La discussion sur l'IA et le climat se résume généralement à sa consommation, que nous avons documentée dans un article dédié. C'est une moitié du sujet. L'autre moitié, moins traitée, est ce que ces outils permettent d'éviter. Aucune des deux ne suffit à conclure, et prétendre le contraire relève de la conviction plutôt que du calcul.
Nous avons largement couvert le coût. Regardons honnêtement l'autre colonne, sans en faire un plaidoyer.
Ce que l'IA optimise réellement
Les réseaux électriques. C'est probablement le levier le plus important. Un réseau intégrant beaucoup d'éolien et de solaire doit équilibrer en permanence une production variable et une consommation variable. Mieux prévoir la production, anticiper les pics, piloter le stockage : ce sont des problèmes de prédiction où l'apprentissage automatique excelle. Chaque point gagné sur l'équilibrage réduit le recours aux centrales de secours, qui sont les plus émettrices.
L'agriculture. Nous l'avons détaillé dans notre article sur l'IA dans les champs : le désherbage ciblé réduit fortement les intrants, la modulation des apports d'azote diminue des émissions particulièrement puissantes.
Les matériaux. La recherche de nouveaux matériaux pour les batteries, le stockage ou le ciment bas carbone est un problème d'exploration d'un espace immense. C'est l'un des domaines où l'IA a produit des résultats scientifiques tangibles.
Les bâtiments et la logistique. Optimisation du chauffage, des tournées de livraison, du remplissage des camions. Gains modestes en pourcentage, appliqués à des volumes énormes.
Trois raisons rendent le calcul impossible aujourd'hui. L'effet rebond : une efficacité accrue fait souvent baisser les coûts, ce qui augmente l'usage et peut annuler le gain. L'attribution : quand un réseau réduit ses émissions, quelle part revient à l'IA plutôt qu'aux investissements en renouvelables ? Le périmètre : compter la consommation d'un data center est faisable, compter les émissions évitées par un modèle déployé dans mille usages ne l'est pas. Quiconque vous annonce un solde chiffré vous vend une conviction.
L'asymétrie qui devrait guider
Il y a pourtant une chose qu'on peut dire avec certitude, et elle est utile.
La consommation est certaine, immédiate et concentrée. Le bénéfice est probable, différé et diffus. Cette asymétrie ne signifie pas que le bénéfice est illusoire, mais elle impose une exigence : on ne peut pas justifier une dépense certaine par un gain hypothétique sans le mesurer.
Concrètement, cela invite à distinguer les usages. Un modèle qui optimise un réseau électrique a un bénéfice mesurable et vérifiable. Un modèle qui génère des variantes d'images publicitaires a un coût réel et un bénéfice climatique nul. Les deux consomment. Les traiter comme équivalents dans le débat n'a pas de sens.
Ce qui pourrait améliorer le bilan
Trois leviers, dont deux sont déjà à l'oeuvre.
L'efficacité des modèles. Les progrès sont réels et rapides : la compression, les architectures à experts, et les optimisations d'exécution qui ont permis une baisse de prix de 80 % réduisent mécaniquement l'énergie par requête.
Le choix de l'implantation. Un centre alimenté en nucléaire ou en hydroélectrique n'a pas le même bilan qu'un centre sur un réseau carboné.
La sobriété d'usage. C'est le levier le moins évoqué et peut-être le plus accessible. Un modèle surdimensionné pour une tâche simple, un contexte massif envoyé sans mise en cache, un agent qui tourne à vide : l'essentiel du gaspillage actuel est logiciel.
Ce qu'il faut retenir
La question n'est pas de savoir si l'IA est bonne ou mauvaise pour le climat. Elle est de savoir ce qu'on lui fait faire, et à quel coût.
Une technologie qui consomme beaucoup et permet des gains importants est acceptable si les gains sont réels et mesurés. Elle ne l'est pas si l'essentiel de sa consommation sert à produire du contenu dont personne n'avait besoin. Ce n'est pas une question technologique, c'est une question d'allocation, et elle se pose au niveau des choix collectifs bien plus qu'au niveau de vos requêtes individuelles.