’analyse de l’ONU offre un exemple frappant. Selon ses scénarios modélisés, remplacer le charbon par de la bioénergie peut réduire fortement les émissions de carbone associées.

Toutefois, le rapport indique que cette même substitution peut multiplier par environ 30 l’empreinte hydrique. Elle peut accroître l’empreinte foncière d’environ 100 fois.

La bioénergie nécessite des terres et de l’eau pour produire la matière végétale utilisée comme combustible. Son profil carbone peut sembler préférable, tandis que ses besoins plus larges en ressources évoluent dans la direction opposée.

La leçon n’est pas que le charbon est préférable. Le charbon entraîne de graves coûts climatiques, sanitaires et de pollution. La leçon est qu’un seul indicateur environnemental ne peut représenter toutes les conséquences.

L’énergie solaire présente une empreinte carbone opérationnelle plus faible que la production fossile, mais les grandes installations nécessitent des terres et des matériaux. L’hydroélectricité a une faible intensité carbone directe dans de nombreux contextes, mais les réservoirs peuvent transformer les écosystèmes.

Les centrales nucléaires fournissent une électricité bas carbone avec des besoins fonciers limités. Elles nécessitent aussi de l’eau de refroidissement, des délais de construction importants et une gestion rigoureuse des déchets.

Même les certificats d’électricité renouvelable exigent un examen attentif. Faire correspondre une consommation annuelle d’électricité à des achats renouvelables ne signifie pas que chaque centre de données fonctionne avec une électricité sans carbone à chaque heure.

Les émissions fondées sur la localisation reflètent l’électricité disponible sur le réseau local. La comptabilité fondée sur le marché peut refléter des contrats ou certificats achetés auprès de projets situés ailleurs.

Les deux mesures répondent à des questions utiles. Aucune ne révèle à elle seule si une charge de travail supplémentaire liée à l’IA crée une congestion du réseau local, un stress hydrique ou une production d’électricité fossile pendant les pics de demande.

C’est pourquoi l’approche systémique du rapport mérite l’attention. Chaque kilowattheure a une source, et chaque source entraîne une combinaison différente de charges.

Le calcul de l’eau est tout aussi complexe. Les centres de données peuvent prélever de l’eau, la consommer par évaporation ou dépendre indirectement de l’eau utilisée par les centrales électriques.

Le prélèvement mesure l’eau retirée d’une source, même si une partie y retourne plus tard. La consommation décrit généralement l’eau qui devient indisponible pour le bassin versant immédiat après utilisation.

Ces chiffres ne doivent pas être considérés comme interchangeables. Les communications publiques présentent souvent l’un sans clarifier l’autre.

Les chaînes d’approvisionnement ajoutent une autre couche. Les puces avancées dépendent d’eau hautement purifiée, d’une fabrication énergivore, de produits chimiques spécialisés et de minéraux critiques.

L’accélérateur fini paraît propre dans une baie de serveurs. Son impact incorporé a commencé bien avant son installation et peut s’étendre sur plusieurs pays.

Les bénéfices de l’IA franchissent aussi les frontières, tandis que les charges d’infrastructure restent concentrées. Un utilisateur peut recevoir une réponse instantanée à des milliers de kilomètres du centre de données qui la produit.

La communauté d’accueil subit la demande en eau, les lignes électriques, les générateurs de secours, la construction et la conversion des terres. Elle peut recevoir des emplois et des recettes fiscales, mais ces bénéfices ne sont pas automatiquement répartis de manière équitable.

Cette séparation géographique affaiblit le retour d’information habituel des consommateurs. Les utilisateurs savent rarement où une requête est exécutée ou quelles ressources sont disponibles à cet endroit.

La publication originale de Google News présentait ces conclusions comme une histoire environnementale alarmante. La conclusion la plus lourde de conséquences est que les tableaux de bord actuels ne peuvent pas attribuer pleinement les responsabilités.

Un total mondial de carbone ne peut pas indiquer aux habitants si une installation proposée mettra leur nappe phréatique sous pression. Un projet de reconstitution des ressources en eau ne peut pas automatiquement remplacer l’eau perdue dans un autre bassin versant.

La comptabilité environnementale doit donc devenir plus locale, plus rapide et plus spécifique aux charges de travail. Sans cette évolution, des totaux apparemment précis peuvent encore conduire à de mauvaises décisions.

La promesse climatique des géants de la tech face à la réalité des infrastructures

Le conflit principal oppose les engagements climatiques des entreprises à un déploiement d’infrastructures d’IA qui continue d’augmenter la demande absolue en ressources.

Les dernières communications de Google illustrent cette tension. L’entreprise a signalé une hausse annuelle de 37 % de la demande d’électricité en 2025, à mesure que son infrastructure s’étendait.

Google a également déclaré que ses émissions opérationnelles avaient diminué de 2 % sur un an. L’entreprise a conclu des accords portant sur plus de 12 gigawatts de nouvelle énergie propre au cours de l’année.

Son rapport environnemental 2026 indique que les initiatives d’efficacité et d’énergie ont évité plus de 58 millions de tonnes métriques d’équivalent dioxyde de carbone. Google a aussi déclaré avoir reconstitué 7,7 milliards de gallons d’eau.

Ces chiffres montrent qu’un travail sérieux d’atténuation est en cours. Ils ne prouvent pas que l’expansion est devenue neutre sur le plan environnemental.

L’entreprise a reconnu que l’infrastructure d’IA se développe plus vite que la décarbonation du réseau électrique. Cet aveu résume le problème central du secteur plus clairement qu’une liste de projets individuels.

Les mesures d’efficacité réduisent les ressources nécessaires pour une unité donnée de calcul. Elles ne garantissent pas que la demande totale diminue.

Si l’énergie nécessaire à une requête est divisée par deux tandis que le volume de requêtes triple, la consommation globale d’électricité augmente tout de même. Les économistes parlent souvent d’effet rebond.

Les produits d’IA sont conçus pour accroître l’usage. Les fournisseurs intègrent des modèles dans la recherche, les logiciels bureautiques, les téléphones, les systèmes publicitaires, les environnements de programmation, le service client et les outils multimédias.

Les fonctionnalités multimodales peuvent être particulièrement intensives en calcul. Générer des images, du son ou des vidéos nécessite généralement davantage de traitement que de fournir une courte réponse textuelle.

Les produits basés sur des agents ajoutent un autre multiplicateur. Une demande d’utilisateur peut déclencher des appels répétés au modèle, des recherches, des actions d’outils et des étapes de validation avant de produire un résultat.

Le fournisseur peut améliorer chaque appel tandis que le produit en effectue davantage. Cette tension rend les progrès par requête compatibles avec une demande croissante à l’échelle de l’entreprise.

Google a publié des recherches estimant l’énergie, le carbone et l’eau associés à une requête textuelle Gemini médiane. Ce travail fait progresser la mesure en prenant en compte les puces, les systèmes hôtes, la capacité inactive et les frais généraux des installations.

Pourtant, la requête médiane d’un fournisseur ne peut pas représenter l’ensemble du marché. Les résultats changent selon la taille du modèle, la longueur de la sortie, l’utilisation du matériel, la composition du réseau et les conditions de refroidissement.

Microsoft, Amazon et Meta exploitent également des parcs différents dans des régions différentes. Leurs périmètres comptables et leurs catégories de reporting ne sont pas identiques.

Comparer les chiffres mis en avant peut donc créer une fausse précision. Une entreprise qui publie davantage de catégories peut sembler pire qu’une autre qui communique des totaux plus restreints.

C’est pourquoi la transparence est devenue un élément de la concurrence. Le reporting environnemental ne sert plus uniquement de document de réputation.

Les services publics, les régulateurs, les habitants, les investisseurs et les clients d’entreprise ont besoin de ces données pour évaluer les promesses liées aux infrastructures. Ils ont aussi besoin de définitions cohérentes.

Les arguments positifs avancés par le secteur ne doivent pas être écartés. L’IA peut améliorer l’exploitation des réseaux électriques, prévoir la production renouvelable, optimiser les bâtiments, réduire la consommation de carburant des transports et renforcer la modélisation climatique.

Google affirme que neuf produits ont aidé ses utilisateurs et partenaires à éviter environ 41 millions de tonnes métriques d’émissions en 2025. Ces applications peuvent créer une valeur considérable.

Toutefois, les émissions évitées sont des estimations contrefactuelles. Elles comparent un résultat observé ou modélisé avec ce que les chercheurs estiment qu’il se serait produit sans le produit.

La consommation directe d’électricité et les émissions évitées estimées ne constituent pas des catégories comptables équivalentes. Les combiner en un chiffre net unique exige des hypothèses transparentes.

Le secteur doit démontrer que les bénéfices revendiqués sont additionnels, mesurables et durables. Il doit également montrer qui bénéficie de ces avantages et qui supporte les coûts.

Un tableau de bord environnemental utile distinguerait la demande absolue, l’efficacité, la pression sur les ressources locales, les impacts incorporés et les bénéfices vérifiés en aval. Les rapports d’entreprise actuels ne fournissent qu’une partie de cette vision.

La pression va s’intensifier à mesure que davantage d’infrastructures entreront dans les procédures d’autorisation. Les entreprises ne peuvent plus s’appuyer sur des achats mondiaux d’énergie propre pour répondre à toutes les préoccupations locales.

L’énergie propre n’élimine pas l’arbitrage entre les ressources

La décision environnementale la plus difficile n’est pas de savoir s’il faut utiliser une énergie plus propre, mais comment réduire le carbone sans déplacer les dommages vers l’eau, les terres et les matériaux.

Les perspectives de demande énergétique prévoient une consommation électrique des centres de données d’environ 945 térawattheures d’ici 2030. L’IA est le principal moteur de cette croissance.

L’AIE prévoit que les énergies renouvelables couvriront environ la moitié de la demande supplémentaire d’ici 2030. Le gaz naturel, le charbon et l’énergie nucléaire alimenteront également des charges croissantes dans les centres de données.

Ce mix électrique est important. Une nouvelle installation ne fonctionne pas grâce à la déclaration de durabilité de son développeur. Elle fonctionne grâce au réseau physique auquel ses équipements sont raccordés.

Les contrats d’achat d’électricité peuvent financer une production propre, ce qui est précieux. Pourtant, les contraintes de transmission et les retards de raccordement peuvent dissocier cette production des heures et des lieux où survient la nouvelle demande.

Les centres de données exigent une fiabilité élevée. Ils ont besoin d’électricité durant les nuits calmes, les vagues de chaleur, les périodes nuageuses, les pannes d’équipement et les urgences sur le réseau.

La production fossile peut combler les déficits à court terme lorsque les capacités plus propres ne peuvent pas arriver assez vite. L’AIE avertit que de longues files d’attente pour les raccordements peuvent orienter davantage de demande vers les combustibles fossiles dans les scénarios de forte croissance.

La concentration locale rend le problème plus aigu. Les centres de données représentent une part modeste de la consommation mondiale d’électricité, mais certains regroupements peuvent dominer la croissance de la charge régionale.

Un pourcentage mondial peut donc sembler gérable alors qu’un fournisseur d’électricité est confronté à un besoin d’expansion majeur. La planification de nouveaux postes électriques, lignes de transmission et capacités de production prend des années.

Les habitants peuvent subir des risques plus élevés avant que les bénéfices régionaux ne deviennent évidents. Ces risques comprennent le bruit, la conversion des terres, la pollution des générateurs diesel et la concurrence pour des ressources en eau limitées.

La conception du refroidissement offre de véritables choix. Les systèmes évaporatifs peuvent réduire la consommation d’électricité, mais consomment de l’eau. Le refroidissement par air peut réduire la consommation directe d’eau tout en utilisant davantage d’électricité par temps chaud.

Les systèmes en circuit fermé réutilisent l’eau de refroidissement, mais nécessitent toujours de l’énergie et peuvent exiger un renouvellement périodique de l’eau. Le refroidissement par immersion et par liquide peut gérer plus efficacement le matériel d’IA dense, mais son déploiement requiert de nouveaux équipements.

Il n’existe pas de conception universellement optimale. Le choix responsable dépend du climat, de la composition du réseau, du stress hydrique, de la densité des installations et de la charge de travail attendue.

C’est pourquoi la divulgation au niveau des installations est essentielle. Un total d’eau à l’échelle d’une entreprise ne peut pas montrer si la consommation a augmenté dans un bassin déjà soumis à un stress.

Les rapports annuels peuvent également manquer l’exposition saisonnière. L’utilisation d’eau durant un mois pluvieux diffère du même volume consommé pendant une sécheresse ou une vague de chaleur.

La comptabilisation des terres mérite une attention similaire. L’empreinte comprend l’installation, la production d’électricité de soutien, le transport d’électricité, l’extraction minière, la fabrication et la gestion des déchets.

Les entreprises peuvent réduire une composante tout en en développant une autre. Un centre de données plus dense utilise moins de terres directement, mais peut engendrer des besoins de refroidissement et de réseau plus importants sur le même site.

Le renouvellement du matériel ajoute un arbitrage supplémentaire. Les nouveaux accélérateurs peuvent effectuer davantage de travail par unité d’électricité que les anciens systèmes.

Remplacer rapidement le matériel peut améliorer l’efficacité opérationnelle. Cela peut aussi accroître les impacts de fabrication et les déchets électroniques.

Conserver plus longtemps les anciens équipements réduit le besoin de remplacement, mais des puces inefficaces peuvent consommer davantage d’électricité pour la même charge de travail. L’analyse du cycle de vie doit comparer ces deux effets.

Les équipes logicielles influencent également cette équation. Des modèles plus petits peuvent traiter de nombreuses tâches de classification, de synthèse et de recherche sans recourir au plus grand système disponible.

Mettre en cache les résultats répétés, limiter les sorties inutiles et orienter les requêtes simples vers des modèles efficaces peut réduire les calculs. Ces techniques attirent rarement autant l’attention que les nouveaux centres de données.

Elles comptent, car la demande d’inférence se répète chaque jour. Une petite réduction multipliée sur des milliards d’interactions peut dépasser les économies réalisées par une seule exécution d’entraînement optimisée.

Les acheteurs d’entreprise disposent ici d’un levier. Les équipes achats peuvent demander aux fournisseurs des méthodes énergétiques propres à chaque charge de travail, des options d’hébergement régionales, des contrôles de routage des modèles et des politiques de conservation.

Les développeurs peuvent également se demander si chaque interface a besoin d’une génération automatique. Une fonctionnalité qui produit du contenu inutilisé consomme tout de même des ressources.

L’objectif n’est pas de décourager les usages précieux de l’IA. Il consiste à distinguer les calculs utiles des calculs gaspilleurs avant que les décisions d’infrastructure ne deviennent permanentes.

Ce que les chiffres ne peuvent toujours pas prouver

Le rapport indique une orientation crédible, mais ses projections les plus importantes doivent être considérées comme des scénarios plutôt que comme des mesures précises de l’IA seule.

La première limite est l’attribution. Les centres de données hébergent du stockage cloud, du streaming, des logiciels d’entreprise, des services de cryptomonnaie, de l’informatique conventionnelle et des charges de travail d’IA.

Les opérateurs publient rarement une ventilation complète par charge de travail. Les chercheurs doivent estimer la part de l’IA à l’aide de prévisions de marché, d’hypothèses sur le matériel ou de performances à l’échelle de l’entreprise.

Cela crée une large marge d’incertitude. Une prévision peut être utile pour indiquer une tendance sans prédire l’empreinte exacte d’un modèle ou d’un produit spécifique.

Le chiffre de 945 térawattheures couvre la demande mondiale des centres de données, et non celle de l’IA seule. L’AIE identifie l’IA comme le plus grand moteur de croissance, aux côtés d’autres services numériques.

Les descriptions qui attribuent l’intégralité du total à l’IA surestiment ce que montrent les éléments de preuve sous-jacents. Un traitement rigoureux doit préserver cette limite.

La deuxième limite concerne la comparaison avec l’eau. Dire qu’une empreinte équivaut aux besoins domestiques de 1,3 milliard de personnes traduit une échelle.

Cela ne signifie pas que les centres de données consommeront directement de l’eau qui aurait autrement été fournie à ces personnes. Une grande partie de l’estimation reflète l’eau associée à la production d’électricité dans différentes régions.

La comparaison utilise également une référence définie de besoins essentiels. La consommation réelle des ménages varie largement selon le pays, le climat, les infrastructures et les revenus.

La troisième limite concerne les technologies futures. Les modèles, les puces, les systèmes de refroidissement et l’optimisation logicielle changeront avant 2030.

L’efficacité peut progresser plus vite que prévu. La demande peut aussi augmenter plus rapidement avec l’expansion de la génération vidéo, des agents, de la robotique et des assistants intégrés.

Ces forces évoluent dans des directions opposées. Prévoir leur effet net exige des hypothèses sur l’adoption et sur la quantité de calcul utilisée par chaque tâche.

La quatrième limite est l’incohérence des rapports d’entreprise. Les organisations utilisent des périmètres différents pour les émissions opérationnelles, les émissions de chaîne d’approvisionnement, les prélèvements, la consommation et la reconstitution de l’eau.

Certains chiffres font l’objet d’une assurance par des tiers, tandis que d’autres reposent sur des estimations internes. Les lecteurs ne doivent pas considérer chaque indicateur de durabilité comme directement comparable.

La reconstitution mérite une prudence particulière. Restaurer des zones humides ou financer des projets liés à l’eau peut améliorer la santé des bassins versants et l’accès des communautés.

Cependant, la reconstitution n’efface pas tous les impacts locaux. Un projet dans un bassin ne peut pas automatiquement compenser l’eau consommée dans un autre.

L’appariement carbone présente un problème similaire. Des achats annuels d’énergies renouvelables peuvent égaler la consommation annuelle alors que les opérations horaires dépendent toujours d’une électricité fortement fossile.

La cinquième incertitude concerne les bénéfices environnementaux de l’IA. Cette technologie peut améliorer l’efficacité énergétique et accélérer la recherche scientifique.

L’AIE a documenté des possibilités pour l’IA d’optimiser les systèmes électriques et d’identifier des économies opérationnelles. Ces bénéfices sont plausibles et déjà visibles dans certaines applications.

Leur ampleur agrégée reste difficile à vérifier. Une entreprise ne peut pas simplement soustraire chaque bénéfice client modélisé de l’empreinte de ses infrastructures.

Certaines améliorations auraient pu se produire grâce à des logiciels ordinaires, à des changements opérationnels ou à l’automatisation existante. D’autres peuvent déclencher des effets rebond en rendant une activité moins coûteuse.

La conclusion la plus solide concerne donc la gouvernance, et non un seul chiffre terrifiant. Les décideurs ne disposent pas de données standardisées et granulaires pour évaluer les infrastructures d’IA.

La proposition de transparence de l’ONU appelle les entreprises à divulguer leur pollution carbone, leur consommation d’eau et leurs impacts sur les terres. Elle encourage également des engagements en faveur d’une énergie plus propre.

Des normes communes obligatoires amélioreraient la comparaison, mais la divulgation seule ne peut pas trancher les décisions de politique publique. Les régulateurs ont toujours besoin de seuils concernant le stress hydrique local, la préparation du réseau, la pollution et les bénéfices pour les communautés.

Les données publiques devraient inclure l’emplacement des installations, la consommation d’eau annuelle et saisonnière, le type de refroidissement, la demande énergétique, les émissions du réseau local et la production de secours.

Les rapports au niveau des charges de travail devraient expliquer les méthodes d’estimation. Ils ne devraient pas exposer de détails opérationnels sensibles pour la sécurité, mais le secret ne peut pas rester la norme par défaut.

Le titre de Google News traduit une inquiétude compréhensible. Les éléments de preuve justifient cette préoccupation, en particulier concernant la rapidité et la concentration de la croissance des infrastructures.

Ils ne justifient pas de prétendre que chaque requête possède une empreinte mondiale fixe. L’impact environnemental dépend de ce qui s’exécute, de l’endroit où cela s’exécute et de ce qui l’alimente.

Cette complexité n’est pas une raison de retarder l’action. C’est une raison d’exiger de meilleures mesures avant que les entreprises n’engagent une nouvelle génération d’installations.

Trois signaux montreront si l’IA peut croître de manière responsable

Le prochain test sera de savoir si la transparence, la fourniture d’électricité propre et l’efficacité du calcul peuvent progresser plus vite que la demande absolue d’IA.

Le premier signal est un reporting standardisé au niveau des installations. Observez si les régulateurs ou les principaux opérateurs publient des données comparables sur l’électricité, l’eau, les terres et les émissions.

Les divulgations les plus utiles distingueront les prélèvements de la consommation. Elles identifieront les conditions des bassins versants et distingueront l’appariement annuel d’énergies renouvelables d’une électricité sans carbone à l’heure près.

Si des normes communes de reporting apparaissent, l’argument de responsabilité du rapport de l’ONU deviendra plus solide et plus facile à appliquer. Si les divulgations restent volontaires et incohérentes, les affirmations les plus importantes resteront difficiles à vérifier.

Le deuxième signal est la fourniture de nouvelles capacités d’électricité propre là où les pôles d’IA se développent. Les contrats annoncés ne comptent que lorsque les projets se raccordent aux réseaux concernés.

Les projets renouvelables, nucléaires, géothermiques, de stockage et de transmission ont chacun des calendriers différents. Les retards peuvent laisser le gaz naturel ou le charbon répondre à une plus grande part de la demande à court terme.

Surveillez les files d’attente de raccordement, les plans de ressources des fournisseurs d’électricité et les accords de raccordement des centres de données. Ces documents révèlent davantage sur l’approvisionnement physique en électricité que les slogans d’entreprise.

Le progrès supposerait que la production d’énergie propre et les capacités du réseau arrivent en même temps que les nouveaux serveurs. La persistance des goulets d’étranglement du réseau affaiblirait les affirmations selon lesquelles l’expansion des infrastructures est compatible avec les objectifs climatiques.

Le troisième signal concerne l’efficacité propre à chaque charge de travail. Les fabricants de puces et les fournisseurs de modèles annoncent régulièrement de meilleures performances par watt, mais la consommation totale reste la mesure décisive.

Les entreprises devraient indiquer si les gains d’efficacité réduisent l’énergie absolue nécessaire par tâche achevée, en tenant compte des agents, des réponses plus longues et de la génération multimodale.

Les développeurs peuvent contribuer en dirigeant les tâches courantes vers des modèles plus petits et en limitant les calculs inutiles. Les acheteurs peuvent exiger des méthodes environnementales crédibles lors des évaluations d’approvisionnement.

Les travailleurs du savoir ont également besoin de suffisamment d’informations pour faire des choix proportionnés. Cela ne signifie pas qu’il faut compter chaque prompt avant d’utiliser un outil utile.

Cela signifie reconnaître que les générations répétées ont un coût matériel. Les équipes peuvent préserver les conclusions utiles dans une base de connaissances personnelle plutôt que de recréer sans cesse la même analyse.

La norme générale devrait rester pragmatique. Des applications médicales, scientifiques, d’accessibilité et climatiques à forte valeur peuvent justifier une consommation de calcul significative.

Les contenus automatisés à faible valeur et les résultats inutilisés méritent davantage de scepticisme. Une économie de l’IA responsable devrait optimiser les résultats, et non le plus grand volume possible de génération.

Google News a attiré l’attention sur une prévision alarmante, mais l’attention n’est qu’un début. La véritable question est de savoir si les entreprises publieront suffisamment de données pour mettre leurs affirmations environnementales à l’épreuve.

Les lecteurs devraient surveiller ce qui est mesuré, quels projets énergétiques sont réellement raccordés et si la demande totale en ressources s’infléchit à la baisse. Ces signaux montreront si l’efficacité de l’IA représente un véritable progrès ou une permission de consommer davantage.