Le paradoxe de l'IA générative : gouffre de ressources ou catalyseur de solutions climatiques ?

Qu'est-ce que le paradoxe de l'IA générative ?

Le paradoxe de l'IA générative est ce constat documenté : l'IA générative consomme des volumes croissants d'électricité, d'eau douce et de matériaux critiques tout en constituant l'un des plus puissants accélérateurs disponibles pour l'atténuation du changement climatique, l'optimisation des réseaux électriques et l'innovation dans les matériaux. Les deux moitiés reposent sur des données publiques mesurées, et aucune n'annule l'autre. L'Agence internationale de l'énergie (AIE) rapporte que la demande mondiale d'électricité des centres de données a augmenté de 17 % en 2025 pour atteindre 485 térawattheures (TWh), et estime par ailleurs qu'un déploiement large des applications d'IA existantes pourrait éviter 1 400 millions de tonnes (Mt) de dioxyde de carbone en 2035. Pour un manager, le paradoxe de l'IA générative n'est pas un débat à gagner mais un problème d'allocation à arbitrer : chaque déploiement porte un coût en ressources mesurable et un bénéfice d'émissions évitées conditionnel, et seule une mesure rigoureuse établit lequel l'emporte. Cet article expose comment porter ce jugement cas par cas, plutôt que d'adopter une position de principe pour ou contre les innovations en IA.

Quelle quantité d'électricité et d'eau l'IA générative consomme-t-elle ?

La consommation de ressources de l'IA générative est désormais mesurée plutôt qu'estimée, et les chiffres publiés sont considérables en agrégat tout en restant faibles par requête. Le rapport de l'AIE Key Questions on Energy and AI, publié le 16 avril 2026, indique que la demande mondiale d'électricité des centres de données a progressé de 17 % en 2025 pour atteindre 485 TWh et projette environ 950 TWh d'ici 2030 — soit près de 3 % de la demande mondiale d'électricité —, tandis que la consommation électrique des centres de données dédiés à l'IA a bondi de 50 % en 2025 et devrait tripler d'ici 2030. À l'échelle d'une requête unique, l'article technique de Google Measuring the Environmental Impact of Delivering AI at Google Scale, paru le 21 août 2025, rapporte que la requête textuelle médiane sur Gemini Apps consomme 0,24 wattheure d'énergie, émet 0,03 gramme d'équivalent CO2 et consomme 0,26 millilitre d'eau. Ces deux échelles doivent être lues ensemble, car des requêtes individuellement négligeables s'agrègent en une demande électrique d'ampleur nationale.

Que mesurent réellement les publications sur l'empreinte de l'IA ?

Les publications sur l'empreinte de l'IA couvrent désormais quatre catégories d'impact distinctes — énergie, carbone, eau et matériaux — mais elles appliquent des périmètres différents, de sorte que leurs chiffres ne sont pas directement comparables. Google a mesuré l'impact opérationnel du service : accélérateurs, systèmes hôtes, capacité inutilisée et surcoût du centre de données. Mistral AI a commandé une analyse de cycle de vie complète couvrant la construction du centre de données, la fabrication du matériel, l'entraînement du modèle et 18 mois d'inférence, réalisée avec Carbone 4 et l'Agence de la transition écologique (ADEME) et publiée le 22 juillet 2025. Cette différence de périmètre explique pourquoi Mistral rapporte 45 millilitres d'eau pour une réponse de 400 tokens quand Google rapporte 0,26 millilitre pour une requête médiane : les deux chiffres répondent à des questions différentes. Le tableau ci-dessous rassemble les principales publications qu'un manager peut citer, chacune avec son éditeur, sa date et son périmètre, afin qu'une affirmation sur l'empreinte puisse être tracée jusqu'à une source plutôt que reprise de seconde main.

Où l'IA générative est-elle véritablement un catalyseur de solutions climatiques ?

L'IA générative et les systèmes d'apprentissage automatique associés apportent une valeur climatique mesurable dans quatre domaines où des preuves publiées existent déjà : l'exploitation des systèmes électriques, la planification des raccordements au réseau, l'efficacité énergétique industrielle et la découverte de matériaux. Le rapport de l'AIE Energy and AI, publié en avril 2025, en quantifie trois. Appliquer l'IA à l'exploitation et à la maintenance des centrales électriques pourrait générer jusqu'à 110 milliards de dollars d'économies annuelles d'ici 2035 ; jusqu'à 175 gigawatts (GW) de capacité de transport supplémentaire pourraient être libérés sur les lignes existantes ; et l'industrie légère, comme la fabrication d'électronique et de machines, pourrait atteindre 8 % d'économies d'énergie d'ici 2035. Tous secteurs d'usage confondus, le scénario d'adoption généralisée de l'AIE chiffre les émissions évitées à 1 400 Mt de CO2 en 2035, soit trois à quatre fois le total des émissions des centres de données dans ses propres scénarios. Les applications ci-dessous montrent où ces gains sont recherchés aujourd'hui :

• Planification des raccordements au réseau — PJM Interconnection, qui dessert 67 millions de personnes dans 13 États américains et le district de Columbia, a annoncé le 10 avril 2025 une collaboration pluriannuelle avec Google et Tapestry pour appliquer l'IA à son processus de raccordement des moyens de production et réduire les délais d'instruction des demandes.
• Capacité de transport — évaluation dynamique des lignes et prévision de la congestion, dont l'AIE estime qu'elles pourraient libérer jusqu'à 175 GW de capacité supplémentaire sur les lignes de transport existantes.
• Exploitation et maintenance des centrales — maintenance prédictive et optimisation du dispatching, que l'AIE valorise jusqu'à 110 milliards de dollars d'économies annuelles d'ici 2035 grâce au carburant évité et à la baisse des coûts.
• Optimisation des procédés industriels — 8 % d'économies d'énergie d'ici 2035 dans l'industrie légère, comme la fabrication d'électronique et de machines, dans le scénario d'adoption généralisée de l'AIE.
• Découverte de matériaux — MatterGen, publié dans Nature (volume 639, pages 624-632, 16 janvier 2025), génère des structures cristallines inorganiques deux fois plus susceptibles d'être nouvelles et stables que celles des modèles génératifs précédents, raccourcissant la recherche de matériaux pour batteries, aimants et catalyseurs.
• Travail sur les données de durabilité — extraction, réconciliation et signalement des lacunes dans les questionnaires fournisseurs et les jeux de données de reporting, ce qui comprime le cycle de reporting sans remplacer la revue humaine ni l'assurance externe.

Le bénéfice climatique annule-t-il le coût en ressources ?

Le bénéfice climatique n'annule pas automatiquement le coût en ressources, car ce bénéfice est un scénario modélisé alors que la consommation, elle, a déjà lieu. L'AIE est explicite sur ce point : elle affirme qu'il n'existe actuellement aucune dynamique susceptible d'assurer l'adoption généralisée de ces applications d'IA, et cite l'accès aux données, les infrastructures, la réglementation et les effets rebond comme des obstacles capables d'annuler les gains modélisés. Le versant consommation, à l'inverse, est observé. Les centres de données représentaient environ 0,5 % des émissions mondiales liées à la combustion à la date du rapport Energy and AI de l'AIE en avril 2025, part portée à 1 % dans son scénario de référence et à 1,4 % dans son scénario Lift-Off d'ici 2030 ; la mise à jour d'avril 2026 de l'AIE situe les émissions des centres de données autour de 350 Mt en 2035, soit environ 2 % des émissions mondiales du secteur électrique. Un manager qui comptabilise le bénéfice de 1 400 Mt sans avoir sécurisé les conditions d'adoption enregistre une prévision comme un résultat acquis : les émissions évitées sont un objectif conditionnel, gagné déploiement après déploiement, et non un crédit déjà encaissé.

Quelles pratiques Green AI réduisent l'empreinte ?

Les pratiques Green AI réduisent l'empreinte d'un déploiement d'IA sans attendre la réglementation, et chacune relève d'une décision de management plutôt que d'un problème de recherche. Le levier unitaire le plus important est le dimensionnement du modèle : ajuster la capacité du modèle à la tâche au lieu d'acheminer chaque requête vers le modèle le plus puissant disponible. Le deuxième est la séparation comptable de l'entraînement et de l'inférence, car un modèle entraîné une fois peut servir des milliards de requêtes, et l'AIE relève que des applications émergentes comme la génération vidéo consomment des centaines voire des milliers de fois plus d'énergie qu'une simple requête textuelle. L'efficacité des installations est mesurable et comparable via l'efficacité d'utilisation de l'énergie (PUE) et l'efficacité d'utilisation de l'eau (WUE), tandis que les émissions au niveau logiciel peuvent être quantifiées avec la spécification Software Carbon Intensity normalisée sous la référence ISO/IEC 21031:2024. Les pratiques ci-dessous relèvent d'une politique d'achat et d'exploitation de l'IA, et non d'un arriéré technique :

• Dimensionner le modèle — orienter chaque tâche vers le plus petit modèle atteignant le seuil de qualité requis, et mesurer l'écart de qualité au lieu de le présumer.
• Séparer entraînement et inférence dans votre comptabilité — publier l'empreinte d'entraînement amortie et l'empreinte d'inférence marginale comme deux chiffres distincts, avec leurs périmètres explicités.
• Planifier les charges flexibles sur les fenêtres bas carbone du réseau — les traitements par lots, le fine-tuning et les campagnes d'évaluation peuvent suivre l'intensité carbone du réseau plutôt que les horaires de bureau.
• Fixer des seuils de PUE et de WUE dans les contrats fournisseurs — l'Uptime Institute a relevé un PUE moyen pondéré du secteur d'environ 1,54 en 2025 : une efficacité supérieure à la moyenne doit donc être spécifiée, non supposée.
• Exiger la publication de l'empreinte dans les clauses d'achat — demander l'énergie, le carbone et l'eau par unité de service, avec le périmètre et la méthodologie inscrits au contrat.
• Appliquer des pratiques circulaires au matériel — la modélisation publiée dans Nature Computational Science indique que des approches circulaires le long de la chaîne de valeur de l'IA générative pourraient réduire les déchets électroniques de 16 à 86 %.
• Mesurer l'intensité carbone du logiciel selon ISO/IEC 21031:2024 afin que les affirmations d'efficacité soient comparables d'une version à l'autre et d'un fournisseur à l'autre.

Comment déterminer qu'un usage de l'IA générative est positif net ?

Un cas d'usage d'IA générative est positif net lorsque son coût en ressources mesuré est inférieur à l'usage de ressources qu'il remplace de façon démontrable, et lorsque ces deux chiffres résistent à un examen externe. Ce jugement exige une séquence plutôt qu'une opinion, et chaque étape produit un livrable qu'un conseil d'administration, un auditeur ou un régulateur peut inspecter. La séquence ci-dessous s'applique aussi bien à un pipeline de données ESG qu'à un outil de scénarios climatiques ou à un assistant interne, et elle place délibérément la mesure avant l'ambition : un déploiement dont l'empreinte n'a jamais été quantifiée ne peut être présenté comme une solution climatique, quel que soit son objet. Les managers qui appliquent cette séquence rejettent généralement d'emblée une minorité des cas d'usage proposés, redimensionnent une part plus large vers des modèles plus petits ou des périmètres plus étroits, et approuvent le reste en l'assortissant de conditions de suivi explicites. Les six étapes s'enchaînent dans l'ordre, et aucune ne peut être omise au motif qu'une étape antérieure a produit une réponse dérangeante :

1. Quantifier l'empreinte du déploiement — énergie, carbone, eau et matériel — selon un périmètre déclaré et une méthodologie publiée telle qu'ISO 14040/14044 ou le Greenhouse Gas Protocol Product Standard.
2. Nommer le contrefactuel : quel processus, avec quelle année de référence et quel usage de ressources mesuré, ce déploiement remplace-t-il réellement ?
3. Calculer l'effet net et le publier sous forme de fourchette assortie de son incertitude, plutôt que comme un chiffre unique et rassurant.
4. Tester la gouvernance des données — provenance, traçabilité, conservation, minimisation et documentation — au regard du règlement européen sur l'IA et de la norme ISO/IEC 42001:2023 avant le déploiement, et non après un incident.
5. Tester la communication : chaque chiffre que vous comptez publier peut-il être justifié devant un auditeur, avec un périmètre, une année de référence, une méthodologie et un statut de vérification ?
6. Remesurer après six à douze mois pour détecter les effets rebond, car la croissance des usages peut effacer intégralement un gain d'efficacité unitaire.

Comment la gestion responsable des données rend-elle l'IA générative gouvernable ?

La gestion responsable des données est la couche de contrôle qui rend auditable une affirmation sur l'empreinte de l'IA, et elle a désormais une portée légale. La provenance des données consigne d'où proviennent les données d'entraînement et d'entrée, la traçabilité consigne comment ces données ont été transformées, et la conservation comme la minimisation limitent le volume stocké et sa durée — le stockage étant lui-même un coût énergétique continu. En vertu du règlement européen sur l'intelligence artificielle, les fournisseurs de modèles d'IA à usage général (GPAI) doivent tenir une documentation technique incluant la consommation énergétique connue du modèle, ou une estimation dérivée des ressources de calcul utilisées, au titre de l'article 53(1)(a) et de l'annexe XI. La norme ISO/IEC 42001:2023, premier standard international de système de management de l'intelligence artificielle, fournit l'ossature de gouvernance environnante : évaluation d'impact, traçabilité, supervision humaine et amélioration continue. Le tableau ci-dessous précise quel instrument crée quelle obligation, qui il engage et à partir de quand il s'applique.

Pourquoi la communication sur l'IA décide-t-elle de la solidité de votre récit climatique ?

La communication sur l'IA — la discipline consistant à transformer une analyse produite par la machine en récit exploitable pour la décision — détermine si une allégation climatique résiste au contact d'un régulateur, et c'est là que l'IA générative crée le risque réputationnel le plus aigu. Un modèle génératif produit une prose fluide et assurée quelle que soit la qualité des données sous-jacentes, ce qui signifie qu'une sortie d'IA sans provenance peut paraître plus autorisée qu'une analyse humaine soigneusement nuancée. Les régulateurs ont déjà commencé à sanctionner les allégations qui en résultent. La Securities and Exchange Commission (SEC) des États-Unis a engagé ses premières actions contre l'AI-washing le 18 mars 2024, réglant des poursuites contre deux conseillers en investissement pour des déclarations fausses et trompeuses sur leur usage de l'intelligence artificielle, assorties de 400 000 dollars de sanctions civiles cumulées. Le 20 février 2025, le même régulateur a créé une Cyber and Emerging Technologies Unit dont le périmètre inclut explicitement les manquements liés à l'IA. Le storytelling et la communication d'impact signifient donc désormais publier la provenance en même temps que le résultat.

Comment construire un récit de durabilité assisté par l'IA pour un conseil d'administration ?

Un récit de durabilité assisté par l'IA emporte la confiance du conseil et du régulateur lorsqu'il est assemblé dans un ordre fixe séparant les preuves de leur interprétation. Présenter les composantes dans la séquence ci-dessous reproduit la façon dont un comité d'audit interroge une publication climatique, et rend le maillon faible visible tôt plutôt qu'au moment des questions :

1. La question à laquelle l'analyse répond, énoncée en une phrase avant toute présentation de résultat.
2. Les données utilisées, avec leur source, leur période de couverture et leurs lacunes connues.
3. La méthode, en nommant quel modèle ou quel outil a produit quelle partie de l'analyse et où un humain est intervenu.
4. Le résultat, exprimé sous forme de fourchette assortie de son incertitude plutôt que comme un chiffre unique.
5. La décision demandée, accompagnée de ce qu'il faudrait constater pour que cette décision se révèle erronée.
6. Le statut de vérification — revue interne, assurance externe, ou aucune des deux — énoncé sans détour.

De quelles compétences les managers ont-ils besoin pour gouverner l'empreinte de l'IA générative ?

Gouverner l'empreinte de l'IA générative requiert deux familles de compétences qui figurent rarement dans la même fiche de poste : la gestion responsable des données et la communication d'impact. La gestion responsable des données couvre la provenance, la traçabilité, la conservation, la minimisation et les obligations documentaires créées par le règlement européen sur l'IA et la norme ISO/IEC 42001 ; c'est la discipline même qui sous-tend un reporting environnemental, social et de gouvernance (ESG) crédible. Le storytelling et la communication d'impact couvrent la traduction de ces preuves en un récit sur lequel un conseil, un régulateur et le public peuvent chacun agir sans être induits en erreur. Les pratiques Green AI se situent entre les deux, car dimensionner un modèle est simultanément une décision d'ingénierie, une décision d'achat et une décision de publication. Le tableau ci-dessous associe chaque compétence au livrable qu'un manager doit savoir produire, qui est aussi la forme sous laquelle recruteurs et auditeurs l'évaluent.

Quel parcours SUMAS correspond à votre profil ?

SUMAS enseigne la finance durable et les innovations en IA à travers quatre parcours qui diffèrent par le niveau d'entrée, la durée et le format plutôt que par le contenu, si bien que le choix part de votre qualification actuelle et du temps d'étude dont vous disposez réellement. Les quatre sont dispensés en anglais par SUMAS — Sustainability Management School, qui exploite un campus Lake Geneva à Gland (Suisse) et un campus urbain à Milan (Italie), et détient l'accréditation ACBSP. L'enseignement de l'IA à SUMAS est dirigé par le professeur Jan Erik Meidell, Ph.D., dont les cours comprennent Statistiques et apprentissage automatique, IA appliquée à l'entreprise, Blockchain et finance décentralisée, ainsi que le Capstone : AI for Good, et dont les travaux appliquent l'IA et la science des données aux problématiques de durabilité et de gouvernance ESG. AI for Good est un cours de capstone et non un diplôme distinct : les lecteurs qui le recherchent doivent donc demander au service des admissions quel parcours le propose actuellement. Le tableau compare les quatre parcours sur les critères qui décident du choix en pratique.

Comment développer des compétences en Green AI et en gestion responsable des données avec SUMAS ?

Développer les compétences nécessaires pour gouverner l'IA générative part d'une question plus étroite que le choix d'un diplôme : lequel des livrables énumérés plus haut seriez-vous incapable de produire aujourd'hui ? La mesure d'empreinte et l'analyse d'impact net se construisent par une pratique technique répétée sur des jeux de données réels, tandis que la gestion responsable des données et la communication d'impact se construisent par des projets appliqués sous contraintes organisationnelles réelles et par la discipline consistant à défendre un chiffre devant un auditoire capable de le contester. SUMAS développe les deux à travers les Sustainability Industry Projects menés avec des organisations partenaires et par le travail de capstone, et déclare un taux d'emploi de 90 % de ses diplômés sur l'ensemble de ses programmes. Les lecteurs qui envisagent une évolution peuvent également consulter nos guides sur les carrières dans le management du développement durable et sur les stratégies d'économie circulaire, qui traitent plus en profondeur des parcours et des concepts d'efficacité des ressources. L'étape pratique suivante consiste à choisir le parcours dont la durée et le format vous permettent de construire le plus vite le livrable qui vous manque.