IA générative et environnement : les quatre leviers de l’ADEME pour réduire son empreinte

L’intelligence artificielle générative s’installe dans les moteurs de recherche, les logiciels professionnels et les outils de création. Derrière la simplicité apparente de ces services se trouvent pourtant des infrastructures fortement consommatrices d’énergie et de ressources. Dans un avis publié en juillet 2026, l’ADEME appelle à mieux mesurer cette empreinte, à développer des modèles plus frugaux et à maîtriser la croissance des usages.
Produire un texte en quelques secondes, générer une image à partir d’une consigne ou déléguer une succession de tâches à un agent autonome : l’intelligence artificielle générative donne l’impression d’un service immédiat, accessible depuis n’importe quel ordinateur ou smartphone.
Cette apparente dématérialisation masque une réalité physique. Pour fonctionner, les systèmes d’IA ont besoin de centres de données, de serveurs spécialisés, de cartes graphiques, de réseaux, de terminaux et d’importantes quantités d’électricité. Leur développement mobilise également de l’eau, des sols et des ressources minérales.
Le 22 juillet 2026, l’Agence de la transition écologique a publié un avis consacré aux impacts environnementaux directs et indirects des intelligences artificielles génératives et agentiques. L’ADEME y constate une trajectoire préoccupante, alimentée par la course aux modèles les plus performants et par l’intégration croissante de l’IA dans les services numériques. Elle formule quatre grandes recommandations : standardiser la mesure des impacts, développer une IA frugale, articuler sobriété et souveraineté, et favoriser un usage raisonné de ces technologies.

L’intelligence artificielle n’a rien d’immatériel

L’empreinte environnementale de l’IA générative s’inscrit d’abord dans celle, déjà importante, du numérique. En 2022, celui-ci représentait 4,4 % de l’empreinte carbone de la France, avant même la diffusion massive des assistants génératifs et des agents autonomes. Cette empreinte ne se limite pas à la consommation électrique des services : elle inclut la fabrication, la distribution et la fin de vie des équipements et des infrastructures nécessaires à leur fonctionnement.
L’essor de l’IA accroît notamment la demande en puissance de calcul. L’entraînement d’un grand modèle nécessite de traiter d’immenses volumes de données à l’aide de milliers, voire de dizaines de milliers de processeurs spécialisés. Une fois entraîné, le modèle doit ensuite être sollicité à chaque requête pour générer une réponse : c’est la phase dite d’inférence.

Les modèles ne sont d’ailleurs pas entraînés une seule fois. Leur développement peut comporter plusieurs tests, entraînements principaux, réglages fins et mises à jour. À ces opérations s’ajoutent parfois les essais de modèles qui ne sont jamais commercialisés, mais dont les calculs ont malgré tout consommé de l’énergie.
L’étude conduite sur Mistral Large 2 donne un aperçu de cette matérialité. Les émissions associées à ses différents entraînements ont été estimées à environ 20 000 tonnes équivalent CO₂, soit l’équivalent de l’empreinte carbone annuelle de plus de 2 400 personnes en France. Cette valeur ne peut pas être transposée automatiquement à tous les modèles, dont les architectures, les usages et les infrastructures diffèrent. Elle fournit néanmoins un ordre de grandeur sur les ressources nécessaires au développement d’un grand modèle de langage.

Entraînement et utilisation : deux sources d’impact complémentaires

L’entraînement concentre une quantité importante de calculs sur une période donnée. Mais l’empreinte d’un service d’IA ne s’arrête pas au moment où le modèle est mis à disposition du public.
Chaque texte, image, morceau audio ou vidéo généré nécessite une nouvelle opération de calcul. Prise isolément, une requête peut sembler peu significative par rapport à l’entraînement initial. À l’échelle de centaines de millions d’utilisateurs et de milliards de sollicitations, l’inférence devient cependant un poste de consommation majeur.
Son impact varie fortement selon la tâche demandée. Il dépend notamment de la taille du modèle, de la longueur de la requête, de celle de la réponse, du niveau de qualité attendu et du type de contenu produit. La génération d’une vidéo est, par exemple, beaucoup plus intensive que celle d’un court texte. Pour une même vidéo, augmenter sa durée ou sa qualité peut également accroître sensiblement l’énergie mobilisée.

Cette variabilité rend les comparaisons délicates. Affirmer qu’une requête d’IA consomme une quantité déterminée d’énergie ou émet un volume fixe de CO₂ peut être trompeur lorsque le modèle, le type de demande, la longueur de la réponse et le lieu d’hébergement ne sont pas précisés.
L’enjeu ne consiste donc pas seulement à réduire la consommation moyenne d’une requête. Il faut aussi prendre en compte la croissance du nombre d’utilisateurs, la multiplication des contenus générés et l’apparition de services plus autonomes. Les agents d’IA, capables d’enchaîner plusieurs opérations sans intervention humaine, peuvent ainsi produire un grand nombre de requêtes pour accomplir une seule tâche apparente.

Des centres de données sous pression

La consommation électrique mondiale des centres de données a atteint environ 485 TWh en 2025. Selon la trajectoire présentée par l’ADEME, elle pourrait doubler d’ici 2030 et atteindre un niveau proche de la consommation annuelle du Japon. Pour les services numériques utilisés en France, le scénario tendanciel prévoit une multiplication par 3,7 de la consommation électrique associée aux centres de données d’ici 2035.
Cette croissance est portée par plusieurs facteurs, parmi lesquels l’adoption de l’intelligence artificielle occupe une place centrale. Elle doit aussi être replacée dans une dynamique plus large : développement du cloud, augmentation des volumes de données, automatisation des échanges entre machines et multiplication des services numériques.

Les conséquences sont à la fois globales et locales. Les centres de données peuvent représenter une pression importante sur les réseaux électriques des territoires où ils sont implantés. Leur concentration géographique est susceptible de créer une concurrence avec d’autres besoins d’électrification, notamment ceux des transports, de l’industrie et du bâtiment. L’ADEME évoque également les enjeux liés au refroidissement des installations, à la consommation d’eau et à l’artificialisation des sols.
Le bilan carbone dépend en outre du pays dans lequel les calculs sont réalisés. Environ deux tiers des traitements associés aux usages numériques français auraient lieu à l’étranger, dans des pays dont les mix électriques sont en moyenne plus carbonés que celui de la France. Une même quantité d’électricité consommée peut donc générer des émissions différentes selon la part du charbon, du gaz, du nucléaire ou des énergies renouvelables dans la production locale.

Des impacts qui ne se limitent pas à l’électricité

La consommation d’énergie des serveurs représente une part importante de l’empreinte directe de l’IA. Elle ne doit cependant pas faire oublier la fabrication des équipements.
Les cartes graphiques et autres processeurs spécialisés nécessitent des métaux, des procédés industriels complexes et des chaînes d’approvisionnement internationales. Leur production mobilise de l’énergie et de l’eau et génère des émissions de gaz à effet de serre ainsi que différentes formes de pollution.

Les impacts de fabrication augmentent avec le nombre de serveurs déployés, mais également avec leur renouvellement. La succession rapide des générations de puces peut accélérer l’obsolescence des infrastructures, même lorsque les équipements précédents demeurent techniquement fonctionnels. Prolonger leur durée de vie et améliorer leur taux d’utilisation constituent donc des leviers importants.

L’intégration de capacités d’IA directement dans les ordinateurs et les smartphones peut également favoriser le renouvellement des terminaux. Des utilisateurs peuvent être incités à remplacer un appareil pour accéder à des fonctionnalités présentées comme indispensables, alors que leur équipement actuel répond encore aux autres besoins.
Ces effets relèvent de ce que l’ADEME qualifie d’impacts indirects. Ils incluent aussi les contenus supplémentaires à stocker, les flux générés par les agents autonomes et l’augmentation potentielle du volume de données circulant sur les réseaux.

L’effet rebond, limite majeure des gains d’efficacité

Les performances énergétiques des modèles et des équipements progressent rapidement. Pour une même opération, un système récent peut nécessiter moins d’énergie qu’un système antérieur. Cette amélioration ne garantit toutefois pas une baisse de la consommation totale.
Lorsqu’un service devient plus rapide, plus abordable et plus simple à utiliser, son usage peut se généraliser. La réduction de l’impact unitaire est alors compensée, voire dépassée, par l’augmentation du nombre de sollicitations. C’est le principe de l’effet rebond.

Une entreprise peut, par exemple, utiliser l’IA pour accélérer la production d’illustrations. Si chaque image demande moins de temps et coûte moins cher, le nombre de variantes produites risque d’augmenter fortement. L’efficacité technique ne se traduit alors pas nécessairement par une réduction de l’empreinte globale.
L’AFNOR place cette question au cœur de sa définition de l’IA frugale. La frugalité ne consiste pas uniquement à optimiser les algorithmes : elle suppose aussi de questionner le besoin, les usages et le volume de services déployés. Son référentiel AFNOR Spec 2314 réunit une méthodologie d’évaluation et 31 fiches de bonnes pratiques destinées aux concepteurs, aux fournisseurs et aux organisations utilisatrices.

« AI for Green » : des bénéfices à démontrer au cas par cas

L’intelligence artificielle peut contribuer à la transition écologique. Des modèles sont déjà utilisés pour optimiser des chaînes logistiques, améliorer l’efficacité énergétique, anticiper des opérations de maintenance ou affiner certaines prévisions météorologiques et climatiques.
Pour autant, ces applications reposent généralement sur des systèmes spécialisés, développés pour résoudre un problème défini. Elles ne mobilisent pas nécessairement les mêmes technologies que les grands modèles génératifs généralistes.

L’ADEME souligne qu’il n’existe pas encore de démonstration suffisante permettant d’attribuer des gains environnementaux quantifiables aux IA génératives et agentiques dans leur ensemble. Les bénéfices éventuels ne peuvent donc pas être invoqués pour compenser automatiquement leur empreinte directe.
L’évaluation doit être réalisée pour chaque cas d’usage. Elle doit comparer la solution avec une situation de référence, intégrer l’ensemble de son cycle de vie et examiner les conséquences indirectes. Une optimisation logistique peut, par exemple, réduire la consommation de carburant par livraison, mais stimuler parallèlement le nombre total de livraisons en rendant le service moins coûteux.

Le même raisonnement s’applique aux transferts d’impact. Une solution peut réduire les émissions de gaz à effet de serre tout en augmentant la consommation d’eau ou la demande en ressources métalliques. Seule une analyse multicritère permet d’éviter qu’une amélioration affichée sur un indicateur dissimule une dégradation sur un autre.

Première recommandation : rendre les impacts transparents et comparables

Le premier obstacle identifié par l’ADEME est le manque de données disponibles. La taille des modèles, les infrastructures employées, les lieux d’hébergement, les consommations d’énergie et le nombre d’entraînements ne sont pas toujours rendus publics. Les méthodes utilisées par les entreprises diffèrent par ailleurs suffisamment pour limiter la comparaison des résultats.
L’Agence recommande donc de construire une méthodologie commune, standardisée et applicable à l’ensemble du secteur. Celle-ci devrait reposer sur une analyse de cycle de vie multicritère prenant notamment en compte la consommation énergétique, les émissions de gaz à effet de serre, la consommation d’eau, l’épuisement des ressources métalliques, la fabrication et la durée de vie des équipements, ainsi que l’entraînement, l’inférence et le stockage des données.

L’ADEME conseille également de distinguer l’évaluation d’un service complet de celle de l’usage individuel. Pour un service, il faut intégrer les différents entraînements, les serveurs mobilisés, les données et les infrastructures. Pour l’utilisateur, il est souvent plus pertinent de mesurer un usage annuel représentatif qu’une requête isolée, dont l’impact dépend fortement du contexte.
Cette transparence permettrait aux entreprises et aux administrations de comparer les solutions lors de leurs achats. Elle limiterait également les allégations environnementales vagues et les risques de greenwashing.

Deuxième recommandation : développer une IA réellement frugale

La deuxième recommandation consiste à intégrer l’écoconception dès la définition du besoin. Avant de sélectionner un modèle, l’organisation doit se demander si une IA générative constitue réellement la solution la plus appropriée.
Une recherche classique, une base documentaire, un correcteur orthographique, un outil de traduction spécialisé ou un algorithme plus simple peuvent parfois répondre au besoin avec beaucoup moins de ressources. La frugalité commence donc par la possibilité de ne pas utiliser d’IA générative.

Lorsqu’elle est justifiée, le modèle doit être dimensionné en fonction de la tâche. Un grand modèle généraliste n’est pas toujours nécessaire pour classer des documents, extraire quelques informations ou répondre à des questions portant sur un domaine limité. Des modèles plus petits et spécialisés peuvent réduire la puissance de calcul requise, tout en proposant des performances suffisantes.
Ils peuvent aussi être plus faciles à déployer sur des infrastructures maîtrisées, à mesurer et à adapter. Cette approche peut réduire à la fois les impacts environnementaux, les coûts financiers et la dépendance envers quelques fournisseurs dominants.

Le référentiel général pour l’IA frugale de l’AFNOR et le Référentiel général d’écoconception des services numériques peuvent dès à présent servir de base aux concepteurs et aux acheteurs. L’ADEME envisage également qu’ils puissent contribuer à la création d’un outil permettant d’identifier les services d’IA écoconçus.

Troisième recommandation : articuler sobriété et souveraineté

L’hébergement de services d’IA en France peut réduire leurs émissions lorsque les calculs réalisés dans des pays fortement dépendants des énergies fossiles sont effectivement remplacés par des traitements effectués sur le territoire national.
Cette relocalisation peut aussi améliorer la maîtrise des infrastructures, des modèles et des données. Elle ne doit toutefois pas être assimilée automatiquement à une réduction d’impact.

Dans un marché en très forte croissance, de nouveaux centres français peuvent s’ajouter aux installations étrangères plutôt que s’y substituer. La question déterminante demeure donc celle des usages hébergés et de leur utilité.
L’ADEME recommande une planification territoriale des implantations afin de prendre en compte les capacités du réseau électrique, la disponibilité de l’eau, l’occupation des sols et les autres besoins locaux. L’amélioration de l’efficacité énergétique, le recours à des énergies renouvelables locales et la valorisation de la chaleur produite par les serveurs peuvent également contribuer à réduire l’impact des installations, sous réserve d’une évaluation complète de leur pertinence.

La souveraineté ne se limite d’ailleurs pas à la localisation physique des machines. Elle englobe la capacité à protéger les données, à auditer les modèles, à choisir les infrastructures et à éviter une dépendance excessive à des acteurs externes.

Quatrième recommandation : favoriser un usage raisonné de l’IA

La maîtrise de l’empreinte environnementale dépend enfin des pratiques quotidiennes. Pour l’ADEME, la formation et la sensibilisation doivent aider les utilisateurs à comprendre le fonctionnement des modèles et à adapter leurs usages.
Plusieurs principes peuvent être appliqués immédiatement : sélectionner un modèle proportionné à la tâche ; préciser la longueur de la réponse souhaitée ; limiter la qualité ou la résolution au niveau réellement nécessaire ; formuler une demande claire afin d’éviter les itérations ; restreindre la génération de vidéos aux besoins justifiés ; rechercher un contenu existant avant d’en produire un nouveau ; préférer une fonctionnalité spécialisée lorsqu’elle suffit.

L’ADEME recommande notamment de privilégier les moteurs de recherche classiques lorsqu’il s’agit de retrouver un contenu déjà publié, même si certains intègrent désormais eux-mêmes des réponses génératives. Elle conseille aussi de limiter la production d’images et de vidéos, plus consommatrice que la génération de texte, et d’utiliser les banques de contenus existantes lorsqu’elles peuvent répondre au besoin.
La responsabilité ne doit cependant pas reposer uniquement sur l’utilisateur. Les éditeurs intègrent de plus en plus souvent des fonctions génératives activées par défaut dans les moteurs de recherche, les suites bureautiques ou les systèmes d’exploitation. L’ADEME estime que chacun devrait pouvoir désactiver ces fonctionnalités lorsqu’il ne souhaite pas les utiliser.

Comment les entreprises peuvent-elles agir dès maintenant ?

Les organisations n’ont pas besoin d’attendre une méthode de mesure parfaite pour commencer à réduire leurs impacts. Une première étape consiste à cartographier les usages déjà présents : rédaction, synthèse, traduction, génération visuelle, développement informatique, relation client ou automatisation de processus.
Chaque usage peut ensuite être évalué selon trois critères : sa valeur réelle, l’existence d’alternatives moins intensives et le niveau de ressources nécessaire. Cette analyse permet d’éviter une intégration généralisée de l’IA motivée uniquement par l’effet de nouveauté.

Les entreprises peuvent également intégrer des critères environnementaux à leurs appels d’offres, demander aux fournisseurs des informations sur les modèles et les infrastructures, privilégier des modèles spécialisés pour les tâches simples, limiter les fonctions génératives activées par défaut, encadrer la production d’images et de vidéos, suivre les volumes de requêtes par équipe ou par service, former les collaborateurs à des usages précis et proportionnés, et inscrire la sobriété dans leur charte d’utilisation de l’IA.
L’objectif n’est pas d’interdire systématiquement l’intelligence artificielle générative. Il est de sortir d’une logique dans laquelle chaque gain de vitesse ou de productivité justifierait automatiquement son déploiement.

Une IA responsable commence par un arbitrage sur les usages

Les progrès techniques peuvent réduire la consommation nécessaire à l’exécution d’une tâche. Mais ils ne suffiront pas à contenir l’empreinte du secteur si le nombre de modèles, de fonctionnalités et de contenus générés continue de croître sans arbitrage.
Les recommandations de l’ADEME invitent ainsi à déplacer le débat. La question n’est plus seulement de savoir combien consomme une requête, mais pourquoi elle est effectuée, avec quel modèle, sur quelle infrastructure et à quelle fréquence.

Une intelligence artificielle plus responsable repose sur quatre conditions complémentaires : des impacts mesurables, des services écoconçus, des infrastructures planifiées et des usages maîtrisés. Sa frugalité ne dépend donc pas uniquement des performances des machines. Elle commence par une décision humaine : déterminer quand l’IA est réellement nécessaire et à quel niveau de ressources son utilisation reste proportionnée au bénéfice attendu.