Les émissions de carbone cachées de l’IA échappent à la comptabilité climatique des entreprises

Google News a mis en avant une enquête du Sierra Club révélant un contraste frappant : les plus importantes émissions de carbone liées à l’IA pourraient se situer en dehors des chiffres que les entreprises technologiques déclarent.

Le rapport du 31 août examine les « émissions induites », c’est-à-dire la pollution supplémentaire créée lorsque l’IA rend l’extraction, le raffinage ou la production d’énergie à partir de combustibles fossiles plus productifs. Ces émissions diffèrent de l’électricité utilisée par les centres de données. Elles découlent de ce que les clients accomplissent avec l’IA après son déploiement.

Cette distinction élargit considérablement le débat climatique. Microsoft, Google, Amazon et Meta publient des chiffres sur leurs activités et leurs chaînes d’approvisionnement, bien que les périmètres de leurs rapports varient. Ces publications attribuent rarement les évolutions de la production mondiale à des services d’IA spécifiques.

Une étude évaluée par les pairs, publiée en août, estime que les gains de productivité assistés par l’IA dans l’ensemble de l’économie énergétique augmentent les émissions annuelles de dioxyde de carbone dans tous les scénarios d’adoption équilibrée qu’elle a testés. L’augmentation modélisée atteint 0,47 à 1,8 gigatonne.

Ce résultat ne prouve pas que chaque application d’IA augmente les émissions. Il montre pourquoi la seule mesure des serveurs peut passer à côté d’un effet économique plus vaste. L’IA peut optimiser des parcs éoliens tout en aidant les producteurs de pétrole à localiser des réserves, gérer des puits et réduire les coûts d’extraction.

Le conflit principal n’oppose donc pas l’informatique efficace à l’informatique inefficace. Il oppose la comptabilité climatique des entreprises aux activités réelles que les produits d’IA rendent plus faciles.

Ce que le rapport du Sierra Club ajoute à Google News

Le rapport déplace l’attention des machines qui exécutent l’IA vers la production industrielle que ces machines peuvent développer.

Une grande partie de la couverture environnementale de l’IA commence par les centres de données. Cette attention est logique, car les installations informatiques consomment de l’électricité, nécessitent de l’eau et contiennent des équipements à forte intensité carbone. Certaines installations dépendent également de turbines à gaz ou de générateurs diesel.

L’enquête du Sierra Club affirme que cette empreinte familière est incomplète. Elle attire l’attention sur la pollution résultant d’une production de combustibles fossiles assistée par l’IA, qui se situe généralement hors des inventaires déclarés par les entreprises technologiques.

Cette seconde couche est plus difficile à observer. Un fournisseur de cloud peut estimer l’électricité consommée par une charge de travail. Il peut également attribuer à un client une partie de l’empreinte de fabrication d’un serveur.

Le fournisseur ne peut généralement pas déterminer quelle quantité supplémentaire de pétrole est arrivée sur le marché parce que son système a amélioré l’exploration ou les performances d’une raffinerie. Même lorsque cette relation est connue, les registres carbone établis ne prévoient aucun emplacement standard pour l’y inscrire.

L’étude sous-jacente appelle cet effet les émissions induites. Le terme décrit les gaz à effet de serre supplémentaires résultant des gains de productivité que l’IA apporte aux industries à forte intensité carbone.

Les émissions induites ne sont pas la même chose que les émissions de Scope 3. Le Scope 3 couvre la pollution indirecte de la chaîne de valeur, notamment les équipements achetés, les matériaux de construction, les déplacements professionnels et certains usages des produits vendus.

L’inventaire Scope 3 d’une entreprise technologique peut inclure la fabrication de serveurs sans inclure toutes les conséquences économiques en aval de ses logiciels. Le périmètre comptable suit des relations d’entreprise définies, et non toutes les réactions du marché.

Cette différence explique pourquoi l’article a attiré l’attention via Google News. Il remet en question les chiffres utilisés dans les annonces de durabilité des entreprises sans affirmer que ces chiffres sont nécessairement faux.

Une entreprise peut respecter les règles comptables actuelles tout en présentant une image incomplète des conséquences climatiques de sa technologie. La conformité et l’exhaustivité sont deux questions distinctes.

L’article paraît également à un moment où l’opposition aux centres de données dépasse le cadre des organisations environnementales. Les services publics, les régulateurs, les habitants et les défenseurs des abonnés s’interrogent de plus en plus sur l’origine de la nouvelle électricité et sur ceux qui paient les modernisations du réseau.

Pourtant, l’énergie opérationnelle n’est qu’une partie du problème. Si l’IA rend également la production de combustibles fossiles moins coûteuse, ses effets se poursuivent bien au-delà de l’installation qui héberge le modèle.

Ce recadrage est important, car les rapports climatiques des entreprises distinguent souvent les applications clients bénéfiques des applications nuisibles. Les entreprises mettent en avant l’optimisation des réseaux, les prévisions d’énergies renouvelables et l’efficacité énergétique comme émissions évitées.

Elles publient rarement une estimation équivalente pour l’IA utilisée dans le forage, le raffinage, la production pétrochimique ou la production d’énergie fossile. Ce déséquilibre peut rendre les bénéfices visibles tout en laissant les dommages hors du cadre.

Le rapport du Sierra Club fait de cette omission l’événement central. Il invite les lecteurs à juger l’IA à l’aune de ses conséquences économiques, et pas uniquement à travers les compteurs d’électricité.

Le registre carbone s’arrête au centre de données

Les rapports actuels peuvent comptabiliser l’électricité d’un serveur tout en ignorant la production supplémentaire générée par le logiciel qui y fonctionne.

Les inventaires de gaz à effet de serre répartissent les émissions en trois grands scopes. Le Scope 1 couvre les émissions directes provenant de sources contrôlées par une entreprise. Le Scope 2 couvre les émissions associées à l’électricité achetée et à des formes d’énergie similaires.

Le Scope 3 englobe les autres émissions indirectes tout au long de la chaîne de valeur. Il peut inclure la construction de centres de données, la fabrication de matériel, le transport, les services achetés et l’utilisation finale des produits vendus.

Pour les fournisseurs d’IA, chaque catégorie pose des difficultés de mesure. L’électricité peut provenir de plusieurs réseaux, tandis que les achats contractuels d’énergie renouvelable peuvent produire des totaux différents des calculs fondés sur la localisation.

Le matériel constitue un autre défi. Les accélérateurs avancés exigent une fabrication de semi-conducteurs énergivore, de la mémoire spécialisée, des équipements réseau, des systèmes de refroidissement, de l’acier, du béton et un remplacement fréquent des équipements.

L’Union internationale des télécommunications définit les émissions incorporées comme la pollution sur l’ensemble du cycle de vie, de l’acquisition des matériaux à la production et au traitement en fin de vie. Ses lignes directrices d’évaluation de l’IA recommandent de déclarer séparément l’entraînement et l’inférence.

Ces orientations améliorent les comparaisons, mais elles dépendent toujours des frontières du système. Une analyse du cycle de vie peut élargir ces frontières, mais elle doit finalement décider quelles conséquences appartiennent au produit.

Google Cloud décrit désormais le carbone incorporé au matériel dans sa méthodologie d’empreinte client. La méthodologie carbone de l’entreprise comprend l’extraction des matériaux, le transport et la fabrication des équipements.

AWS inclut également les émissions incorporées du matériel et de certains bâtiments dans le périmètre de ses rapports clients. Il s’agit d’améliorations importantes, car les clients ont besoin de davantage que d’estimations de consommation électrique.

Aucune de ces approches ne capture automatiquement les émissions induites à l’échelle du marché. Une entreprise pétrolière peut utiliser plusieurs fournisseurs de cloud, des systèmes internes et des modèles tiers dans le cadre d’un même programme de production.

Les analystes auraient alors besoin d’un contrefactuel crédible. Ils doivent estimer quelle production aurait eu lieu sans IA et comment les marchés de l’énergie ont réagi à l’offre supplémentaire.

Cette tâche n’est pas impossible, mais elle diffère de l’attribution conventionnelle. Elle exige une modélisation économique, des informations sur l’usage client et des hypothèses concernant les prix, la substitution, la demande et les politiques publiques.

L’écart de reporting s’élargit lorsque les fournisseurs présentent l’IA comme un service généraliste. Un service généraliste peut soutenir les prévisions d’énergies renouvelables pour un compte et la modélisation de réservoirs pour un autre.

Les fournisseurs de cloud peuvent également ne pas avoir une visibilité complète sur les charges de travail de leurs clients. Les protections de la vie privée, les limites contractuelles et les services logiciels en couches peuvent masquer l’application finale.

Cela crée un véritable problème de mesure plutôt qu’un simple échec de divulgation. Les entreprises ne peuvent pas déclarer un chiffre de manière fiable lorsque les normes, les données et les règles d’attribution restent incertaines.

Néanmoins, l’incertitude ne justifie pas de considérer l’effet comme nul. C’est la pression essentielle créée par l’article du Sierra Club.

Les rapports d’entreprise peuvent reconnaître cette catégorie, divulguer les relations connues avec le secteur des combustibles fossiles et publier des scénarios. Ils peuvent également distinguer les émissions mesurées des conséquences modélisées.

Sans ces ajouts, les lecteurs risquent de confondre une empreinte opérationnelle calculée avec précision avec l’impact climatique complet de l’IA. La précision à l’intérieur d’un périmètre étroit ne rend pas ce périmètre exhaustif.

Les émissions induites inversent le récit climatique habituel sur l’IA

Le bilan climatique de l’IA change lorsque la productivité des combustibles fossiles et celle des énergies renouvelables entrent dans le même modèle économique.

Le modèle climatique évalué par les pairs a été publié dans npj Climate Action le 4 août 2026. Ses auteurs modélisent l’IA comme un amplificateur de productivité dans des trajectoires énergétiques concurrentes.

L’étude applique des gains de productivité à l’extraction de combustibles fossiles, au raffinage, à la production d’énergie, à l’électricité renouvelable, aux infrastructures de réseau et à certaines activités côté demande. Elle estime ensuite les réponses à l’échelle de l’économie.

Dans les scénarios d’adoption parallèle, le modèle produit une augmentation nette annuelle de 0,47 à 1,8 gigatonne de dioxyde de carbone. Cela équivaut à 1,2 à 4,8 % des émissions liées à l’énergie en 2024.

Les chercheurs estiment les émissions induites isolées à 0,6 à 2,4 gigatonnes par an. Ils comparent cette fourchette aux 0,18 gigatonne attribuées aux centres de données dans l’estimation de référence pour 2025.

Sur cette base, les effets modélisés du secteur fossile atteignent 3,3 à 13,3 fois les émissions citées des centres de données. Cette comparaison donne une échelle, mais les deux estimations ne doivent pas être simplement additionnées.

L’étude traite explicitement le chiffre des centres de données comme une référence externe. Son modèle à l’échelle de l’économie examine les effets de production de second ordre, tandis que la référence couvre les émissions opérationnelles directes.

Le résultat le plus important concerne l’asymétrie. La productivité des énergies renouvelables doit s’améliorer quatre à cinq fois plus vite que celle des combustibles fossiles avant que les émissions nettes modélisées atteignent l’équilibre.

Cela s’explique par le fait que les gains de productivité opèrent au sein d’un système énergétique encore dominé par les combustibles fossiles. Rendre une chaîne d’approvisionnement établie et à forte intensité carbone plus efficace peut rapidement accroître la production.

L’IA peut aider à interpréter les données sismiques, identifier les emplacements de forage, automatiser la surveillance des équipements et améliorer la planification des raffineries. Chaque application peut réduire les coûts ou limiter les interruptions opérationnelles.

Certaines de ces améliorations peuvent réduire les émissions par baril. Cependant, des coûts de production plus faibles peuvent également augmenter l’offre totale, prolonger la durée de vie des actifs et rendre exploitables des réserves supplémentaires.

Il s’agit d’un effet rebond, qui se produit lorsque l’efficacité réduit suffisamment les coûts pour accroître la consommation ou la production totale. Une unité plus propre ne garantit pas une empreinte totale plus faible.

Les systèmes renouvelables bénéficient également de l’IA. Les prévisions peuvent améliorer l’intégration au réseau, la maintenance prédictive peut réduire les temps d’arrêt et une meilleure planification peut soutenir le déploiement du stockage.

Le modèle ne nie pas ces bénéfices. Il les teste plutôt aux côtés des applications de l’IA dans les combustibles fossiles, au lieu de les présenter séparément.

Selon les hypothèses de l’étude, les améliorations du réseau et certaines améliorations d’efficacité réduisent les émissions annuelles d’environ 0,1 gigatonne dans le scénario le plus neutre vis-à-vis des combustibles. Elles n’inversent pas le résultat du côté de l’offre.

Cette inversion remet en question un récit courant des entreprises. Les entreprises technologiques présentent souvent la demande électrique de l’IA comme un coût à court terme que les futures applications climatiques pourront compenser.

L’étude ne constate aucun remboursement automatique. Le résultat dépend de l’endroit où se produisent les gains de productivité, des secteurs qui les adoptent et de l’existence éventuelle de politiques limitant l’expansion à forte intensité carbone.

Cette conclusion reste le résultat d’une modélisation, et non une mesure directe de chaque système déployé. Son amplitude reflète des hypothèses concernant l’adoption, la productivité, les marchés et les réponses économiques.

Le mécanisme est néanmoins suffisamment crédible pour exiger de l’attention. Les gains de productivité influencent la production, les prix, l’investissement et la consommation dans l’ensemble d’un marché énergétique interconnecté.

Les émissions carbone de l’IA ne peuvent donc pas être comprises à travers la seule efficacité des puces. Un modèle plus efficient peut tout de même accroître la pollution totale s’il accélère une activité fortement émettrice.

Les Big Tech face à l’épreuve de la promesse et de la réalité

Les entreprises technologiques subissent désormais une pression pour concilier leurs engagements climatiques avec leurs ventes d’IA à des secteurs qui développent l’offre de combustibles fossiles.

Les quatre plus grandes entreprises de cloud et de plateformes ont pris d’importants engagements climatiques. Elles ont également investi massivement dans des infrastructures de calcul, des accélérateurs, des contrats énergétiques et des services d’IA destinés aux clients.

Ces stratégies entrent en collision. La demande en IA augmente la consommation d’électricité et les émissions liées à la construction, tout en ouvrant de nouvelles opportunités commerciales dans l’énergie, l’industrie manufacturière, les transports et l’extraction de ressources.

Microsoft a formulé l’objectif de devenir carbone négatif d’ici 2030. Google vise des opérations et des chaînes de valeur à zéro émission nette, tandis qu’Amazon et Meta maintiennent leurs propres objectifs climatiques.

Les déclarations d’entreprise montrent déjà que la croissance rapide des infrastructures complique ces objectifs. Les matériaux de construction, le matériel acheté et l’électricité peuvent augmenter plus vite que les mesures d’efficacité ne réduisent les émissions ailleurs.

Google a indiqué que ses émissions totales de gaz à effet de serre avaient augmenté de 48 % entre 2019 et 2023. L’entreprise a lié cette hausse en partie à l’énergie des centres de données et aux émissions de la chaîne d’approvisionnement.

Microsoft avait auparavant signalé que ses émissions avaient augmenté par rapport à son niveau de référence de 2020, à mesure que la construction de centres de données s’étendait. L’acier, le béton, les puces et l’électricité ont tous contribué à cette pression.

Ces chiffres concernent des inventaires d’entreprise reconnus. Les émissions induites constituent un second test, car elles relient les ventes d’IA aux décisions de production des clients.

L’industrie pétrolière et gazière utilise l’analytique avancée depuis des décennies. L’apprentissage automatique moderne étend l’échelle, la vitesse et l’accessibilité de l’analyse géologique, de la maintenance prédictive et de l’optimisation des procédés.

Les fournisseurs peuvent raisonnablement soutenir que les outils numériques améliorent la sécurité et réduisent les fuites de méthane. Une meilleure surveillance peut identifier les défaillances d’équipement et favoriser des opérations plus efficaces.

Les représentants du secteur rejettent également l’idée selon laquelle une production énergétique accrue et des émissions réduites seraient intrinsèquement incompatibles. Ils mettent l’accent sur l’efficacité, la gestion du carbone et la hausse de la demande mondiale.

Cette réponse traite de l’intensité des émissions, qui mesure la pollution par unité de production. La nouvelle recherche met plutôt l’accent sur les émissions totales après que les changements de productivité ont affecté l’offre et la demande.

Les deux mesures comptent, mais elles répondent à des questions différentes. Un producteur peut réduire ses émissions par unité tout en augmentant sa pollution globale par une production plus élevée.

La pression exercée sur les Big Tech concerne autant la gouvernance que la mesure. Les fournisseurs décident quels clients reçoivent des équipes spécialisées, des modèles sur mesure, un soutien en infrastructure et des études de cas publiques.

Ils établissent également des politiques pour les usages à haut risque dans la sécurité, la surveillance et les armes. Les applications à forte intensité climatique font rarement l’objet d’un contrôle comparable.

Une réponse crédible exigerait davantage qu’une nouvelle puce efficiente. Les entreprises devraient classer les applications en aval, décrire leurs engagements dans le secteur fossile et établir des règles d’évaluation cohérentes.

De telles politiques auraient des coûts commerciaux. Refuser ou limiter certains projets pourrait céder des revenus à des concurrents ayant des engagements climatiques moins ambitieux.

Cette tension explique pourquoi les divulgations volontaires peuvent progresser lentement. Les entreprises confrontées à la question comptable tirent également un bénéfice financier des activités évaluées.

La réglementation pourrait à terme normaliser le reporting, mais l’attribution reste difficile. Les décideurs politiques auraient besoin de périmètres comparables, auditables et résistants au double comptage.

Les entreprises technologiques ne devraient pas automatiquement assumer chaque émission générée par chacun de leurs clients. Dans le même temps, les émissions évitées qu’un fournisseur revendique exigent un traitement symétrique de la pollution induite.

La norme centrale devrait être la cohérence. Si une entreprise attribue à l’IA le mérite d’aider un client à éviter des émissions, elle devrait examiner des preuves comparables lorsque l’IA étend une production à forte intensité carbone.

Toute autre approche crée un registre à sens unique. Les bénéfices entrent dans le calcul, tandis que les préjudices restent la responsabilité de quelqu’un d’autre.

Ce que les chiffres ne peuvent toujours pas prouver

L’estimation des émissions induites révèle un risque négligé, mais ses bornes supérieure et inférieure correspondent à des scénarios plutôt qu’à des totaux observés.

L’étude utilise un modèle d’équilibre général calculable, qui représente la manière dont les secteurs, les consommateurs, les prix et le commerce réagissent aux changements économiques. Cette approche saisit des interactions que des calculs plus simples ignorent.

Elle dépend également d’hypothèses. Les chercheurs doivent choisir l’ampleur des chocs de productivité induits par l’IA, les taux d’adoption, les élasticités de marché, la demande énergétique de référence et les conditions de politique publique.

De petits changements peuvent se propager à travers un modèle mondial. C’est pourquoi la fourchette obtenue, de 0,47 à 1,8 gigatonne, est large.

Le modèle ne relie pas chaque contrat cloud à un champ pétrolier précis. Il ne peut pas démontrer qu’un déploiement de modèle a causé un volume exact de production supplémentaire.

Il estime plutôt des conséquences plausibles à l’échelle du système lorsque l’IA améliore la productivité dans des secteurs définis. Les lecteurs devraient considérer les résultats comme des éléments de preuve fondés sur des scénarios, et non comme une facture d’émissions d’entreprise.

Les auteurs ont également un lien avec le plaidoyer. Plusieurs sont affiliés à l’Enabled Emissions Campaign, une organisation à but non lucratif axée sur les conséquences climatiques de l’IA et la gouvernance technologique.

Ils déclarent cette affiliation comme un intérêt concurrent non financier. L’évaluation par les pairs renforce le travail, mais n’élimine pas l’incertitude ni ne tranche chaque question de périmètre.

Le traitement de l’innovation par le modèle présente une autre limite. Les capacités de l’IA, les technologies énergétiques et les schémas d’adoption peuvent évoluer plus vite que les références économiques.

Les applications liées aux renouvelables pourraient dépasser les hypothèses actuelles. Les applications liées aux combustibles fossiles pourraient se heurter à la réglementation, à des contraintes physiques, à une faible adoption ou à une demande en baisse.

L’inverse est également possible. Un déploiement plus rapide dans l’exploration, le raffinage et la production d’énergie pourrait rendre prudentes les hypothèses intermédiaires de l’étude.

La tarification du carbone réduit le déséquilibre modélisé, mais ne l’élimine pas aux niveaux testés. Cette conclusion dépend de la manière dont producteurs et consommateurs réagissent aux prix.

Une autre question concerne la causalité. Les compagnies pétrolières poursuivent déjà l’automatisation et les améliorations de productivité. Les analystes doivent distinguer les améliorations spécifiquement permises par l’IA du progrès technique ordinaire.

Ils doivent également choisir un scénario contrefactuel. Une production sans un système d’IA donné pourrait se poursuivre grâce à un autre fournisseur, à des logiciels conventionnels ou à davantage de main-d’œuvre.

Ces problèmes rendent les émissions induites plus difficiles à auditer que la consommation d’électricité. Ils ne rendent pas cette catégorie non pertinente.

La comptabilité environnementale repose déjà sur un raisonnement contrefactuel pour les émissions évitées, les compensations, les projets renouvelables et l’évaluation des politiques. Le défi consiste à appliquer une rigueur comparable aux résultats nocifs.

Un autre risque est le double comptage. Le même carburant supplémentaire peut apparaître dans la chaîne de valeur d’un producteur, dans les émissions de combustion d’un consommateur et dans l’influence modélisée d’un fournisseur technologique.

Un cadre responsable doit clairement étiqueter ces chiffres. Les émissions induites devraient compléter les inventaires établis plutôt que d’y être ajoutées silencieusement.

La recherche ne devrait pas non plus effacer les applications utiles de l’IA. Les systèmes qui détectent les fuites de méthane, optimisent les réseaux ou améliorent les prévisions de production renouvelable peuvent apporter des bénéfices mesurables.

La question est de savoir si ces bénéfices dépassent la pollution supplémentaire encouragée ailleurs. La réponse de l’étude est non dans ses scénarios d’adoption équilibrée.

Les éléments de preuve futurs peuvent renforcer ou affaiblir cette conclusion. De meilleures données au niveau des clients, des études de cas vérifiées de manière indépendante et des mesures de productivité transparentes réduiraient l’incertitude.

Pour l’instant, la réponse appropriée n’est ni le rejet ni l’acceptation sans réserve. L’étude identifie un risque significatif que les rapports d’entreprise existants n’évaluent pas adéquatement.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux montreront si les émissions induites deviennent une véritable norme de responsabilité ou restent une conclusion de recherche inconfortable.

Le premier signal sera la divulgation des principaux fournisseurs de cloud. Leurs prochains rapports environnementaux devraient expliquer si les applications d’IA en aval sont incluses dans une quelconque évaluation climatique.

Une divulgation significative identifierait les catégories d’applications, décrirait les périmètres d’évaluation et distinguerait les données observées des effets modélisés. Une déclaration générique sur une IA bénéfique ne répondrait pas à la critique.

Google, Microsoft, Amazon et Meta devraient également divulguer la manière dont ils traitent le travail spécialisé pour les clients du secteur des combustibles fossiles. La question pertinente concerne les effets sur la production, et non les seuls noms des clients.

Si un fournisseur publie une méthodologie reproductible, la pression sur les concurrents augmentera. Une méthode partagée renforcerait l’argument central de l’étude selon lequel cette omission peut être corrigée.

Un silence persistant ne réfuterait pas les émissions induites. Il montrerait que la comptabilité d’entreprise reste axée sur les actifs et l’énergie achetée plutôt que sur les résultats économiques en aval.

Le deuxième signal sera la réplication indépendante. Les chercheurs doivent tester le résultat avec différents modèles économiques, hypothèses, données régionales et études de cas sectorielles.

La fourchette de 0,47 à 1,8 gigatonne est suffisamment importante pour influencer la politique climatique. Une affirmation de cette ampleur mérite un examen soutenu de la part d’économistes, d’experts de l’analyse du cycle de vie et d’analystes de l’énergie.

Les chercheurs devraient également distinguer l’exploration, l’extraction, le raffinage, le transport et la production d’énergie. L’IA pourrait affecter chaque étape différemment, et les réglementations régionales peuvent modifier le résultat.

Des études de cas directes seraient particulièrement utiles. Une étude pourrait comparer des opérations similaires avec et sans IA, tout en contrôlant les prix, la géologie, les équipements et les politiques.

Une réplication proche de la fourchette publiée renforcerait l’argument en faveur de normes formelles de reporting. Des résultats nettement plus faibles réduiraient la préoccupation politique sans effacer le mécanisme sous-jacent.

Le troisième signal sera la réglementation ou les politiques d’achat. Les gouvernements et les grands acheteurs d’entreprise peuvent exiger des évaluations de cycle de vie qui incluent les risques liés aux applications en aval.

La méthodologie de l’UIT met déjà l’accent sur des périmètres transparents, les émissions incorporées, la qualité des données et l’examen indépendant. Des règles spécifiques à l’IA peuvent s’appuyer sur cette base.

Les normes d’achat pourraient progresser avant la réglementation nationale. Les grands acheteurs peuvent demander aux fournisseurs des estimations de l’électricité, du matériel, de l’eau et de l’impact des applications au niveau des charges de travail.

Les régulateurs financiers pourraient également exiger une discussion plus claire des risques liés à la transition climatique. Les partenariats d’IA qui prolongent les actifs fossiles peuvent créer une exposition allant au-delà des totaux annuels d’émissions.

Ces politiques doivent éviter une fausse précision. Une fourchette transparente avec des hypothèses explicitées est plus crédible qu’un chiffre unique construit à partir de choix cachés.

Pour les développeurs et les acheteurs en entreprise, la leçon immédiate est pratique. L’efficacité des modèles est importante, mais la conception des applications peut l’emporter sur les gains d’efficacité.

Les équipes devraient se demander quels comportements leur système modifie, quelles activités il accroît et si la baisse des coûts augmente la consommation totale. Ces questions doivent figurer aux côtés des indicateurs de latence et de précision.

Les travailleurs du savoir devraient également examiner avec attention les affirmations environnementales. « L’IA au service du climat » désigne une catégorie d’applications, et non l’impact net de l’ensemble d’un portefeuille commercial.

La récente couverture de Google News rend cette distinction difficile à ignorer. Le carbone émis au sein d’un centre de données est mesurable, visible et de plus en plus documenté.

Le carbone généré à l’extérieur reste contesté, dépendant des modèles et largement absent des bilans comptables des entreprises. Cette incertitude est précisément la raison pour laquelle une enquête transparente est essentielle.

Le prochain rapport climatique d’un grand fournisseur d’IA devrait répondre à une question directe : l’entreprise ne comptabilise-t-elle que l’infrastructure qu’elle exploite, ou aussi la production que sa technologie permet ?

Tant que cette question n’aura pas reçu de réponse mesurable, les émissions de carbone publiées par l’IA ne constitueront qu’un bilan partiel d’un système bien plus vaste.