Les dessous de l’IA générative

Consommation énergétique

L’IA générative repose sur des capacités de calcul intensifs, notamment via des GPU. L’entraînement des grands modèles peut consommer plusieurs gigawattheures d’électricité. Malgré les gains d’efficacité, la croissance rapide des usages et les tailles toujours plus grandes des modèles entraînent une augmentation globale de la consommation énergétique.

• Strubell, E., Ganesh, A., McCallum, A. Energy and Policy Considerations for Deep Learning in NLP. ACL, 2019.
• Masanet, E. et al. Recalibrating global data center energy-use estimates. Science, 2020.
• International Energy Agency. Energy and AI. IEA Report, Avril 2025.

Empreinte carbone

L’empreinte carbone de l’IA générative dépend fortement du mix énergétique. L’entraînement de grands modèles peut générer des centaines de tonnes de CO₂. Les données sur ces émissions restent souvent peu transparentes. Aujourd’hui, l’électricité demeure fortement carbonée, et l’utilisation par l’IA générative émets du CO₂.
Si l’utilisation des serveurs demeurent la principale source d’impacts CO₂, la fabrication de ces serveurs n’est pas négligeables, et s’ajoute à l’impact environnemental des IA.

• Lacoste, A. et al. Quantifying the Carbon Emissions of Machine Learning. NeurIPS Workshop, 2019.
• Patterson, D. et al. Carbon Emissions and Large Neural Network Training. arXiv, 2022.
• Bender, E. et al. On the Dangers of Stochastic Parrots. FAccT, 2021.

Refroidissement

Les centres de données dédiés à l’IA nécessitent un refroidissement intensif, souvent basé sur l’eau. Plusieurs technologies existent (liquid cooling, immersif ou par convexion d’air). Dans le meilleurs des cas, cette source de chaleur est réutilisée dans les centres urbains de chaleur (habitations, piscines publiques, etc.)

• Shehabi, A. et al. 2024 United States Data Center Energy Usage Report. Lawrence Berkeley National Laboratory, 2024.
• Li, P. et al. Making AI Less « Thirsty »: Uncovering and Addressing the Secret Water Footprint of AI Models. Nature Climate Change, 2023.

Consommation en eau

Principalement utilisé pour refroidir les serveurs de calculs, les impacts générées par les demandes en eau varient selon le territoire. Si l’on se place dans des pays qui regorgent d’eau (Suisse, Canada), l’utilisation pour le refroidissement des data centers ne pose pas de problème. Mais dans des zones en tension, comme en Espagne, en Uruguay, ou dans certaines états des US comme l’Arizona, il y a une collision avec les populations résidants proche des zones ou s’implantent les nouveaux data centers.

• Shehabi, A. et al. United States Data Center Energy Usage Report. LBNL, 2018.
• Li, Z. et al. Making AI Less “Thirsty”. Nature Climate Change, 2023.
• The Guardian. AI data centers are draining water resources. 2023.
• « On s’est battus pour ces terres, on ne veut pas de ces trucs immondes»: au cœur de la révolte citoyenne contre les centres de données », Le temps, Suisse, article

Fin de vie des composants

L’obsolescence rapide du matériel IA accélère la production de déchets électroniques. Le renouvellement fréquent des clusters de calcul, les cartes GPU en particuliers, contribue à une pression accrue sur les ressources. Une grande partie des flux de recyclage en Europe finisse malheureusement dans des circuits illégaux : fin 2022, seulement 22% des déchets électroniques ont fait l’objet d’une collecte et d’un recyclage appropriés.

• Forti, V. et al. The Global E-waste Monitor. United Nations University, 2020.
• European Commission. Electronics and Sustainability. 2022.
• Bordage, F. Sobriété numérique. GreenIT.fr, 2019.
• Baldé C. et al., Rapport mondial sur les déchets d’équipements électriques et électroniques 2024, UNITAR and UIT, Nov. 2024

Pollution sonore et de l’air

D’un impact de moindre ampleur, les pollutions sonores et les pollutions de l’air restent important pour les plus gros datacenters – aussi appelé hyperscaler – et s’ils sont localisés proches des lieux d’habitations. La pollution de l’air est liée principalement au mix énergétique du réseau, mais de récents datacenter sont construits avec des centrales à gaz pour la production d’életricité, ce qui impact la qualité de l’air à proximité de ces installations.

• Data center turn to ex airliner engines as AI power crunch bites, Tom’s Hardware, Oct. 25
• Cooper S. P., Noisy, Hungry Data Centers Are Catching Communities by Surprise, The New York Times

Besoin en matières premières

Les chaînes d’approvisionnement de l’IA reposent sur des minerais critiques dont l’extraction pose des problèmes environnementaux et sociaux majeurs. Sur l’ensemble des flux de matières premières, aucunes ne viennent de filières de recyclage, et ceci pour l’ensemble.

• Sovacool, B. K. et al. Sustainable minerals. Nature Energy, 2020.
• International Energy Agency. The Role of Critical Minerals in Clean Energy Transitions. 2021.

Travail humain

L’IA générative repose sur un travail humain souvent invisible et précaire, des processus de data labeling jusqu’à la modération des réseaux des résultats d’IA. Plusieurs recherches démontrent que ces emplois, qui se trouvent le plus souvent dans des pays à la main d’œuvre bon marché, ont des conséquences néfastes sur la santé mentale des personnes.

• Gray, M. L., Suri, S. Ghost Work. Houghton Mifflin Harcourt, 2019.
• Couldry, N., Mejias, U. The Costs of Connection. Stanford University Press, 2019.
• Time Magazine. The Hidden Workers Behind AI. 2023.

Pollution des fonds marins

Les services d’IA générative reposent sur des infrastructures numériques mondiales, en particulier les câbles sous-marins, qui transportent plus de 95 % du trafic international de données. L’augmentation des usages du cloud et de l’IA générative accroît les volumes de données échangées, ce qui stimule le déploiement, la maintenance et le renouvellement de ces câbles. Leur installation peut perturber les fonds marins par le dragage, l’enfouissement et l’ancrage, affectant les écosystèmes benthiques et certaines espèces sensibles.

• Carter, L., Burnett, D., Drew, S. et al. Submarine Cables and the Oceans: Connecting the World. UNEP-WCMC & ICPC, 2009.
• Clare, M., Wopschall, R., et al. Submarine Cable Protection and the Environment, ICPC, 2024
• Duarte, C. M. et al. The soundscape of the Anthropocene ocean. Science, 2021.

Quelques acteurs privés clefs

La concentration des ressources IA dans le secteur privé crée des dépendances stratégiques et renforce les tensions géopolitiques mondiales, autant sur l’approvisionnement des matières premières que dans la construction même des cartes GPU (NVIDIA et ASML en situation de quasi monopole). Pour les éléments de mémoire vive (DRam), la situation est encore pire avec seulement 4 à 5 fabriquants seulement au niveau mondial.

• Crawford, K. Atlas of AI. Yale University Press, 2021.
• OECD. AI Compute and Climate. 2023.

Obsolescence programmée

L’IA générative contribue à une obsolescence programmée du matériel informatique, en particulier des GPU et serveurs, du fait de cycles d’innovation très rapides. Les nouveaux modèles sont souvent conçus pour des architectures récentes, rendant les équipements plus anciens moins performants ou non rentables. Cette dynamique accélère le renouvellement du matériel, augmente les déchets électroniques et limite la réparabilité. Les écosystèmes propriétaires et le cloud renforcent ces effets en réduisant la réutilisation et la modularité.

• Bordage, F. Sobriété numérique: Les clés pour agir. Buchet-Chastel, 2019.
• European Commission. Electronics and Sustainability – Right to Repair. 2022.
• Forti, V. et al. The Global E-waste Monitor. United Nations University, 2020.
• Crawford, K. Atlas of AI. Yale University Press, 2021.

Extractivisme des données

Les systèmes d’IA générative sont entraînés sur des volumes massifs de données collectées sur le web, souvent sans consentement ni rémunération des personnes ou communautés concernées, au sein de la phase d’entrainement et d’utilisation de ces modèles. Cette logique, qualifiée d’extractivisme des données, s’apparente à une extraction de ressources où la valeur est captée par quelques acteurs privés. Elle pose des enjeux majeurs de droits d’auteur, de justice sociale et de souveraineté des données. L’opacité des jeux de données et l’absence de régulation renforcent ces déséquilibres.

• Couldry, N., Mejias, U. The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism. Stanford University Press, 2019.
• Birhane, A., Prabhu, V. Large image datasets: A pyrrhic win for computer vision. WACV, 2021.
• Le Monde. Les données au cœur des conflits sur l’IA générative. 2023.
• The New York Times. The Authors Guild Sues OpenAI. 2023.

Transformation des emplois

… under construction …

Bulle de l’IA

… under construction …

Refonte des politiques publiques

… under construction …

Influence sociale de l’IA

L’IA générative influence de plus en plus les interactions sociales, la circulation de l’information et la production culturelle. En produisant des contenus à grande échelle, elle peut amplifier la désinformation, reproduire des biais et influencer l’opinion publique. La frontière entre contenus humains et automatisés devient floue, ce qui affecte la confiance, le débat démocratique et les pratiques culturelles. Ces transformations soulèvent des enjeux majeurs de diversité culturelle, d’apprentissage – en particulier chez les étudiant·es – ainsi que de gouvernance des plateformes.

• EU-EDPS. Generative AI and the EUDPR. Orientations for ensuring data protection compliance when using Generative AI systems. European Data Protection Supervisor, v2, 2025.
• Gillespie, T. Custodians of the Internet. Yale University Press, 2018.
• Floridi, L. et al. AI4People—An Ethical Framework for a Good AI Society. Minds and Machines, 2018.
• Arees Z., The social impact of artificial intelligence. From Encyclopedia of Data Science and Machine Learning 2023.
• Maranne A. et al, IA générative et désinformation : quel impact sur les rapports de force existants en géopolitique ?, Binaire, 2024