L’intelligence artificielle n’est pas “dans le cloud”. Elle tourne dans des data centers qui consomment de l’électricité, de l’eau, des puces, des métaux et produisent des déchets. La vraie question n’est donc pas seulement “est-ce que l’IA est utile ?”, mais qui paie sa facture physique.
En 2024, les data centers représentaient déjà environ 415 TWh d’électricité dans le monde, soit 1,5 % de la consommation électrique mondiale selon l’Agence internationale de l’énergie. D’ici 2030, cette demande pourrait dépasser 945 TWh, plus que la consommation électrique actuelle du Japon.
Le verdict du Recul est simple : l’IA peut aider à optimiser l’énergie, la recherche ou les réseaux. Mais sa trajectoire actuelle n’est pas sobre. Elle ressemble surtout à une course aux data centers, aux GPU, à l’eau et aux gigawatts.
La promesse : une IA plus efficace, donc plus verte ?
Le discours dominant est rassurant : les modèles deviennent plus efficaces, les puces progressent, les data centers se refroidissent mieux, les géants signent des contrats d’électricité bas-carbone. Donc l’IA consommerait moins demain.
C’est incomplet. Le problème n’est pas seulement la consommation d’une requête. Le problème, c’est le volume. Plus l’IA devient rapide, bon marché et intégrée partout, plus on l’utilise : recherche, code, image, vidéo, service client, bureautique, publicité, cybersécurité, agents autonomes, assistants personnels, entreprises, administrations.
C’est le piège classique de l’efficacité : quand une technologie devient moins chère à utiliser, elle peut finir par consommer plus au total parce qu’on l’utilise beaucoup plus. C’est l’effet rebond, souvent associé au paradoxe de Jevons.
Autrement dit : une IA deux fois plus efficace ne rend pas forcément le monde deux fois plus sobre. Si son usage est multiplié par dix, la facture grimpe quand même. C’est le cœur de ce Grand angle.
Combien d’électricité consomme l’IA ?
La meilleure porte d’entrée, ce sont les data centers.
Selon l’IEA, les data centers ont consommé environ 415 TWh en 2024. C’est déjà plus que la consommation électrique annuelle de nombreux pays. Et ce chiffre devrait plus que doubler d’ici 2030 pour atteindre environ 945 TWh.
945 TWh, ce n’est pas une abstraction. C’est légèrement plus que la consommation électrique actuelle du Japon. La même agence indique qu’un data center orienté IA typique peut consommer autant d’électricité que 100 000 foyers. Les plus grands data centers en construction pourraient consommer 20 fois plus.
C’est là que le mot “cloud” devient trompeur. Le cloud donne l’impression d’un service léger, invisible, presque immatériel. En réalité, il repose sur du béton, des câbles, des transformateurs, des climatiseurs, des groupes électrogènes, des kilomètres de fibre, des milliers de GPU et des quantités massives d’électricité.
L’IA n’est pas dans l’air. Elle est branchée au réseau.
Une requête ChatGPT, ça consomme vraiment combien ?
La réponse courte : ça dépend tellement du modèle, de la tâche et du nombre de tokens qu’un chiffre unique est souvent trompeur.
En juin 2025, Sam Altman a avancé qu’une requête moyenne sur ChatGPT consommerait environ 0,34 Wh d’électricité et 0,000085 gallon d’eau, soit environ 0,32 mL. Le chiffre est faible, proche d’une recherche Google. Mais il est aussi limité : il n’est pas revu par les pairs, ne définit pas précisément la “requête moyenne”, ne couvre pas forcément les usages de raisonnement long, ni le coût complet d’entraînement et d’infrastructure.
À l’inverse, des travaux académiques et mesures indépendantes montrent que le coût peut grimper très vite selon la tâche. Une réponse courte n’a rien à voir avec une analyse longue, une génération de code, une image, une vidéo ou une session d’agent IA qui lit, écrit, corrige et recommence pendant des dizaines de minutes.
L’étude Power Hungry Processing, portée notamment par Sasha Luccioni, montre une chose simple : toutes les tâches IA ne se valent pas. Une classification de texte peut être légère. Une génération de texte est plus lourde. Une image est encore plus coûteuse. La vidéo change d’échelle.
La question n’est donc pas : “combien coûte une requête IA ?” La bonne question est : “quel modèle, pour quelle tâche, avec quelle longueur, et à quelle échelle ?”
C’est aussi pour cette raison que Le Recul distingue les modèles par usage dans son classement IA : le meilleur modèle n’est pas toujours celui qu’il faut utiliser pour chaque tâche.
Le piège des modèles de raisonnement
Les modèles dits de raisonnement changent encore le calcul.
Ces modèles ne répondent pas seulement plus “intelligemment”. Ils produisent souvent plus d’étapes intermédiaires, plus de tokens, plus de vérifications, plus de calcul. Même si l’utilisateur ne voit pas tout, le modèle travaille plus longtemps.
Un prompt simple peut rester léger. Mais une requête “deep research”, un audit de code, une analyse juridique, une planification stratégique ou une génération longue peut consommer beaucoup plus.
Dans le dossier de recherche, les requêtes de raisonnement sont estimées comme pouvant consommer 10 à 70 fois plus qu’une requête standard selon les cas. Un exemple de sortie d’environ 5 000 tokens peut faire passer l’ordre de grandeur d’environ 0,31 Wh à 3,91 Wh.
Pris seul, ce n’est pas dramatique. Multiplié par des milliards de requêtes, par des assistants intégrés dans toutes les applications, par des agents qui tournent en continu, c’est une autre histoire.
Cette logique rejoint une autre évolution déjà visible : avec Claude Opus 4.8, les modèles ne promettent plus seulement de mieux répondre, mais de travailler plus longtemps, avec davantage d’autonomie et de sous-agents.
L’IA ne coûte pas cher quand elle répond une fois. Elle coûte cher quand elle devient une habitude mondiale.
Tableau : la facture dépend surtout de la tâche
Recherche web, texte long, raisonnement, image, vidéo ou entraînement : une IA n’a pas une empreinte fixe. La facture dépend surtout de la tâche demandée.
L’eau : l’autre facture cachée
L’eau est le point qui dérange le plus, parce qu’il rend l’IA très concrète.
Un data center chauffe. Pour refroidir les serveurs, plusieurs méthodes existent : air, refroidissement liquide, circuits fermés, tours de refroidissement, immersion. Selon le lieu et la technologie, l’eau peut être utilisée directement pour refroidir, ou indirectement via la production d’électricité.
C’est pourquoi les chiffres varient autant.
D’un côté, les chiffres communiqués par l’industrie peuvent paraître très faibles par requête. De l’autre, des chercheurs comme Shaolei Ren, à l’UC Riverside, ont popularisé des estimations beaucoup plus élevées, notamment l’idée que 20 à 50 requêtes ChatGPT peuvent correspondre à environ 0,5 litre d’eau lorsque l’on prend en compte une partie plus large du cycle.
Le point important n’est pas de choisir le chiffre le plus spectaculaire. Le point important est de comprendre la méthode : eau directe ou indirecte, refroidissement local ou production électrique, lieu du data center, saison, climat, modèle utilisé, durée de traitement.
Un data center en zone froide, alimenté par une électricité peu carbonée, avec refroidissement efficace, n’a pas la même empreinte qu’un data center en zone sèche, dépendant de centrales thermiques et de refroidissement évaporatif.
L’eau rend l’IA locale. Elle dépend de l’endroit où les machines tournent.
D’ici 2030, l’IA peut entrer en concurrence avec l’eau potable
Le rapport de l’Université des Nations unies, relayé par Reuters en juin 2026, alerte sur un point simple : les data centers liés à l’IA pourraient doubler leur consommation d’énergie et d’eau d’ici 2030.
Le dossier de recherche retient une image frappante : la consommation d’eau associée à l’IA pourrait représenter les besoins de 1,3 milliard de personnes d’ici 2030. Même si ce chiffre dépend des scénarios, il donne l’échelle du problème.
La question n’est pas seulement écologique. Elle devient politique.
Dans une région où l’eau est abondante, le débat porte surtout sur l’énergie et les émissions. Dans une région sèche, il devient explosif : faut-il réserver l’eau aux habitants, à l’agriculture, aux industries locales, ou aux data centers qui alimentent des services utilisés ailleurs ?
C’est le nœud du sujet : les bénéfices de l’IA sont globaux, mais ses coûts sont souvent locaux.
Un utilisateur peut demander une vidéo à Paris. Le calcul peut tourner aux États-Unis. L’eau peut être prélevée dans une zone déjà stressée. Les métaux peuvent venir d’une mine à l’autre bout du monde. Le déchet électronique peut finir dans une chaîne de recyclage sous pression.
L’IA a l’air immatérielle parce que l’interface est propre. Sa chaîne physique, elle, ne l’est pas.
Le CO₂ : les promesses net zéro prennent du retard
Les géants de la tech ont promis le bas-carbone, le renouvelable, le net zéro. Mais la croissance de l’IA complique brutalement ces trajectoires.
Les émissions de Google et Microsoft ont augmenté ces dernières années, en grande partie à cause des data centers et de l’explosion des besoins liés à l’IA. Les entreprises expliquent que l’IA servira aussi à accélérer la transition énergétique. C’est possible. Mais à court terme, la facture carbone augmente.
La raison est simple : les data centers se construisent plus vite que les réseaux bas-carbone.
Le solaire, l’éolien, le nucléaire, les lignes électriques, les transformateurs et les interconnexions prennent du temps. Les besoins IA, eux, explosent maintenant. Dans certains cas, la réponse immédiate est donc le gaz, les turbines sur site, le maintien de centrales fossiles ou des contrats d’électricité qui déplacent la pression sur le réseau.
L’IEA le dit clairement : les renouvelables et le gaz joueront tous les deux un rôle important dans l’augmentation de l’électricité destinée aux data centers. Le gaz n’est donc pas un accident. C’est l’une des réponses prévues à la demande.
Voilà le paradoxe : l’industrie vend l’IA comme outil d’optimisation climatique, mais sa croissance peut aussi prolonger des infrastructures fossiles pendant vingt ou trente ans.
Métaux rares : l’IA concurrence la transition énergétique
La facture ne s’arrête pas à l’électricité et à l’eau.
Les puces IA, les GPU, les serveurs, les batteries de secours, les câbles et les réseaux ont besoin de cuivre, silicium, gallium, germanium, terres rares, lithium, nickel, cobalt et autres matériaux critiques.
C’est là que l’IA entre en concurrence directe avec la transition énergétique. Les mêmes métaux servent aux réseaux électriques, aux voitures électriques, aux batteries, aux panneaux solaires, aux éoliennes, aux infrastructures numériques et aux data centers.
Dans le dossier, un chiffre illustre cette tension : certains grands data centers peuvent demander jusqu’à 50 000 tonnes de cuivre, selon les estimations reprises dans la collecte. Même si les chiffres varient selon les projets, le message est clair : l’IA ne demande pas seulement des logiciels. Elle demande des mines.
Il y a aussi une question géopolitique. La Chine domine une grande partie du raffinage mondial des terres rares et de plusieurs minéraux critiques. Les États-Unis et l’Europe veulent accélérer l’IA, mais dépendent encore de chaînes d’approvisionnement difficiles à sécuriser.
L’IA promet l’autonomie stratégique. Elle peut aussi renforcer de nouvelles dépendances.
Déchets électroniques : les GPU vieillissent vite
L’IA produit aussi des déchets.
Une étude publiée dans Nature Computational Science estime que les déchets électroniques liés à l’IA générative pourraient atteindre 1,2 à 5 millions de tonnes sur la période 2020-2030 selon les scénarios. Les auteurs soulignent aussi que des stratégies d’économie circulaire peuvent réduire fortement cette trajectoire, jusqu’à 16 à 86 % selon les mesures.
Pourquoi autant de déchets ?
Parce que la course aux modèles passe par la course aux puces. Les GPU deviennent obsolètes rapidement. Les serveurs sont remplacés pour gagner en performance, réduire les coûts d’inférence, suivre les nouveaux modèles, densifier les racks.
Le discours public parle d’algorithmes. La réalité matérielle parle de cartes, de batteries, de métaux, de plastique, de chaleur, de transport et de fin de vie.
Derrière les modèles d’IA, il y a aussi une chaîne matérielle : GPU, serveurs, métaux rares, batteries et déchets électroniques.
Et là encore, la question n’est pas seulement technique. Elle est sociale : où partent ces déchets, qui les recycle, dans quelles conditions, avec quels risques sanitaires ?
Un data center peut-il consommer comme une ville ?
Oui, à l’échelle des plus grands projets.
Un data center de 1 GW utilisé à pleine puissance toute l’année représente 8,76 TWh par an. C’est un ordre de grandeur comparable à l’électricité consommée par une grande métropole comme Lyon si l’on prend une estimation tous secteurs.
Ce chiffre est volontairement brutal, mais utile : un seul méga-data center peut approcher la consommation électrique d’une ville entière.
L’IEA donne une autre comparaison : un data center IA typique peut consommer autant que 100 000 foyers, et les plus grands en construction jusqu’à 20 fois plus.
Ce n’est pas une simple infrastructure numérique. C’est un nouvel acteur du système électrique.
Il demande des raccordements, du foncier, des transformateurs, des lignes, de la production, du refroidissement, des secours, des contrats d’électricité. Et dans certains territoires, il peut entrer en concurrence avec l’industrie, les logements, les transports, ou l’électrification locale.
La question n’est plus : “l’IA consomme-t-elle ?” La question est : “qu’est-ce qu’on décale pour l’alimenter ?”
Et en France ?
La France est dans une position particulière.
Selon RTE, environ 300 data centers sont déjà présents en France en 2026. Leur consommation est estimée à environ 10 TWh, soit 2 % de la consommation annuelle française d’électricité.
RTE souligne aussi un atout français : une électricité très largement décarbonée. En 2025, la production française était à plus de 95 % décarbonée, et la France a exporté environ 20 % de l’électricité produite.
Cela veut dire que la France peut accueillir une partie du calcul IA avec une empreinte carbone plus faible qu’un pays très dépendant du charbon ou du gaz.
Mais ce n’est pas un blanc-seing.
RTE indique aussi que les demandes de raccordement explosent : près de 18 GW de demandes signées pour environ 80 projets en mai 2026. Certains projets demandent 100 à 200 MW, soit l’ordre de grandeur de villes comme Le Mans ou Saint-Étienne, et une dizaine de projets dépassent 400 MW.
Même dans un pays nucléarisé, la question devient concrète : où mettre ces centres ? Avec quelle acceptabilité locale ? Quelle eau ? Quel foncier ? Quelle chaleur rejetée ? Quels emplois réels ? Quelle priorité face aux autres usages électriques ?
La France a une carte à jouer. Mais elle ne peut pas faire comme si les data centers n’avaient pas de corps.
Marseille, Mistral, souveraineté : le sujet arrive déjà chez nous
Le débat n’est pas seulement américain.
Marseille est déjà un hub mondial du numérique, notamment grâce aux câbles sous-marins qui y arrivent. Des projets de data centers y suscitent des oppositions locales : artificialisation, chaleur, consommation d’électricité, compétition avec d’autres usages.
Côté IA française, Mistral AI a aussi besoin d’infrastructure. Le dossier de recherche note un financement de dette de 830 millions de dollars annoncé en mars 2026 pour soutenir un data center près de Paris, à Bruyères-le-Châtel, avec des GPU Nvidia de nouvelle génération.
C’est cohérent avec l’ambition souveraine européenne : si l’Europe veut ses propres modèles, elle doit avoir son propre calcul.
Mais c’est justement là que le débat devient adulte. La souveraineté numérique ne supprime pas la facture environnementale. Elle la rapproche.
Si l’on veut une IA européenne, française, contrôlée, moins dépendante des géants américains, il faudra aussi accepter ses data centers, ses besoins électriques, ses controverses locales, ses GPU, son refroidissement et ses tensions sur l’eau.
L’autre piste, quand elle suffit, consiste à réduire le recours au cloud avec des modèles locaux : c’est justement l’enjeu que nous avons analysé avec Gemma 4 et la montée de l’IA locale.
La vidéo IA change encore l’échelle
Le texte coûte. L’image coûte plus. La vidéo coûte encore davantage.
C’est logique : une vidéo n’est pas une image. C’est une suite d’images, avec cohérence temporelle, mouvement, style, parfois son, parfois génération multi-étapes.
Les études sur la consommation des modèles multimodaux montrent que la génération d’image est déjà beaucoup plus lourde qu’une tâche texte simple. La vidéo, elle, peut faire exploser le coût, surtout lorsque la durée augmente.
Dans le dossier, l’ordre de grandeur est clair : doubler la durée d’un clip peut faire bien plus que doubler la consommation, avec des effets non linéaires.
Ce point est crucial pour les prochaines années.
Le grand public découvre encore les chatbots. Mais la croissance virale vient aussi des images, des vidéos, des avatars, des pubs automatisées, des influenceuses virtuelles, des contenus générés en masse.
Une IA qui répond à une question n’a pas le même poids qu’une IA qui produit des milliers de vidéos publicitaires.
Le futur de la facture IA ne dépendra pas seulement de ChatGPT. Il dépendra surtout de ce que l’on automatise autour : images, vidéos, voix, agents, publicité, surveillance, recommandation, simulation.
“Mais l’IA peut aussi aider l’environnement”
Oui. Et il faut le dire.
L’IA peut optimiser les réseaux électriques, améliorer les prévisions de production renouvelable, réduire les pertes, détecter des défauts, faciliter la maintenance, accélérer la recherche de matériaux, optimiser les bâtiments, les transports ou l’industrie.
L’IEA estime même que des outils IA pourraient libérer jusqu’à 175 GW de capacité de transmission sans construire de nouvelles lignes, et que certaines applications pourraient produire de grands gains d’efficacité dans les réseaux, les bâtiments ou l’industrie.
Ce contrepoint est important. Le problème n’est pas “IA = pollution”.
Le problème est : l’IA peut réduire certaines consommations, mais la trajectoire actuelle des data centers augmente quand même fortement la demande électrique globale.
Autrement dit : les gains sont possibles, mais ils ne sont pas automatiques.
Une IA utilisée pour optimiser un réseau électrique peut être utile. Une IA utilisée pour générer des millions de publicités inutiles, des vidéos jetables ou des agents commerciaux permanents n’a pas la même valeur sociale.
La question écologique n’est pas seulement : combien ça consomme ? C’est aussi : pour quoi faire ?
Le vrai piège : confondre efficacité et sobriété
L’efficacité, c’est faire la même chose avec moins.
La sobriété, c’est se demander si l’on doit le faire.
L’industrie de l’IA parle beaucoup d’efficacité. Elle parle beaucoup moins de sobriété.
Des modèles plus petits, des puces plus performantes, des data centers mieux refroidis, des circuits d’eau fermés, des contrats bas-carbone : tout cela compte. Mais si chaque gain sert à lancer plus de requêtes, plus de vidéos, plus d’agents, plus de surveillance, plus d’automatisation, alors la consommation totale peut continuer à grimper.
C’est le point que le discours techno évite souvent.
Le problème n’est pas seulement le coût d’une requête. Le problème est l’industrialisation du réflexe : demander à l’IA pour tout, partout, tout le temps.
Rédiger. Résumer. Chercher. Vérifier. Générer. Comparer. Dessiner. Parler. Coder. Décider. Surveiller. Vendre. Répondre.
Le vrai basculement écologique arrive quand l’IA cesse d’être un outil ponctuel et devient une couche permanente de chaque produit numérique.
C’est déjà ce qui commence avec les agents IA capables d’agir sur des systèmes réels : plus ils exécutent de tâches, plus le coût ne se limite plus à une simple réponse texte.
Notre verdict
L’IA ne va pas faire exploser la planète parce qu’un utilisateur pose une question à ChatGPT. C’est trop simpliste.
Mais l’IA n’est pas non plus une technologie immatérielle qui deviendra verte par magie.
La facture se déplace dans les data centers, les réseaux électriques, les nappes, les mines, les usines de semi-conducteurs et les déchets électroniques.
Le vrai sujet est l’échelle.
Une requête isolée est petite. Un milliard de requêtes par jour ne l’est plus.
Un modèle plus efficace est une bonne nouvelle. Un monde où chaque application lance des agents IA en arrière-plan l’est beaucoup moins.
Le Recul retient ceci : la question écologique de l’IA ne se résume pas à “combien consomme ChatGPT ?” Elle devient : combien de calcul voulons-nous ajouter au monde, pour quels usages, et qui supporte la facture ?
Méthodologie
Cet article s’appuie sur les ordres de grandeur disponibles au 13 juin 2026 : rapports de l’IEA, alertes ONU/UNU-INWEH, données RTE pour la France, travaux académiques sur la consommation des tâches IA, estimations UC Riverside sur l’eau, étude Nature Computational Science sur les déchets électroniques, et données publiques sur les grands projets de data centers.
Les chiffres par requête doivent être lus avec prudence. Ils varient selon le modèle, le pays, le mix électrique, le refroidissement, la longueur de la réponse, le nombre de tokens, l’entraînement inclus ou non, et les méthodes de calcul. Le Recul privilégie donc les fourchettes, les ordres de grandeur et les comparaisons sourcées plutôt qu’un chiffre unique présenté comme vérité définitive.
Ce qu’il faut retenir
L’IA a une facture physique : électricité, eau, CO₂, métaux, foncier et déchets électroniques.
Les data centers ont consommé environ 415 TWh en 2024 et pourraient atteindre environ 945 TWh en 2030 selon l’IEA.
Un data center IA typique peut consommer autant que 100 000 foyers. Les plus grands projets peuvent viser l’échelle d’une ville.
En France, les data centers consomment déjà environ 10 TWh, soit 2 % de l’électricité annuelle, selon RTE.
Une requête IA courte peut sembler légère, mais les requêtes longues, le raisonnement, l’image, la vidéo et les agents changent complètement l’ordre de grandeur.
L’eau est l’un des angles les plus sensibles, surtout quand les data centers sont installés dans des zones déjà sous stress hydrique.
L’IA peut aider à optimiser l’énergie, mais cela ne compense pas automatiquement la hausse de la demande.
Le piège central est l’effet rebond : plus l’IA devient efficace et bon marché, plus on l’utilise.
Le chiffre à retenir
945 TWh.
C’est la consommation annuelle que les data centers pourraient atteindre d’ici 2030 selon l’IEA.
C’est plus que la consommation électrique actuelle du Japon.
La question n’est donc plus de savoir si l’IA consomme. La question est de savoir jusqu’où nous voulons brancher le monde sur elle.
La phrase à retenir
L’IA promet l’efficacité.
Mais si chaque gain sert à produire plus de requêtes, plus d’images, plus de vidéos et plus d’agents, la facture ne baisse pas.
Elle change d’échelle.
FAQ
L’IA consomme-t-elle plus qu’une recherche Google ? Oui, souvent. Une requête courte peut être proche d’une recherche web classique, mais une réponse longue, une génération de code, une image, une vidéo ou un modèle de raisonnement peut consommer beaucoup plus. Le coût dépend surtout du modèle, du nombre de tokens et du type de tâche.
Pourquoi les chiffres sur l’eau de l’IA varient autant ? Parce que les méthodes ne mesurent pas toujours la même chose. Certains chiffres ne comptent que l’inférence directe. D’autres ajoutent l’eau utilisée pour refroidir les data centers, produire l’électricité ou fabriquer les puces. Le lieu du data center et le type de refroidissement changent aussi fortement le résultat.
Les modèles plus efficaces vont-ils régler le problème ? Pas seuls. Des modèles plus efficaces sont nécessaires, mais ils peuvent aussi rendre l’IA moins chère et donc multiplier les usages. C’est l’effet rebond : le coût par requête baisse, mais le nombre total de requêtes explose.
La France risque-t-elle une pénurie électrique à cause de l’IA ? Pas à court terme comme certains États américains, car la France dispose d’une électricité largement décarbonée et d’une production importante. Mais les projets de data centers posent déjà des questions de raccordement, de foncier, d’eau, d’acceptabilité locale et de priorité entre usages.
Quel usage IA est le plus lourd pour l’environnement ? À grande échelle, les usages les plus lourds sont les modèles de raisonnement long, les agents qui tournent en continu, l’image, la vidéo et l’entraînement de grands modèles. Le texte court reste relativement léger, mais le volume mondial change tout.