gptmesresources.eu

L’intelligence artificielle consomme de vraies ressources.

Comprendre l’empreinte matérielle de l’intelligence artificielle.

Centres de données, modèles d’IA, capteurs en cascade : la magie logicielle repose sur des mines, de l’eau et des mégawatts bien réels. Ce site pédagogique met les coûts matériels à hauteur de regard, sans renoncer à un sourire ironique.

Explorer les chiffres Comment réduire l’empreinte ?

Les grands chiffres à retenir

Chaque indicateur est comparé à un équivalent concret pour donner du sens aux ordres de grandeur. Utilisez nos outils interactifs pour mettre ces chiffres en perspective.

💡 Qu'est-ce que l'empreinte environnementale de l'IA ?

L'empreinte environnementale de l'intelligence artificielle désigne l'ensemble des impacts écologiques générés par les systèmes d'IA tout au long de leur cycle de vie. Cette empreinte inclut la consommation d'électricité des centres de données, l'eau nécessaire au refroidissement des serveurs, les émissions de CO₂ liées à l'entraînement des modèles, et les déchets électroniques issus du matériel obsolète.

Électricité consommée

≈ 2 % de la demande mondiale (2023)

L’IEA estime que la part pourrait dépasser 4 % d’ici 2026 si la croissance IA se maintient.

Équivalent à la consommation annuelle d’un pays comme l’Espagne.

Source : IEA – Electricity 2024

Eau douce prélevée

2,2 Md m³ en 2022

Principalement pour le refroidissement des serveurs de Meta, Google et Microsoft.

Soit 2 × la consommation annuelle du Danemark.

Source : Futuribles – Numérique & IA

Empreinte carbone d'un modèle IA

Définition : L'empreinte carbone d'un modèle d'IA mesure la quantité totale de CO₂ émise pendant son entraînement, incluant l'électricité des serveurs, le refroidissement et la fabrication du matériel.

≈ 300 t CO₂ pour l'entraînement

Comparable à 125 allers-retours en avion New York ↔ Pékin.

Soit les émissions annuelles de plus de 30 personnes en France.

Source : La Dépêche (2025)

Émissions d’un géant du web

14,3 Mt CO₂e pour Google (2023)

+13 % en un an, en grande partie à cause de l’IA.

Autant que les émissions annuelles de la Croatie.

Source : Le Monde (2024)

Comparez et visualisez les impacts

Utilisez les curseurs pour mettre les consommations en perspective. Les données détaillées complètes sont disponibles ci-dessous.

Équivalents de consommation (kWh)

Chaque barre représente l’énergie consommée par un usage courant ou par la durée d’utilisation IA définie ci-dessous.

Hypothèse : 20 requêtes par heure. Les barres IA s’ajustent automatiquement.

Hypothèse : 20 requêtes par heure. Sources : Connaissance des Énergies (Gemini 0,24 Wh), UNESCO (ChatGPT 0,34 Wh), Greenpeace (0,1–1 Wh par requête IA : médiane 0,5 Wh pour Claude), ACV Mistral AI (Carbone 4 & ADEME, 2025).

1 milliard de requêtes par jour

Consommation électrique cumulée par IA (MWh / jour).

Basé sur UNESCO et les propos de Sam Altman évoquant 0,34 Wh par requête pour ChatGPT (~1 milliard de requêtes quotidiennes), Google (Gemini 0,24 Wh) et Greenpeace (fourchette 0,1–1 Wh : médiane 0,5 Wh pour Claude).

Eau utilisée par vos requêtes IA

Une session typique de 10 à 50 réponses consomme jusqu'à 0,5 l d'eau (Université du Colorado, 2023).

d'eau douce

Équivalent à verres d'eau (25 cl).

Part d’électricité mondiale absorbée

de la demande mondiale

Soit .

Visualiser une consommation électrique

100 MWh correspond à la consommation hebdomadaire d’un data center de 600 kW.

Sélectionné :

MC
Cycles de machine à laver

≈ 1,2 kWh par cycle

60W
Heures d’ampoule 60 W

0,06 kWh par heure

IA
Prompts IA (Gemini, 2025)

≈ 0,24 Wh par réponse

FR
Jours d’un réfrigérateur A+

≈ 1,5 kWh par jour

BK
Bouilloires de 1 litre

≈ 0,11 kWh par ébullition

Comparer une consommation d’eau

Un data center peut utiliser 2 millions de litres d’eau par jour pour le refroidissement.

Sélectionné :

50L
Cycles de machine à laver

≈ 50 L par cycle

60L
Douches de 5 minutes

≈ 60 L par douche

150L
Bains remplis

≈ 150 L par bain

0,25L
Verres d’eau

250 mL par verre

IA
Prompts IA (chatbot)

≈ 25 mL par réponse

Panorama mondial des data centers

Visualisez la capacité énergétique et la surface des centres de données selon différents points de vue. Les bulles proviennent du jeu de données datacenters_combined.json.

🇫🇷 Explorer les datacenters en France (carte interactive)

Visualisation en bulles des centres de données agrégés par différents paramètres (pays, entreprise, puissance, certifications).

Données détaillées et statistiques : impact environnemental de l'IA

Ces repères sont issus de rapports internationaux publiés en 2024-2025 (IEA, ArXiv, ONU, Bloomberg, Greenpeace). Explorez nos outils interactifs pour visualiser ces données en contexte.

Consommation énergétique des centres de données

Données globales 2024-2035

Consommation énergétique des centres de données
Indicateur Valeur Source
Consommation mondiale (2024) 415 TWh (~1,5 % de l’électricité mondiale) IEA – Energy & AI
🇫🇷 Herodote (Cairn)
Projection 2030 (base) 945 TWh (~3,6 % mondiale) IEA – Energy & AI
🇫🇷 Herodote (Cairn)
Projection 2035 (haut) 1 300 TWh IEA – Energy & AI
🇫🇷 Herodote (Cairn)
Part estimée des États-Unis ≈ 45 % IEA – Energy & AI
🇫🇷 Herodote (Cairn)

Consommation d'eau et stress hydrique

Données régionales USA et projections mondiales

Consommation d'eau et stress hydrique
Indicateur Valeur Source
Centre de données IA (100 MW) 2 millions de litres par jour Bloomberg (2025)
🇫🇷 Basta!
Entraînement GPT‑3 ≈ 700 000 litres d’eau douce ArXiv (2025)
Projection mondiale 2027 4,2 – 6,6 Md m³ ArXiv (2025)
Nouveaux centres IA en stress hydrique (USA) 70 % des 160 sites recensés Bloomberg (2025)

Émissions carbone et déchets électroniques

Données à jour 2023-2030

Émissions carbone et e-déchets
Indicateur Valeur Source
Émissions centres US (2023) 105 Mt CO₂e (≈2,2 % US) ArXiv (2024)
Émissions globales (2024) ≈ 220 Mt CO₂e IEA – Energy & AI
🇫🇷 Herodote (Cairn)
E-déchets IA (projection 2030) 1,2 – 5 Mt (≈12 % du total) DataCenterDynamics (2024)
Taux de recyclage actuel < 20 % des équipements ONU (2024)

Cas d'étude : territoires et modèles emblématiques

Ces exemples illustrent comment l'impact environnemental varie selon les régions et la conception des modèles. Découvrez comment réduire cet impact au niveau organisationnel.

Mesa, Arizona

Zone de stress hydrique élevé où se concentrent de nouveaux centres IA.

Un campus de 100 MW consomme autant d’eau que 6 500 foyers chaque jour.

Sources : Bloomberg, APM Research Lab

Iowa (États-Unis)

Les centres Microsoft représenteraient jusqu’à 6 % de la consommation d’eau douce locale.

Une pression accrue sur l’agriculture et les communautés rurales.

Sources : NASUCA (2025), GIJN

BLOOM (176 milliards de paramètres)

Entraîné sur un supercalculateur français majoritairement alimenté par l’électricité nucléaire.

25 t CO₂ pour l’entraînement, 50 t sur l’ensemble du cycle de vie.

Sources : Communications of the ACM, arXiv

Mistral AI (2025)

Première ACV complète d’un modèle IA publiée avec Carbone 4 et l’ADEME.

1,14 g CO₂e et 45 mL d’eau par réponse de 400 tokens.

Sources : Mistral AI, LeMagIT

Cadres réglementaires et standards

Les régulateurs introduisent progressivement des obligations de transparence environnementale pour l'IA. Consultez nos ressources documentaires pour approfondir ces enjeux réglementaires.

EU AI Act (2024-2025)

Articles 4a(f), 12(2a) et 28b imposent le suivi de la consommation énergétique et la réduction des ressources pour les modèles fondamentaux à haut risque.

Limite : peu d’exigences contraignantes sur l’eau, les minéraux critiques et les déchets électroniques.

Sources : Version officielle (EN) · Analyse Öko-Institut (FR)

AI Environmental Impacts Act (USA, proposition)

Projet de loi porté par le sénateur Markey et Greenpeace USA pour instaurer des bilans standardisés des impacts climatiques et hydriques.

Source : Texte officiel (EN)

Cadre « 5 points » Greenpeace / Öko-Institut

1) Justifier l’usage de l’IA 2) Préférer des solutions sobres 3) Concevoir des modèles compacts 4) Optimiser logiciels et données 5) Publier l’empreinte complète.

Normes ACV (ISO 14040/44) et méthodologie IA frugale (AFNOR)

Une approche cycle de vie alignée sur le GHG Protocol Product Standard pour comparer les modèles sur des bases harmonisées.

Outils de mesure et ressources pour agir

Mesurez, suivez et réduisez l’empreinte de vos projets numériques grâce à ces outils ouverts et bases de données spécialisées.

CodeCarbon

Bibliothèque open source pour suivre les émissions CO₂ d’un script Python, avec équivalents concrets et recommandations régionales.

Accéder à CodeCarbon

EnergyVis & eco2AI

Tableaux de bord pour visualiser la consommation énergétique des expérimentations IA et comparer les frameworks.

Découvrir les outils

S&P Global DCKB

Base mondiale de 9 055 centres de données avec données de stress hydrique, scénarios climatiques et risques physiques.

En savoir plus

Waterplan

Plateforme d’évaluation des risques liés à l’eau pour les infrastructures IA, basée sur des données de terrain.

Explorer Waterplan

Solutions : réduire l'empreinte environnementale de l'IA

Des solutions existent côté industriels, développeurs et usagers.

Guide pour les opérateurs de centres de données

Énergies renouvelables et optimisation

  • Alimenter les centres de données avec des énergies renouvelables.
  • Réutiliser la chaleur fatale (réseaux urbains, serres, piscines).
  • Optimiser le refroidissement (free cooling, immersion liquid cooling).
  • 📘 Vie publique (FR) – Data centers et environnement

Optimisation pour les équipes IA

Modèles compacts et mesure d'impact

  • Privilégier une IA frugale : modèles spécialisés, distillation, pruning.
  • Mesurer systématiquement l'empreinte avec les outils de mesure disponibles (ML CO₂ Impact, CodeCarbon).
  • Mutualiser les entraînements et partager les modèles existants.

Bonnes pratiques pour les utilisateurs

Usage sobre et matériel durable

  • Limiter les requêtes superflues et préférer les usages sobres.
  • Prolonger la durée de vie des équipements et privilégier le reconditionné.
  • Activer les modes basse consommation et éteindre les services inutilisés.
  • 🇫🇷 Basta! – Eau et ressources accaparées par l’IA

Mobilisation des territoires

Actions citoyennes face aux hyperscalers

Des collectifs comme Tu Nube Seca Mi Río (Espagne), Not Here Not Anywhere (Irlande) ou Save the Wieringermeer (Pays-Bas) obtiennent moratoires, transparence et révision des projets en s’appuyant sur ces stratégies.

Pour aller plus loin

Découvrez des rapports, articles et initiatives qui approfondissent ces données.

IEA – Energy Demand from AI (2024)

Projections détaillées de consommation électrique et scénarios de croissance liés à l’IA.

Consulter le rapport

Greenpeace / Öko-Institut

Analyse de 95 études scientifiques avec cadre en cinq points pour une IA durable.

Lire la synthèse

UNESCO – Smarter, Smaller, Stronger (2025)

Comment les petits modèles IA réduisent la consommation énergétique jusqu’à 90 %.

Découvrir le rapport

OCDE – Measuring the Environmental Impacts of AI

Recommandations pour standardiser la mesure des consommations et identifier les lacunes de transparence.

Accéder aux recommandations