{"id":360682,"date":"2025-09-02T11:51:28","date_gmt":"2025-09-02T11:51:28","guid":{"rendered":"https:\/\/www.europesays.com\/fr\/360682\/"},"modified":"2025-09-02T11:51:28","modified_gmt":"2025-09-02T11:51:28","slug":"le-vrai-cout-environnemental-de-la-course-a-lia","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/fr\/360682\/","title":{"rendered":"le vrai co\u00fbt environnemental de la course \u00e0 l’IA"},"content":{"rendered":"

\u201cL\u2019IA et la r\u00e9ussite de la transition \u00e9nerg\u00e9tique vont de pair. Nous n\u2019assisterons pas \u00e0 une transition \u00e0 grande \u00e9chelle vers une \u00e9nergie sans carbone sans les avanc\u00e9es significatives que l\u2019IA promet d\u2019apporter.\u201d Cette citation de M\u00e9lanie Nakagawa<\/a>, la responsable d\u00e9veloppement durable de Microsoft en f\u00e9vrier 2025, est \u00e0 l\u2019image de la pens\u00e9e magique que l\u2019on rencontre de plus en plus fr\u00e9quemment dans les m\u00e9dias et la soci\u00e9t\u00e9. Celle d\u2019une IA mystique et providentielle qui serait la solution \u00e0 tous nos probl\u00e8mes, et qui justifierait son d\u00e9veloppement effr\u00e9n\u00e9 depuis l\u2019arriv\u00e9e de ChatGPT en 2022.<\/p>\n

Alors qu\u2019Emmanuel Macron a annonc\u00e9 en f\u00e9vrier 2025 des investissements priv\u00e9s de 109 milliards d\u2019euros pour d\u00e9velopper l\u2019IA et que plus de 35 nouveaux projets de centres de donn\u00e9es<\/a> ont \u00e9t\u00e9 annonc\u00e9s en France, nous vous proposons une analyse approfondie pour d\u00e9construire ces discours et d\u00e9couvrir la face cach\u00e9e de l\u2019intelligence artificielle. Comme le r\u00e9sume la chercheuse en IA Kate Crawford<\/a>, elle repose sur une triple extraction\u00a0: extraction de ressources naturelles, extraction de donn\u00e9es, exploitation humaine. Dans cet article nous nous concentrerons sur les impacts environnementaux directs de l\u2019IA (consommation \u00e9nerg\u00e9tique, \u00e9missions carbone, impacts locaux des data centers), mais insistons sur la n\u00e9cessit\u00e9 d\u2019appr\u00e9hender ces technologies dans leur ensemble pour comprendre les bouleversements soci\u00e9taux que son adoption massive g\u00e9n\u00e8re (enjeux de pouvoir, surveillance de masse, militarisation, in\u00e9galit\u00e9s sociales, etc)\u00a0<\/p>\n

Nous commencerons par d\u00e9finir ce qu\u2019est l\u2019intelligence artificielle, son \u00e9volution r\u00e9cente, les acteurs qui la sous-tendent et d\u00e9taillerons le fonctionnement particulier des IA g\u00e9n\u00e9ratives. Puis dans un second temps nous d\u00e9crirons l\u2019infrastructure mat\u00e9rielle qui la soutient. Loin de flotter au-dessus de toute r\u00e9alit\u00e9 physique, comme le champ lexical du \u201ccloud\u201d et de la \u201cd\u00e9mat\u00e9rialisation\u201d aime \u00e0 nous le faire croire, ces technologies ont des cons\u00e9quences mat\u00e9rielles tr\u00e8s tangibles.\u00a0<\/p>\n

Qu\u2019est ce que l\u2019intelligence artificielle\u00a0?\u00a0<\/strong>Un peu d\u2019histoire et de d\u00e9finitions<\/p>\n

Commen\u00e7ons par d\u00e9finir les termes. La d\u00e9finition technique de l\u2019intelligence artificielle est la capacit\u00e9 d\u2019un logiciel, via des algorithmes<\/a>, \u00e0 effectuer et \u00e9muler des t\u00e2ches typiquement associ\u00e9es \u00e0 l\u2019intelligence humaine, comme l\u2019apprentissage, le raisonnement, la r\u00e9solution de probl\u00e8me, la perception ou la prise de d\u00e9cision. Il est important de comprendre qu\u2019il n\u2019existe pas une intelligence artificielle mais des intelligences artificielles, et qu\u2019elles sont pr\u00e9sentes dans notre quotidien depuis bien plus longtemps qu\u2019on ne le pense.\u00a0<\/p>\n

La conf\u00e9rence de Dartmouth en 1956 lance l\u2019intelligence artificielle comme un domaine de recherche \u00e0 part enti\u00e8re. Le terme Intelligence Artificielle est m\u00eame choisi par rapport \u00e0 d\u2019autres expressions comme Automata Studies pour des raisons marketing plus \u00e0 m\u00eame d\u2019attirer des financements.<\/p>\n

Depuis, l\u2019histoire de l\u2019IA a connu des rebondissements et des d\u00e9sillusions face aux potentiels de commercialisation de cette technologie. Depuis les ann\u00e9es 2010, le domaine conna\u00eet une nouvelle vague d\u2019int\u00e9r\u00eat scientifique et industriel pour au moins 4 raisons\u00a0: une grande quantit\u00e9 de donn\u00e9es disponibles pour nourrir les algorithmes suite \u00e0 l\u2019av\u00e8nement des r\u00e9seaux sociaux et de la num\u00e9risation, plus de puissance de calcul, et des investissements sans pr\u00e9c\u00e9dent bas\u00e9s sur les promesses r\u00e9p\u00e9t\u00e9es d\u2019une technologie r\u00e9volutionnaire auto-aliment\u00e9e par les g\u00e9ants de la tech et les \u00c9tats.\u00a0<\/p>\n

\"\"<\/p>\n

Par exemple comme le montre ce graphique<\/a> retra\u00e7ant la performance des syst\u00e8mes d\u2019IA compar\u00e9e \u00e0 celles d\u2019humains sur des t\u00e2ches pr\u00e9cises, les syst\u00e8mes d\u2019IA sont progressivement devenus performants \u00e0 la reconnaissance manuscrite (comme par exemple retranscrire des montants sur un ch\u00e8que), puis sur la reconnaissance vocale, puis sur la reconnaissance d\u2019image (par exemple pour reconna\u00eetre un passant sur une cam\u00e9ra, un visage pour d\u00e9verrouiller son t\u00e9l\u00e9phone, ou un monument dans une photo de r\u00e9seaux sociaux), puis sur l\u2019analyse de texte (pour analyser les avis des utilisateurs d\u2019un produit ou am\u00e9liorer la recherche sur Google).<\/p>\n

L\u2019am\u00e9lioration des performances sur ces t\u00e2ches sp\u00e9cifiques s\u2019est acc\u00e9l\u00e9r\u00e9e depuis les deux derni\u00e8res d\u00e9cennies.\u00a0<\/p>\n

L\u2019\u00e8re de l\u2019IA g\u00e9n\u00e9rative depuis la sortie de ChatGPT en 2022L\u2019IA traditionnelle<\/p>\n

Si l\u2019Intelligence Artificielle est un domaine de recherche et d\u2019ing\u00e9nierie vaste et qui existe depuis bient\u00f4t 80 ans, depuis 2022 nous sommes entr\u00e9s dans une nouvelle \u00e8re\u00a0: celle de l\u2019explosion de l\u2019IA g\u00e9n\u00e9rative \u2013 symbolis\u00e9e par l\u2019ouverture au grand public de ChatGPT en novembre 2022. Pour appr\u00e9hender les impacts environnementaux de l\u2019IA, il est important de comprendre la diff\u00e9rence entre les familles de l\u2019IA et ce que cette vague r\u00e9cente de l\u2019IA g\u00e9n\u00e9rative a de particulier.\u00a0<\/p>\n

\"\"Source\u00a0: Wikipedia Apprentissage automatique<\/a>Le Machine Learning<\/p>\n

Depuis les ann\u00e9es 2000, quand on parle d\u2019IA c\u2019est principalement pour parler d\u2019apprentissage machine (Machine Learning), c\u2019est-\u00e0-dire un programme informatique qui apprend \u00e0 partir d\u2019exemples plut\u00f4t que d\u2019\u00eatre explicitement programm\u00e9 avec des r\u00e8gles. Par exemple, dans le cadre d\u2019une traduction, plut\u00f4t que d\u2019\u00e9crire toutes les r\u00e8gles possibles pour traduire un texte de fran\u00e7ais \u00e0 anglais (conjugaison, grammaire, dictionnaires de mots, \u2026) l\u2019algorithme va \u201clire\u201d les m\u00eames textes en fran\u00e7ais et en anglais et \u201cd\u00e9couvrir\u201d les r\u00e8gles complexes pour passer d\u2019une langue \u00e0 une autre sans forc\u00e9ment les expliciter. Il est important de pr\u00e9ciser ici qu\u2019il n\u2019y a rien d\u2019intelligent ou d\u2019autonome\u00a0: l\u2019explication est simplifi\u00e9e pour vulgariser le fonctionnement (guillemets sur \u201clire\u201d et \u201cd\u00e9couvrir\u201d), mais c\u2019est en r\u00e9alit\u00e9 un calcul de probabilit\u00e9s qui est r\u00e9alis\u00e9.<\/p>\n

C\u2019est gr\u00e2ce \u00e0 ce nouveau paradigme informatique que les logiciels de traduction ne traduisent plus mot \u00e0 mot.\u00a0<\/p>\n

Deep Learning et apparition des LLM (Large Language Models)<\/p>\n

L\u2019apprentissage machine est \u00e9galement une grande famille d\u2019algorithmes avec des dizaines de techniques math\u00e9matiques possibles. L\u2019une d\u2019entre elles est l\u2019apprentissage profond (deep learning) qui consiste \u00e0 utiliser une mod\u00e9lisation math\u00e9matique appel\u00e9e \u201cr\u00e9seaux de neurones artificiels\u201d, tr\u00e8s vaguement inspir\u00e9e du fonctionnement de notre cerveau.\u00a0<\/p>\n

En 2017 les \u00e9quipes de recherche de Google publient un papier de recherche \u201cAttention is all you need\u201d<\/a> qui propose une nouvelle technique math\u00e9matique pour l\u2019apprentissage profond\u00a0: le Transformers (le fameux T de ChatGPT). Cette technique va acc\u00e9l\u00e9rer la construction d\u2019 algorithmes d\u2019IA g\u00e9n\u00e9ralistes, c\u2019est \u00e0 dire non d\u00e9di\u00e9s \u00e0 une seule t\u00e2che, gr\u00e2ce \u00e0 ce qu\u2019on appelle l\u2019auto-apprentissage ou le pr\u00e9-entrainement. Ces algorithmes sont souvent appel\u00e9s Large Language Models ou LLMs (grands mod\u00e8les de langage). Prenons un exemple\u00a0: trier automatiquement un email dans les spams et traduire un texte de fran\u00e7ais \u00e0 anglais, deux t\u00e2ches qui n\u2019ont \u00e0 priori rien \u00e0 voir. Cependant les deux font appel \u00e0 un probl\u00e8me sous-jacent identique\u00a0: comprendre le langage et analyser un texte. L\u2019auto-apprentissage va donc consister \u00e0 montrer une quantit\u00e9 massive de textes pour mod\u00e9liser statistiquement le fonctionnement du langage (vocabulaire, syntaxe, grammaire, expressions). En 2019, un laboratoire \u00e0 but \u201cnon lucratif\u201d encore inconnu appel\u00e9 OpenAI sort alors l\u2019algorithme GPT-2 (pour General Pretrained Transformers). GPT-3 sort en 2020 et montre des r\u00e9sultats qui impressionnent les chercheurs et le grand public\u00a0; le mod\u00e8le est 100 fois plus gros que la version pr\u00e9c\u00e9dente.<\/p>\n

En novembre 2022, OpenAI lance ChatGPT et d\u00e9clenche la nouvelle vague d\u2019IA g\u00e9n\u00e9rative grand public. Si g\u00e9n\u00e9rer du contenu synth\u00e9tique (texte, image, son\u2026) n\u2019est donc pas nouveau, ce qui va \u00eatre d\u00e9terminant avec ChatGPT, c\u2019est l\u2019interface conversationnelle (avec les prompts) et un mod\u00e8le sp\u00e9cialis\u00e9 pour la conversation gr\u00e2ce \u00e0 une technique appel\u00e9e RLHF<\/a> (Reinforcement Learning from Human Feedback), o\u00f9 des annotateurs humains classent et am\u00e9liorent les r\u00e9ponses du mod\u00e8le, principalement des employ\u00e9s Kenyans exp\u00e9rimentant des conditions de travail et de r\u00e9mun\u00e9ration tr\u00e8s\u00a0 pr\u00e9caire<\/a>.<\/p>\n

L\u2019ampleur de cette adoption est vertigineuse. ChatGPT a atteint 400 millions d\u2019utilisateurs actifs hebdomadaires en f\u00e9vrier 2025<\/a>, apr\u00e8s avoir conquis son premier million d\u2019utilisateurs en seulement 5 jours \u2013 une vitesse d\u2019adoption 12 \u00e0 60 fois plus rapide que les applications de r\u00e9seaux sociaux populaires. Aux \u00c9tats-Unis et au Royaume-Uni, 40% des m\u00e9nages utilisent d\u00e9sormais ces outils<\/a>, tandis que dans des pays comme le Br\u00e9sil, l\u2019Inde, l\u2019Indon\u00e9sie, le Kenya et le Pakistan, plus de la moiti\u00e9 des utilisateurs d\u2019internet emploient l\u2019IA g\u00e9n\u00e9rative au moins une fois par semaine. L\u2019adoption en entreprise suit le m\u00eame rythme effr\u00e9n\u00e9\u00a0: parmi les grandes firmes des pays de l\u2019OCDE, le taux d\u2019adoption est pass\u00e9 de 15% en 2020 \u00e0 pr\u00e8s de 40% en 2024<\/a>.<\/p>\n

Triple Effet Kiss Cool<\/p>\n

L\u2019explosion des impacts environnementaux de l\u2019IA provient donc de trois effets qui se renforcent\u00a0:\u00a0<\/p>\n

Premi\u00e8rement, une croissance exponentielle de l\u2019IA g\u00e9n\u00e9rative li\u00e9e \u00e0 l\u2019usage quotidien de millions d\u2019utilisateurs. Cette adoption est acc\u00e9l\u00e9r\u00e9e par la facilit\u00e9 d\u2019utilisation (une interface conversationnelle pas ch\u00e8re facile \u00e0 manipuler avec les instructions ou prompts) et par une excitation \u00e9conomique des entreprises et \u00c9tats qui poussent \u00e0 l\u2019adoption de l\u2019IA dans un nombre toujours croissant d\u2019applications. La plupart du temps sans demander aux utilisateurs leur autorisation. Une \u00e9tude du projet de recherche Limites num\u00e9riques<\/a> montre que \u201cjamais une fonctionnalit\u00e9 n\u2019aura autant \u00e9t\u00e9 pouss\u00e9e en si peu de temps, spatialement, graphiquement, interactivement et de mani\u00e8re autant r\u00e9p\u00e9t\u00e9e dans nos sites web, services et logiciels.\u201d<\/p>\n

\"\"L\u2019adoption de l\u2019IA est pouss\u00e9e aussi graphiquement \u00e0 l\u2019aide d\u2019une couleur sp\u00e9cifique ou d\u2019une animation, alors que les autres fonctionnalit\u00e9s restent statiques et en noir et blanc. Le choix de la couleur violet n\u2019est pas anodin\u00a0: elle est souvent associ\u00e9e \u00e0 la magie. Source: Limites Num\u00e9riques, \u201cle Forcing de l\u2019IA\u201d<\/a><\/p>\n

Deuxi\u00e8mement, avec une complexification des mod\u00e8les d\u2019IA qui sont plus versatiles, plus gros, demandent plus de donn\u00e9es et plus de puissance de calcul. Avec ces outils dit g\u00e9n\u00e9ralistes (General Purpose AI), on peut autant g\u00e9n\u00e9rer un rap dans le style d\u2019Eminem sur la compote de pommes, que g\u00e9n\u00e9rer des vid\u00e9os de Will Smith qui mange des spaghetti, que de faire des r\u00e9sum\u00e9s de r\u00e9unions \u00e0 partir d\u2019enregistrements vocaux. La taille des LLMs a \u00e9t\u00e9 multipli\u00e9 par 10000 entre 2018 et 2023.<\/p>\n

\"\"Number of parameters of LLM over the past five years<\/a> \u2013 La taille des Large Language Models a \u00e9t\u00e9 multipli\u00e9 par 10\u00a0000 en 5 ans.\u00a0\u00a0<\/p>\n

Troisi\u00e8mement, une acc\u00e9l\u00e9ration de la construction des centres de donn\u00e9es dans le monde entier pour faire face \u00e0 l\u2019augmentation de la demande en services d\u2019IA g\u00e9n\u00e9rative, provoquant des impacts locaux sur le r\u00e9seau \u00e9lectrique, sur l\u2019eau, ou la pollution.<\/p>\n

L\u2019IA, bien plus qu\u2019une technologie<\/p>\n

Enfin, dans cette tentative de d\u00e9finition de ce qu\u2019est l\u2019intelligence artificielle, il est essentiel de ne pas se cantonner \u00e0 une simple d\u00e9finition technique. L\u2019IA est \u201cun champ de recherche pluridisciplinaire, un enjeu g\u00e9opolitique, un domaine industriel, un discours publicitaire et parfois presque religieux, un outil informatique complexe mais \u00e9galement un ph\u00e9nom\u00e8ne social plan\u00e9taire\u201d comme l\u2019indique Thibault Pr\u00e9vost dans son livre \u201cLes proph\u00e8tes de l\u2019IA\u201d.<\/p>\n

La mention du terme intelligence donne l\u2019impression d\u2019un syst\u00e8me infaillible, en ma\u00eetrise, et participe d\u2019une mythification de la technologie. Or, un syst\u00e8me d\u2019IA fait des calculs probabilistes, des erreurs, comporte de nombreux biais. Le terme artificiel quant \u00e0 lui tente de faire oublier les donn\u00e9es sous-jacentes cr\u00e9\u00e9es par des humains, souvent extraites sans leur consentement et le travail d\u2019annotation manuel indispensable \u00e0 leur fonctionnement.\u00a0<\/p>\n

L\u2019intelligence artificielle n\u2019est donc jamais neutre\u00a0: \u00e0 partir des donn\u00e9es sur lesquelles elle a \u00e9t\u00e9 entra\u00een\u00e9e, de sa mod\u00e9lisation, de la mani\u00e8re dont elle s\u2019ins\u00e8re dans la soci\u00e9t\u00e9, elle incarne et reproduit une vision du monde. Son d\u00e9veloppement et ses impacts sont intrins\u00e8quement li\u00e9s \u00e0 l\u2019industrie qui l\u2019a fait sortir du laboratoire. \u201cPour comprendre en quoi l\u2019IA est fondamentalement politique, nous devons aller au- del\u00e0 des r\u00e9seaux de neurones et de la reconnaissance statistique des formes et nous demander ce qui est optimis\u00e9, pour qui, et qui d\u00e9cide\u201d \u00e9crit Kate Crawford. Commen\u00e7ons alors avec ceux qui la fa\u00e7onnent.\u00a0<\/p>\n

Qui est derri\u00e8re l\u2019IA\u00a0?\u00a0<\/p>\n

Ainsi pour appr\u00e9hender les impacts environnementaux de l\u2019IA, il faut comprendre son industrie et saisir les rapports de force \u00e9conomiques et politiques qui la sous-tendent. Les acteurs de l\u2019IA s\u2019articulent autour de cinq maillons essentiels\u00a0: les donn\u00e9es, les mod\u00e8les, la puissance de calcul (compute), l\u2019infrastructure, et les applications et services.<\/p>\n

Les donn\u00e9es sont la mati\u00e8re premi\u00e8re de l\u2019IA, si une grande quantit\u00e9 de donn\u00e9es brutes existe en licence libre sur internet, les g\u00e9ants du num\u00e9rique (Meta, Google, Amazon, Microsoft) dominent la collecte massive de donn\u00e9es via leurs plateformes sociales, moteurs de recherches, services cloud et terminaux num\u00e9riques. S\u2019ajoutent des courtiers en donn\u00e9es personnelles (Experian, Equifax, \u2026) ou de march\u00e9 (Nielsen, Acxiom, \u2026), ainsi que de nombreux acteurs sp\u00e9cialis\u00e9s pour nettoyer, \u00e9tiqueter, et annoter la donn\u00e9e pour l\u2019IA (Amazon Mechanical Turk, Scale AI, \u2026) qui emploient une arm\u00e9e invisible de \u201ctravailleurs du clic\u201d pr\u00e9caires.\u00a0<\/p>\n

Les mod\u00e8les d\u2019IA sont d\u00e9velopp\u00e9s autant par des universit\u00e9s et des entreprises priv\u00e9es. En revanche, les mod\u00e8les les plus avanc\u00e9s d\u2019IA g\u00e9n\u00e9ratives sont d\u00e9velopp\u00e9s majoritairement (90% en 2024<\/a>) par des g\u00e9ants priv\u00e9s Meta (Llama), Google (Gemini) ou Alibaba (Qwen), ou des entreprises sp\u00e9cialis\u00e9es en IA comme OpenAI (GPT), Anthropic (Claude), xAI d\u2019Elon Musk (Grok) ou Mistral AI. En effet, entra\u00eener un mod\u00e8le peut co\u00fbter en 2025 plusieurs dizaines \u00e0 centaines de millions d\u2019euros<\/a> : ce qui est compl\u00e8tement inaccessible pour les universit\u00e9s ou d\u2019autres entreprises et institutions. En plus, les laboratoires publics de recherche en IA n\u2019ont acc\u00e8s qu\u2019\u00e0 quelques centaines de puces de calculs GPUs<\/a>, quand les laboratoires priv\u00e9s en ont des centaines de milliers.\u00a0<\/p>\n

La puissance de calcul (compute) n\u00e9cessite aussi une cha\u00eene de valeur avec en premier lieu les entreprises du cloud : le march\u00e9 est domin\u00e9 par Amazon (AWS), Microsoft (Azure), Google (GCP), IBM, Oracle ou Alibaba. Au niveau du mat\u00e9riel comme la conception des puces de calcul GPUs, NVIDIA \u00e9crase la concurrence avec +80% des parts de march\u00e9<\/a>, suivi d\u2019AMD et Intel. La production de ces puces est elle r\u00e9alis\u00e9e en grande majorit\u00e9 par TSMC (Taiwan Semiconductor Manufacturing Company) qui produit +60% des semi-conducteurs mondiaux, tandis qu\u2019ASML (Pays-Bas) d\u00e9tient un quasi-monopole complet sur les machines de lithographie EUV indispensables \u00e0 leur fabrication.<\/p>\n

L\u2019infrastructure physique du calcul s\u2019articule autour des centres de donn\u00e9es. Ils sont d\u00e9tenus directement par les g\u00e9ants de la tech (Meta, Microsoft, Amazon, Google, xAI, Alibaba) ou lou\u00e9s aupr\u00e8s de sp\u00e9cialistes comme Equinix ou Digital Realty. Les r\u00e9seaux et fournisseurs d\u2019\u00e9nergie se r\u00e9organisent autour de l\u2019IA\u00a0: nucl\u00e9aire (Constellation Energy, EDF, \u2026), turbines \u00e0 gaz (Shell, ExxonMobil, \u2026), syst\u00e8mes de refroidissement et de gestion \u00e9nerg\u00e9tique (Schneider Electric, Vertiv, \u2026), transport et distribution \u00e9lectrique. Toute cette infrastructure n\u00e9cessite des investissements monumentaux de plusieurs dizaines \u00e0 centaines de milliards de dollars par des fonds d\u2019investissement, des fonds souverains ou des banques.<\/p>\n

Les applications et services constituent le dernier maillon qui rend l\u2019IA accessible aux utilisateurs finaux (particuliers et entreprises). Au niveau grand public, les interfaces conversationnelles comme ChatGPT, Gemini, Claude ou Perplexity dominent, tandis que les APIs de ces m\u00eames entreprises permettent aux d\u00e9veloppeurs d\u2019int\u00e9grer l\u2019IA dans leurs propres applications. Des milliers de startups sp\u00e9cialis\u00e9es d\u00e9veloppent des applications sectorielles. Les entreprises de services num\u00e9riques (ESN) comme Accenture, Capgemini ou CGI int\u00e8grent l\u2019IA dans les syst\u00e8mes d\u2019information des grandes entreprises, et les cabinets de conseil comme McKinsey, BCG ou Deloitte vendent des \u201cstrat\u00e9gies de transformation par l\u2019IA\u201d.<\/p>\n

La dimension g\u00e9opolitique de l\u2019IA<\/p>\n

La domination des int\u00e9r\u00eats priv\u00e9s sur l\u2019IA est donc partout\u00a0: de la recherche et d\u00e9veloppement de mod\u00e8les, des infrastructures logicielles et mat\u00e9rielles aux terminaux et plateformes num\u00e9riques. Cette asym\u00e9trie se traduit par une influence politique consid\u00e9rable\u00a0: le secteur de la tech est celui qui d\u00e9pense le plus en lobbying \u00e0 Bruxelles avec 110 millions d\u2019euros par an<\/a> \u2013 Google et Meta en t\u00eate. Cette concentration du pouvoir \u00e9conomique et politique autour de l\u2019IA explique pourquoi les enjeux environnementaux ne peuvent \u00eatre dissoci\u00e9s de ces questions de pouvoir et de d\u00e9mocratie. Les d\u00e9cisions qui vont d\u00e9terminer l\u2019ampleur de l\u2019impact climatique de l\u2019IA \u2013 d\u00e9ploiement et adoption forc\u00e9e des usages, syst\u00e8me \u00e9nerg\u00e9tique, allocation des ressources, expansion des data centers \u2013 sont prises par une poign\u00e9e d\u2019acteurs priv\u00e9s en fonction de leurs int\u00e9r\u00eats financiers sans consultation d\u00e9mocratique.<\/p>\n

Cette situation arrange d\u2019ailleurs parfaitement les \u00c9tats qui, percevant l\u2019IA comme un enjeu de souverainet\u00e9 technologique dans la course \u00e0 l\u2019innovation mondiale, d\u00e9roulent le tapis rouge \u00e0 ces entreprises par le biais d\u2019investissements publics massifs, d\u2019exemptions fiscales et de r\u00e9glementations complaisantes (comme l\u2019article 15 de la loi PLS vot\u00e9e en France en Juin 2025<\/a> pour encourager l\u2019expansion des data centers en France). Comprendre cette r\u00e9alit\u00e9 industrielle et g\u00e9opolitique est indispensable pour appr\u00e9hender les enjeux de la transition \u00e9cologique \u00e0 l\u2019\u00e8re de l\u2019IA.<\/p>\n

L\u2019IA est un gouffre financier en qu\u00eate de rentabilit\u00e9<\/p>\n

Cependant au sein du grand banquet de l\u2019IA, ce n\u2019est pas si \u00e9vident de manger \u00e0 sa faim. Les investissements sont tellement monumentaux qu\u2019il est difficile pour tous ces acteurs d\u2019atteindre la rentabilit\u00e9 et de trouver un retour sur investissement. OpenAI perd de l\u2019argent tous les mois<\/a> (au moins 1 milliard de $ en 2024) et \u00e0 chaque requ\u00eate sur ChatGPT. Microsoft admet que l\u2019IA g\u00e9n\u00e9rative ne g\u00e9n\u00e8re pas suffisamment de valeur \u00e9conomique<\/a>. Au global, malgr\u00e9 les centaines de millions d\u2019utilisateurs, il n\u2019y a pas assez de revenus et d\u2019utilisations pour justifier les centaines de milliards investis dans l\u2019infrastructure mat\u00e9rielle, les mod\u00e8les d\u2019IA, et les salaires de stars de football des chercheurs en IA<\/a>.\u00a0<\/p>\n

Pour combler cette bulle \u00e9conomique, les entreprises d\u2019IA ont plusieurs id\u00e9es et strat\u00e9gies. D\u00e9j\u00e0, elles sont oblig\u00e9es de r\u00e9duire les co\u00fbts autant que possible et de faire du forcing pour encourager l\u2019adoption<\/a> par tous les moyens. Elles testent cherchent \u00e0 int\u00e9grer de la publicit\u00e9 dans les applications d\u2019IA g\u00e9n\u00e9rative (comme Snapchat<\/a> ou Perplexity<\/a>). apr\u00e8s les posts sponsoris\u00e9s sur les r\u00e9seaux sociaux, pr\u00e9parez-vous pour les r\u00e9ponses sponsoris\u00e9es sur ChatGPT. Sam Altman, PDG d\u2019OpenAI se dit r\u00e9ticent comme le disait les fondateurs de Google ou Facebook<\/a>, mais s\u2019y pr\u00e9pare quand m\u00eame<\/a>. Enfin, elles font surtout ce qui marche le mieux\u00a0: vendre un futur radieux, o\u00f9 les promesses d\u2019une IA g\u00e9n\u00e9rale<\/a> qui nous sauverait de la dette publique, du changement climatique, du cancer et des in\u00e9galit\u00e9s, permettent de continuer \u00e0 attirer des financements. Mais derri\u00e8re l\u2019int\u00e9r\u00eat est cyniquement bien \u00e9conomique, la d\u00e9finition d\u2019une IA g\u00e9n\u00e9rale entre Microsoft et OpenAI est d\u2019ailleurs celle qui permettrait de g\u00e9n\u00e9rer 100 milliards de profits<\/a>.<\/p>\n

Pourquoi c\u2019est important\u00a0? Parce que pour le moment en 2025, tout va tr\u00e8s vite. Pour anticiper les impacts environnementaux, il faut anticiper l\u2019\u00e9volution des usages. \u00c9norm\u00e9ment d\u2019argent est investi pour provoquer une acc\u00e9l\u00e9ration la plus rapide possible mais le d\u00e9ploiement de l\u2019IA pourrait aussi conna\u00eetre de nombreuses transformations et revers, si la rentabilit\u00e9 ne progresse pas.\u00a0<\/p>\n

Le voyage d\u2019une requ\u00eate ChatGPT<\/p>\n

Pour comprendre simplement l\u2019impact environnemental d\u2019une IA g\u00e9n\u00e9rative, essayons de d\u00e9composer ce qu\u2019il se passe quand on pose une question \u00e0 ChatGPT.\u00a0<\/p>\n

ChatGPT fonctionne gr\u00e2ce \u00e0 un LLM (Large Language Model)\u00a0: ces algorithmes r\u00e9cents dans la grande famille des algorithmes d\u2019IA qui ont appris \u00e0 pr\u00e9dire le mot suivant apr\u00e8s avoir appris sur plusieurs milliards d\u2019exemples. Comme leur nom l\u2019indique, ces algorithmes sont \u201cgrands\u201d, et n\u00e9cessitent une puissance de calcul cons\u00e9quente largement inatteignable pour les puces de calcul que l\u2019on retrouve dans nos outils du quotidien (t\u00e9l\u00e9phone, ordinateur, etc.). Il faut donc aller chercher cette puissance ailleurs, et c\u2019est dans les \u201cdata centers\u201d (centre de donn\u00e9es) qu\u2019on la trouve.\u00a0<\/p>\n

Les centres de donn\u00e9es sont de grands b\u00e2timents qui vont stocker des milliers de serveurs qui auront pour simplifier deux fonctions principales\u00a0:<\/p>\n