IA et environnement : Quand le revers érode la médaille

1 Introduction

L’intelligence artificielle (IA) est aujourd’hui présentée comme un vecteur potentiel de la transition écologique, capable d’optimiser les systèmes énergétiques, d’affiner le suivi environnemental et de rationaliser l’usage des ressources naturelles. Cette représentation ne rend cependant compte que d’une face du phénomène : l’IA repose également sur une infrastructure matérielle substantielle — centres de données, réseaux électriques, circuits de refroidissement, chaînes d’extraction minière — dont l’empreinte écologique constitue un enjeu à part entière. Le rapport Environmental Cost of AI’s Energy Use : Carbon, Water and Land Footprints, publié le 3 juin 2026 par l’Institut de l’Université des Nations unies pour l’eau, l’environnement et la santé (UNU-INWEH) en collaboration avec le gouvernement du Canada, documente cette tension à partir de données chiffrées sur les empreintes carbone, hydrique et foncière de l’IA.

Il ne s’agit pas d’un plaidoyer contre l’IA, mais d’un appel à un usage responsable de cette technologie, dont les bénéfices pour des milliards de personnes ne sont pas contestés. Cette précision invite à adopter, dans ces lignes, une démarche mesurée qui évite tout jugement univoque. L’analyse se déploie en deux parties : la première examine les apports positifs documentés de l’IA à la question environnementale (I), la seconde en évalue les externalités négatives sur l’écologie quantifiées par le rapport UNU-INWEH (II), avant une conclusion qui reprend quelques recommandations visant à endiguer l’empreinte écologique de cette technologie.

2 L’IA, un levier de préservation de l’environnement

Plusieurs domaines d’application permettent d’objectiver l’apport de l’IA à la gestion environnementale, notamment la surveillance des écosystèmes, l’agriculture de précision et l’optimisation des infrastructures énergétiques. Ces usages doivent néanmoins être présentés avec prudence, car leur portée réelle est parfois plus limitée qu’il n’y paraît.

2.1 La surveillance environnementale par apprentissage automatique

L’apprentissage automatique appliqué à l’imagerie satellitaire permet une analyse de phénomènes tels que la déforestation ou l’évolution de la biodiversité à une échelle territoriale étendue, en substituant à un suivi partiel et discontinu une observation plus systématique des écosystèmes. Cette capacité élargit le champ de perception disponible pour la décision publique, sans pour autant se substituer aux dispositifs de vérification et de gouvernance déjà existants.

2.2 L’agriculture de précision et l’optimisation des ressources hydriques

Dans le secteur agricole, les dispositifs fondés sur l’IA sont présentés comme des leviers de réduction de la consommation d’eau d’irrigation et de l’usage de pesticides. Ces applications illustrent un apport potentiellement significatif des technologies de ciblage et d’ajustement dynamique des pratiques culturales, bien que leur généralisation dépende fortement du contexte agricole et des conditions locales d’accès à ces outils.

2.3 L’optimisation énergétique des infrastructures numériques

L’exemple le plus documenté d’optimisation énergétique reste le système développé par DeepMind, qui a permis une réduction de 40% de l’énergie consacrée au refroidissement de plusieurs centres de données de Google. Il convient toutefois de nuancer la portée de ce résultat : cette réduction, significative sur le poste spécifique du refroidissement, se traduit par un gain nettement plus modeste sur la consommation énergétique globale du site, le refroidissement ne représentant qu’une fraction du total. Le rapport UNU-INWEH rejoint cette prudence méthodologique en soulignant que les gains d’efficacité, aussi réels soient-ils, sont généralement absorbés par la croissance des usages, un phénomène connu sous le nom d’effet rebond ou paradoxe de Jevons.

Ce dernier point constitue la charnière analytique de cet article : c’est précisément parce que l’IA devient plus efficace et plus accessible qu’elle génère une demande croissante, dont l’empreinte agrégée dépasse largement les économies réalisées à l’échelle unitaire. Cette dynamique conduit à examiner les externalités écologiques mesurées par le rapport UNU-INWEH.

3 L’IA, une infrastructure génératrice d’externalités écologiques mesurées

Le rapport UNU-INWEH insiste sur un constat sans équivoque : l’empreinte environnementale de l’IA est aujourd’hui mal mesurée, car la plupart des évaluations se concentrent exclusivement sur les émissions de carbone liées à l’entraînement des modèles. Or chaque kilowattheure d’électricité consommé par l’IA porte également une empreinte hydrique, liée au refroidissement et à la production d’énergie, et une empreinte foncière, liée aux infrastructures et aux chaînes d’approvisionnement. Ces trois empreintes n’évoluent pas nécessairement dans la même direction : le rapport observe par exemple qu’un passage du charbon à la bioénergie peut réduire l’empreinte carbone de l’électricité de 70% en moyenne, tout en multipliant son empreinte hydrique par plus de trente et son empreinte foncière par cent. Ce résultat invite à une conclusion mesurée mais importante : une électricité « bas carbone » n’est pas automatiquement « peu consommatrice d’eau » ou « peu consommatrice de terres ».

3.1 Consommation énergétique et empreinte carbone

Les centres de données mondiaux ont consommé environ 448 térawattheures (TWh) d’électricité en 2025, un volume qui, ramené à l’échelle d’un pays, en ferait le onzième consommateur mondial, derrière la France et devant l’Arabie saoudite. Le rapport souligne un déplacement important du débat : une fois un modèle déployé, la phase d’inférence — c’est-à-dire son usage quotidien pour répondre aux requêtes des utilisateurs — représente 80 à 90% de la consommation énergétique totale, contre une part plus limitée pour l’entraînement initial. À titre d’illustration, ChatGPT traiterait environ 2,5 milliards de requêtes par jour, ce qui représenterait environ 383 gigawattheures (GWh) d’électricité annuelle pour ce seul produit.

L’écart entre les tâches est par ailleurs considérable : une requête conversationnelle standard consommerait environ 200 fois plus d’énergie qu’une simple classification de texte, une image générée par IA environ 1 450 fois plus, et une courte vidéo générée par IA pourrait consommer autant qu’environ 200 000 opérations de classification élémentaires. Ces écarts, souvent invisibles pour l’utilisateur car déterminés par des choix de conception par défaut, expliquent en partie pourquoi les projections à horizon 2030 anticipent une consommation atteignant 945 TWh, soit près du triple de la consommation électrique combinée du Pakistan, du Bangladesh et du Nigéria — pays qui rassemblent plus de 650 millions d’habitants. L’empreinte carbone associée à cette consommation projetée en 2030 est évaluée à 399 millions de tonnes, un volume qu’il faudrait compenser par la plantation d’environ 6,7 milliards d’arbres cultivés pendant dix ans, soit approximativement le double du nombre d’arbres estimé au Royaume-Uni.

3.2 Pression hydrique et empreinte foncière

L’empreinte hydrique associée à la consommation électrique projetée des centres de données en 2030 est estimée à 9 300 milliards de litres, un volume équivalent aux besoins domestiques annuels de base de l’ensemble des 1,3 milliard d’habitants d’Afrique subsaharienne. Cette donnée doit être interprétée avec précision : il s’agit d’une comparaison de volumes agrégés à l’échelle mondiale, et non d’un prélèvement direct dans cette région, mais elle illustre l’ampleur de la ressource mobilisée par l’infrastructure numérique mondiale. L’empreinte foncière associée est quant à elle évaluée à plus de 14 500 km², soit environ le double de la superficie de l’agglomération de Jakarta, qui compte plus de 32 millions d’habitants.

Le rapport documente également des tensions locales concrètes : en Irlande, les centres de données représentaient 21% de l’électricité totale mesurée en 2023, dépassant la consommation de l’ensemble des foyers urbains, ce qui a conduit l’opérateur national du réseau à suspendre de nouvelles autorisations autour de Dublin jusqu’en 2028. Des cas similaires sont rapportés à Querétaro, au Mexique, où l’expansion des infrastructures de calcul sollicite des réserves d’eau en période de sécheresse prolongée, et en Uruguay, où un projet de centre de données a coïncidé avec une sécheresse ayant rendu l’eau du robinet de Montevideo impropre à la consommation en 2023. Ces exemples montrent que les coûts environnementaux se concentrent souvent sur des territoires qui ne bénéficient pas directement des services numériques qu’ils hébergent.

3.3 Répartition géographique inégale des bénéfices et des risques

Le rapport établit que seuls 32 pays hébergent des centres de données spécialisés en IA, et que plus de 90% de cette capacité mondiale est concentrée dans deux pays, les États-Unis et la Chine, tandis que plus de 150 pays ne disposent aujourd’hui d’aucune infrastructure de calcul souveraine dédiée à l’IA. Cette concentration est qualifiée par le rapport de fracture numérique aux implications non seulement économiques mais également environnementales : les pays exclus de cette infrastructure supportent souvent les impacts de l’extraction de minéraux critiques et du traitement des déchets électroniques, sans bénéficier des retombées stratégiques associées. L’infrastructure d’IA pourrait ainsi générer jusqu’à 2,5 millions de tonnes de déchets électroniques par an d’ici 2030, un volume comparable à la mise au rebut annuelle d’environ 250 tours Eiffel.

4 Conclusion : Quelques recommandations

Le rapport UNU-INWEH formule un ensemble de recommandations dont il ne serait possible de se contenter que par paraisse intellectuelle. D’après les experts des Nations Unies, le développement de l’IA dans les limites planétaires serait atteignable, à condition que les progrès technologiques s’accompagnent d’une mesure rigoureuse, d’une transparence accrue et d’un partage des responsabilités entre l’ensemble des acteurs de l’écosystème. Cette conclusion se traduit par une feuille de route structurée autour de six principes : la transparence, l’efficacité dès la conception, l’équité et la justice environnementale, la responsabilité tout au long du cycle de vie, la coopération internationale et l’utilisation durable.

L’on se gardera ici dévaluer la pertinence de ces recommandations par contrainte de temps et d’espace. L’enjeu de l’IA, nous semble-t-il, est avant tout démocratique et humain. Sur une technologie aussi bouleversante, comment expliquer que les peuples ne soient pas consultés pour savoir si le rapport coûts-avantages de ce phénomène leur serait acceptable ? Sans méconnaître les mécanismes de représentation propres aux démocraties modernes, est-il trop demandé que sur des enjeux aussi grandioses que sont l’IA et l’environnement, l’accord direct des citoyens soit requis ?

Plus encore, le fait que ces enjeux ignorent la souveraineté rattachée aux frontières des États implique que les décisions les concernant prennent en charge les altérités spatio-temporelles. Cela rend impertinent et hors-sol les discours préconisant quelles que formes de souveraineté numérique ou écologique. Cela est d’autant plus vrai que les conséquences (et pas seulement) écologique) de l’IA atteignent la personne humaine dans ce qu’il a de plus essentiel : sa dignité. Il suffit, pour s’en convaincre d’évoquer l’avis consultatif de la Cour internationale de justice du 23 juillet 2025 : « La mise en œuvre de l’obligation de respecter et garantir le droit à la vie, et en particulier à la vie dans la dignité, dépend, entre autres, des mesures prises par les États parties pour préserver l’environnement »,

Si le concert des États semble être l’échelle pertinente pour traiter des enjeux environnementaux et en particulier ceux impliqués par le développement de l’IA, le droit international parait être l’outil le plus approprié pour garantir le respect de la dignité humaine. Ce dernier y arrivera-t-il ? Rien n’est moins sûr au regard des régressions qu’il a connues ces dernières années plus qu’auparavant. Sa refonte paraît être la condition de son aptitude à relever efficacement, sans doute à coups de grands renoncements, les défis qu’impose la perpétuation de la vie (humaine) sur terre plus que la survie de la terre elle-même.