Photo de Andrey Metelevsur Unsplash
En bref
L’empreinte énergétique de l’IA dépend directement des choix techniques et des usages : un petit modèle spécialisé suffit pour de nombreuses tâches, tandis que certaines applications permettent de réduire la consommation d’énergie des bâtiments, des réseaux et de l’industrie.
1. Quels besoins en électricité accompagne le développement de l’IA ?
Les centres de données ont consommé environ 415 TWh d’électricité en 2024, soit 1,5 % de la demande mondiale. Selon le scénario de référence de l’Agence internationale de l’énergie, cette consommation pourrait atteindre 945 TWh en 2030. Ces chiffres couvrent l’ensemble des centres de données : l’IA constitue le principal moteur de cette croissance, aux côtés des autres services numériques. L’entraînement et l’utilisation des modèles mobilisent des serveurs qui consomment de l’électricité pour effectuer les calculs et assurer leur refroidissement. Cette demande supplémentaire sollicite des réseaux électriques déjà contraints et peut prolonger le recours aux centrales au gaz ou au charbon.
2. Peut-on obtenir les mêmes résultats avec moins d’énergie ?
Pour résumer, traduire ou répondre à des questions, un petit modèle spécialisé peut obtenir des résultats comparables à ceux d’un grand modèle généraliste, tout en consommant beaucoup moins d’énergie, lorsqu’il traite des données proches de celles utilisées pour son entraînement. Pour ces tâches bien délimitées, choisir un modèle adapté permet de réduire la consommation tout en préservant la qualité des résultats.
Encore faut-il pouvoir comparer les solutions. Selon une étude citée dans l’article, 84 % des grands modèles de langage étudiés ne font l’objet d’aucune information environnementale. Des données comparables sur leur consommation et leurs performances aideraient les utilisateurs à choisir le modèle le plus sobre pour chaque tâche.
3. L’IA peut-elle aussi réduire les émissions ?
Des systèmes spécialisés permettent déjà d’optimiser le chauffage, le pompage, certains procédés industriels ou la recharge des véhicules électriques. Ils ajustent les équipements en temps réel et répartissent certains usages pour limiter les pics de demande. Selon l’Agence internationale de l’énergie, le déploiement à grande échelle des applications d’IA existantes pourrait éviter, en 2035, un volume d’émissions trois à quatre fois supérieur à celui qu’émettraient les centres de données cette même année. Ce potentiel suppose que ces applications soient effectivement déployées et que les économies réalisées soient préservées malgré l’augmentation des usages favorisée par la baisse des coûts : c’est l’effet rebond.
Choisir un modèle adapté à chaque tâche suppose de pouvoir comparer sa consommation et ses performances. Pour les entreprises, identifier les applications qui réduisent effectivement la dépense énergétique demande aussi des résultats mesurés et un accompagnement au déploiement. La transparence sur les modèles et la diffusion des solutions éprouvées sont deux conditions pour concrétiser ces économies. La sobriété numérique devient une règle d’efficacité économique.
Source : Mathias Abitbol, « Rendre l’IA sobre pour gagner la course à la transition », Bloc-notes Éco, Banque de France, 4 novembre 2026.
