L’idée d’une intelligence artificielle à faible coût est aussi séduisante que clivante. Alors que les assistants génératifs sont de plus en plus utilisés par le grand public et les entreprises, une question revient sans cesse : quel est leur véritable coût environnemental ? Google récemment communiqué estimations très basses pour une demande adressée à Gemini, son IA générative. Mais une analyse publiée par le chercheur néerlandais Alex de Vries-Gao bouscule cette histoire, en soulignant que la réalité dépend fortement de l'ampleur du calcul et que, à l'échelle mondiale, l'addition pourrait déjà atteindre des niveaux comparables à ceux d'une grande métropole.
Le débat ne porte pas uniquement sur les chiffres. Elle met en évidence une difficulté centrale : mesurer l’impact d’un service numérique n’est pas la même chose que mesurer l’impact d’un écosystème. Une requête isolée, évaluée dans un centre de données optimisé, peut avoir un faible encombrement. Mais multipliée par des milliards d’usages, intégrée dans les chaînes de production de logiciels, et alimentée par un mix électrique variable selon les régions, l’empreinte totale change de taille. C’est précisément cette différence d’échelle et de méthode qui alimente aujourd’hui la controverse.
Google publie une estimation « par requête » pour Gemini
Dans une publication technique publiée à l'été 2025, Google détaillait une méthode de mesure axée sur l'inférence, c'est-à-dire la phase où le modèle répond à une invite. L'entreprise avance des ordres de grandeur pour quantifier l'eau et l'électricité nécessaires pour générer une réponse. Selon ces estimations, une requête typique nécessiterait environ 0,24 wattheure d'électricité, mobiliserait 0,26 millilitres d'eau et produirait environ 0,03 gramme d'équivalent CO2.
Ainsi présentés, ces chiffres suggèrent une consommation limitée, loin de l’image d’un « monstre énergétique ». L’avantage de cette approche est réel : elle fournit des benchmarks concrets qui peuvent être suivis dans le temps, et elle encourage la documentation des progrès de l’optimisation (matériel plus efficace, modèles mieux compressés, allocation des ressources, etc.). Pour un acteur industriel, disposer d’un indicateur standardisé facilite également le pilotage interne et la comparaison entre générations de systèmes.
Le périmètre de calcul, point clé de toute comparaison
Cependant, ces mesures n’ont de valeur que ce qu’elles incluent. Une mesure par requête peut être strictement liée au data center (énergie consommée par les serveurs et refroidissement), sans nécessairement intégrer certains effets indirects : production d'électricité en amont, consommation d'eau associée à cette production, réseau, ou encore dépréciation des infrastructures. De plus, les résultats peuvent varier selon la région, la saison, la température extérieure ou les choix techniques (rafraîchissement par air, refroidissement par eau, réutilisation de l'eau, etc.).
Bref : une estimation sur Gemini n’est pas automatiquement transposable à tous les usages de l’IA, ni à tous les opérateurs, ni à toutes les zones géographiques. Il décrit un scénario précis, dans un contexte donné, avec une méthodologie précise.
Une contre-analyse élargit l’échelle aux systèmes d’IA dans leur ensemble
Alex de Vries-Gao, affilié à l'Institut d'études environnementales de l'université Vrije d'Amsterdam et connu pour ses travaux sur l'impact énergétique des infrastructures numériques, propose une lecture radicalement différente. Dans un article de la revue scientifique Motifsil ne cherche pas à estimer le coût d’une demande isolée. Il tente plutôt de se rapprocher de l’empreinte annuelle de tous les systèmes d’IA, sur la base d’indicateurs de reporting environnemental et de données publiques disponibles.
Ses estimations placent l’empreinte carbone des systèmes d’IA en 2025 dans une fourchette comprise entre 32,6 et 79,7 millions de tonnes de CO2un niveau proche de celui des retransmissions d'une grande ville comme New York. Côté eau, la consommation est évaluée entre 312,5 et 764,6 milliards de litresune quantité comparée à des ordres de grandeur proches de la consommation annuelle d’eau en bouteille.
La différence avec les chiffres de Google relève donc moins d'une contradiction directe que d'un changement d'orientation. D’une part, une micro-mesure centrée sur un usage. De l’autre, une macro-estimation visant à capter l’ajout global d’un secteur en pleine accélération.
L’eau, nœud du désaccord entre consommation directe et impacts indirects
La critique la plus structurante concerne la manière de comptabiliser l’eau. Les estimations industrielles axées sur les centres de données retiennent souvent l’eau utilisée directement pour le refroidissement. L’étude de De Vries-Gao souligne cependant un point : l’empreinte eau de l’IA ne se limite pas à l’eau consommée sur place. Cela inclut également potentiellement l’eau déplacée dans la chaîne énergétique, notamment dans la production d’électricité.
Pourquoi l'empreinte eau peut se déplacer en amont
Dans de nombreux systèmes électriques, produire plus d'énergie passe par des installations qui utilisent elles-mêmes de l'eau : refroidissement des centrales électriques, procédés industriels, ou contraintes propres au type de production (thermique, nucléaire, etc.). Même lorsque les centres de données limitent leur consommation directe d’eau, ils peuvent augmenter la demande globale en électricité, et donc indirectement l’empreinte eau associée à la production de cette énergie.
Il s’agit d’un mécanisme fréquent dans l’évaluation environnementale des services numériques : réduire un élément visible (par exemple l’eau sur site) ne garantit pas que l’empreinte globale diminue dans les mêmes proportions si d’autres éléments, moins visibles, augmentent ailleurs. L’étude plaide ainsi pour une lecture plus complète, intégrant les effets indirects, afin d’éviter des conclusions trop optimistes.
Des estimations nuancées, mais un appel clair à plus de transparence
L'auteur de la contre-analyse ne présente pas ses résultats comme une mesure parfaite. Au contraire, il souligne que la précision dépend de données accessibles, souvent agrégées, hétérogènes ou incomplètes. Les entreprises publient des informations environnementales, mais la granularité varie : certains chiffres sont consolidés au niveau du groupe, d'autres sont exprimés en ratios, et les hypothèses de conversion ne sont pas toujours comparables. Cette opacité rend difficile l’établissement d’un bilan universel et vérifiable.
Dans ce contexte, l’étude encourage les autorités à demander davantage d’informations et à renforcer les obligations de reporting, afin de bien distinguer l’inférence, l’entraînement, la consommation du réseau et les impacts indirects liés à la production d’énergie. Le sujet devient d’autant plus sensible que l’IA est désormais perçue comme une infrastructure stratégique, au même titre que le cloud ou les télécommunications.
Un contexte européen paradoxal pour le reporting environnemental
Cette demande de transparence intervient alors que l’Europe discute simultanément de simplifications réglementaires visant à alléger certaines contraintes de reporting développement durable pour certaines entreprises. L’objectif affiché est de réduire la charge administrative et de soutenir la compétitivité. Mais dans le domaine de l’IA, où l’impact réel dépend fortement de paramètres techniques et énergétiques, le risque est de disposer de moins de données au moment même où les usages explosent.
Pour les observateurs, l’enjeu n’est pas de choisir entre innovation et environnement, mais de se doter d’outils de mesure robustes. Sans indicateurs homogènes, la comparaison entre acteurs reste fragile, et les promesses de sobriété sont difficiles à vérifier.
Vers des normes de mesure plus crédibles pour l’IA générative
Au-delà du cas Gemini, l’épisode illustre la nécessité d’un cadre commun. Les métriques à l’échelle d’une requête sont utiles pour suivre la progression interne d’un service, mais elles ne décrivent pas à elles seules l’effet systémique de l’adoption massive de l’IA. A l’inverse, les estimations mondiales donnent un ordre de grandeur, mais elles reposent sur des hypothèses et sur la disponibilité de données publiques, encore inégales.
Dans les prochains mois, la pression pourrait s'accentuer pour uniformiser les périmètres : séparer clairement l'empreinte de formation et celle d'inférence, publier des facteurs d'émission contextualisés par région, détailler la stratégie de refroidissement et les sources d'énergie, et rendre plus transparent le volume de calcul réellement mobilisé. À mesure que l’IA devient une couche logicielle omniprésente, ces indicateurs pourraient s’imposer comme des références, au même titre que les labels d’efficacité énergétique dans d’autres secteurs.
Une chose est sûre : l’empreinte environnementale de l’IA ne peut être réduite à un seul chiffre. Entre communication industrielle, exigences scientifiques et contraintes réglementaires, l’enjeu des années à venir sera d’obtenir des mesures comparables, vérifiables et compréhensibles, pour que la course à l’intelligence artificielle ne soit pas aveugle sur son coût réel.
