L'IA peut-elle vraiment sauver le climat ?
- Stéphane Guy
- il y a 3 jours
- 11 min de lecture
En 2026, l'IA n'est plus un laboratoire conceptuel : elle tourne en production, elle analyse des pétaoctets de données satellitaires, elle prédit des sécheresses, elle pilote des turbines éoliennes. Mais dans le même temps, les géants du numérique voient leur consommation électrique s'envoler à des niveaux qui n'avaient plus été observés depuis des décennies. L'équation est inconfortable. Elle mérite d'être posée en face.
L'IA est déjà déployée dans la modélisation climatique, la gestion des énergies renouvelables et la surveillance des écosystèmes, avec des résultats mesurables.
Des projets comme DeepMind, appliqués aux data centers de Google ont démontré des gains d'efficacité énergétique significatifs, de l'ordre de 30 à 40 %.
En contrepartie, la demande électrique liée à l'IA mondiale explose : l'Agence internationale de l'Énergie (AIE) estimait en 2024 que les data centers pourraient doubler leur consommation d'ici 2030.
Le « paradoxe énergétique » de l'IA climatique est également un problème : utiliser une technologie énergivore pour économiser de l'énergie.
La sobriété numérique et la régulation (notamment via l'AI Act européen) émergent comme conditions nécessaires pour que l'IA tienne ses promesses écologiques.
Ce que l'IA fait vraiment pour le climat (et ce n'est pas négligeable)
Avant d'entrer dans les angles sombres, rendons à César ce qui est à César. L'IA est, dans certains domaines précis, une technologie véritablement utile à la transition écologique. Pas dans un futur hypothétique, mais maintenant, en déploiement actif.
La modélisation climatique, un domaine accéléré par les algorithmes
Les climatologues travaillent depuis des décennies avec des modèles de circulation générale, des simulations qui reproduisent les interactions entre l'atmosphère, les océans, la végétation et la cryosphère. Ces modèles prennent des jours, parfois des semaines, à tourner sur des supercalculateurs. L'IA, et plus spécifiquement le deep learning, commence à changer cette donne de façon spectaculaire.
En 2023, le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) a présenté son modèle AIFS (Artificial Intelligence Forecasting System), capable de produire des prévisions météorologiques plus fiables et plus riches en informations que les modèles traditionnels.*
Google DeepMind, de son côté, a publié GraphCast, un modèle météorologique entraîné sur des décennies de données de réanalyse atmosphérique mondiale. Selon les résultats publiés dans Science en novembre 2023, GraphCast surpasse le modèle opérationnel de l'ECMWF sur 90 % des variables testées, en utilisant une fraction de la puissance de calcul.*
Ces gains ne sont pas anodins : de meilleures prévisions météo permettent de mieux gérer les réseaux électriques, d'anticiper les épisodes de chaleur extrême, de planifier l'irrigation agricole, de déployer les secours avant les catastrophes naturelles.
L'optimisation des énergies renouvelables : l'IA pilote le vent
Les énergies éoliennes et solaires ont un défaut structurel : leur intermittence. Le vent ne souffle pas à la demande, et le soleil se couche tous les jours (à l’exception de l’arctique). Pour intégrer massivement ces sources dans les réseaux électriques, il faut anticiper leur production avec une précision extrême. C'est exactement là que les algorithmes de machine learning apportent une valeur ajoutée mesurable.
En 2019, DeepMind a publié les résultats de son application à 700 mégawatts de parcs éoliens aux États-Unis : en prédisant la production 36 heures à l'avance, le système avait permis d'augmenter la valeur économique de l'électricité produite d'environ 20 %, en réduisant les déséquilibres entre production et demande sur le réseau.*
Plus récemment, l'IA est aussi utilisée pour optimiser la topologie des parcs offshore, la disposition des éoliennes entre elles pour réduire les interférences aérodynamiques (le « wake effect »), ou encore pour prédire les besoins de maintenance avant les pannes. Ces gains d'efficacité, cumulés à grande échelle, représentent des millions de tonnes de CO₂ non émis.
Forêts, océans, biodiversité : l'IA en sentinelle planétaire
La déforestation progresse souvent dans des zones reculées, difficiles à surveiller par des équipes humaines. Plusieurs ONG et gouvernements utilisent désormais des modèles d'apprentissage profond couplés à des images satellitaires pour détecter en temps quasi réel les coupes illégales. Global Forest Watch utilise ces technologies pour surveiller les zones forestières du globe.*
Dans les océans, le Jumeau Numérique de l’Océan (JNO) se positionne comme un jalon majeur de l'océanographie moderne en créant un miroir virtuel et évolutif de l'environnement marin. Bien plus qu’une simple cartographie, cette plateforme s'appuie sur une modélisation hybride de pointe. Elle fusionne en effet les équations classiques des sciences physiques avec la puissance de l'apprentissage automatique (comme le système GLONET). En s'alimentant en continu de flux de données, cette approche hybride corrige automatiquement les biais de mesure, permettant de modéliser des variables complexes à l'échelle planétaire en seulement quelques secondes.*
Pour aller plus loin sur les usages de l'IA dans des domaines inattendus, vous pouvez consulter notre article sur le rôle de l'IA dans l'exploration spatiale, les technologies développées pour observer la Terre depuis l'espace trouvent des applications directes dans le suivi climatique.
Le paradoxe de l’utilisation de l’IA dans le climat
L'IA, même au service des enjeux climatiques, consomme elle-même de l'énergie, et pas qu'un peu. Ce n'est pas une raison de tout rejeter dans son usage et dans les cas de figure que l’on a montrés, mais c'est une réalité qu'il faut également étudier.
Des data centers dont l'appétit énergétique ne s'étanche plus
Dans son rapport « Key Questions on Energy and AI », l'Agence internationale de l'Énergie (AIE) a formulé une estimation qu’on peut qualifier de préoccupante : la consommation électrique mondiale des data centers pourrait atteindre en 2030 950 TWh, soit 3 % de la demande électrique mondiale d’ici cette date. En outre, l’AIE estime que l’IA est l’un des plus gros vecteurs de croissance de l’IA, avec une consommation des data centers multipliée par 11 entre 2020 et 2025.*
Pour mettre cela en perspective : le Japon a consommé en 2024 981 TWh d’électricité. l’IA pourrait presque arriver, d’ici quelques années seulement, à la consommation d’un pays développé comme ce dernier.*
L'entraînement de grands modèles de langage (LLM) comme GPT-4 ou les modèles concurrents représente une dépense énergétique considérable. Une étude de l'Université du Massachusetts (Amherst) publiée en 2019 estimait déjà que l'entraînement d'un modèle comme BERT pouvait émettre autant de CO₂ qu'un vol aller-retour transatlantique.
Ce sujet est d'ailleurs au cœur de notre analyse sur le coût environnemental de l'IA dans le monde, un article qui décortique les chiffres réels de la consommation en eau, en énergie et en terres rares des infrastructures numériques mondiales.
La consommation d'eau : l'angle mort du débat
L'électricité n'est pas la seule ressource en jeu. Les data centers ont besoin d'être refroidis, et le refroidissement par évaporation consomme d'énormes quantités d'eau, une ressource de plus en plus sous tension dans un monde qui se réchauffe.
Une étude publiée dans Nature en 2023 par des chercheurs de l'Université de Californie à Riverside estimait que ChatGPT, dans sa version GPT-3, consommait environ 700 000 litres d'eau pour son entraînement. D’ici 2027, la demande en eau pourrait atteindre entre 4 et 6 milliards de mètres cubes d’eau pour les serveurs IA.*
*Arxiv.org, Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models
Dans des régions déjà soumises au stress hydrique, comme l’Arizona ou l’Espagne, l’IA devient une concurrente réelle pour l’agriculture et les usages domestiques.
L'effet rebond : économiser d'un côté, gaspiller de l'autre
L'histoire de l'efficacité technologique est jalonnée d'un phénomène bien documenté en économie : l'effet rebond (ou paradoxe de Jevons). Lorsqu'une technologie devient plus efficace, on l'utilise davantage, annulant tout ou partie des gains. L'ampoule LED consomme 80 % d’électricité de moins qu'une ampoule classique*, mais l'éclairage artificiel mondial a globalement augmenté depuis son déploiement.
*Quelle Energie, Je suis déjà équipé(e) d’ampoules basse consommation, ai-je besoin d'ampoules LED ?
Avec l'IA, le même risque existe. Les gains d'efficacité obtenus grâce aux algorithmes de prédiction énergétique pourraient être absorbés par une adoption en masse de services IA de plus en plus gourmands. Il n'existe pas encore de consensus scientifique sur l'ampleur de cet effet rebond pour l'IA, mais ce sujet devient de plus en plus central.
Ce mécanisme fait écho aux questionnements plus larges sur les vrais risques de l'IA et de l'automatisation pour notre société, une lecture complémentaire qui aide à situer les enjeux environnementaux dans une perspective systémique plus large.
L'IA peut-elle se décarboner elle-même ?
La question n'est pas rhétorique. Un nombre croissant d'acteurs travaillent à réduire l'empreinte des modèles eux-mêmes, et certains résultats sont encourageants.
L'efficacité des modèles : faire plus avec moins
L'une des avancées les plus significatives des dernières années est la multiplication de modèles « compacts », des architectures entraînées pour être aussi précises que leurs grands frères avec une fraction des paramètres.
La technique du « transfer learning », réutiliser un modèle pré-entraîné sur un problème voisin plutôt que de repartir de zéro, est aussi un levier puissant de sobriété. Entraîner un modèle sur 100 heures de GPU est fondamentalement différent de l'entraîner sur 10 000 heures.
Notre article dédié au transfer learning explique précisément comment cette technique permet à l'IA d'apprendre sans tout réapprendre de zéro, avec des implications directes sur sa consommation énergétique.
Les data centers alimentés par des renouvelables : une réalité partielle, et qui semble difficile à atteindre
Google, Microsoft, Amazon et Meta affichent tous des engagements ambitieux en matière d'approvisionnement en énergie renouvelable. Microsoft a quant à lui des ambitions énormes. L’entreprise annonce en effet vouloir être ‘carbon négative” d’ici 2030, de même que “water positive”.*
La régulation comme accélérateur de sobriété
L'Union européenne s'impose comme la juridiction pionnière dans l'encadrement de l'empreinte environnementale de la tech. Le Règlement européen sur l'IA (AI Act), entré en vigueur en 2024, impose désormais des obligations de transparence strictes. Selon l'Annexe IV, les concepteurs de systèmes d'IA à haut risque doivent consigner la consommation énergétique de leurs modèles dans leur documentation technique, tandis que l'Annexe XI contraint les fournisseurs de modèles d'IA à usage général (GPAI) à publier une estimation détaillée des ressources de calcul et de l'énergie requises.*
Quelques chantiers concrets où l'IA fait une différence visible
Au-delà des grands principes, voici quelques exemples documentés qui illustrent ce que « l'IA pour le climat » signifie dans la pratique.
L'agriculture de précision : nourrir plus en arrosant moins
L’agriculture utilise environ 70 % de la consommation mondiale d’eau douce, mais l’efficience d’utilisation de l’eau dans de nombreux pays est inférieure à 50 %.* C’est la conclusion de l’IAEA sur la gestion de l’eau dans le secteur agricole. Comment l’IA peut-elle améliorer cela ?
En Grèce, le groupe du PEI-AGRI (Le Partenariat européen pour l’innovation) a créé un système de gestion de l’eau supervisé par l’intelligence artificielle qui permet aux agriculteurs de réduire jusqu’à 10 % leur consommation en eau, tout en améliorant le rendement de 5 %.*
La détection des fuites dans les réseaux de gaz et d'eau
Les réseaux de distribution d'eau et de gaz naturel peuvent avoir de nombreux points de fuite et représenter alors une perte parfois considérable de ressources. En France, selon les chiffres de l'Office International de l'Eau, environ 20 % de l'eau potable est perdue dans les fuites avant d'atteindre le robinet.* Des systèmes d'IA analysant les variations de pression dans les tuyaux permettraient de localiser les fuites en quelques heures, là où une inspection manuelle prenait des semaines.
On pourrait également imaginer des travaux similaires sur les réseaux gaziers afin de réduire les pertes de cette ressource qui contribue au réchauffement climatique.
Ce que le GIEC et les scientifiques disent vraiment de l'IA climatique
Le GIEC (Groupe d'experts intergouvernemental sur l'évolution du climat) n'est pas encore une tribune pro-IA inconditionnelle. Ses rapports reconnaissent le potentiel de la technologie tout en soulignant les risques d'un développement non maîtrisé.
Dans son sixième rapport d'évaluation (AR6, 2022-2023), le GIEC mentionne l'IA comme l'une des technologies émergentes susceptibles d'accélérer la décarbonation dans plusieurs secteurs clés : énergie, transport, agriculture, bâtiment… Mais les auteurs insistent sur un point : ces gains peuvent être contrebalancés par la digitalisation toujours plus grandissante des services et des usages, en partie due à l’IA. .
Cette nuance est importante. L'IA n'est pas une baguette magique. Elle peut rendre les solutions plus efficaces, moins chères, plus rapides à déployer. Mais elle ne crée pas les solutions ex nihilo, elle accélère et optimise ce que les humains décident de faire.
Sobriété numérique et IA : peut-on vraiment avoir les deux ?
La sobriété numérique n'est pas une posture luddite. C'est un cadre conceptuel qui pose une question simple avant chaque déploiement technologique : est-ce que ce service IA apporte suffisamment de valeur environnementale ou sociale pour justifier son coût en ressources ? C'est une question que l'industrie tech rechigne encore à poser, mais que certains acteurs commencent à intégrer.
L'IA “climatique” : un pari sur l'avenir qui mérite un contrat de lucidité
Il serait confortable de conclure sur une formule rassurante. Du type : l'IA va sauver le climat, faites-lui confiance. Ou à l'inverse : l'IA est une catastrophe environnementale déguisée en solution.
La réalité est plus complexe, et plus intéressante. L'intelligence artificielle est un multiplicateur. Elle amplifie ce qu'on lui demande d'amplifier. Déployée dans des systèmes électriques pilotés par des renouvelables, avec des architectures conçues pour la frugalité, dans le cadre de politiques climatiques sérieuses : elle peut accélérer massivement la transition. Laissée à l'initiative seule des marchés, alimentée par des réseaux encore carbonés, sans obligation de transparence sur son empreinte : elle peut devenir un facteur aggravant supplémentaire.
Le paradoxe n'est donc pas technologique. Il est politique et éthique. L'humanité a mis au point un outil dont la puissance dépasse tout ce qui existait, reste à décider collectivement comment s'en servir. Et là-dessus, les algorithmes ne voteront pas à notre place.
FAQ
L'IA consomme-t-elle vraiment beaucoup d'énergie ?
Oui. L'IA est une technologie particulièrement énergivore. En 2024, l'Agence internationale de l'Énergie (AIE) estimait que la consommation électrique des data centers mondiaux pourrait doubler d'ici 2026. À l'horizon 2030, cette consommation pourrait atteindre 950 TWh, soit 3 % de la demande mondiale (l'équivalent de la consommation électrique d'un pays développé comme le Japon en 2024). De plus, l'entraînement des grands modèles de langage engendre une dépense colossale : entraîner un modèle comme BERT émet autant de $CO_2$ qu'un vol aller-retour transatlantique, et GPT-3 a nécessité environ 700 000 litres d'eau pour son refroidissement.
L'IA peut-elle prédire les catastrophes naturelles ?
Oui. L'apprentissage profond (deep learning) révolutionne les prévisions météorologiques en analysant des pétaoctets de données satellitaires et atmosphériques. Par exemple, le modèle GraphCast de Google DeepMind surpasse le modèle traditionnel européen sur 90 % des variables testées, tout en utilisant une fraction de la puissance de calcul. Ces algorithmes permettent de prédire les sécheresses et d'anticiper les phénomènes météorologiques extrêmes, ce qui aide à planifier l'irrigation agricole et à déployer les secours avant que les catastrophes ne surviennent.
Est-ce que l'IA peut remplacer les politiques climatiques ?
Non. Elle n'a pas la capacité de créer des solutions ex nihilo ; elle se contente d'accélérer et d'optimiser les choix dictés par les humains. Le GIEC rappelle d'ailleurs que les gains de l'IA peuvent être contrebalancés par la numérisation croissante des services. La décision finale reste politique et éthique, car les algorithmes ne voteront pas à notre place pour mettre en place des politiques de sobriété ou encadrer les marchés.
Qu'est-ce que la sobriété numérique appliquée à l'IA ?
C'est un cadre conceptuel qui impose d'évaluer, avant chaque déploiement technologique, si un service d'IA apporte une valeur environnementale ou sociale suffisante pour justifier son coût en ressources (eau, électricité, infrastructures). En pratique, cela passe par l'optimisation des modèles (modèles compacts, utilisation du transfer learning pour éviter de réentraîner des algorithmes à partir de zéro) et par des contraintes réglementaires de transparence, à l'image de l'AI Act européen qui oblige les concepteurs à consigner la consommation énergétique de leurs systèmes.
Quelles entreprises sont les plus avancées sur l'IA climatique ?
Google / DeepMind : Avec l'application du machine learning pour optimiser l'efficacité de ses propres data centers (30 à 40 % de gain), le modèle météo GraphCast, et la prédiction de la production d'énergie sur 700 MW de parcs éoliens aux États-Unis.
Microsoft, Amazon et Meta : pour leurs engagements à s'approvisionner à 100 % en énergies renouvelables d'ici 2030 (bien que cela semble difficile à réaliser).
Mercator Ocean : Qui développe le Jumeau Numérique de l’Océan (JNO) avec le système GLONET pour modéliser l'environnement marin.
Commentaires