Lors de mes interventions au sein des différents programmes, la question de l’impact écologique des outils d’intelligence artificielle est souvent mise de l’avant. Bien que je ne sois pas scientifique du climat, j’essaie de me tenir à jour sur ces questions adjacentes à mon expertise.
On sait que que les phases de fabrication du matériel informatique nécessitent des métaux et engendrent de la pollution locale. La phase d’entraînement du modèle nécessite de l’eau et de l’électricité. La phase d’utilisation des IAG, due à la popularité de ces outils, est la phase du processus la plus énergivore (et donc potentiellement la plus polluante en fonction des moyens de production électrique locale des centres de données) et qui consomme également de l’eau. Néanmoins, il est difficile d’avoir des réponses concrètes dû au manque de données de la part des entreprises qui développent et entraînent de larges modèles de langue. Les experts du domaine, comme on peut le lire dans cet article, sont donc obligés d’estimer la majorité des données.
Ces estimations nous éclairent un peu plus.
Dans les tâches performées par l’IA, certaines se démarquent comme plus énergivores. Le graphique ci-dessous analyse la consommation énergétique de modèle d’IAG pour faire 1000 fois différents types de tâches en équivalent Wh. (cf. figure ci-dessous tiré de Chen, 2025)
On peut donc constater que les usages les plus communs des IA ne consomment que très peu d’énergie. Pour référence, faire un km en voiture électrique consomme entre 150 et 200Wh (cf EV Database, 2025).
Le graphique ci-dessous représente la consommation des centres de données du monde entier. Il est projeté que l’engouement pour ces outils va continuer de faire croître les besoins en énergie dans les prochaines années, notamment avec l’avènement de l’intelligence artificielle, même si ce coût énergétique reste réduit comparativement à d’autres usages. (cf. figure ci-dessous tiré de Chen, 2025).
Personnellement, ayant en tête ces chiffres, et considérant l’impact potentiel d’un monde où l’intelligence artificielle est partout et les enjeux qui viennent avec cette réalité (Postulat 1 du rapport du comité expert), je ne pense pas qu’il soit judicieux de faire de l’impact sur le climat des intelligences artificielles un sujet prioritaire. Il reste important de ne pas l’occulter et continuer à s’informer sur le sujet. Les estimations réalisées par les experts pourraient se révéler inexactes ou insuffisantes, il faudrait alors réévaluer la position avancée dans ma dernière phrase.
Le sujet de l’efficience revient souvent lorsqu’on parle d’intelligence artificielle. En ce qui concerne les questions d’énergie, certains auteurs poussent ce raisonnement en avançant que, pour certaines tâches, la performance de l’IA permet un gain énergétique mesurable comparativement à la même tâche réalisée par un humain (cf. figure ci-dessous tirée de Tomlinson et al., 2024).
Cette notion d’efficience s’étend au-delà du simple niveau de la consommation d’énergie. Dans notre contexte universitaire et en reprenant le postulat 4 du comité expert en IAG de l’Université de Sherbrooke, l’intégration des outils d’IA vise à améliorer l’efficacité pédagogique et non à asservir l’institution à un besoin d’efficience purement économique. Aussi bien en tant que société que programme, la question se pose : Quelles tâches pourrait-on déléguer à l’IA et quelles tâches devraient continuer à être réalisées par des humains ?
L’initiative de cette publication m’est venue grâce à la vidéo de Simon Clark, vidéaste traitant du climat sur YouTube. Sa vidéo m’a permis de trouver des ressources pertinentes sur l’état de la question.
Sources:
Bashir, N., Donti, P., Cuff, J., Sroka, S., Ilic, M., Sze, V., Delimitrou, C., & Olivetti, E. (2024). The Climate and Sustainability Implications of Generative AI. An MIT Exploration of Generative AI. https://mit-genai.pubpub.org/pub/8ulgrckc/release/2
Chen, S. (2025). How much energy will AI really consume? The good, the bad and the unknown. Nature, 639(8053), 22‑24. https://doi.org/10.1038/d41586-025-00616-z
EV Database. (2025). EV Database. https://ev-database.org/cheatsheet/energy-consumption-electric-car
Luccioni, S., Gamazaychikov, B., Hooker, S., Pierrard, R., Strubell, E., Jernite, Y., & Wu, C.-J. (2024). Light bulbs have energy ratings—So why can’t AI chatbots? Nature, 632(8026), 736‑738. https://doi.org/10.1038/d41586-024-02680-3
Ritchie, H. (2024, septembre 19). What’s the impact of artificial intelligence on energy demand? https://www.sustainabilitybynumbers.com/p/ai-energy-demand
Sherbrooke, U. de. (2025). Adapter les programmes d’études pour tenir compte de l’IA à l’Université de Sherbrooke : Recommandations et invitation à l’action. Service de soutien à la formation, Université de Sherbrooke. https://doi.org/10.5281/zenodo.13376588
Simon Clark (Réalisateur). (2025, avril 2). Dois-je me sentir coupable d’utiliser l’IA ? [Enregistrement vidéo]. https://www.youtube.com/watch?v=5sFBySzNIX0
Tomlinson, B., Black, R.W., Patterson, D.J. et al. The carbon emissions of writing and illustrating are lower for AI than for humans. Sci Rep 14, 3732 (2024). https://doi.org/10.1038/s41598-024-54271-x
