Consommation énergétique de l'intelligence artificielle en 2025

‍

‍

Synthèse des chiffres clés

L'intelligence artificielle grand public connaît une croissance explosive qui s'accompagne d'un impact énergétique considérable. En 2024, la consommation mondiale d'énergie a connu une "très forte croissance" de 2,2%, soit deux fois plus rapide que la moyenne de la dernière décennie, largement stimulée par l'expansion des centres de données et de l'intelligence artificielle ¹. L'Agence internationale de l'énergie (AIE) prévoit que la demande électrique liée à l'IA pourrait quadrupler d'ici 2030 si la technologie continue de progresser au rythme actuel ¹.

En 2024, la consommation mondiale d'énergie a cru 2x plus vite que la moyenne des dix années précédentes.
_{Source : l'Agence internationale de l’énergie (AIE)}

Les centres de données, cryptomonnaies et intelligence artificielle représentent désormais près de 2% de la consommation électrique mondiale en 2022, soit 460 TWh ². Cette consommation pourrait exploser pour atteindre entre 160 et 590 TWh supplémentaires d'ici 2026, équivalant à la consommation de la Suède ou de l'Allemagne ². En Europe, la demande électrique pour l'IA est estimée à 35 gigawatts, nécessitant l'équivalent de 35 réacteurs nucléaires pour répondre à cette demande ¹.

‍

‍

L'impact carbone de l'IA est également préoccupant. Certains acteurs clés du secteur signalent des hausses d'émissions atteignant jusqu'à 48% depuis 2019 ³. Google a par exemple constaté une augmentation de 13% de ses émissions en un an, portant l'augmentation totale à 48% sur cinq ans ⁴. L'Ademe et l'Arcep prévoient que l'IA pourrait générer 50 millions de tonnes de CO2 en 2050 en France, soit trois fois plus qu'aujourd'hui ⁵.

L'impact carbone de l'IA pourrait être multiplié par 3 d'ici 2050
_{Source : l'Ademe et l'Arcep}

‍

Qu'est-ce qui consomme des ressources dans l'IA ?

L'impact environnemental de l'IA s'étend bien au-delà de la simple consommation électrique des serveurs. Une analyse exhaustive doit prendre en compte l'ensemble du cycle de vie, de la fabrication des composants à leur utilisation finale.

Les datacenters d'intelligence artificielle sont particulièrement énergivores, avec une consommation électrique 4 à 5 fois supérieure à celle d'un datacenter traditionnel ⁶. Un datacenter peut consommer autant d'énergie qu'un million de foyers, et l'énergie représente 54% des dépenses d'exploitation ⁷. Les serveurs informatiques et systèmes de refroidissement représentent environ 80% de la consommation énergétique du site ^7.

Les datacenters d'IA sont 4x à 5x plus énergivores que les datacenters traditionnels. 35 sites dédiés à l’IA ont été annoncés par le gouvernement français
_{Source : Sommet sur l’IA, février 2025}

La fabrication des GPU représente un enjeu environnemental majeur. TechInsights prévoit une augmentation de 16 fois des émissions de CO2 liées à la fabrication des GPU d'IA entre 2024 et 2030, atteignant 19,2 millions de tonnes de CO2 équivalent ⁸. Cette croissance s'explique par la demande massive de silicium et les processus de fabrication énergivores nécessaires à ces puces complexes ⁸.

Quelle est la consommation énergétique de ChatGPT ?

Comparaison avec les requêtes Google

Contrairement aux premières estimations alarmistes, une étude récente d'Epoch AI révise drastiquement à la baisse la consommation énergétique de ChatGPT ^{9 & 10}. Une requête moyenne sur ChatGPT consomme environ 0,3 wattheure, soit dix fois moins que les estimations initiales de 3 wattheures ^{9 & 11}. Cette consommation est désormais similaire à celle d'une recherche Google, qui consomme également environ 0,3 wattheure ^{10 & 12}.

‍

Cette révision s'explique par plusieurs facteurs techniques. OpenAI utilise désormais des puces Nvidia H100 qui offrent une efficacité énergétique supérieure de 60% par rapport aux générations précédentes ⁹. De plus, les serveurs ne fonctionnent pas constamment à pleine charge, mais plutôt à environ 70% de leur capacité en moyenne ⁹. L'AIE avait initialement estimé que les interactions avec des IA comme ChatGPT pourraient consommer 10 fois plus d'électricité qu'une recherche Google classique, mais ces données étaient basées sur des hypothèses maximisantes et des équipements moins efficaces ².

Consommation d'énergie lors de l'entraînement de l'IA (training phase)

L'entraînement des modèles d'IA représente la phase la plus énergivore du cycle de vie. L'entraînement de GPT-3 a consommé environ 1 287 MWh, tandis que les estimations pour GPT-4 oscillent entre 10 000 et 30 000 MWh ¹³. À titre de comparaison, l'entraînement du modèle BLOOM a émis plus de 500 tonnes d'équivalent CO2, soit l'équivalent des émissions de 210 voitures à moteur thermique sur leur durée de vie ¹⁴.

‍

L'institut Epoch AI observe que le calcul d'entraînement des modèles d'IA les plus avancés augmente de 4 à 5 fois par an ¹⁵. Cette croissance exponentielle s'explique par l'augmentation du nombre de paramètres : GPT-3 comptait 175 milliards de paramètres, tandis que certains modèles récents dépassent les 500 milliards ¹⁵. Un serveur à base de processeurs Nvidia DGX A100 consomme 6,5 kWh, et jusqu'à 10,2 kWh pour les serveurs DGX H100.

Consommation d'énergie lors de l'utilisation de l'IA (inference phase)

L'inférence, bien que moins intensive que l'entraînement, génère des coûts énergétiques continus qui peuvent dépasser les coûts d'entraînement sur le long terme ^{16 & 17}. Amazon Web Services estime que 90% de la demande en machine learning dans le cloud provient des inférences ¹³. Contrairement à l'entraînement qui s'effectue par phases distinctes, l'inférence fonctionne 24h/24 et 7j/7 pour répondre aux requêtes des utilisateurs ¹⁷.

‍

La consommation d'énergie de l'inférence varie considérablement selon la complexité des tâches. Les modèles d'IA générative sont particulièrement gourmands : même pour une requête simple, l'IA utilise toutes les ressources à sa disposition sans optimisation, entraînant un gaspillage d'énergie ¹³. La génération d'images est notamment 60 fois plus gourmande en énergie que la génération de texte ¹⁸.

Combien coûte une question à ChatGPT en énergie ?

‍

Une requête ChatGPT typique utilisant GPT-4o consomme environ 0,3 wattheure, soit moins que la consommation d'une ampoule LED de 10W allumée pendant 1 minute 30 ¹². Pour mettre cela en perspective, c'est inférieur à la quantité d'électricité qu'un ordinateur portable consomme en quelques minutes ¹¹. Sam Altman, PDG d'OpenAI, confirme que ChatGPT "consomme environ 0,34 wattheure, soit à peu près ce qu'un four consommerait en un peu plus d'une seconde" ¹².

‍

Cependant, cette estimation peut varier considérablement selon la complexité des requêtes. Les requêtes avec des entrées longues ou nécessitant l'analyse de documents volumineux (100 000 tokens) peuvent consommer jusqu'à 40 Wh ¹². Les nouveaux modèles de raisonnement d'OpenAI (o1, o3-mini) produisent plus de tokens et sont donc plus énergivores ¹².

‍

En termes d'émissions carbone, une requête ChatGPT génère environ 0,005 à 0,01 gramme de CO2 ¹⁹. Pour la consommation d'eau, nécessaire au refroidissement des serveurs, l'Université du Colorado estime qu'environ 500 ml d'eau sont consommés par requête, soit l'équivalent de 500 ml pour 25 requêtes selon d'autres sources ^{5 & 19}.

L'IA peut-elle jouer un rôle positif dans la transition énergétique ?

Malgré son impact énergétique considérable, l'intelligence artificielle présente un potentiel significatif pour accélérer la transition énergétique et optimiser notre consommation d'énergie ^{20 & 21}.

‍

L'IA révolutionne la gestion des énergies renouvelables en résolvant le problème de leur intermittence. Grâce à des algorithmes prédictifs sophistiqués, elle permet d'anticiper les fluctuations de production solaire et éolienne en analysant en temps réel des milliers de paramètres météorologiques ^{20 & 21}. Google a ainsi mis en place des systèmes IA pour optimiser la gestion de ses parcs solaires et éoliens, augmentant leur efficacité de 20 à 30% ²².

‍

Dans le secteur du bâtiment, l'IA permet des économies d'énergie substantielles. Les systèmes de gestion intelligents ajustent automatiquement le chauffage, la climatisation et l'éclairage selon l'occupation des lieux et les conditions extérieures, réduisant la consommation énergétique jusqu'à 40% ^{22 & 23}. Des entreprises comme Schneider Electric et Philips Lighting développent des solutions IA qui optimisent respectivement les systèmes CVC et l'éclairage adaptatif ²³.

‍

Les réseaux électriques intelligents (smart grids) bénéficient également de l'IA pour équilibrer la charge énergétique en fonction des pics de consommation, réduisant ainsi le gaspillage et les coûts ^{22 & 24}. Cette technologie facilite l'intégration des énergies renouvelables dans les micro-réseaux et permet une distribution plus stable et efficace de l'énergie ²³.

‍

L'IA s'avère particulièrement efficace pour la maintenance prédictive des équipements énergétiques, permettant de prévenir les pannes avant qu'elles ne surviennent et de prolonger la durée de vie des installations ^{23 & 25}. Dans l'industrie, les algorithmes d'IA peuvent modéliser plusieurs scénarios capables de prédire les comportements de consommation et fournir des informations précieuses pour la prise de décisions efficientes ²⁵.

‍

Cependant, pour maximiser ces bénéfices environnementaux, il est crucial de développer une IA plus sobre et spécialisée ³. Comme le souligne le ministère français de la Transition écologique, "le développement d'une IA durable et compatible avec nos objectifs environnementaux est possible, mais il impose de repenser nos usages et de privilégier des systèmes plus sobres" ³. L'enjeu consiste à maximiser les impacts positifs de l'IA sur l'environnement tout en réduisant son empreinte environnementale directe ²⁶.

‍

‍

‍

Sources :

1. https://www.channelnews.fr/lintelligence-artificielle-fait-exploser-la-consommation-denergie-145929
2. https://www.polytechnique-insights.com/tribunes/energie/ia-generative-la-consommation-energetique-explose/
3. https://www.ecologie.gouv.fr/actualites/intelligence-artificielle-durable
4. https://spote.developpement-durable.gouv.fr/mtect-mte-mer/sg/sg-dnum/sg-dnum-uni/sg-dnum-uni-drc/article/c-est-quoi-l-ia-partie-3-l-impact-environnemental-vers-une-ia-durable-et
5. https://www.radiofrance.fr/franceculture/podcasts/le-journal-de-l-eco/le-cout-environnemental-de-l-ia-est-colossal-et-sous-evalue-3781962
6. https://cpram.com/fra/fr/particuliers/publications/megatrends/data-centers-et-boom-de-l-ia-les-enjeux-energetiques
7. https://opera-energie.com/consommation-energie-datacenter/
8. https://www.techinsights.com/blog/ai-gpu-growth-directly-impacts-carbon-emission-growth-through-2030
9. https://eonergie.fr/industrie/requete-chatgpt-utilise-10-denergie-prevu/
10. https://www.clubic.com/actualite-553749-chatgpt-ne-consomme-pas-plus-d-energie-qu-une-recherche-google.html
11. https://infohightech.com/combien-denergie-chatgpt-utilise-t-il/
12. https://3615vincent.com/chatgpt-consomme-autant-quune-recherche-google/
13. https://www.polytechnique-insights.com/tribunes/digital/lia-est-elle-condamnee-a-etre-un-gouffre-energetique/
14. https://drane-versailles.region-academique-idf.fr/spip.php?article1167
15. https://itsocial.fr/intelligence-artificielle/intelligence-artificielle-articles/lempreinte-carbone-de-lentrainement-des-modeles-des-ia-saccroit-de-plus-en-plus/
16. https://gettectonic.com/ai-inference-vs-training/
17. https://www.techtarget.com/searchenterpriseai/tip/AI-inference-vs-training-Key-differences-and-tradeoffs
18. https://greenly.earth/leaf-media/data-stories/l-impact-environnemental-de-l-intelligence-artificielle
19. https://www.solutions-numeriques.com/quel-est-le-cout-ecologique-dune-requete-sur-chatgpt/
20. https://www.allnews.ch/content/points-de-vue/l%E2%80%99ia-au-c%C5%93ur-de-la-transition-%C3%A9nerg%C3%A9tique-durable
21. https://photoecologie.info/intelligence-artificielle-transition-energetique
22. https://www.ecoenvironnement.net/comment-lintelligence-artificielle-optimise-la-gestion-energetique/
23. https://tw3partners.fr/fr/solutions-ia-gestion-energetique-batiments/
24. https://www.praxedo.fr/notre-blog-specialise/avec-le-smart-grid-les-reseaux-de-distribution-denergie-deviennent-intelligents/
25. https://www.lemondedelenergie.com/ia-machine-learning-permettent-aux-entreprises-reduire-gaspillage-energetique/2023/06/20/