L’intelligence artificielle (IA) n’est plus une simple curiosité technologique, son usage au sein des entreprises a explosé ces derniers mois et est devenu un moteur de productivité ou d’innovation important.
Cependant, derrière les outils comme ChatGPT, Mistral ou Gemini, se cache une infrastructure physique massive et énergivore. Pour les entreprises, l'enjeu est double : éviter que l'IA ne devienne le "point mort" de la stratégie carbone et empêche l’atteinte des objectifs, tout en exploitant son potentiel d'innovation.
Dans cet article, nous revenons ainsi sur l’impact environnemental, et notamment carbone, de l’IA, la méthode pour le calculer et les leviers existants qui permettent de maîtriser cet impact.
📺 Vous préférez le format vidéo ? Cet article reprend les points clés de notre dernier webinaire consacré à ce sujet. Retrouvez le replay ici.
Les intervenants de ce webinaire :
- Tanguy Robert, co-CEO de Sami
- Agathe Gourhannic, Sustainability Consulting Manager, fifty-five
- Grégory Lebourg, Global Environmental Director, OVHcloud
1. Quel est l’impact de l’IA sur l’environnement ?
L'impact environnemental de l'intelligence artificielle est souvent mal compris car il est hybride. Il ne s'agit pas seulement de "consommer de l'électricité", mais de mobiliser des ressources à chaque étape de la chaîne de valeur.
1.1 L’impact carbone de l’IA
L’impact carbone lié à l’IA se répartit entre les émissions des data centers, du réseau et des appareils pour utiliser l’IA. Néanmoins, ce sont bien les émissions liées aux data centers qui pèsent le plus, et de loin.
Ainsi, dans l’analyse de cycle de vie du Modèle Large 2 publiée par Mistral AI en juillet 2025, les émissions liées aux appareils ou équipements des utilisateurs finaux ne représentent que 3% des émissions totales et les émissions liées au trafic du réseau moins de 1%. Plus de 95% des émissions de gaz à effet de serre se situent donc au niveau des centres de données, notamment en raison de leur consommation électrique. C’est sur ce point que nous allons nous concentrer.
- La fabrication
Au-delà de la consommation électrique pour l’usage de l’IA (entraînement des modèles, usage quotidien…), il ne faut pas oublier de prendre en compte l’empreinte carbone liée à la fabrication des centres de données eux-mêmes et à la fabrication des composants nécessaires (serveurs, processeurs…).
Selon le rapport du Shift Project publié en octobre 2025, la fabrication représente environ 25% des émissions totales des centres de données, contre 75% pour la phase d’utilisation.
Et au sein de cette phase de fabrication, le poste IT (serveurs, processeurs…) pèse autour de 75% des émissions contre 25% pour la partie infrastructure (construction des centres de données…).
- La phase d’utilisation
C’est bien cette phase qui représente la partie la plus émissive de l’IA, au niveau des data centers et donc au niveau global également.
Reprenons l’étude publiée par Mistral AI sur son Modèle Large 2 : l’entraînement du modèle et la phase d’inférence, c’est-à-dire l’usage au quotidien par les utilisateurs, représentent 85,5% des émissions totales du modèle, après 18 mois d’utilisation.
L’entraînement de Mistral Large 2 aurait ainsi généré l’émission de 20,4 ktCO2e, soit 9700 A/R Paris-New-York en avion.
La raison est simple : l’entraînement des modèles demande une puissance de calcul colossale et donc mobilise un grand nombre de processeurs (GPU) qui consomment beaucoup d’énergie. Il faut également refroidir en continu les centres de données, ce qui engendre là encore une consommation importante d’énergie.
Plus le mix énergétique de la région dans laquelle est située le data center est carboné et plus les émissions sont importantes, d’où l’importance d’être attentif à ce critère, nous le verrons un peu plus tard.
Durant la phase d’usage du modèle par les utilisateurs, chaque requête pèse peu. Mistral estime par exemple qu’une page de texte générée (400 tokens) représente 1,14 gCO2e. A l’échelle d’une requête, l’empreinte carbone est donc anecdotique. Le problème, c’est qu’il faut multiplier cet impact par le nombre de requêtes et par le nombre d’utilisateurs.
Selon le Shift Project, la consommation électrique mondiale des centres de données pourrait être multipliée par près de 3 entre 2023 et 2030. Et la part de l’IA dans cette consommation électrique passerait de 15% aujourd’hui à 35% en 2030.
Résultat, la filière des centres de données pourrait voir ses émissions de gaz à effet de serre bondir de 9% par an jusqu’en 2030, atteignant alors 920 MtCO2e, soit 2 fois les émissions annuelles de la France.
1.2 L’impact environnemental autre que carbone
Les émissions de CO2 ne sont pas le seul impact environnemental engendré par l’usage de l’intelligence artificielle.
Deux autres impacts majeurs sont à considérer.
- La consommation d’eau
Selon les estimations de l’Agence Internationale de l'Énergie, l’AIE, le secteur de l’IA aurait consommé en 2023 environ 560 milliards de litres d’eau, dépassant ainsi la consommation mondiale d’eau en bouteille. Et cette consommation d’eau pourrait doubler d’ici 2030 pour atteindre environ 1200 milliards de litres.
L’intelligence artificielle nécessite en effet d’énormes quantités d’eau. Trois usages majeurs sont concernés :
- l’eau nécessaire à la production d’électricité : cela représentait, selon l’AIE, les deux-tiers de la consommation d’eau du secteur de l’IA en 2023.
- l’eau nécessaire au refroidissement direct des centres de données : environ ¼ de la consommation d’eau totale
- l’eau nécessaire à la fabrication des semi-conducteurs et des puces
La consommation en eau des data centers de Google a ainsi augmenté de 14% en 2023, pour atteindre 24 millions de m3. La hausse est même de 22% pour Microsoft.
- La consommation de métaux
Les processeurs graphiques (ou cartes graphiques) qui font tourner les serveurs destinés à l’IA sont composées d’une vingtaine de métaux, notamment du cuivre, du fer ou encore du silicium.
Avec l’explosion de l’usage de l’intelligence artificielle, la fabrication des cartes graphiques et des autres composants des serveurs devrait exploser.
Et la fabrication de ces composants n’est pas seulement gourmande en métaux, elle l’est également en énergie et en eau, comme vu précédemment.
2. Comment calculer cet impact au sein de votre entreprise ?
Chez Sami, nous observons que l’année 2025 est la première où l’utilisation de l’IA commence à être intégrée dans la mesure de l’empreinte carbone des entreprises.
Comment le calculer ?
2.1 Les résultats publiés récemment
Revenons sur les résultats publiés récemment par Mistral AI et Google pour Gemini.
Le français Mistral revendique la 1ère analyse complète du cycle de vie d’un modèle d’IA, le Modèle Large 2. Voici l’impact de l’assistant IA Le Chat pour une réponse de 400 tokens :
- 1,14 gCO2e
- 45 mL d’eau
- et 0,16 mg de Sb eq (indicateur épuisement des ressources abiotiques)
Quelques semaines plus tard, Google sort à son tour un rapport sur l’impact carbone des requêtes Gemini sur les émissions de CO2, la consommation d’énergie et la consommation d’eau.
Voici, selon Google, l'impact d’un prompt textuel médian dans les applications Gemini :
- 0,03 gCO2e
- 0,26 mL d’eau
- 0,24 Wh d’énergie
Autrement dit, un prompt sur Gemini serait 38 fois moins émissif qu’un prompt sur Mistral AI et 173 fois moins consommateur en eau.
Une telle différence est “impossible” observe Grégory Lebourg. Là où les résultats d’impact de Mistral AI apparaissent “cohérents”, avec un “travail sérieux et bien fait”, les résultats des requêtes sur Gemini sont très bas. Et pour cause, Mistral et Google n’ont pas appliqué les mêmes choix méthodologiques. C’est bien sur ce point qu’il faut être très prudent.
Par exemple, dans l’étude de Google, sur l’énergie, les émissions liées à l’électricité ont été comptabilisées en “Market-based” et non en “Location-based”. Cela signifie que le mix énergétique du pays ou de la région dans lesquels sont situés les datacenters n’a pas été pris en compte. Cela augmenterait significativement les émissions totales associées à l’utilisation de Gemini.
2.2 Quels facteurs prendre en compte pour calculer les émissions liées à l’utilisation de l’IA ?
Comment obtenir les estimations les plus précises possibles quant à l’empreinte carbone de votre usage de l’IA ?
Il faut pour cela :
- la localisation du datacenter
- le modèle utilisé
- le nombre de requêtes
- la taille des résultats des requêtes
A noter que les fournisseurs de services cloud, comme OVHcloud, sont normalement capables de vous fournir désormais les émissions associées aux services consommés par leurs clients, y compris les plateformes IA. C’est ce que ce fait OVH depuis 3 ans avec une calculatrice carbone.
Avec ces données, nous sommes en mesure de calculer l’empreinte de l’IA au sein de l’empreinte carbone numérique et donc de l’intégrer au bilan carbone de l’entreprise.
{{newsletter-blog-3}}
3. Comment maîtriser l'impact de l'IA en entreprise ?
3.1 Quelles solutions pour les utilisateurs en entreprise ?
La première question à se poser est celle du “Pourquoi ?”. Autrement dit, quel est mon besoin et le recours à l’intelligence artificielle est-il nécessaire pour y répondre ?
De nombreux cas ne nécessitent pas d’intelligence artificielle et donc d’investir dans ce genre de réponse.
Pour un usage maîtrisé de l’IA, la première réponse est donc de sélectionner les bons cas d’usage.
Voici les autres leviers à disposition des entreprises :
- choisir la localisation du datacenter
Les centres de données situés dans des régions ou des pays où le mix énergétique est largement décarboné consomment, de fait, beaucoup moins que ceux alimentés au charbon, par exemple. Choisir des datacenters en France permet ainsi de réduire considérablement les émissions associées à l’utilisation de l’IA.
C’est le cas notamment pour les entreprises qui sont dans une logique de “AI deploy” et qui vont devoir faire des calculs, faire du deep learning en autonomie sur des plateformes de cloud. Elles peuvent choisir alors les plus efficaces et les moins impactantes. Sur des plateformes de GPU pour entraîner un modèle, “vous allez baisser de 85% les émissions de CO2 si vous le faites sur une plateforme au Canada plutôt qu’en Pologne”, selon Grégory Lebourg.
- choisir le bon modèle
Tous les besoins ne nécessitent pas un modèle "géant". Pour des tâches simples (classification, résumé), un modèle compact est beaucoup moins énergivore qu'un modèle généraliste, pour un résultat identique.
- former les salariés
La multiplication des requêtes va, à l’échelle d’une entreprise, augmenter considérablement l’impact environnemental de l’IA.
La formation peut servir, par exemple, à améliorer les prompts utilisés par les salariés afin d’obtenir le résultat souhaité en une seule requête au lieu de 5 ou 6 demandes. Plus le prompt sera précis et plus l’impact carbone sera réduit.
Il s’agit également d’informer les salariés sur l’empreinte environnementale de l’IA et d'insister sur son usage raisonné. La génération d’images pour répondre aux tendances sur les réseaux sociaux par exemple est responsable d’émissions importantes et largement évitables. Selon certaines études, chaque image générée pourrait représenter entre 2 et 5 litres d’eau évaporée pour le refroidissement.
3.2 Quelles solutions pour les centres de données ?
Plusieurs solutions techniques existent pour limiter les consommations des centres de données.
La première est le refroidissement en water cooling. L’efficacité énergétique du datacenter est alors bien meilleure.
Autre technologie qui peut être utilisée : le refroidissement immersif. Cela permet de mettre les serveurs dans un fluide non conducteur, de l’huile.
Ensuite, sur le plan technologique, les performances des cartes graphiques et plus globalement des semi-conducteurs sont bien meilleures maintenant. “Quand on regarde la gamme de Nvidia, les nouvelles générations sont 120 ou 130 fois plus efficaces que les générations d’il y a deux ans” illustre ainsi Grégory Lebourg dans notre webinaire.
Pour les utilisateurs, il est également possible désormais de demander au cloud service provider de traiter les requêtes en fonction du mix énergétique disponible dans le pays et ainsi de faire tourner les serveurs au moment où le mix est le plus décarboné, par exemple lorsque la production d’énergie renouvelable est importante. Cela ne fonctionne que pour les usages de l’IA (et ils sont nombreux) qui ne nécessitent pas de résultats immédiats.
Conclusion
L’IA peut être un accélérateur pour votre entreprise mais son déploiement ne doit pas remettre en cause votre trajectoire de décarbonation et faire échouer vos objectifs de réduction d’émissions de gaz à effet de serre. La bonne nouvelle, c’est qu’il est possible de maîtriser l’impact carbone de l’IA en sélectionnant avec soin vos cas d’usage et les bons paramètres de déploiement.
Si vous souhaitez approfondir ces notions, nous vous invitons à visionner le replay complet du webinaire :
👉 Voir le Replay : L'IA en entreprise, quel impact carbone ?
Mission Décarbonation
Ne ratez plus les dernières actualités climat et anticipez
les nouveautés réglementaires !
Mesurer l’empreinte carbone liée à l'utilisation de l’IA
Sami vous accompagne dans la mesure de l’empreinte carbone de votre utilisation de l’IA et l'intègre à votre bilan carbone global
Les commentaires