Le coût environnemental de l'IA : les chiffres que les étudiants en école de commerce doivent connaître

Les discussions sur le coût environnemental de l'IA se divisent en deux camps aussi peu utiles l'un que l'autre : l'IA catastrophe climatique, et l'IA erreur d'arrondi. Les chiffres réels, le mieux rassemblés dans le rapport Energy and AI de l'Agence internationale de l'énergie, ne soutiennent aucune des deux histoires — et le tableau réel est plus utile à un futur décideur que les deux.

Les chiffres eux-mêmes

Les data centres, tous usages confondus, ont consommé environ 415 TWh d'électricité en 2024, soit à peu près 1,5 % de l'électricité mondiale. Dans le scénario de base de l'AIE, ce chiffre double environ pour atteindre 945 TWh en 2030 — un peu moins de 3 % de la consommation électrique mondiale, en croissance d'environ 15 % par an, quatre fois plus vite que la demande totale d'électricité. La part propre à l'IA est la plus dynamique : la consommation des serveurs accélérés, la classe de matériel qui exécute les charges d'IA, devrait croître d'environ 30 % par an.

La croissance est aussi concentrée. Les États-Unis et la Chine représentent ensemble près de 80 % de la croissance projetée de la demande des data centres d'ici 2030 — ce qui signifie que la tension sur les réseaux, l'usage de l'eau et les controverses d'implantation sont intensément locaux même quand les services sont mondiaux. Une requête servie en Europe peut tirer son électricité en Virginie.

Pour l'échelle : 3 % de l'électricité mondiale en 2030, c'est comparable à la consommation entière d'un grand pays industrialisé. C'est réellement significatif — et ce n'est pas non plus le moteur dominant de la transition énergétique, qui continue de se jouer sur les transports, le chauffage, l'industrie lourde et le mix électrique lui-même.

Pourquoi les intuitions par usage trompent

Une requête d'IA isolée consomme très peu d'énergie, et l'efficacité par requête s'est améliorée rapidement — un fait parfois brandi pour balayer le sujet. Les chiffres agrégés croissent quand même, parce que l'usage croît plus vite que l'efficacité ne s'améliore, et parce que des requêtes moins chères appellent de nouveaux usages : c'est la dynamique classique de l'effet rebond, et l'IA en est un cas d'école.

Le cadrage honnête pour un public business n'est donc ni "ton prompt détruit la planète" ni "ce n'est rien". C'est : les usages individuels sont bon marché, la tendance systémique est raide, et les décisions qui comptent se prennent au niveau de l'infrastructure, des achats et de la conception produit — précisément là où les diplômés d'écoles de commerce finissent par travailler.

Les décisions que les diplômés rencontreront vraiment

C'est pourquoi le sujet a sa place dans un cursus business et pas seulement en école d'ingénieurs. Quelques années après le diplôme, les étudiants siégeront dans des réunions où ces chiffres ont des conséquences.

Le choix des fournisseurs : les fournisseurs de cloud et d'IA diffèrent matériellement en sourcing électrique, usage de l'eau et transparence ; les équipes développement durable pèsent de plus en plus sur les achats, et le reporting Scope 3 fait entrer les services d'IA dans la comptabilité des entreprises.

La conception produit : qu'une fonctionnalité appelle un grand modèle à chaque frappe ou un petit modèle quand c'est nécessaire change son empreinte de plusieurs ordres de grandeur à l'échelle. "Quel modèle suffit pour cette tâche" est à la fois une question de coût, de latence et d'environnement — un seul jugement, trois raisons de le réussir.

La crédibilité : les entreprises font désormais des déclarations publiques sur l'IA et le climat dans les deux sens, et l'écart entre le marketing et les chiffres de niveau AIE est exactement le genre de chose que régulateurs, journalistes et salariés vérifient. Un manager qui connaît les vrais ordres de grandeur peut garder son entreprise honnête ; celui qui ne les connaît pas amplifiera la dernière histoire entendue.

Rester honnêtement informé

La compétence pratique, c'est le sourcing. Les travaux Energy and AI de l'AIE sont la référence actuelle pour les chiffres systémiques ; les rapports de durabilité des entreprises sont informatifs mais sélectifs ; les multiplicateurs chocs qui circulent sur les réseaux sont souvent périmés ou hors contexte. Vérifier ce qu'un chiffre mesure réellement — entraînement ou inférence, un modèle ou le secteur, électricité ou émissions — résout la plupart des contradictions apparentes entre sources.

C'est, au passage, la même discipline de vérification qui s'applique à toute autre affirmation sur l'IA. Les chiffres environnementaux ne sont qu'un domaine de plus où la compétence différenciante n'est pas d'avoir un avis sur l'IA, mais de savoir quels chiffres survivent à la vérification — et de décider en conséquence.