4. L’IA Générative

4.5. L’impact environnemental et sociétal 

Comprendre l’impact environnemental des IA génératives textuelles

Pourquoi les IAG consomment-elles tant d’énergie ?

L’entraînement des modèles : un processus extrêmement gourmand en ressources.

L’entraînement d’un modèle d’IA générative repose sur l’analyse et l’ajustement de centaines de milliards de paramètres. Ce processus mobilise des supercalculateurs fonctionnant pendant des semaines, voire des mois, entraînant une dépense énergétique équivalente à celle de milliers de foyers. La quête de modèles plus performants et les intérêts économiques sous-tendus, poussent des acteurs à développer chaque jour de nouvelles approches et donc engagent de nouveaux entraînements.

L’exemple comparé des moteurs de recherche avec un modèle généraliste  (Wim Vanderbauwhede, 2025) :
  • Une requête effectuée avec ChatGPT peut consommer entre 0,0012 et 0,0068 kWh, soit entre 28 et 160 fois plus qu'une recherche Google.
  • La génération d’images est en moyenne 60 fois plus énergivore que la génération de texte.

L’inférence : une consommation continue

Contrairement à l’entraînement, qui est ponctuel, l’inférence correspond à l’utilisation du modèle en temps réel. Chaque requête soumise à un modèle d’IAG déclenche un traitement intensif nécessitant des calculs complexes. Cela signifie que plus un modèle est utilisé, plus il consomme d’énergie.
Chaque requête soumise à un assistant conversationnel basé sur l’IA génère en moyenne 1,54 grammes de CO₂, bien plus qu’une simple recherche dans un moteur de recherche. Si des millions d’utilisateurs interagissent quotidiennement avec ces modèles, l’empreinte carbone de ces usages deviendra rapidement insoutenable et s'ajoutera à la dette que nous contribuons toutes et tous à creuser vis-à-vis de l'environnement.

Trois faits doivent nous faire réfléchir à nos usages (Ludvigsen, 2025) :
  • ChatGPT compte 200 millions d'utilisateurs actifs chaque semaine…;
  • 15 à 24 requêtes via ChatGPT équivalent à l’éclairage d’une ampoule de 40 w pendant 1 h ;
  • L’utilisation des IAG pourrait représenter 3,5% de la consommation mondiale d’électricité d’ici 2030.

Le rôle des centres de données

L’infrastructure hébergeant ces modèles repose sur des centres de données, des fermes de calculs, qui nécessitent une alimentation électrique continue et un refroidissement performant.
Par conséquent, ces infrastructures nécessitent également d’importantes quantités d’eau pour éviter la surchauffe des serveurs.

La consommation mondiale d’eau est de 4,3 trillions de mètres cubes. Entraîner un grand modèle de langage comme celui de GPT-3 a demandé 700 000 litres d’eau, aussi bien pour refroidir les serveurs que pour produire une partie de l’électricité renouvelable qui les alimentait, selon plusieurs études. De fait, les géants de la « big tech » sollicitent des quantités toujours plus importantes d’au : 34 % de plus en un an, entre 2021 et 2022, pour Microsoft à travers le monde et 20 % de plus, sur la même période, pour Google. Le ministère américain de l’énergie a estimé que les centres de données américains ont consommé 1,7 milliard de litres par jour en 2014, soit 0,14 % de la consommation quotidienne d’eau aux États-Unis.

Conseil économique, social et environnemental (2024, p.23).

Mesurer l’impact environnemental des IAG

Des émissions de CO₂ significatives mais pas que …

Des études ont montré que l’empreinte carbone d’un modèle d’IAG pouvait être comparable à celle de milliers de trajets en voiture. Par exemple, une étude estime que l’entraînement de ChatGPT-3 aurait provoqué la perte de 5,4 millions de litres d’eau douce, et que chaque conversation pourrait vaporiser dans l’atmosphère environ 1 demi litre d’eau supplémentaire (Li, Yang, Islam & Ren, 2023). Ces chiffres soulignent l’impact non seulement énergétique, mais aussi hydrique de l’utilisation quotidienne des IAG.

À ce constat alarmant, il faut ajouter celui de l’extraction de terres rares (métaux et composés métalliques utilisés pour la fabrication des équipements informatiques), sujet d’importants bouleversements géopolitiques et qui porte elle-même d’importants impacts environnementaux.


Les usagers ne peuvent qu'adopter des mesures pour avoir des usages responsables :
  • Limiter l’utilisation des IAG aux cas où elles apportent une réelle valeur ajoutée ;
  • Privilégier des modèles plus légers et optimisés (ce point sera détaillé dans une section ultérieure) ;
  • Mutualiser les productions, réutiliser des données et adopter des pratiques et méthodes d’écoconception.

L’IA frugale : un avenir viable ?

Partout, on entend parler d’IA frugale sans que ce terme soit clairement défini. Dans le langage usuel, la sobriété est souvent entendue comme la réaction adéquate face à une consommation abusive d’alcool. Dans le contexte de l’IA, cela renvoie plutôt à la simplicité (ce qui est clairement insuffisant ici), à la modération, voire l’abstinence. Frugalité et sobriété sont souvent considérées comme synonymes ; il est également possible de considérer que la frugalité concerne le fonctionnement des systèmes techniques tandis que la sobriété renvoie à leur usage dans le cadre des pratiques sociales.

Trystram & Ménissier (2024)

A l’heure actuelle, on ne connaît aucun mouvement, recherche ou évolution technique qui permettrait de réduire positivement l'impact du développement de cette technologie dans nos usages quotidiens.

Si aucune solution n’est trouvée, son utilisation massive aura un impact supplémentaire et son émergence ne fera que se surajouter à la dette que nous avons déjà sur notre environnement.

L'image intitulé présente les impacts de l'intelligence artificielle générative (IA générative). Elle utilise une métaphore visuelle d'un iceberg pour illustrer les effets positifs et négatifs de cette technologie. La partie visible de l'iceberg, au-dessus de l'eau, représente les aspects positifs et immédiatement apparents de l'IA générative (4) : Converse sur n’importe quels sujets Répond à toutes vos questions brûlantes Génère des images réalistes Effectue vos travaux à votre place ». La partie immergée de l'iceberg, sous l'eau, représente les impacts négatifs moins visibles. Ces impacts incluent : Informations fausses et trompeuses Propagande et tromperie Biais et hallucinations Homogénéisation et représentation erronée de la langue et de la culture Contenu nuisible et violent Informations personnelles Violation du droit d’auteur Recueille vos données pour améliorer le modèle Exploitation de travailleurs sous-payés Érosion des compétences humaines de grande richesse Élève les conditions d’entrée dans le domaine de l’IA Tonnes d’émission de carbone Énormes quantité d’énergie et d’eau Métaux rares pour la fabrication de modèle informatique.
Figure 5 : Impacts de l’IA générative (adapté de UQAM, 2024, à partir de la création de Luccioni, 2023)

Controverse sur l’impact social de l’IA générative

L'étude "intelligence artificielle, travail et emploi", du Conseil économique, social et environnemental (CESE), datée du 14 janvier 2025, se penche sur les débats et les enjeux liés à l'impact de l'IA sur le monde du travail. Elle ne se limite pas à une simple analyse des effets potentiels de l'IA sur l'emploi, mais adopte une approche par l'analyse de controverses afin de fournir une vue documentée et nuancée des arguments "pour" et "contre".

L'étude s'articule autour de trois questions centrales :

  • l'IA va-t-elle augmenter les inégalités au travail ?...
  • L'IA est-elle un progrès pour l'organisation des conditions de travail et pour la santé au travail ?
  • L'IA aura-t-elle des impacts positifs sur l'emploi ?

Voici un résumé des conclusions de cette analyse :

Thématique : Impact de l'IA sur les conditions de travail

Opportunités

  • Allègement des tâches répétitives ;
  • Amélioration de la qualité du travail en se concentrant sur des tâches plus valorisantes
  • Développement de la polyvalence et des compétences relationnelles
  • Réduction des risques physiques et prévention des risques professionnels.

Menaces

  • Intensification du travail physique et mental.
  • Perte de compétences et de savoir-faire due à l'automatisation de certaines tâches
  • Déshumanisation du management avec le recours au management algorithmique
  • Réduction de l'autonomie des salariés et des managers, soumis aux décisions des algorithmes.

Thématique : Compétences et formation professionnelle

Opportunités

  • Montée en compétences générale grâce à de nouveaux outils de formation ; 
  • Reconnaissance des compétences relationnelles et créatives ; 
  • Opportunité de formation pour les personnes peu qualifiées ;
  • Adaptation des formations pour les personnes en situation de handicap ; 
  • Sécurisation des parcours professionnels via des dispositifs de reconversion.

Menaces

  • Investissements nécessaires dans la formation continue et initiale ;  
  • Nécessité d’anticiper les reconversions professionnelles pour éviter la perte d’emplois ;  
  • Adaptation des référentiels métiers aux évolutions technologiques.

Thématique : Risques et opportunités liés au traitement des données par l'IA

Opportunités

  • Utilisation des données pour améliorer la santé et la prévention au travail ; 
  • Meilleure inclusion et diversité dans le recrutement grâce à l'analyse algorithmique ;
  • Détection et correction des biais dans les annonces d'emploi.

Menaces

  • Risque de discrimination algorithmique perpétuant des stéréotypes sociaux et de genre ;  
  • Surveillance accrue des employés via l'utilisation de l'IA ;  
  • Stockage et exploitation incontrôlés des données personnelles, nécessitant des garanties de transparence et de sécurité.

Tableau 1. Résumé des tensions entre les opportunités et des risques engendrés sur les inégalités, sur les conditions de travail ou sur la création ou la destruction d'emplois 

(Conseil économique, social et environnemental, 2025). 

Dans le cadre de cette ressource, il a été choisi de faire un focus particulier sur les impacts potentiels de l'IA sur le monde du travail. Si vous souhaitez explorer d’autres impacts sociétaux, voici deux ressources complémentaires :