Le rapport de BAN sur les déchets électroniques liés à l’IA affirme que les estimations antérieures omettent la majeure partie du matériel des centres de données

Le Basel Action Network estime que les précédentes évaluations des déchets électroniques liés à l’IA ont ignoré une part importante du matériel qui soutient les centres de données. Sa nouvelle analyse prévoit entre 395 et 617 millions de tonnes métriques d’équipements liés à l’IA mis au rebut entre 2025 et 2050.

Cette prévision est 40 à 60 fois supérieure à une estimation largement citée pour 2030. Toutefois, cette comparaison rassemble plusieurs catégories distinctes, notamment les infrastructures de centres de données et des appareils situés hors de ces installations.

Le désaccord ne porte donc pas simplement sur la question de savoir quelle prévision est correcte. Il concerne la manière dont les analystes définissent le périmètre des déchets électroniques des centres de données liés à l’IA et les mises au rebut qu’ils attribuent à l’IA.

BAN comptabilise les serveurs, les accélérateurs, les équipements réseau, les équipements électriques, les systèmes de secours et les infrastructures de refroidissement. L’organisation ajoute également les équipements grand public, professionnels et de télécommunications que l’adoption de l’IA pourrait conduire à remplacer plus tôt.

Les précédentes études universitaires retenaient des périmètres plus étroits, centrés sur les serveurs ou les accélérateurs d’IA. Ces études ont mesuré un flux de déchets plus faible, mais elles reposaient aussi sur moins d’hypothèses concernant l’obsolescence indirecte.

Le rapport de BAN sur les déchets électroniques liés à l’IA oblige les hyperscalers, les fournisseurs d’équipements, les acheteurs d’entreprise et les recycleurs à se confronter à une question comptable plus vaste. Que faut-il inscrire au bilan matière de l’IA ?

BAN élargit le périmètre des déchets électroniques liés à l’IA

La démarche centrale de BAN consiste à comptabiliser l’ensemble du système d’un centre de données, et non uniquement les machines qui effectuent les calculs d’IA.

Le Basel Action Network a publié en septembre 2026 le premier volet de sa série en quatre parties, The Coming AI Waste Wave. Le fondateur Jim Puckett a rédigé ce document de 46 pages.

L’analyse de l’infrastructure complète de BAN part des projections de capacité des centres de données. Elle estime ensuite la masse d’équipements associée à chaque gigawatt et applique des durées de remplacement propres à chaque catégorie.

Le document répartit les équipements de centre de données en cinq grands groupes. Ils couvrent le matériel informatique, les réseaux, la distribution électrique, l’alimentation de secours et les systèmes de refroidissement.

Les serveurs et accélérateurs représentent environ 13 % de cette infrastructure électromécanique modélisée. BAN soutient que les précédentes estimations des déchets électroniques liés à l’IA ont largement négligé les 87 % restants.

Cette part non comptabilisée inclut les commutateurs, le câblage en cuivre, les transformateurs, les batteries, les équipements de refroidissement et d’autres systèmes de support. Une grande partie répond aux définitions classiques des équipements électriques ou électroniques.

BAN attribue environ 70 000 tonnes métriques d’équipements installés à chaque gigawatt de capacité. L’organisation estime ensuite qu’environ 14 000 tonnes métriques sont mises au rebut chaque année pour chaque gigawatt installé.

Ces valeurs dépendent des durées de vie supposées. BAN retient 2,5 ans pour les accélérateurs, 3,5 ans pour les équipements réseau et huit ans pour les équipements de distribution électrique.

Son scénario de référence attribue une durée de vie de cinq ans aux systèmes d’alimentation de secours et de refroidissement. Le résultat pondéré alimente un modèle qui s’étend jusqu’en 2050.

Dans ce cadre, les seules infrastructures de centres de données produisent environ 2,8 millions de tonnes métriques de déchets par an en 2030. Cette estimation atteint 15,2 millions de tonnes métriques par an en 2050.

Le document adopte également une prévision substantielle de croissance des capacités. Il prévoit que la capacité totale des centres de données passera d’environ 122 gigawatts en 2024 à 202 gigawatts en 2030.

Le modèle à plus long terme de BAN atteint 1 093 gigawatts en 2050. Cette projection lointaine comporte bien davantage d’incertitudes que ses points de départ à court terme.

L’essor des centres de données lui-même n’est pas spéculatif. L’Agence internationale de l’énergie prévoit que la consommation mondiale d’électricité des centres de données dépassera 900 térawattheures d’ici 2030.

Ses perspectives sur l’électricité indiquent que cette consommation devrait plus que doubler par rapport aux niveaux actuels. L’IA en est le principal moteur, aux côtés d’autres services numériques.

La croissance des capacités ne se traduit pas directement par des équipements jetés. Néanmoins, chaque nouvelle installation introduit des actifs physiques qui devront à terme être réemployés, reconditionnés, recyclés, stockés ou éliminés.

Le rapport de BAN sur les déchets électroniques liés à l’IA modifie le débat en considérant ces actifs de support comme faisant partie de l’empreinte de l’IA. Cela crée un numérateur beaucoup plus élevé avant même que les déchets indirects ne soient intégrés au calcul.

Pourquoi les déchets électroniques des centres de données liés à l’IA dépassent les GPU

Un centre de données est un système industriel interconnecté ; ne mesurer que ses processeurs exclut les équipements nécessaires à leur fonctionnement.

La couverture médiatique de l’IA se concentre souvent sur les unités de traitement graphique, ou GPU, des processeurs spécialisés adaptés aux calculs parallèles. Ces puces entraînent les modèles et traitent les requêtes après leur déploiement.

Les GPU sont coûteux, visibles et fréquemment mis à niveau. Ils ne constituent toutefois qu’une couche physique au sein d’une installation opérationnelle.

Les racks d’IA à haute densité nécessitent des équipements de distribution électrique capables de gérer des charges concentrées. Ils requièrent aussi des commutateurs réseau et des connexions optiques qui transfèrent les données entre accélérateurs.

Des batteries et générateurs de secours protègent les charges de travail contre les interruptions. Les équipements de refroidissement évacuent la chaleur produite par des racks consommant des quantités extraordinaires d’électricité.

Certains de ces systèmes peuvent durer plus longtemps qu’un accélérateur. D’autres doivent être repensés lorsque la densité des racks, les méthodes de refroidissement ou les besoins en énergie évoluent.

Un composant n’a pas besoin de tomber en panne pour être retiré. Les opérateurs peuvent remplacer un équipement fonctionnel lorsqu’une nouvelle architecture rend la configuration existante inefficace ou incompatible.

C’est là que BAN relie les opérations cloud au renouvellement des équipements matériels. Les plateformes modernes traitent la capacité informatique comme une infrastructure standardisée et remplaçable, plutôt que comme un ensemble de machines entretenues individuellement.

L’expression « cattle, not pets » décrivait à l’origine les instances logicielles et la résilience opérationnelle. Elle n’ordonnait pas aux opérateurs de jeter des serveurs physiques chaque fois qu’une instance tombait en panne.

BAN soutient néanmoins que cette culture opérationnelle influence la gestion des actifs physiques. Des parcs standardisés peuvent favoriser les remplacements en masse, la réparation limitée des composants et des calendriers de renouvellement prévisibles.

Cette interprétation appelle à la prudence. L’interchangeabilité logique ne prouve pas que les opérateurs détruisent du matériel fonctionnel.

Les hyperscalers peuvent déplacer les anciens serveurs vers des charges de travail moins exigeantes. Ils peuvent aussi revendre les machines, récupérer leurs composants ou retourner les équipements via des programmes fournisseurs.

Toutefois, le réemploi ne fait que retarder la production de déchets, à moins que l’équipement n’intègre un marché secondaire durable. Les changements de propriétaire n’effacent pas les besoins ultérieurs de collecte, de recyclage et d’élimination.

L’évolution rapide des accélérateurs crée une autre complication. Un GPU de génération précédente peut rester fonctionnel tout en devenant moins compétitif pour l’entraînement des modèles de pointe.

Il peut encore servir à l’inférence, à la recherche, au rendu ou à des modèles plus petits. La capacité de cette demande secondaire à absorber l’offre disponible reste une question empirique ouverte.

La composition matérielle compte également. Une unité de refroidissement, un parc de batteries ou un transformateur ne peuvent pas être traités comme un serveur lors de la récupération.

Chaque catégorie présente des besoins de maintenance, des marchés de revente, des composants dangereux et une économie du recyclage différents. Une seule étiquette de « matériel d’IA » peut masquer ces distinctions.

Cette vision élargie confère une réelle valeur au modèle de BAN. Elle demande aux opérateurs de divulguer leurs inventaires et mises au rebut pour l’ensemble de l’installation.

Mais ce même périmètre rend l’attribution plus difficile. Les systèmes de refroidissement et d’alimentation soutiennent les bases de données, le streaming vidéo, le stockage cloud et les applications d’entreprise ordinaires, en plus de l’IA.

L’intégralité des déchets d’une installation ne peut pas être automatiquement attribuée à l’IA. Les analystes ont besoin de parts de charge de travail, de méthodes d’allocation des équipements et de périodes de déclaration cohérentes.

BAN considère l’IA comme la principale force derrière l’expansion attendue des centres de données. Cela justifie une attribution partielle, mais ne permet pas de déterminer le pourcentage exact.

La conclusion la plus solide est plus restreinte que le chiffre mis en avant. Les estimations existantes des déchets électroniques liés à l’IA ne décrivent pas tous les systèmes physiques qui soutiennent l’informatique accélérée.

Le rapport de BAN sur les déchets électroniques liés à l’IA ajoute une « contagion des déchets »

La différence la plus importante vient des équipements situés hors des centres de données, où BAN introduit son hypothèse la plus déterminante et la moins vérifiée.

BAN appelle cette catégorie « AI waste contagion ». Le terme couvre les ordinateurs, téléphones, appareils edge et équipements de télécommunications remplacés parce que l’IA augmente les exigences logicielles ou matérielles.

Un exemple familier est celui d’un ordinateur qui ne peut pas prendre en charge une nouvelle fonctionnalité d’IA locale. Son propriétaire pourrait remplacer l’appareil plus tôt que prévu.

Les déploiements en entreprise peuvent produire le même effet à plus grande échelle. Une société pourrait renouveler ses ordinateurs portables lorsque les applications requises exigent des unités de traitement neuronal plus récentes.

Les opérateurs de réseaux peuvent également mettre à niveau leurs équipements afin de répondre à l’évolution du trafic, de la latence et des besoins en informatique de périphérie. BAN classe une partie de ce renouvellement comme induite par l’IA.

Le modèle estime la contagion selon des scénarios prudents et ambitieux. Il prévoit entre 5,8 et 10,3 millions de tonnes métriques de déchets de contagion par an en 2030.

D’ici 2050, cette fourchette atteint entre 16,2 et 30,7 millions de tonnes métriques par an. Ces chiffres dépassent l’estimation du modèle pour les déchets des centres de données.

La combinaison des deux catégories produit entre 8,6 et 13,1 millions de tonnes métriques de mises au rebut annuelles induites par l’IA en 2030. La fourchette pour 2050 atteint entre 31,4 et 46 millions de tonnes métriques.

Sur l’ensemble de la période 2025-2050, BAN calcule entre 395 et 617 millions de tonnes métriques. Ce chiffre cumulé alimente les comparaisons les plus frappantes du rapport.

Le rapport sur le commerce du recyclage décrit ce volume comme suffisant pour remplir entre 15 et 23 millions de conteneurs maritimes standard de 40 pieds.

La catégorie de contagion explique aussi pourquoi le chiffre de BAN ne doit pas être comparé sans nuance à des recherches limitées aux serveurs. Les estimations répondent à des questions substantiellement différentes.

L’une demande quelle quantité de déchets les serveurs d’IA produisent. L’autre cherche à déterminer dans quelle mesure l’IA pourrait accélérer directement ou indirectement le remplacement des équipements à l’échelle mondiale.

Ces deux questions sont utiles. Elles ne constituent pas des mesures équivalentes.

BAN reconnaît ouvertement que les données disponibles sur la contagion sont limitées. Le document indique qu’il existe peu de données permettant de quantifier ce segment et invite les chercheurs à améliorer ses estimations.

Cet aveu est important. La contagion est un cadre d’attribution proposé, et non une catégorie de déchets observée et suivie par les statistiques nationales.

Le fait qu’un appareil de remplacement soit compatible avec l’IA ne prouve pas que l’IA a motivé l’achat. Le support de sécurité, la dégradation de la batterie, les dommages physiques, les exigences du système d’exploitation et le marketing influencent également le remplacement.

Les développeurs de logiciels peuvent aussi réduire cet effet. Le traitement dans le cloud peut apporter des fonctions d’IA à des appareils plus anciens, tandis que des modèles plus petits peuvent fonctionner sur du matériel moins puissant.

Les utilisateurs peuvent ignorer les fonctionnalités qui exigent de nouvelles puces. Les entreprises peuvent prolonger les cycles de remplacement lorsque les budgets, les politiques d’approvisionnement ou les objectifs de durabilité favorisent les parcs existants.

À l’inverse, la préoccupation de BAN est plausible lorsque le support logiciel crée des seuils stricts de compatibilité. Des outils d’entreprise obligatoires peuvent transformer une fonctionnalité optionnelle en exigence d’achat.

Le défi de la recherche consiste à distinguer ces cas. Les analystes ont besoin d’enquêtes, de registres de parcs, de données d’approvisionnement et de motifs de mise au rebut au niveau des appareils.

Sans ces éléments, la fourchette de contagion demeure un scénario. Elle devrait orienter les recherches, mais ne devrait pas être présentée comme un tonnage mesuré.

Cette incertitude ne rend pas la catégorie sans intérêt. Elle identifie un mécanisme que les études centrées sur les serveurs ne peuvent pas observer.

Cela déplace également l’attention vers les entreprises de logiciels. Les déchets matériels peuvent découler d’exigences produit rédigées loin de toute installation de recyclage.

Pourquoi les premières estimations des déchets électroniques liés à l’IA étaient plus faibles

La comparaison de 40 à 60 fois reflète des périmètres de système différents davantage qu’une simple correction d’un calcul erroné.

Une étude publiée en 2024 dans Nature Computational Science estimait que l’IA générative pourrait accumuler entre 1,2 million et 5 millions de tonnes métriques de déchets électroniques d’ici 2030.

Cette première estimation de l’IA portait sur les équipements informatiques dédiés à l’IA générative. Elle a modélisé plusieurs scénarios de développement et examiné des interventions relevant de l’économie circulaire.

Ses auteurs estimaient que de telles stratégies pourraient réduire les déchets de 16 % à 86 %. Elles comprenaient une durée de service plus longue, le réemploi, le reconditionnement et une efficacité accrue.

Un article de 2026 d’Alex de Vries-Gao a réexaminé les hypothèses. Il s’est appuyé sur les contraintes de fabrication et des durées de vie matérielles plus longues afin d’établir une prévision plus basse.

Cette réévaluation évaluée par les pairs prévoyait entre 131 000 et 224 800 tonnes métriques de déchets annuels de serveurs IA d’ici 2030.

L’estimation de de Vries-Gao reste considérable. Dans sa fourchette haute, la production d’une seule année ressemble aux déchets électroniques annuels générés par certains petits pays européens.

Cette réévaluation souligne aussi la facilité avec laquelle les projections évoluent. La durée de vie du matériel, la production de puces, le nombre de serveurs installés et l’allocation des charges de travail influencent tous le résultat.

BAN accepte une partie de cette critique. Son rapport décrit la modélisation contrainte par l’offre comme une amélioration méthodologique par rapport à des projections de demande déconnectées de la capacité de production.

Il affirme ensuite que cette réévaluation reste incomplète. De Vries-Gao examine les serveurs plutôt que l’ensemble de l’infrastructure électromécanique.

BAN ajoute également la catégorie de contagion, que les articles précédents n’ont pas cherché à mesurer. Cette combinaison crée l’écart de 40 à 60 fois.

Les lecteurs devraient donc éviter une interprétation trompeuse. BAN n’a pas démontré qu’une estimation évaluée par les pairs comportait une erreur arithmétique d’un facteur 60.

BAN a plutôt défini un périmètre analytique plus vaste et appliqué un autre modèle de croissance. Une grande part de l’écart semble provenir de sa définition, qui inclut davantage d’équipements.

La comparaison devient plus instructive lorsqu’elle est séparée en couches.

La couche la plus étroite couvre les accélérateurs IA et leurs serveurs. C’est celle qui présente le lien le plus direct avec l’entraînement et l’inférence des modèles.

Une deuxième couche couvre les réseaux, le stockage, l’alimentation, les systèmes de secours et l’infrastructure de refroidissement. Ces actifs soutiennent l’IA, mais servent souvent aussi à d’autres charges de travail.

Une troisième couche comprend les appareils hors des centres de données que l’adoption de l’IA pourrait pousser à une mise au rebut anticipée. Cette couche présente l’attribution directe la plus faible.

Chaque couche mérite sa propre estimation, sa plage de confiance et sa méthode de validation. Les combiner peut illustrer l’exposition totale, mais masque les différences de qualité des preuves.

BAN fournit des tests de sensibilité pour son modèle interne de centres de données. C’est une étape utile, car ils montrent quelles hypothèses comptent le plus.

Modifier la durée de vie des accélérateurs a un effet modeste dans le modèle. Modifier la croissance de capacité produit une variation bien plus importante.

Avec un taux de croissance annuel de capacité de 4 %, l’estimation des centres de données pour 2050 chute fortement. Avec une croissance de 12 %, elle fait plus que doubler par rapport au scénario de référence de BAN.

Modifier la masse d’équipement par gigawatt déplace aussi sensiblement le résultat. Ces tests montrent que la prévision lointaine est conditionnelle, et non inévitable.

Le scénario entièrement conservateur produit 3,8 millions de tonnes métriques de déchets annuels de centres de données en 2050. Le scénario agressif en produit 35,5 millions de tonnes métriques.

Cette large fourchette est plus révélatrice qu’un chiffre central unique. Elle montre comment la conception des infrastructures, la croissance et la durée d’utilisation peuvent remodeler le résultat.

Dans le débat public, l’affirmation la mieux étayée de BAN est que les estimations limitées aux serveurs omettent l’infrastructure physique. Son affirmation la plus incertaine porte sur l’ampleur du remplacement induit des équipements grand public et des entreprises.

Maintenir ces conclusions séparées préserve l’avertissement du rapport sans traiter chaque résultat modélisé comme un fait prévisionnel.

Les hyperscalers et les recycleurs font désormais face à un test de transparence

La pression immédiate n’est pas d’accepter l’estimation maximale de BAN, mais de publier les données opérationnelles nécessaires pour la vérifier.

Amazon, Google, Meta, Microsoft, Oracle et d’autres grands opérateurs contrôlent des registres détaillés sur les équipements déployés. Ces registres deviennent rarement publics à un niveau de catégorie utile.

Les opérateurs connaissent les dates d’installation, les taux de défaillance, les calendriers de renouvellement, les volumes de revente et les destinations des composants. Ils peuvent distinguer le réemploi du stockage, du recyclage et de l’élimination.

Sans ces registres, les chercheurs externes doivent déduire le renouvellement des équipements à partir de la capacité, des rapports financiers, des livraisons de fournisseurs et de déclarations de durabilité dispersées.

Cette opacité laisse place tant à la sous-estimation qu’à la surestimation. Les études étroites peuvent manquer d’importants systèmes de soutien, tandis que les modèles larges peuvent attribuer une part excessive du renouvellement ordinaire à l’IA.

Un cadre de reporting crédible devrait divulguer les équipements entrant et sortant de service par catégorie. Il devrait également indiquer l’âge, le poids, la destination et si l’équipement reste opérationnel.

Le « réemploi » nécessite une définition précise. Un serveur transféré entre installations diffère d’un serveur vendu dans une chaîne d’exportation inconnue.

La récupération de composants exige aussi une comptabilisation distincte. Récupérer de la mémoire ou des processeurs n’explique pas ce qu’il advient du châssis, des cartes, des batteries et du matériel de refroidissement.

Les recycleurs font face à leurs propres opportunités et risques. Des cycles de renouvellement plus rapides peuvent créer des flux précieux de serveurs, de cuivre, de batteries et d’équipements réseau.

Les équipements opérationnels peuvent être transférés vers des centres de données de niveau inférieur ou des tâches d’inférence moins exigeantes. Les reconditionneurs peuvent prolonger leur durée de service lorsque la compatibilité et les performances énergétiques le permettent.

Pourtant, une transaction de revente peut déplacer la responsabilité au lieu de résoudre le problème. Le propriétaire final peut exploiter l’équipement là où les capacités de recyclage sûres et l’application de la réglementation restent faibles.

Le système mondial peine déjà à gérer les équipements électroniques ordinaires. La référence mondiale sur les déchets a recensé 62 millions de tonnes métriques de déchets électroniques en 2022.

Seuls 22,3 % ont été documentés comme formellement collectés et recyclés par des filières respectueuses de l’environnement. Le rapport prévoit 82 millions de tonnes métriques en 2030.

Ces chiffres rendent l’avertissement de BAN pertinent même si ses scénarios les plus élevés ne se réalisent jamais. Les déchets électroniques supplémentaires des centres de données IA entrent dans un système de collecte qui présente déjà d’importantes lacunes.

Les matériaux eux-mêmes ne sont pas uniformes. Les cartes de serveur peuvent contenir des métaux récupérables, tandis que les batteries et les équipements de refroidissement introduisent d’autres dangers et exigences de traitement.

Certains actifs ont une forte valeur de revente immédiatement après leur retrait du service. D’autres deviennent non rentables une fois intégrés les coûts de transport, de test, de destruction des données, de réparation et de conformité.

L’efficacité énergétique crée un autre arbitrage. Maintenir d’anciens serveurs en service évite d’en fabriquer de nouveaux, mais des machines inefficaces peuvent consommer davantage d’électricité par unité de travail.

Une décision solide requiert une analyse du cycle de vie plutôt qu’une règle universelle. Le réemploi est favorable lorsque l’équipement restant fournit un travail utile sans transférer des charges énergétiques ou d’élimination inacceptables.

Une conception modulaire peut améliorer cette équation. Des accélérateurs remplaçables, des pièces standardisées, un accès à la réparation et un support logiciel prolongé peuvent éviter le retrait de systèmes entiers.

Les contrats d’approvisionnement peuvent aussi attribuer les responsabilités. Les acheteurs peuvent exiger des fournisseurs qu’ils déclarent les destinations de récupération et assurent la disponibilité des pièces au-delà de la période de service initiale.

Les gouvernements disposent de plusieurs leviers possibles. La responsabilité élargie du producteur peut obliger les fabricants à financer la collecte et le traitement en fin de vie des produits.

Les règles sur le droit à la réparation peuvent améliorer l’accès aux pièces et à la documentation. Le contrôle des exportations peut limiter les expéditions faussement étiquetées comme équipements réutilisables.

Aucune de ces mesures ne dépend de l’acceptation de la prévision complète de BAN. Elles répondent aux déchets existants et réduisent l’exposition dans plusieurs scénarios de croissance.

Pour les acheteurs de technologies en entreprise, la leçon est tout aussi pratique. Les achats liés à l’IA devraient prendre en compte les conséquences en matière de durée de vie et d’élimination des équipements, et pas seulement les capacités et le coût d’exploitation.

Les exigences logicielles méritent un examen attentif avant les remplacements de flottes à grande échelle. Une fonctionnalité qui impose du nouveau matériel devrait justifier le changement matériel qu’elle engendre.

Des historiques d’actifs précis sont essentiels ici. Les organisations ont besoin de registres consultables d’approvisionnement, de maintenance, de sécurité et d’élimination avant de pouvoir auditer les décisions de remplacement.

La charge ne peut pas reposer uniquement sur les utilisateurs finaux. Les développeurs de plateformes et les hyperscalers déterminent de nombreux seuils de compatibilité qui façonnent la demande en équipements.

Le rapport de BAN place ces décisions cachées au sein du débat environnemental. C’est sa contribution la plus durable, quel que soit le tonnage final.

Trois signaux mettront à l’épreuve l’estimation des déchets électroniques liés à l’IA

Les prochaines preuves devraient déterminer quelle part de l’avertissement de BAN reflète un renouvellement mesurable et quelle part demeure un scénario de forte croissance.

Le premier signal est la divulgation, au niveau des équipements, par les hyperscalers. Des rapports utiles distingueraient les accélérateurs, les serveurs, les réseaux, les batteries, les équipements électriques et les systèmes de refroidissement.

Ils devraient indiquer l’âge moyen de retrait pour chaque catégorie. Ils devraient également distinguer le redéploiement, la revente, la récupération de pièces, le recyclage certifié et l’élimination.

Ces données testeraient directement les hypothèses de BAN concernant la durée de service. Des durées de vie documentées plus longues affaibliraient sa projection centrale, tandis que des cycles plus courts la renforceraient.

Le deuxième signal est la preuve de la contagion des déchets liée à l’IA. Les chercheurs ont besoin de registres d’approvisionnement montrant si les exigences de l’IA accélèrent réellement le remplacement des appareils.

Une étude robuste comparerait des organisations similaires présentant des taux d’adoption de l’IA différents. Elle contrôlerait le support des systèmes d’exploitation, la politique de sécurité, l’âge des appareils et les cycles d’achat ordinaires.

Les seules enquêtes auprès des consommateurs ne suffiront pas. Les acheteurs citent souvent plusieurs raisons pour remplacer leurs appareils, et le marketing peut brouiller la cause décisive.

Les registres d’activation d’appareils et de reprise pourraient fournir de meilleures preuves. Les bases de données de gestion des actifs d’entreprise pourraient révéler si les machines compatibles avec l’IA remplacent des équipements encore fonctionnels avant leur retrait prévu.

Si ces données montrent des remplacements anticipés généralisés, la plus grande nouvelle catégorie de BAN gagnera en crédibilité. Si les cycles de renouvellement restent stables, ses totaux les plus élevés s’affaibliront considérablement.

Le troisième signal est le résultat des programmes de réemploi à mesure que le matériel IA actuel quitte le service de pointe. La mesure critique est la durée de vie utile supplémentaire, et non le volume des expéditions.

Les chercheurs devraient suivre si les accélérateurs retirés exécutent ailleurs des charges de travail productives. Ils devraient également documenter la consommation d’énergie, les taux de défaillance, les destinations d’exportation et le recyclage final.

BAN prévoit d’autres articles sur le réemploi, la toxicité et l’atténuation. Ces volets devraient rendre ses hypothèses plus faciles à évaluer et relier le tonnage aux dommages réels.

L’industrie n’a pas besoin d’attendre une prévision parfaite. Elle peut dès maintenant améliorer les inventaires, publier les données de retrait, soutenir les équipements modulaires et vérifier les processeurs en aval.

Dans le même temps, les décideurs publics devraient éviter de traiter un scénario large comme des déchets mesurés. De meilleures règles commencent par des définitions claires et des déclarations comparables.

Le rapport de BAN sur les déchets électroniques liés à l’IA réussit à mettre en lumière un angle mort. Les centres de données contiennent bien plus que des GPU, et chaque système de soutien finit par atteindre sa fin de vie.

Sa comparaison de 40 à 60 fois reste conditionnelle, car elle combine une infrastructure plus large avec une nouvelle théorie de l’obsolescence induite. Cette distinction devrait guider chaque titre et chaque réponse politique.

La question décisive peut désormais être tranchée à l’aide de données opérationnelles : les investissements dans l’IA prolongent-ils la capacité de calcul utile, ou accélèrent-ils son remplacement à tous les niveaux de la pile technologique ?

Les opérateurs, acheteurs et recycleurs devraient exiger ces données avant que la prochaine vague matérielle ne devienne un nouveau flux de déchets invisible.