Nous le savons : l’utilisation de l’IA nécessite des quantités d’énergie et d’eau bien plus importantes que les recherches normales sur le Web. UN invite de texte envoyé aux Gémeauxl’IA de Google, consomme en moyenne 0,24 Wh d’énergie, libère 0,03 grammes de CO₂ et prend environ 0,26 millilitres d’eaul’équivalent de cinq gouttes. Des chiffres apparemment négligeables. Mais quand tu te concentres sur GPT-4 d’OpenAI, la situation change radicalement : comment estiment-ils le Washington Post et l’Université de Californiegénérer un seul e-mail de 100 mots nécessite 0,14 kWh – assez pour se nourrir 14 ampoules LED pendant une heure – et absorbe 519 millilitres d’eaupetit bouteille de plus d’un demi-litre.
Il faut cependant préciser que déterminer le coût écologique réel de chaque requête envoyée à l’IA est une opération extrêmement complexe à compléter et que ces estimations ne tiennent pas compte des modèles les plus récents, mais reposent sur un niveau de complexité standardisé qui varie inévitablement en fonction des différentes méthodologies de calcul et de l’architecture des systèmes examinés. À quoi ça ressemble maintenant
Pourquoi l’IA consomme autant
Chaque fois que nous tapons une requête et l’envoyons à l’IA, les modèles effectuent des milliards de calculs pour la traiter et renvoyer une réponse. Ce processus génère chaleuret pour éviter le surchauffe du processeur utilisation des centres de données grands systèmes de refroidissement par eau: le liquide absorbe la chaleur et la disperse dans l’atmosphère à travers des tours d’évaporation.
Jusqu’à récemment, les grandes entreprises technologiques restaient extrêmement secrètes sur leur consommation. Google a rompu son silence il y a un peu moins d’un an en publiant un rapport contenant des données sur l’efficacité de Gemini basées sur 12 mois d’analyse. Pour obtenir une valeur représentative, les chercheurs ont calculé ce qu’on appelle « invite médiane » – la demande au cinquantième centile de consommation – incluant non seulement l’énergie utilisée par les puces, mais tout l’écosystème matériel : des CPU à la RAM, en passant par les systèmes de ventilation et même les machines au repos.
Les limites de l’étude
L’étude en contient cependant limites. Il exclut les modèles de génération d’images et de vidéos – parmi les plus exigeants en termes de calcul – et pour lesquels il n’existe pas encore de métriques universellement partagées. Les experts soulignent également que comparer une recherche Web traditionnelle avec une requête générative est très trompeur : les dynamiques d’interaction sont trop différentes.
Les 0,24 Wh d’une simple invite semblent modestes, mais le poids réel apparaît lorsque l’on considère leséance de conversation entière: à mesure que les questions deviennent plus complexes et que la mémoire contextuelle requise du serveur augmente, la consommation augmente. Avec au-delà 900 millions d’utilisateurs actifs par mois (données mises à jour le 19 mai 2026) et des volumes de trafic en constante augmentation, il est clair que les données d’une seule requête ne sont qu’un fragment d’un tableau beaucoup plus vaste.
Sur ChatGPT les estimations – élaborées par Washington Post et de Université de Californie – ils parlent d’une consommation nettement plus élevée. En projetant les données à l’échelle globale, on calcule que le système peut absorber environ 39,98 millions de kWh par jour: l’équivalent de la charge simultanée de huit millions de smartphonesou les besoins énergétiques annuels de pays entiers à faible consommation. Au bord de l’eau, une consommation journalière d’environ 39,16 millions de gallons d’eau douceun montant comparable à la chasse d’eau simultanée des toilettes de l’ensemble de la population de Taiwan.
Formation, inférence et course aux paramètres
Les experts distinguent deux phases dans l’impact environnemental de l’IA : laformation initiale du modèle etinférencec’est-à-dire traiter les réponses en temps réel. Dans les moteurs de recherche traditionnels, la plus grande part d’énergie était liée à la réponse finale. Cependant, avec les modèles de langage modernes, les paramètres internes ont augmenté de façon exponentielle, rendant chaque traitement de plus en plus coûteux.
Cette escalade technologique se heurte à la fragilité des ressources mondiales en eau. Un cinquième des centres de données américains tirent leur eau de bassins déjà soumis à un stress hydriqueet bon nombre des nouvelles centrales prévues en Europe sont situées dans des zones à haut risque de sécheresse.
Pour limiter l’impact, Google a adopté des stratégies de flexibilité de la charge de travail, déplaçant le des traitements plus lourds dans les tranches horaires où le réseau est le moins sollicité ou une énergie renouvelable est disponible. Dans les régions arides comme l’Arizona, il choisit le refroidissement par air au lieu du refroidissement par eaurenonçant à 10 % d’économie d’électricité, pour préserver les réserves locales. Plus d’un quart des usines utilisent déjà de l’eau recyclée ou non potable.
Un équilibre encore à trouver
L’optimisation de l’efficacité énergétique grâce à de nouveaux composants matériels nécessite des investissements importants, souvent éclipsés par la ruée commerciale vers le marché. Certains soutiennent que l’IA elle-même optimisera à l’avenir la gestion des ressources planétaires, une perspective qui, pour le moment, pourrait cependant paraître beaucoup trop optimiste et pas totalement sans risque. À l’heure actuelle, la priorité est probablement autre : moniteur avec rigueur et transparence le réel impact de chacune de nos interactions digitales. C’est une tâche qui est loin d’être simple à réaliser.