Alors que l’intelligence artificielle est présentée comme un levier potentiel de la transition écologique, son développement s’accompagne d’une consommation croissante d’électricité, d’eau et de ressources. Ce décryptage de La Fabrique écologique revient sur les principaux impacts environnementaux de l’IA, tout en examinant les bénéfices qu’elle peut apporter et le risque d’un effet rebond. Il s’intéresse aux limites du cadre réglementaire actuel et aux rapports de force entre acteurs publics, entreprises technologiques, chercheurs et société civile. Il explore les pistes pour construire une gouvernance environnementale de l’IA.

Introduction

Depuis 2022, l’intelligence artificielle générative s’est imposée comme l’horizon du débat technologique mondial. En France comme en Europe, gouvernements, industriels et médias rivalisent d’enthousiasme : l’IA va révolutionner la médecine, décarboner l’industrie, sauver le climat. Dans le même temps, les centres de données consomment chaque année davantage d’électricité, d’eau et de métaux rares. En 2024, ils ont absorbé l’équivalent de la consommation électrique annuelle de la France. D’ici 2030, cette consommation pourrait plus que doubler selon les scénarios de développement retenus.

Ce paradoxe illustre une lacune des politiques publiques qui ont privilégié l’accompagnement de l’innovation sans encadrement environnemental spécifique. Ni l’AI Act européen, ni la loi française REEN, ni aucun cadre international ne contraint aujourd’hui les opérateurs d’IA à mesurer, déclarer ou réduire leur empreinte. Alors même que le secteur automobile doit respecter des normes d’émission, que l’industrie lourde paie des quotas carbone et que les grandes entreprises publient des bilans de soutenabilité, le secteur de l’IA demeure aujourd’hui principalement encadré par des mécanismes volontaires et des obligations indirectes, sans dispositif environnemental spécifique comparable à celui applicable à d’autres industries fortement consommatrices de ressources.

on ne peut pas prétendre lutter contre la crise climatique tout en laissant prospérer, sans règle ni contrainte, un secteur dont la consommation de ressources et l’empreinte énergétique progressent rapidement

Ce décryptage part d’un constat simple : on ne peut pas prétendre lutter contre la crise climatique tout en laissant prospérer, sans règle ni contrainte, un secteur dont la consommation de ressources et l’empreinte énergétique progressent rapidement. Ce n’est pas une position hostile à l’innovation, c’est une exigence de cohérence. L’IA a des usages réels et précieux pour la transition écologique. Mais ceux-ci ne justifient pas une exemption environnementale permanente, pas plus que les bénéfices de l’automobile n’ont justifié de dispenser les constructeurs des normes d’émission.

La France dispose des outils juridiques, de la recherche et du savoir-faire institutionnel pour porter une régulation ambitieuse. La Charte de l’environnement, intégrée à la Constitution en 2005, proclame le droit de vivre dans un environnement équilibré et le principe de précaution. Les jurisprudences récentes du Conseil constitutionnel, notamment ses décisions de 2025 sur les lois agricoles, témoignent de la portée contraignante de ces principes — une jurisprudence qui pourrait servir d’ancrage pour le secteur numérique, même si le lien reste à construire juridiquement. Le secteur numérique présente des spécificités liées à la nature dématérialisée de ses services et à la mobilité des infrastructures. Ces caractéristiques compliquent l’évaluation fine de son empreinte environnementale, mais elles ne dispensent pas d’améliorer progressivement les dispositifs de transparence et de suivi à l’échelle pertinente.

Ce texte propose d’abord un état des lieux de l’empreinte environnementale réelle de l’IA : données chiffrées, sources vérifiées, comparaisons sectorielles. Il analyse ensuite les lacunes du cadre juridique existant et les rapports de force qui les expliquent. Il formule enfin quatre propositions concrètes, articulées du niveau national au niveau international, pour sortir de l’impasse actuelle.

Synthèse

En 2024, les centres de données mondiaux ont consommé environ 415 TWh d’électricité, soit 1,5 % de la consommation électrique mondiale¹. Cette consommation a augmenté de 12 % par an en moyenne depuis 2017 — un rythme quatre fois supérieur à la croissance de la consommation électrique mondiale totale. L’IA générative en est un facteur croissant, mais aujourd’hui encore minoritaire dans la consommation totale des centres de données, dont la majorité héberge d’autres usages : cloud, streaming, services d’entreprises.

Les projections pour 2030 divergent considérablement. L’IEA projette un doublement vers 945 TWh dans son scénario de base². Mais une revue critique de plus de 100 études publiée en mars 2025 par l’IEA-4E, co-rédigée par Vlad Coroamă (Roegen Centre for Sustainability) et Gavin Kamiya³, montre que les estimations divergent d’un facteur 40 selon les méthodes retenues, et que les projections les plus élevées corrèlent fortement avec des méthodes de faible qualité. L’agrégation des données de 60 grands opérateurs donne une consommation de 300 à 380 TWh pour 2023. Pour la part spécifiquement liée à l’IA, la fourchette des estimations crédibles pour 2030 s’étend de 200 à 900 TWh. Il convient de rappeler que le numérique a déjà connu des projections très élevées qui ne se sont pas réalisées : en 1999, Forbes prédisait que la moitié du réseau électrique alimenterait Internet en 2010. L’humilité prospective s’impose.

Un point crucial souvent méconnu : aujourd’hui, c’est l’inférence — c’est-à-dire le déploiement des modèles pour répondre aux requêtes des utilisateurs — qui représente la majorité de la consommation énergétique liée à l’IA, et non l’entraînement⁴. Une synthèse de plusieurs études récentes (Wu et al. 2022 ; EPRI 2024 ; Mistral AI 2025) présentée par Coroamă (slide 67) confirme que pour les modèles fondationnels, l’inférence représente entre 47 % et 65 % de la consommation énergétique totale, contre 30 à 35 % pour l’entraînement. C’est donc la croissance exponentielle des usages — des milliards de requêtes quotidiennes vers ChatGPT, Gemini, Claude, Copilot — qui constitue le défi énergétique principal. Par ailleurs, la phase opérationnelle domine non seulement la consommation énergétique mais aussi les émissions de GES — contrairement aux smartphones, où la fabrication prime (slide 18).

Sur l’eau, les estimations disponibles situent la consommation mondiale des centres de données à plusieurs centaines de milliards de litres par an⁵. Ces chiffres méritent d’être mis en perspective : une analyse détaillée de SemiAnalysis (2026)⁶ montre que le plus grand data center du monde (xAI Colossus 2 400 MW) consomme environ 346 millions de gallons d’eau par an, soit l’équivalent de 2,5 restaurants de burgers In-N-Out — une fois prise en compte l’eau embarquée dans la production de viande bovine. L’agriculture représente 70 % de la consommation mondiale d’eau douce. Ces comparaisons n’absoudent pas le secteur numérique de ses responsabilités, mais elles invitent à la précision.

En revanche, la localisation de certains centres de données dans des zones déjà soumises à un stress hydrique constitue un enjeu réel et documenté. Et surtout, l’absence d’obligations de mesure et de publication standardisée de l’empreinte environnementale des modèles d’IA constitue un écart significatif par rapport aux exigences imposées à d’autres secteurs. Les entreprises publient des ratios d’efficacité (PUE — Power Usage Effectiveness) sans déclarer leurs volumes absolus de consommation, rendant impossible toute évaluation externe rigoureuse⁷.

Le cadre juridique demeure insuffisant à tous les niveaux. La loi française REEN de 2021⁸ ne prévoit pas de mécanismes de sanction effectifs pour la plupart de ses dispositions. La directive européenne 2023/1791, transposée en droit français en avril 2025⁹, ne couvre que les infrastructures dépassant 500 kW — et non les modèles d’IA eux-mêmes. L’AI Act (2024)¹⁰ n’accorde qu’une place marginale à l’environnement. Aucun cadre international contraignant n’existe.

Sommaire

• 1. Une consommation croissante à mettre en perspective
• 2. L’IA comme outil écologique : entre réalité et effet rebond
• 3. Un cadre juridique lacunaire, entre avancées timides et angles morts
• 4. Les acteurs, les blocages, les rapports de force
• 5. Propositions pour une gouvernance environnementale de l’IA
• Conclusion
• Notes et références

Décryptage « L’intelligence artificielle à l’épreuve du vivant : les défis d’une gouvernance environnementale« 

Notes et références

1. IEA. (2025, avril). Energy and AI. https://www.iea.org/reports/energy-and-ai — les chiffres cités sont issus de l’executive summary, section 1. ↩︎
2. IEA, Energy and AI, avril 2025, op. cit. ↩︎
3. Kamiya, G. & Coroamă, V.C. (2025). Data Centre Energy Use : Critical Review of Models and Results. EDNA – IEA 4E TCP. https://www.iea-4e.org/wp-content/uploads/2025/05/Data-Centre-Energy-Use-Critical-Review-of-Models-and-Results.pdf — Résultats clés présentés par Vlad Coroamă à l’école d’été ACACES (Fiuggi, juillet 2026) : facteur 40 d’écart entre études selon les méthodes ; 300-380 TWh/an comme plage crédible pour 2023 sur la base de 60 opérateurs ; fourchette 200-900 TWh pour la part IA en 2030. L’étude note que les projections pour 2030 varient d’un facteur 40 selon les méthodes retenues, et que seules les études de haute qualité (bottom-up ou agrégats mesurés) convergent vers une fourchette crédible. ↩︎
4. Coroamă, V.C. (2026). Will AI boil the planet or help saving it ? ACACES summer school, slide 67. Synthèse de : Wu, C. et al. (2022). Sustainable AI : Environmental implications, Meta AI (inférence 65 %) ; EPRI (2024) (inférence 47-60 %) ; Mistral AI (2025) (inférence ~85 % pour modèles déployés). Pour les modèles fondationnels : inférence > entraînement dans tous les cas documentés. ↩︎
5. Lawrence Berkeley National Laboratory. (2024). 2024 United States Data Center Energy Usage Report. Les données mondiales restent des estimations, les grands opérateurs publiant leurs chiffres de manière non standardisée. ↩︎
6. SemiAnalysis. (2026, janvier). From Tokens to Burgers : A Water Footprint Face-Off. https://newsletter.semianalysis.com/p/from-tokens-to-burgers-a-water-footprint ↩︎
7. Arcep, enquête annuelle « Pour un numérique soutenable », 5e édition, 21 mai 2026. https://www.arcep.fr/cartes-et-donnees/nos-publications-chiffrees/impact-environnemental/enquete-annuelle-pour-un-numerique-soutenable-edition-2026.html ↩︎
8. Loi n° 2021-1485 du 15 novembre 2021. ↩︎
9. Directive (UE) 2023/1791, transposée par la loi n° 2025-391 du 30 avril 2025 (DADUE). ↩︎
10. Règlement (UE) 2024/1689 du 13 juin 2024 (AI Act). ↩︎

Articles liés

• Atlas de l’eau
• La pollution de l’environnement par les métaux lourds et leurs effets toxicologiques sur les humains
• Les terres rares, un enjeu de dépendance pour la transition écologique
• Électricité : les données au service de la transition