L’estimation des déchets électroniques liés à l’IA de Basel Action Network prend en compte ce que les études sur les serveurs ignorent

Basel Action Network a élargi la comptabilisation des déchets liés à l’IA au-delà des serveurs, produisant une estimation jusqu’à 60 fois plus élevée qu’une projection universitaire largement citée. Le modèle de déchets électroniques liés à l’IA de Basel Action Network prend en compte les équipements de refroidissement, la distribution électrique, les systèmes de secours, les réseaux, les serveurs et les accélérateurs.

Ce changement de périmètre est important, car les serveurs ne représentent qu’une partie de l’infrastructure physique construite pour l’intelligence artificielle. Toutefois, les projections les plus élevées du rapport reposent également sur des hypothèses contestées concernant la durée de vie des équipements et la croissance à long terme des centres de données.

Le véritable conflit n’oppose donc pas les préoccupations environnementales aux investissements dans l’IA. Il porte sur une comptabilisation complète du cycle de vie face à une mesure étroite, centrée sur le calcul. Les DSI doivent déterminer quels actifs doivent entrer dans le calcul, combien de temps ils restent utiles et ce que signifie réellement leur mise hors service.

La comptabilisation des déchets électroniques liés à l’IA de Basel Action Network élargit le périmètre

Le geste le plus déterminant du rapport consiste à redéfinir ce qui compte comme infrastructure d’IA.

Basel Action Network, ou BAN, a publié le premier volet de son rapport AI Waste Wave en septembre 2026. BAN est une organisation environnementale spécialisée dans le commerce des déchets dangereux et l’application de la Convention de Bâle.

Les estimations précédentes des déchets liés à l’IA se concentraient généralement sur les serveurs, les baies et les accélérateurs tels que les GPU. BAN modélise plutôt cinq catégories d’équipements qui soutiennent la capacité de calcul d’un centre de données.

Son modèle de référence attribue 35 % de la masse électromécanique aux équipements de refroidissement. La distribution électrique représente 34 %, tandis que l’alimentation de secours contribue pour 15 % supplémentaires. Les serveurs et accélérateurs comptent pour 13 %, les équipements réseau fournissant les 3 % restants.

Selon cette répartition, 87 % de l’infrastructure physique pertinente se situe hors de la catégorie des serveurs. BAN affirme que les projections antérieures sur l’IA omettaient donc la majeure partie des équipements associés à chaque nouveau gigawatt de capacité.

Le rapport estime qu’un gigawatt de capacité de centre de données nécessite environ 62 000 à 77 000 tonnes métriques d’équipements électromécaniques. Il retient environ 70 000 tonnes par gigawatt comme chiffre central.

Ce total comprend des transformateurs, des appareillages de commutation, des alimentations sans interruption, des batteries, des générateurs, des machines de refroidissement, des équipements réseau, des baies de serveurs et des processeurs. Les infrastructures de stockage et de sauvegarde entrent également dans ce périmètre comptable plus large.

Tous les composants ne contiennent pas les mêmes matériaux et ne suivent pas la même filière d’élimination. Néanmoins, une grande partie de ces équipements relève des équipements électriques ou électroniques lorsque leur propriétaire les met au rebut.

Cette distinction modifie la question environnementale. Ne compter que les GPU mesure le composant qui évolue le plus rapidement et le plus visible. Compter l’installation revient à se demander comment la demande d’IA transforme l’ensemble d’un système matériel.

Une nouvelle génération d’accélérateurs peut exiger des baies plus denses, une distribution électrique de tension différente, un refroidissement liquide et des réseaux plus rapides. Les équipements de soutien existants peuvent rester opérationnels tout en ne correspondant plus à la nouvelle conception.

Cette situation constitue une obsolescence économique : l’équipement perd sa valeur commerciale avant de cesser physiquement de fonctionner. Elle peut apparaître lorsque la prochaine architecture informatique exige des systèmes de soutien incompatibles.

BAN applique cette préoccupation aux grands projets d’expansion des centres de données. Son modèle conclut que la mise hors service d’équipements liés à l’IA pourrait atteindre 31 à 46 millions de tonnes par an d’ici 2050.

Ces chiffres feraient partie d’un volume projeté de 196 à 211 millions de tonnes de déchets électroniques annuels totaux. BAN compare cette projection aux quelque 67 millions de tonnes générées aujourd’hui.

L’organisation estime également que les mises hors service cumulées d’équipements induites par l’IA pourraient atteindre des centaines de millions de tonnes entre 2025 et 2050. Il s’agit de résultats modélisés, et non de flux de déchets directement observés.

Le périmètre plus large du rapport constitue sa contribution la plus forte. Ses totaux lointains exigent nettement plus de prudence, car de petites variations des durées de vie ou des taux de croissance se cumulent sur plusieurs décennies.

Cette distinction doit rester visible dans toute discussion du rapport. BAN a identifié des catégories manquantes sur une base physique plausible. L’organisation n’a pas éliminé l’incertitude quant au moment où tous ces équipements deviennent des déchets.

Les 87 % manquants modifient la comptabilisation des coûts des centres de données

La capacité d’IA n’est pas seulement un ensemble de puces ; c’est un système étroitement couplé dont chaque couche engendre des coûts matériels.

La planification de l’IA en entreprise sépare souvent les achats informatiques de la gestion des installations. Les serveurs relèvent d’un budget, tandis que le refroidissement, l’alimentation, les batteries et les mises à niveau réseau apparaissent ailleurs.

Cette séparation organisationnelle peut masquer l’impact total d’un déploiement. Une équipe achats peut calculer l’amortissement des serveurs sans le relier à une modernisation du refroidissement déclenchée par la même installation.

Ce schéma affecte également les calculs de retour sur investissement. Un accélérateur plus efficace peut réduire le coût des charges de travail individuelles tout en exigeant une distribution électrique plus dense et une nouvelle infrastructure de refroidissement.

Les actifs de refroidissement sont particulièrement importants, car l’évacuation de la chaleur évolue avec la densité des baies. Une salle conçue pour des serveurs d’entreprise moins puissants peut ne pas prendre en charge des systèmes d’accélérateurs densément regroupés sans modifications importantes.

La distribution électrique crée une dépendance similaire. Les installations à plus forte densité peuvent exiger de nouveaux appareillages de commutation, transformateurs, jeux de barres et systèmes d’alimentation sans interruption. Les générateurs de secours et les batteries peuvent également devoir être étendus.

Les réseaux introduisent une autre pression de renouvellement. Les grands clusters d’IA utilisent des connexions à large bande passante pour déplacer les données entre les accélérateurs, le stockage et les autres serveurs. Une mise à niveau des processeurs peut donc révéler des goulots d’étranglement hors du plateau de calcul.

C’est pourquoi le périmètre comptable de BAN mérite l’attention même si ses prévisions s’avèrent trop élevées. L’infrastructure de soutien n’est pas facultative, et son coût environnemental ne disparaît pas parce qu’un autre département en est propriétaire.

Le problème dépasse le reporting environnemental. Ignorer les équipements de soutien peut fausser les prévisions de dépenses d’investissement, l’exposition aux assurances, les budgets de démantèlement et les obligations des fournisseurs.

Une entreprise peut prévoir la revente des serveurs sans disposer d’une filière de récupération pour des unités de refroidissement spécialisées. Elle peut remplacer les batteries selon un calendrier différent sans relier ce renouvellement aux décisions de capacité d’IA.

Les données mondiales sur les déchets électroniques fournissent une référence importante. Le monde a généré 62 millions de tonnes de déchets électroniques en 2022, selon l’UIT et l’UNITAR.

Seuls 22,3 % ont été documentés comme collectés et recyclés officiellement par des systèmes respectueux de l’environnement. La même évaluation prévoit que la production mondiale de déchets électroniques atteindra 82 millions de tonnes en 2030.

L’infrastructure d’IA ne représentera qu’une partie de ce flux mondial. Pourtant, ses équipements sont intensifs en matériaux, coûteux et concentrés dans des installations où les organisations peuvent les suivre plus efficacement que l’électronique grand public.

Cette concentration crée une opportunité. Les opérateurs de centres de données savent où l’infrastructure est installée, qui l’a fournie et quand elle est entrée en service. Ils peuvent associer des obligations de récupération avant que l’équipement n’arrive en fin de vie.

Les DSI peuvent commencer par associer chaque extension de capacité à une nomenclature complète des actifs physiques. Cet inventaire doit couvrir le calcul, le stockage, les réseaux, les systèmes électriques, les équipements de refroidissement, les batteries, les fluides frigorigènes et les matériaux d’extinction d’incendie.

L’inventaire doit également distinguer la propriété. Les fournisseurs cloud, les opérateurs de colocation, les entreprises, les propriétaires immobiliers et les fournisseurs d’équipements peuvent contrôler différentes couches d’un même déploiement.

Sans cette distinction, chaque participant peut ne déclarer que les actifs figurant dans ses propres comptes. Les fragments qui en résultent pourraient ne jamais révéler l’empreinte matérielle du service d’IA complet.

Les organisations ont également besoin d’une définition commune de la mise hors service. Retirer un équipement d’un cluster principal ne signifie pas nécessairement le mettre au rebut.

Un serveur peut passer de l’entraînement à l’inférence, puis au traitement par lots ou à un marché secondaire. Les équipements réseau peuvent prendre en charge un environnement moins exigeant. Les composants peuvent aussi être récupérés comme pièces de rechange.

À l’inverse, un système de refroidissement peut se retrouver inutilisable lorsqu’une nouvelle architecture de baies le rend incompatible. Il peut sortir du service même si ses pièces mécaniques restent fonctionnelles.

Les dossiers de cycle de vie doivent retracer ces parcours. Les équipes d’ingénierie peuvent conserver les décisions d’approvisionnement, les changements de configuration et les preuves de réutilisation dans une base de connaissances consultable.

De meilleurs dossiers ne régleront pas toutes les questions environnementales. Ils montreront si un actif a été réutilisé, stocké, revendu, recyclé, exporté ou mis au rebut.

Ces éléments sont essentiels, car le débat porte désormais sur la durée de vie des équipements. BAN suppose un renouvellement plus rapide que celui que plusieurs hyperscalers déclarent dans leur comptabilité financière.

La durée de vie des équipements constitue le maillon faible des prévisions

BAN établit un périmètre matériel plus large, mais ses totaux les plus élevés dépendent de la vitesse à laquelle des actifs encore utilisables deviennent des déchets.

BAN attribue aux accélérateurs, serveurs et baies une durée de service de 2,5 ans dans des parties importantes de son modèle. L’organisation utilise également une durée de cinq ans pour les équipements de refroidissement et de huit ans pour l’infrastructure de distribution électrique.

Ces hypothèses produisent des vagues de remplacement rapides à mesure que la capacité des centres de données augmente. Combinées à un taux de croissance annuel de la capacité de 8,8 %, elles entraînent les totaux à long terme les plus élevés du rapport.

L’analyse sectorielle qui accompagne le rapport présente plusieurs objections. Les analystes reconnaissent globalement la nécessité d’une comptabilisation plus large, mais remettent en question la conversion de la masse installée en déchets mis au rebut.

Frank Dickson de Dickson Research a jugé directionnellement crédible l’estimation de 70 000 tonnes par gigawatt. Il a estimé que l’affirmation d’un volume de déchets 40 à 60 fois plus élevé était moins défendable.

Cette différence reflète deux calculs distincts. Estimer la masse installée dans une installation n’est pas la même chose qu’estimer l’année où chaque composant devient un déchet.

Les calendriers de sortie des accélérateurs fournissent un indicateur imparfait de leur durée de service. Nvidia peut introduire une architecture plus rapide sans rendre chaque processeur antérieur économiquement inutile.

Google Cloud continuait de proposer des instances V100 des années après que Nvidia a lancé cet accélérateur en 2017. AWS proposait également encore en 2026 des systèmes reposant sur l’A100, lancé en 2020.

Ces exemples n’établissent pas une durée de vie à l’échelle du secteur. Ils montrent que le remplacement de pointe et la mise hors service définitive sont des événements différents.

Le matériel plus ancien peut descendre dans une hiérarchie de charges de travail. Les clusters d’entraînement peuvent exiger les accélérateurs les plus récents, tandis que l’inférence, les tests, la recherche ou le traitement par lots peuvent tolérer des systèmes plus anciens.

Les rapports financiers renforcent cette possibilité. La comptabilité des équipements de Microsoft pour 2025 situait les équipements informatiques dans une fourchette de durée d’utilité estimée de deux à six ans.

Meta a indiqué avoir prolongé la durée d’utilité estimée de la plupart des serveurs et actifs réseau à 5,5 ans à partir de janvier 2025. Ces durées comptables ne mesurent pas directement l’utilisation physique, la réutilisation ou l’élimination.

Ils entrent néanmoins en conflit avec l’hypothèse universelle d’une mise à la retraite après 2,5 ans. Les hyperscalers ont des incitations financières à maintenir plus longtemps en activité des infrastructures coûteuses.

BAN soutient que les équipements d’IA subissent une pression de remplacement inhabituelle. L’efficacité des accélérateurs peut modifier l’économie d’exploitation, tandis que les nouveaux systèmes peuvent exiger des conceptions différentes en matière d’alimentation électrique, de refroidissement et de réseau.

Les deux positions peuvent être vraies. Les équipements peuvent, en principe, rester utiles tout en devenant peu attractifs dans une installation particulière.

La variable décisive est ce qui se passe après le retrait. Le redéploiement prolonge la durée de vie utile. La revente transfère cette durée de vie à un autre propriétaire. Le stockage reporte une décision sans générer d’usage productif.

Le recyclage n’est pas non plus équivalent au réemploi. Il peut récupérer certains métaux, mais détruit normalement une grande partie de la valeur de fabrication incorporée.

Une étude de 2024 sur les déchets de serveurs a estimé que l’IA générative pourrait produire entre 1,2 million et 5 millions de tonnes de déchets électroniques cumulés entre 2020 et 2030. Elle portait principalement sur les serveurs d’IA et leurs composants associés.

La même recherche a conclu que des stratégies circulaires pourraient réduire les déchets modélisés de 16 % à 86 %. Ces stratégies comprenaient l’allongement de la durée de service, le réemploi du matériel et l’amélioration de la récupération des matériaux.

Un recalibrage ultérieur de 2026 a estimé les déchets annuels des serveurs d’IA entre 131 000 et 224 800 tonnes d’ici 2030. Cette étude s’appuyait sur la capacité de production de puces et sur des hypothèses de durée de vie plus prudentes.

BAN et l’étude de 2026 ne mesurent pas des systèmes identiques. L’une comptabilise une grande partie de l’installation de soutien, tandis que l’autre se concentre sur les serveurs.

Leur divergence révèle néanmoins un problème majeur de données. Les chercheurs ne disposent pas d’informations publiques complètes sur les équipements d’IA installés, leur utilisation réelle, le calendrier des mises à niveau, les déploiements secondaires et leur destination finale.

La comparaison de 40 à 60 fois peut donc être trompeuse lorsqu’elle est présentée sans préciser son périmètre. Une grande part de l’écart provient du comptage de catégories supplémentaires, et non de la découverte que les inventaires existants de serveurs étaient des dizaines de fois plus importants.

Le reste découle d’hypothèses sur la croissance et le renouvellement. Ces hypothèses deviennent de plus en plus déterminantes à mesure que l’on se projette dans l’avenir.

Les chiffres de BAN pour 2050 doivent donc être lus comme des scénarios montrant ce que produirait un système de construction rapide et de mise à la retraite rapide. Ils ne constituent pas une prévision mesurée assortie d’un intervalle de confiance étroit.

Cette limite n’invalide pas l’avertissement central. Elle définit les éléments de preuve nécessaires pour le vérifier.

Le matériel retiré n’est pas automatiquement un déchet électronique

L’erreur centrale en matière de politiques publiques et de comptabilité consiste à considérer le retrait, l’obsolescence et l’élimination comme un seul et même événement.

Un équipement peut quitter un cluster haute performance par plusieurs voies. Chacune entraîne des conséquences économiques et environnementales différentes.

Le redéploiement maintient l’actif au sein de la même organisation. Un serveur d’entraînement peut prendre en charge l’inférence, la simulation, le développement ou la recherche interne après avoir quitté un cluster de pointe.

La revente transfère l’équipement à un autre opérateur. Le nouveau propriétaire pourrait l’utiliser pour l’hébergement, le calcul scientifique, le rendu ou des charges de travail d’IA plus modestes.

La récupération de pièces préserve certains composants. La mémoire, le stockage, les alimentations, les adaptateurs réseau, les ventilateurs et les processeurs peuvent servir à des réparations ou à des systèmes reconditionnés.

Le recyclage formel extrait des matériaux lorsque le réemploi productif n’est plus pratique. La qualité de la récupération varie, notamment pour les composants électroniques complexes et les assemblages spécialisés.

L’élimination met fin à la vie productive de l’équipement sans récupération significative. Le traitement informel peut aussi exposer les travailleurs et les communautés à des substances dangereuses.

Ces voies ne devraient pas porter une même étiquette. Les regrouper peut exagérer les déchets dans une analyse et masquer les éliminations nocives dans une autre.

Le rapport du Basel Action Network utilise la mise à la retraite des équipements comme base pour modéliser les déchets futurs. Cette approche prend en compte les actifs quittant leurs rôles d’origine, mais ne peut garantir leur destination ultérieure.

Un hyperscaler peut retirer un serveur GPU après trois ans et l’exploiter ailleurs pendant trois années supplémentaires. Une autre entreprise pourrait conserver du matériel similaire en stockage parce que la revente ou l’assainissement des données paraît trop difficile.

Le deuxième actif reste techniquement détenu, mais sa valeur pratique peut déjà être perdue. Le premier a quitté son installation d’origine sans devenir un déchet.

La sécurité des données complique le réemploi. Les périphériques de stockage peuvent contenir des informations sensibles, tandis que les micrologiciels et systèmes de gestion peuvent conserver des identifiants ou des données de configuration.

Les organisations détruisent parfois des équipements utilisables lorsqu’elles ne peuvent pas vérifier leur assainissement. Des procédures d’effacement claires et des chaînes de traçabilité vérifiables peuvent rendre le réemploi plus réalisable.

La conception affecte également la récupération. Les assemblages propriétaires, les systèmes de refroidissement intégrés et les micrologiciels restreints peuvent limiter les possibilités de réparation. Un matériel modulaire peut permettre des mises à niveau ciblées plutôt que le remplacement de racks entiers.

Les contrats fournisseurs comptent pour la même raison. Les clauses de reprise, de retour, de reconditionnement et de récupération des composants déterminent si un plan de retrait existe avant même l’arrivée des équipements.

Les DSI devraient donc demander des données de destination au niveau de chaque actif. Les champs utiles comprennent la date d’installation, la charge de travail principale, la date de retrait, le motif du retrait, la valeur résiduelle, la destination et le certificat de récupération.

Les équipes responsables des installations ont besoin de registres comparables pour les transformateurs, équipements de refroidissement, batteries, générateurs et appareillages de commutation. Ces systèmes ont souvent des propriétaires et des prestataires de services différents.

Les contrats d’approvisionnement devraient distinguer la défaillance fonctionnelle de l’incompatibilité architecturale. Cette différence permet de savoir si le renouvellement reflète l’usure, les limites de capacité, l’économie de l’efficacité ou une nouvelle conception d’installation.

Ces éléments amélioreraient le reporting environnemental et les décisions d’investissement. Ils montreraient également si l’infrastructure d’IA crée des cycles de vie plus courts que les systèmes conventionnels de centres de données.

Le périmètre du reporting doit s’étendre à l’usage secondaire. Un programme de reprise par le fournisseur ne prouve pas le réemploi ou un recyclage responsable, à moins que le fournisseur ne communique le résultat en aval.

Les exportations exigent une vigilance similaire. Le transfert transfrontalier d’équipements retirés peut soutenir un réemploi légitime, mais peut aussi déplacer les risques d’élimination vers des environnements réglementaires moins stricts.

La Convention de Bâle réglemente les mouvements internationaux de déchets dangereux. Son application devient difficile lorsque les expéditions sont décrites comme des produits réutilisables malgré une valeur résiduelle limitée.

Ces questions font des déchets électroniques liés à l’IA un enjeu de gouvernance, et non simplement un problème de recyclage. Les décisions prises lors de l’architecture et des achats déterminent de nombreuses options disponibles des années plus tard.

Une entreprise ne peut pas récupérer des composants modulaires si elle a acheté un système étroitement intégré. Elle ne peut pas documenter le réemploi si les registres d’actifs disparaissent entre les installations, la finance et les équipes de durabilité.

Le modèle plus large de BAN incite les DSI à relier ces fonctions. Même une estimation de déchets plus basse exige encore des preuves de ce qu’il est advenu de l’infrastructure entourant chaque serveur retiré.

Trois signaux permettront de tester l’estimation des déchets électroniques liés à l’IA

Les prochains éléments de preuve utiles viendront des déclarations sur les cycles de vie, de l’usage secondaire et de changements mesurables dans les infrastructures de soutien.

Le premier signal sera de savoir si les grands opérateurs publient des données de cycle de vie au niveau des actifs pour les équipements d’IA. Les rapports actuels de durabilité fournissent généralement des données sur l’énergie, l’eau, les émissions ou des totaux généraux de déchets.

Une publication plus utile distinguerait les accélérateurs, les serveurs, le stockage, le réseau, les batteries, les systèmes de refroidissement et les équipements électriques. Elle indiquerait également la durée de service médiane et la destination finale.

Ces informations permettraient de tester directement les hypothèses de BAN sur les mises à la retraite. Des durées de vie proches de 2,5 ans, avec un réemploi limité, renforceraient l’avertissement à court terme du rapport.

Des périodes d’exploitation plus longues, assorties d’un redéploiement documenté, affaibliraient ses projections les plus élevées. L’amortissement comptable ne répondra pas à lui seul à la question, car il ne révèle pas la destination physique.

Le deuxième signal sera la croissance de marchés secondaires crédibles pour les accélérateurs d’IA et les systèmes associés. La disponibilité continue dans le cloud de processeurs plus anciens suggère déjà que les générations antérieures conservent de la valeur.

Toutefois, des offres isolées n’établissent pas quelle quantité de matériel est transférée vers des charges de travail de seconde vie. Les opérateurs doivent fournir des données sur les volumes, l’utilisation et la destination.

Un marché secondaire fonctionnel distinguerait l’obsolescence de pointe des déchets matériels. Il donnerait également aux entreprises une hypothèse de valeur résiduelle fondée sur des transactions.

Une faible demande de revente conforterait les préoccupations de BAN concernant l’obsolescence économique. De nouvelles exigences en matière d’alimentation, de refroidissement et de réseau pourraient immobiliser des équipements même lorsque leurs processeurs restent fonctionnels.

Le troisième signal sera la fréquence de remplacement des systèmes de soutien lors des mises à niveau de l’IA. C’est la partie la moins visible du débat actuel et l’ajout le plus important du modèle de BAN.

Si les nouveaux déploiements d’accélérateurs entraînent de façon répétée le remplacement du refroidissement, de la distribution électrique, des batteries et des infrastructures réseau, les études portant uniquement sur les serveurs resteront incomplètes.

Si les opérateurs adaptent les infrastructures existantes par des ajouts modulaires, la masse installée plus importante ne se traduira pas par des déchets tout aussi rapides. Ce résultat réduirait le renouvellement modélisé par BAN.

Les DSI ne devraient pas attendre une prévision mondiale parfaite avant d’agir. Ils peuvent dès maintenant exiger des plans de cycle de vie pour chaque achat important de capacité d’IA.

Un plan pratique devrait préciser la durée de service attendue, les charges de travail de niveau inférieur, les composants évolutifs, les canaux de revente, les obligations de reprise et les filières de recyclage vérifiées. Il devrait inclure l’installation de soutien, et non seulement le matériel de calcul.

Les dirigeants devraient également comparer les scénarios de remplacement avant d’approuver une architecture. Un système aux coûts d’exploitation inférieurs peut générer un rendement total plus faible s’il immobilise des infrastructures récentes.

La décision devrait tenir compte de la valeur résiduelle et des frais de mise hors service. Elle devrait également préciser quelle partie assume ces coûts dans les accords de cloud, de colocation et de services gérés.

L’estimation des déchets électroniques liés à l’IA du Basel Action Network ne devrait pas être considérée comme une prédiction établie. Sa correction de périmètre est plus convaincante que ses totaux les plus lointains.

Le rapport modifie néanmoins la charge de la preuve. Les organisations ne peuvent plus supposer que la mesure des serveurs suffit à saisir les conséquences matérielles de l’expansion de l’IA.

La prochaine question à poser à toute proposition d’infrastructure d’IA devrait être concrète : lorsque cette architecture évoluera, où iront ses serveurs, ses réseaux, ses batteries, ses systèmes de refroidissement et ses équipements électriques ?