L’intelligence artificielle s’apprête à tripler sa consommation électrique d’ici 2030, selon un rapport de l’ONU qui révèle des impacts environnementaux massifs sur l’eau, l’énergie et les terres. Kaveh Madani tire la sonnette d’alarme sur cette explosion des besoins en ressources.
Intelligence artificielle : l’explosion annoncée des besoins énergétiques et hydriques
L’intelligence artificielle s’apprête à bouleverser, de façon peut-être irrémédiable, l’équilibre énergétique et hydrique de la planète. Selon le nouveau rapport de l’Institut de l’Université des Nations Unies pour l’eau, l’environnement et la santé (UNU-INWEH), publié le 3 juin dernier, les centres de données alimentant l’IA consommeront d’ici 2030 près de 945 térawattheures d’électricité annuellement. Cette projection représente pratiquement le triple de la consommation électrique combinée du Pakistan, du Bangladesh et du Nigeria, trois pays abritant collectivement plus de 650 millions d’habitants. Des chiffres qui donnent le vertige et qui, pour qui prend la peine de les considérer sérieusement, devraient provoquer bien plus qu’une simple inquiétude.
Car derrière l’apparente immatérialité de l’intelligence artificielle se dissimule une infrastructure physique d’une voracité considérable. Une réalité que Kaveh Madani, directeur de l’UNU-INWEH et lauréat 2026 du Prix de l’eau de Stockholm, formule sans détour : « L’IA n’est pas qu’une chose virtuelle. Nous parlons de quelque chose qui a une physique, quelque chose qui a des impacts bien réels. »
Les révélations inquiétantes de Kaveh Madani
Le professeur Kaveh Madani, qui a dirigé cette investigation, dévoile des projections proprement alarmantes. D’après ses calculs, l’empreinte hydrique des centres de données équivaudra d’ici six ans aux besoins domestiques annuels de base de l’ensemble des 1,3 milliard d’habitants de l’Afrique subsaharienne. Parallèlement, leur empreinte foncière dépassera 14 500 kilomètres carrés, soit environ deux fois la superficie de l’agglomération de Jakarta et ses 32 millions d’habitants. Des ordres de grandeur qui peinent à s’inscrire dans l’imaginaire collectif, et c’est précisément ce qui les rend si préoccupants.
« Ce rapport n’est pas une condamnation de l’intelligence artificielle, une transformation technologique qui améliore la vie de milliards de personnes dans le monde », précise le scientifique. « C’est un appel à l’utiliser de manière responsable et à traiter ses impacts involontaires de façon proactive pour la rendre durable et équitable. » Une nuance essentielle, qui dit beaucoup de la complexité du défi auquel nous sommes confrontés.
L’expert met également en garde contre une erreur d’analyse répandue : évaluer la durabilité de l’IA par le seul prisme carbone. « Les choix qui semblent les plus verts du point de vue des émissions finissent souvent par être bien pires pour l’eau ou la terre », explique la docteure Miriam Aczel, chercheuse à l’UNU-INWEH et auteure principale du rapport. Cette approche unidimensionnelle masque des arbitrages cruciaux et déplace les fardeaux environnementaux vers des régions déjà soumises au stress hydrique ou foncier.
Des risques multiformes pour les écosystèmes
L’étude révèle que 90 % de la consommation énergétique de l’IA provient non pas de l’entraînement des modèles, contrairement aux idées reçues, mais de leur utilisation opérationnelle quotidienne. ChatGPT seul traite environ 2,5 milliards de requêtes par jour, ce qui représente approximativement 383 gigawattheures d’électricité par an pour un unique produit. Pour compenser les émissions carbone associées, il faudrait planter 2,6 millions de jeunes arbres et les laisser pousser pendant dix ans, soit une superficie forestière équivalente à celle de Manhattan.
Les disparités de consommation selon les tâches demandées soulignent l’urgence d’une prise de conscience collective. Une requête conversationnelle ordinaire consomme environ 200 fois plus d’énergie qu’une simple classification de texte. Générer une seule image par IA peut nécessiter quelque 1 450 fois cette référence de base. Quant à une courte vidéo produite par intelligence artificielle, elle peut mobiliser autant d’électricité que 200 000 classifications de courriers indésirables. Ces ordres de grandeur, documentés par l’ONU, donnent la mesure d’un phénomène qui échappe encore largement au débat public.
Le rapport invoque par ailleurs l’effet rebond, connu sous le nom de paradoxe de Jevons, en avertissant que l’amélioration de l’efficacité des modèles les rend moins coûteux et donc davantage utilisés. « Beaucoup de gens pensent que l’empreinte environnementale de l’IA diminue à mesure que la technologie progresse et que les processus gagnent en efficacité. Mais ce n’est qu’une image partielle du problème global », souligne Kaveh Madani. Un avertissement qui devrait résonner bien au-delà des cercles spécialisés.
L’ONU tire la sonnette d’alarme
Face à ces constats, l’Organisation des Nations Unies formule plusieurs demandes pressantes. Elle exige d’abord une transparence accrue de la part des entreprises technologiques sur leurs consommations réelles. « Nous ne pouvons pas gérer ce que les entreprises ne divulguent pas », dénonce Fengqi You, professeur d’ingénierie énergétique à l’Université Cornell. Une exigence de vérité qui se heurte, pour l’heure, à l’opacité soigneusement entretenue par les géants du secteur.
L’ONU réclame également une planification coordonnée entre gouvernements et entreprises pour éviter que l’expansion des centres de données n’entre en collision avec les pressions déjà considérables qui s’exercent sur les ressources naturelles. L’Irlande illustre parfaitement ce risque : en 2023, les centres de données y ont représenté 21 % de toute l’électricité consommée, dépassant l’ensemble des foyers urbains du pays. L’opérateur national du réseau a dû suspendre les nouvelles approbations autour de Dublin jusqu’en 2028, signe que la saturation n’est plus un scénario hypothétique. À cela s’ajoutent des impératifs concrets : développer un « écosystème d’IA responsable », intégrer la justice environnementale dans les décisions d’implantation, et instaurer des limites explicites sur les tokens et la résolution par défaut des modèles.
