data.gouv.fr

L’impact environnemental de l’IA générative

Mis à jour 20 mai 2026

defisdatagouvfrdefisdatagouvfr-saison-saison-4

Description

Discussions 0

Ce défi est proposé par l'ADEME, partenaire de l'Open Data University.

Contexte du projet

Description rapide des utilisateurs, de la problématique, de l'état de l'art et des besoins.

La notion même d’intelligence artificielle (IA) tend à nous faire oublier la matérialité des systèmes sur lesquels elle repose. Pourtant, chaque utilisation de ChatGPT, Midjourney ou d'un assistant vocal mobilise une infrastructure physique bien réelle : des terminaux (smartphones, ordinateurs), des réseaux de télécommunication et des centres de données. Kate Crawford, dans son Contre-atlas de l’Intelligence artificielle (2022), nous invite à voir l'IA comme une "industrie extractive" qui repose sur l'exploitation des ressources énergétiques et minérales, sur la main d'œuvre et sur les données à grande échelle. Les usages de l’IA mobilisent des terminaux (smartphones, ordinateurs, tablettes…), des infrastructures réseaux et des centres de données. Ces équipements ont un cycle de vie complet (voir la norme Afnor sur l’impact environnemental de l’IA) : leur fabrication nécessite l'extraction et la transformation de minerais, leur fonctionnement consomme de l'énergie en continu, et leur fin de vie pose des défis de recyclage ou génère des déchets.

L'essor fulgurant de l'IA générative s'inscrit dans une trajectoire déjà préoccupante du numérique. En 2022, le numérique représentait 4,4 % de l'empreinte carbone de la France selon une étude de l’Ademe et l'Arcep, soit l'équivalent du secteur des poids lourds. Au niveau mondial, le numérique compte pour 4% des émissions de gaz à effet de serre. Le développement de l'IA vient amplifier cet impact : le rapport du Shift project sur l’IA montre que les nouveaux usages justifient le déploiement de nouvelles infrastructures, qui à leur tour stimulent encore davantage les usages. Cette boucle de croissance suit une trajectoire insoutenable, avec une augmentation de 6% par an des émissions du secteur au niveau mondial, incompatible avec les objectifs des Accords de Paris sur le climat. Dans la course à l’IA, les géants de la tech ont abandonné leurs promesses de réduction des émissions : Google a augmenté ses émissions de 48 % entre 2019 et 2024, tandis que Microsoft les a augmentées de 29 % entre 2020 et 2023 (NPR). Cette trajectoire insoutenable n'a rien d'inéluctable : de nombreuses initiatives existent en matière d'IA frugale, notamment un référentiel général poussé par le Ministère de la Transition écologique, de la Biodiversité, de la Forêt, de la Mer et de la Pêche. L’IA frugale, telle que définie dans ce référentiel, vise à minimiser les besoins en ressources matérielles et énergétiques des systèmes d’IA, tout en garantissant leur performance. Elle repose ainsi sur trois principes clés : démontrer la nécessité de recourir à l’IA plutôt qu’à une solution moins consommatrice, adopter des bonnes pratiques pour réduire les impacts environnementaux, et questionner les usages pour rester dans les limites planétaires.

Cette croissance de l'IA générative repose sur une infrastructure de centres de données dont la trajectoire est insoutenable. En 2024, les centres de données mondiaux consommaient environ 415 TWh d'électricité, soit 1,5 % de la consommation mondiale, avec une croissance de 12 % par an selon l'Agence Internationale de l'Énergie (AIE). Sans changement majeur, cette consommation pourrait doubler d'ici 2030, atteignant environ 945 TWh, toujours selon l'AIE. Le Shift Project estime même que cette consommation pourrait atteindre entre 1 250 et 1 500 TWh d'ici 2030, soit une multiplication par 2,3 à 2,8 en sept ans. Cette demande massive exerce une pression considérable sur les systèmes énergétiques et crée des conflits d'usage de l’électricité avec d'autres secteurs essentiels à la décarbonation comme le transport ou l'industrie. De plus, les progrès en efficacité technique des modèles et des composants risquent d'être annulés par effet rebond. Le paradoxe de Jevons montre que l'amélioration de l'efficacité stimule une augmentation de la consommation totale en encourageant un usage plus massif.

Au-delà du climat, l'IA générative génère des impacts environnementaux locaux souvent invisibilisés. Les centres de données consomment d'importantes quantités d'eau pour leur refroidissement et occupent des espaces fonciers, tandis que leur construction nécessite l'extraction de minerais rares aux conséquences environnementales et sociales lourdes. Ces impacts localisés touchent directement les territoires d'implantation. Par ailleurs, la course à l'IA pousse au renouvellement prématuré des terminaux (smartphones, ordinateurs) pour supporter ces nouvelles applications, amplifiant encore l'empreinte globale du secteur. Par rapport à l’eau spécifiquement, le rapport du Shift project montre des consommations directes (l’eau est utilisée dans les circuits de refroidissement) ou indirecte (pour produire l’électricité consommée par les centres de données, et pour la fabrication des équipements). Ces impacts sont encore mal connus.

Face à cette problématique critique, l'évaluation de l'impact environnemental de l'IA se heurte à un manque criant de transparence et de données fiables. À l'échelle individuelle, quantifier la consommation d'une "requête IA" est complexe : elle varie considérablement selon le modèle utilisé, la longueur de la requête et de la réponse, et le type de tâche demandée. Les chiffres publiés par les grandes entreprises reposent sur des méthodologies et des périmètres différents, rendant les comparaisons impossibles. Alors que la plupart des industries cherchent à verdir leur image, les géants de l'IA générative publient rarement des rapports de responsabilité environnementale détaillés.

La problématique

Le projet vous propose de répondre à la question suivante : Face à l'opacité du secteur de l'IA générative sur son impact environnemental, comment mobiliser les données existantes pour éclairer le débat public et permettre des choix avisés ?"

Objectifs du projet

L'objectif général du projet et les impacts recherchés.

Les travaux réalisés dans le cadre de ce projet permettront :

  • aux citoyens et acteurs du numérique de mieux comprendre la matérialité de l'IA générative et les ordres de grandeur de son impact environnemental ;
  • d'éclairer le débat public sur la transparence du secteur de l'IA en confrontant les discours des entreprises à leurs impacts réels ;
  • de sensibiliser aux enjeux environnementaux de la trajectoire actuelle de l'IA dans le contexte de l'urgence climatique.

Réalisations possibles et exemples

Les types de production qui peuvent être attendus des élèves.

Vous êtes libres de choisir les livrables que vous jugerez les plus pertinents pour répondre à la problématique proposée. Voilà quelques exemples de livrables possibles pour vous aider dans votre démarche.

Niveau débutant

  • Infographie pédagogique expliquant la matérialité de l'IA (terminaux, réseaux, data centers) et les ordres de grandeur de son impact environnemental
  • Datavisualisation comparative de la consommation énergétique de différents modèles d'IA à partir des données de Compar:IA ou AI Energy Score
  • Article vulgarisé déconstruisant une idée reçue sur l'impact environnemental de l'IA (ex: "une requête ChatGPT = une bouteille d'eau")

Niveau intermédiaire

  • Analyse comparative de la transparence des modèles d'IA en croisant le Foundation Model Transparency Index avec les données de consommation énergétique
  • Étude de variabilité de la consommation énergétique selon les types de requêtes
  • Cartographie interactive des data centers en France avec leur consommation énergétique estimée (données OpenStreetMap + ODRE)
  • Article de data journalisme comparant les engagements climatiques des géants de la tech (Google, Microsoft) et leurs émissions réelles
  • Outil de sensibilisation permettant d'estimer l'impact environnemental d'un usage donné d'IA (nombre de requêtes par jour, type de modèle)

Niveau avancé

  • Méthodologie de benchmark pour comparer l'efficacité énergétique de différents modèles open source sur des tâches identiques, avec protocole reproductible
  • Outil interactif avancé d'estimation d'impact basé sur des paramètres multiples (modèle, fréquence d'usage, localisation du data center, mix énergétique)
  • Étude prospective sur les conflits d'usage de l'électricité entre déploiement de data centers IA et autres secteurs à décarboner (transport, industrie)
  • Application de scoring évaluant la "frugalité" d'un modèle d'IA selon plusieurs critères

Les travaux déjà réalisés par d'autres étudiantes et étudiants

Vous pouvez retrouver les réalisations d'autres étudiantes et étudiants en fin de page. N'hésitez pas à vous en inspirer !

Valorisation du projet

La mise en avant des réalisations

Pour valoriser vos travaux, nous vous invitons à les partager avec l’ensemble de la communauté en publiant une réutilisation sur data.gouv.fr. Cela vous permettra notamment de :

  • Profiter d’une visibilité accrue
  • Obtenir des retours constructifs
  • Engager un dialogue avec les producteurs de données
  • Inspirer les autres

La marche à suivre est détaillée dans ce guide. Nous avons hâte de voir vos réalisations !

Aspects techniques

Les contraintes techniques du projet : environnement matériel et logiciel, outils de développement, méthodologies, ressources de calcul, etc.

Données

De nombreuses données ouvertes sont mises à votre disposition pour vous aider à répondre au projet proposé. Nous vous invitons à les parcourir en fin de page.

Pour en savoir plus

Inspirations

Pour vous inspirer, vous pouvez consulter les initiatives suivantes :

Référent du projet - ADEME

3 jeux de données associés