Découvrez le concept d’IA durable

L’IA peut-elle vraiment être durable ?

L’intelligence artificielle (IA) suscite beaucoup d’espoirs, notamment pour répondre aux grands défis de notre époque. Mais derrière ces promesses se cache une réalité plus complexe. L’IA s’inscrit dans un contexte environnemental déjà fortement dégradé, et ses usages croissants soulèvent de nombreuses questions.

Selon le Règlement européen sur l’IA (Article 3), un système d’intelligence artificielle est un logiciel développé avec une ou plusieurs techniques permettant, pour un objectif donné, de produire des contenus, des prédictions ou des décisions qui influencent l’environnement dans lequel il agit. Concrètement, l’IA peut générer une recommandation de film, prédire une panne industrielle ou encore piloter la consommation énergétique d’un bâtiment.

Elle regroupe plusieurs sous-domaines, dont le machine learning (apprentissage automatique), le deep learning (apprentissage profond) et le traitement automatique du langage (NLP). Ces techniques permettent à une machine d’apprendre à effectuer une tâche à partir de données, et d’améliorer ses performances avec l’expérience, sans qu’on doive la programmer dans le détail.

L’IA ne fonctionne pas « dans le cloud » sans conséquences matérielles. Elle repose sur des centres de données gigantesques, qui consomment énormément d’électricité pour fonctionner et être refroidis. Cela implique aussi une forte consommation d’eau, notamment pour le refroidissement. La fabrication des composants nécessaires aux serveurs, aux ordinateurs ou aux puces d’accélération (GPU) mobilise des ressources rares : terres rares, métaux, et même des sols dégradés par l’extraction minière.

Et ce n’est pas tout. Même si certains systèmes IA peuvent aider à réduire l’impact environnemental (par exemple en optimisant la logistique ou l’usage des ressources), plus on les utilise, plus ils consomment. C’est ce qu’on appelle l’effet rebond : des gains d’efficacité qui déclenchent une hausse globale des usages, annulant les bénéfices attendus.

Oui, à deux conditions. D’une part, si elle est mise au service de la transition écologique : prévoir des événements climatiques extrêmes, surveiller la qualité de l’air, ou réduire le gaspillage dans la grande distribution. D’autre part, si l’on maîtrise ses propres impacts dès la conception.

C’est là qu’intervient la notion d’IA frugale : une IA pensée pour réduire ses besoins en ressources, grâce à une redéfinition des usages, des exigences de performance réalistes, ou une meilleure répartition des efforts entre les acteurs (du concepteur au fournisseur du service).

Le modèle d’IA est d’abord construit lors d’une phase appelée entraînement, à partir d’un grand volume de données. Cela représente l’étape la plus énergivore. Ensuite, lors des inférences, le modèle est utilisé pour produire des résultats : par exemple, chaque fois que vous interrogez un agent conversationnel.

Réduire l’impact environnemental d’un système IA, c’est donc agir sur ces deux étapes. C’est aussi s’interroger sur l’utilité réelle du système, optimiser les algorithmes, limiter les tailles de modèle ou réutiliser des modèles préexistants.

Les impacts environnementaux de l’IA

Si la question “l’IA peut-elle être durable ?” se pose avec autant d’insistance, c’est que ses impacts s’additionnent à un contexte environnemental déjà tendu.

Pour raisonner simplement, on peut distinguer trois grandes familles d’impacts :

• Énergie et climat :

  • La mise à jour 2025 de l’étude ADEME-Arcep chiffre l’empreinte du numérique en France (dont fait partie l’IA) à 4,4 % de l’empreinte carbone nationale, soit 29,5 MtCO₂e en 2022. Elle précise aussi que 11 % de la consommation d’électricité française est liée aux services numériques, soit 51,5 TWh (et 65 TWh si l’on tient compte des data centers situés à l’étranger qui hébergent des usages français).

  • La répartition par “tiers” est parlante : 50 % des émissions proviennent des terminaux, 46 % des data centers, 4 % des réseaux ; et 60 % des émissions se situent en amont (fabrication, distribution, fin de vie), contre 40 % en phase d’usage.

  • Enfin, l’étude souligne que l’essor de l’IA générative n’est pas encore totalement capté et rappelle la projection de l’Agence internationale de l’énergie d’un doublement de la consommation électrique des data centers d’ici 2026. Ces ordres de grandeur expliquent le regain d’attention autour de l’IA : elle devient une composante forte de l’évolution de l’empreinte environnementale du numérique.

• Eau :

  • Au-delà de l’électricité, l’IA s’appuie sur des centres de données qui mobilisent de l’eau (pour le refroidissement direct et, indirectement, via la production d’électricité).

  • Côté ordres de grandeur publiés, Microsoft a rapporté environ 6,4 millions m³ d’eau consommés en 2022, pour l’essentiel liés à ses data centers. Google a indiqué ≈ 21,2 millions m³ de prélèvements d’eau en 2022 (bureaux + data centers).

  • Seuls quelques chiffres ont été publiés à maille plus faible. Notamment, Mistral AI indique que son modèle Mistral Large 2 a entraîné la consommation de 281000 m3 d’eau pour 18 mois d’utilisation. Il convient de renforcer la transparence pour piloter les risques locaux, notamment en zones soumises au stress hydrique.

• Ressources et sols :

  • La fabrication et le renouvellement des équipements (serveurs, réseaux, terminaux) requièrent des matières premières (métaux et minéraux). La même mise à jour ADEME-Arcep estime à 117 millions de tonnes les ressources mobilisées chaque année pour produire et utiliser les équipements numériques en France, soit environ 1,7 tonne par habitant et par an. Le message clé est bien que la fabrication concentre la majorité des impacts sur le cycle de vie : c’est là que se jouent les gains via l’allongement de la durée de vie, la réparation, le réemploi et la mutualisation des équipements. 

L’IA, problème ou solution ?

L’IA peut être durable si, et seulement si, deux conditions sont réunies :

• La première condition, c’est qu’elle soit utile à la transition écologique. On parle alors d’AI for Green : des modèles qui permettent de mieux prévoir (par exemple météo/énergie, risques naturels), mieux observer (vision par ordinateur appliquée à la qualité de l’air, feux de forêt, aux îlots de chaleur), mieux optimiser (bâtiments, réseaux, mobilités) et mieux décider (aide à la planification, priorisation d’investissements publics).

• La seconde condition, c’est que l’IA soit sobre par conception on parle alors de Green AI ou d’IA frugale. Concrètement, cela suppose de mesurer l’empreinte (méthodes Analyse Cycle Vie), de choisir des architectures sobres (petits modèles spécialisés quand c’est possible, quantification, adaptation légère plutôt que ré-entraînement complet), de localiser l’entraînement et l’inférence dans des zones à mix électrique bas-carbone (la France a atteint en 2024 une intensité carbone de 21,7 gCO₂e/kWh), et de gouverner les usages pour éviter l’inflation de calcul.

Lorsque ces deux conditions sont réunies, c’est-à-dire une IA au service de la transition (AI for Green) et une IA sobre par conception (Green AI) on peut parler d’IA durable.

Découvrez les cas d’usage de l’IA dans la transition écologique (AI for Green)

Modéliser le climat et la météo, plus vite et parfois plus précisément

L’IA peut apprendre à « imiter » la météo en étudiant des dizaines d’années d’archives. Une fois entraînée, elle calcule des cartes météo en quelques minutes. Cela ne remplace pas les modèles scientifiques classiques, mais cela les complète. L’intérêt est simple : si l’on prévoit mieux et plus vite le vent et l’ensoleillement, on gère mieux les éoliennes et les panneaux solaires. Le réseau électrique est plus stable, on évite des gaspillages, et on sait plus tôt quand il faudra effacer ou déplacer certaines consommations.

Pour l’adaptation au climat, ces modèles aident aussi. Par exemple, connaître plus tôt la trajectoire d’un cyclone ou l’arrivée d’une vague de chaleur permet d’alerter plus vite, de protéger les personnes fragiles, d’organiser les secours et de limiter les dégâts.

Computer vision et télédétection : observer, cartographier, alerter

Ici, l’IA regarde des images pour comprendre ce qui se passe sur le territoire. Les images peuvent venir de satellites, d’avions, de drones ou de caméras fixes. L’IA repère alors des objets et des changements : une zone inondée, une falaise qui recule sur le littoral, une rue très minérale qui chauffe l’été, un toit qui pourrait accueillir des panneaux solaires.

En France, l’IGN (l’institut public des cartes et des données géographiques) utilise l’IA pour mettre à jour plus vite ses cartes : occupation du sol, bâtiments, végétation. Grâce à cela, une ville peut voir où l’artificialisation progresse, où végétaliser pour créer de la fraîcheur, ou encore quels quartiers sont les plus exposés aux risques.

Oui, à condition de mesurer d’abord, puis d’agir sur le modèle, les données, l’hébergement et… les usages. C’est exactement la logique promue par Ecolab avec le Référentiel général pour l’IA frugale (AFNOR SPEC 2314) et sa page “Frugal AI”.

1. Compression et optimisation des modèles (moins de calcul = moins d’énergie) :
   On “fait maigrir” le modèle ou on l’adapte sans tout ré-entraîner (ex. compression, quantification, distillation.. ). On garde la qualité suffisante pour la tâche, mais on réduit le temps de calcul et donc l’énergie consommée. Le Référentiel AFNOR SPEC 2314 détaille ces bonnes pratiques et comment les documenter quand on communique (éviter le greenwashing).

2. Réduire la quantité de données… et surtout mieux les choisir :
   Moins de données inutiles = moins de calcul pour entraîner le modèle. On nettoie (on enlève les doublons et le bruit), on fait de l’active learning (on n’annote que ce qui apporte vraiment), et on réutilise des données/modèles existants quand c’est pertinent. La SPEC 2314 explicite cette logique : qualité et pertinence priment sur la quantité.

3. Héberger là où l’électricité est très peu carbonée :
   A consommation électrique égale, l’empreinte “à l’usage” dépend du mix électrique du lieu d’hébergement. La France est bien placée : en 2024, l’intensité carbone moyenne de l’électricité produite a été d’environ 21,7 gCO₂e/kWh (niveau historiquement bas). Donc entraîner et faire tourner ses modèles en France réduit fortement les émissions associées au calcul.

4. Préférer de petits modèles spécialisés plutôt que des LLM géants :
   Si la tâche est précise (ex. classer des images locales, faire des recommandations d’économie d’énergie), un petit modèle spécialisé suffit souvent. Résultat : moins de calcul, moins d’énergie, coût réduit, et déploiement plus facile en collectivité. C’est un point clé de l’IA frugale : viser la performance suffisante pour le besoin, pas la surenchère.

5. Limiter l’utilisation de l’IA quand ce n’est pas nécessaire :
   L’IA n’est pas toujours indispensable. On désactive les appels automatiques superflus, on espace les ré-entraînements, et on surveille l’usage réel pour éviter l’effet rebond (plus c’est facile/rapide, plus on consomme).

6. Ce qui reste irréductible :
   Même très optimisée, une IA utilise des équipements (serveurs, stockage, réseaux, terminaux). Cela implique des matières premières et de l’occupation des sols (datacenters, infrastructures). On ne peut pas “supprimer” ces impacts, mais on peut prolonger la durée de vie des machines, réparer / réemployer et mutualiser l’infrastructure.

Le référentiel général pour l’IA frugale

La France a publié en juin 2024 un document de référence gratuit pour aider chacun à mesurer et réduire l’empreinte environnementale de ses projets d’IA : l’AFNOR SPEC 2314 – Référentiel général pour l’IA frugale. 

On parle de « norme volontaire » parce qu’elle n’impose pas une obligation légale : c’est un guide commun, que les organisations adoptent pour parler le même langage de mesure et de bonnes pratiques. 

Ce référentiel a été co-construit sous le pilotage d’Ecolab (CGDD) et d’AFNOR, avec plus d’une centaine d’experts venant de l’administration, d’entreprises et de la recherche. L’objectif est très concret : outiller les acteurs pour faire des IA vraiment plus sobres, et pouvoir communiquer proprement (sans “greenwashing”). 

Une IA frugale est une IA qui minimise les besoins en ressources matérielles et énergétiques, tout en rendant le service attendu. Elle repose sur trois idées simples :

1. Prouver qu’il faut vraiment de l’IA

2. Appliquer des bonnes pratiques pour réduire l’impact (modèles, données, hébergement, etc.)

3. Questionner les usages pour rester dans les limites planétaires (éviter l’effet rebond). 

Le référentiel propose une méthode de mesure pas à pas. On couvre tout le cycle de vie (conception → entraînement → inférence → exploitation → fin de vie) et toutes les ressources numériques utilisées (calculateurs, stockage, réseaux, postes clients). On observe plusieurs catégories d’impact : climat/carbone, énergie, eau, ressources/matières, et d’autres indicateurs utiles selon le contexte.

Le référentiel AFNOR SPEC 2314 regroupe 31 fiches pratiques.

• Gouvernance & besoin : vérifier si l’IA est nécessaire, fixer des objectifs mesurables (kWh, m³ d’eau, CO₂e évités), décider quand on ré-entraîne (pas “tout le temps”).

• Données : réduire le volume et améliorer la qualité (curation, suppression de doublons), réutiliser ce qui existe déjà.

• Modèles : préférer des petits modèles spécialisés, compresser/quantifier/distiller, ou adapter un modèle existant (LoRA, adapters) au lieu de tout ré-entraîner.

• Infrastructure : localiser le calcul dans des zones à mix bas-carbone (ex. France), demander des indicateurs de datacenter (PUE/WUE), envisager la réutilisation de chaleur.

• Mesure & transparence : instrumenter (ex. Green Algorithms), documenter le périmètre, et expliquer simplement les résultats. GreenTech InnovationMinistères Écologiques

Pour aider les équipes à passer à l’action, Ecolab a publié un Kit d’engagement pour une IA frugale. C’est une check-list d’actions simples pour des “premiers pas” :

• nommer un référent IA frugale ;

• former rapidement les équipes aux bons réflexes ;

• exiger quelques métriques standards (localisation/mix, PUE/WUE, suivi énergie/carbone)

• cadrer les usages (quand déclencher une inférence ? quand ré-entraîner ?) ;

• documenter et partager les résultats (transparence).

Le kit est gratuit et pensé pour être adapté à chaque organisation (publique ou privée). Ecolab l’a mis en consultation afin de l’améliorer avec les retours du terrain.

Depuis mai 2025, le Comité européen de normalisation (CEN/CENELEC) a validé un nouveau chantier (NWI) pour élaborer des “Guidelines and metrics for the Environmental impact of AI” au sein du JTC 21. But : mettre d’accord les pays européens sur comment mesurer l’impact environnemental de l’IA et quelles bonnes pratiques diffuser. C’est une avancée vers une méthode commune à l’échelle de l’UE (en cohérence avec l’AI Act).

Découvrez les actions réalisées en matière d’IA durable

Soutenir les territoires : des démonstrateurs d’IA frugale (DIAT)

Les DIAT sont des appels à projets portés par Ecolab (ministère) avec France 2030. L’idée est d’aider des collectivités à tester, “en vrai”, des solutions d’IA utiles à l’écologie et sobres (frugales).

AMELIA : cartographier l’air, le bruit et les mobilités “quasi en temps réel”

AMELIA veut produire une cartographie dynamique croisant qualité de l’air, bruit et mobilités sur le territoire de Paris Est Marne & Bois (PEMB), pour aider à la décision (plan de circulation, apaisement des rues, priorisation d’aménagements). Il est coordonné par WaltR avec Bruitparif, Université Gustave Eiffel, IFPEN et l’EPT PEMB.

Les nuisances air + bruit ont des effets sanitaires et sociaux ; disposer d’une carte actualisée permet d’agir au bon endroit et d’évaluer l’effet des politiques de mobilité.

IA.rbre : repérer où planter pour créer de la fraîcheur urbaine

IA.rbre aide la Métropole de Lyon à localiser les zones “plantables” (en tenant compte des contraintes), à prioriser la végétalisation et à lutter contre les îlots de chaleur. Projet mené par TelesCoop (SCOP) avec la Métropole de Lyon et l’Université Lyon 2 / LIRIS (CNRS) ; démarche explicitement frugale et responsable.

La végétalisation cible les rues où elle apportera le plus de fraîcheur et limitera le ruissellement, avec des critères objectifs (calques thématiques, plateforme de visualisation).

IA Eco-Pilot : économiser l’énergie des bâtiments publics

IA Eco-Pilot (Advizeo, Métropole du Grand Paris, Gridfit) développe une solution pour automatiser le suivi et le pilotage de milliers de bâtiments : détection d’anomalies, recommandations d’actions et flexibilité électrique (effacement). Objectif : réduire les consommations et aider au respect du Décret Tertiaire.

Le parc tertiaire public pèse lourd en kWh ; l’IA permet d’industrialiser les réglages et de cibler les investissements (les “bons” bâtiments d’abord).

Porter l’IA durable à l’international : la Coalition mondiale

En marge du Sommet international sur l’IA (févr. 2025, Paris), la France, avec l’ONU-Environnement (UNEP) et l’Union internationale des télécommunications (UIT/ITU), a lancé la Coalition for Environmentally Sustainable AI. Plus de 200 partenaires (pays, entreprises, organisations) se sont engagés à mettre l’IA sur une trajectoire plus soutenable, à partager des méthodes (mesure, ACV, indicateurs), et à valoriser les solutions utiles à l’environnement. À retenir : l’objectif est de fédérer l’écosystème mondial autour de bonnes pratiques communes et d’usages “AI for Green”. C’est un accélérateur d’initiatives.

Simplifier le travail des agents publics : SofIA

SofIA est un assistant IA pour les agents (ADEME, Cerema, CGDD) : il cherche et synthétise des informations fiables (rapports, statistiques, textes) sur la transition écologique. L’idée : gagner du temps et fiabiliser les bases factuelles qui servent aux décisions publiques. SofIA n’est pas une “grosse IA” générique, mais un outil de travail centré sur des corpus fiables, pour accélérer l’instruction des dossiers et harmoniser les connaissances entre services.

Adapter les territoires au changement climatique : PNACC-3 et Fonds vert

Le PNACC-3 (Plan national d’adaptation) a été publié le 10 mars 2025. Il fixe une trajectoire de référence (TRACC) et des priorités d’adaptation (chaleur, eau, risques naturels, littoral). L’IA y est vue comme un levier pratique pour observer, prévoir et décider plus vite (Mesure 51). Le Fonds vert (édition 2025) finance des projets IA ou “IA + capteurs” utiles à l’adaptation.

Le PNACC-3 donne la boussole (où aller et pourquoi), et le Fonds vert aide à financer des projets très concrets (détection feux, carte littoral, gestion de l’eau, îlots de chaleur), dont beaucoup intègrent de l’IA pour gagner en réactivité et cibler les actions.

En résumé

• L’IA repose sur des infrastructures matérielles très consommatrices d’énergie, d’eau et de ressources, ce qui lui confère un impact environnemental important.

• Malgré ses impacts, l’IA peut contribuer à la transition écologique si elle est utilisée pour mieux prévoir, observer, optimiser ou décider dans des domaines liés au climat, à l’eau, aux risques naturels ou à l’énergie.

• Une IA durable nécessite d’être conçue de manière frugale, en réduisant les besoins de calcul, en optimisant les modèles, en sélectionnant mieux les données et en utilisant des infrastructures bas-carbone.

• Le référentiel AFNOR SPEC 2314 fournit une méthode commune pour mesurer l’empreinte environnementale d’un système IA et appliquer des bonnes pratiques à chaque étape du cycle de vie.

• Les pouvoirs publics soutiennent des projets concrets d’IA durable (DIAT, Fonds vert, PNACC-3) et promeuvent une coopération internationale pour aligner les pratiques sur des standards plus responsables.

Bravo pour votre progression dans ce chapitre et tout le cours : vous avez maintenant toutes les clés en main… il ne vous reste plus qu’à consolider vos acquis en réalisant le quiz final de cette partie !