Impacts Écologiques de l'IA

---

I : Introduction aux termes techniques

---

I.1 : Définitions

• Intelligence Artificielle (IA) : Domaine de l'informatique visant à créer des systèmes capables d'effectuer des tâches nécessitant normalement l'intelligence humaine (raisonnement, apprentissage, perception, langage).
• Machine Learning (ML) : Sous-domaine de l'IA où les systèmes apprennent à partir de données sans être explicitement programmés pour chaque tâche. Les modèles améliorent leurs performances avec l'expérience.
• Deep Learning : Sous-domaine du ML utilisant des réseaux de neurones artificiels profonds (multi-couches). Particulièrement efficace sur images, texte, audio. Requiert de grandes quantités de données et de puissance de calcul.
• Natural Language Processing : Branche de l'IA dédiée à la compréhension et à la génération du langage humain par les machines. Inclut la traduction, l'analyse de sentiment, la génération de texte.

---

I.2 : Au CEMS comme ailleurs

L'usage omniprésent : les chatbots basés sur des LLM.

Generative AI accounted for over 20% of the global AI market in 2026, and is projected to reach 40% by 2030. 1]

Par exemple :

• ChatGPT (principal)
• Claude
• Le Chat
• Perplexity
• NotebookLM
• Gemini

Chatbot : Interface conversationnelle permettant à un utilisateur d'interagir en langage naturel avec un système. Peut être basé sur des règles (chatbot classique) ou sur un LLM (chatbot génératif).

• Les chatbots basés sur des règles : Arbres de décision préprogrammés, pas d'apprentissage. Ex : ELIZA (1966)
• Les chatbots "génératifs" (LLM-based) : Génèrent du texte token par token via un LLM. Nécessitent une infrastructure GPU importante.

---

Tokens : Unité élémentaire de texte traitée par un LLM (≈ ¾ d'un mot en anglais). GPT-5.5 peut traiter jusqu'à 1 millions de tokens en contexte. Et faire des réponses d'une longueur de 128 000 tokens. Chaque token consomme des ressources de calcul.

Prompt : Requête faite à un chatbot

---

I.3 : Schéma récapitulatif

---

II : Zoom sur les chatbots basés sur LLM

---

II.1 : Termes techniques

• Chain of Thought (CoT)/ Modèles de raisonnement:

Modèles entraînés spécifiquement à 'réfléchir' avant de répondre. Génèrent des 'chaînes de pensée' internes longues avant la réponse finale. Consommation par requête très supérieure aux modèles standards 2 à 10x plus de tokens (~ mots)

• Systèmes multi-agents :

Plusieurs LLM collaborent, s'échangent des messages, utilisent des outils. AutoGPT, LangGraph, CrewAI. La multiplication des appels API démultiplie la consommation énergétique. Et augmente le nombre de tokens

• Chatbots agentiques (IA agentique) :

Agents capables d'agir sur l'environnement : navigation web, écriture de code, gestion de fichiers. Boucles de planification-action-observation. Chaque étape donnent des appels LLM supplémentaires.

---

II.2 : Cycle de vie

---

III : Impacts écologiques de chaque phase

---

III.1 : Collecte des données

Scraping : récupération du contenu de pages internet.

---

Infrastructure :

1. Crawlers (serveurs qui font tourner les logiciels de scraping)
2. Réseau (transfert de données entre les crawlers et les hébergeurs)
3. Hébergeurs (Gère les requêtes des bots)
4. Raffinage des données (nettoyage et parsing du contenu)
5. Stockage (archivage des données d'entraînement) 2

---

Résumé :

Étape de scraping :

• GPT-4 ra été entraîné sur ~13 milliards de tokens (soit 5-10 billion de pages web).
• 5 milliards de pages × 119 tonnes / milliard de page = 595 tonnes de CO₂ [3
• 2-5% de l'empreinte carbonne de l'IA
• L'entraînement c'est une fois (réentraînement tous les 12-18 mois) le scraping c'est continu (Perplexity, spécialisé dans la réponse à partir de données sourcées scrape en continue).
• Imaginons que le scraping représente 100M de pages/jour, ça fait 36.5 milliards de pages par an. Donc 4 343 tonnes de CO₂ par an. Ça dépasse l'entraînement si le modèle vit moins de 2 ans

4

---

Crawlers :

• Estimation: 1 requête = 0.01 CPU-seconds = 0.0001 kWh
• 1 milliard de requêtes × 0.0001 kWh = 100 000 kWh

Power Usage Effectiveness (PUE): Ratio de l'énergie utilisée par les data centers sur l'énergie utilisée uniquement par le matériel informatique

1.6 de PUE en moyenne dans l'industrie (pour 1 kWh dépensé pour les serveurs, 0.6 kWh sont dépensés pour le refroidissement et autre), 1.1-1.2 pour les plus optimisée (Google/Microsoft)

Donc pour les crawlers :

• 100 000 kWh × 1.2 PUE = 120 000 kWh total

Émission de carbonne (sur le réseau US):

• 120 000 kWh × 0.386 kg CO₂/kWh = 46 320 kg CO₂

GPT-4 s'est entraîné sur 13 billions (en français) de tokens (soit 5-10 milliards de pages web scrapées).

5-10 milliards de page × 46 320 kg CO₂ / milliard de page = 231.6-463.2 metric tons CO₂ due au scraping.

---

Réseau:

Serveur hébergeur → Router du fournisseur d'accès → Réseau internet → Datacenter de l'entreprise IA

• Routers: 500W - 2kW per high-capacity router
• Switches: 200W - 500W
• Cables: négligeable (les fibres optiques n'induisent pas de perte d'énergie), mais amplificateurs/répéteurs tous les 50-100km
• Modèle énergétique (simplifié): Data transfer energy = (volume de données in GB) × (intensité énegétique du réseau) où l'intensité énergétique du réseau vaut ~0.05-0.10 kWh/GB, en moyenne ~0.06 kWh/GB
• Par page, en moyenne : 150KB, soit pour 1 milliard pages × 150KB = 150TB
• Pour GPT-4 : 5-10 × 150 000 GB × 0.06 kWh/GB = 45 000-90 000 kWh × 0.386 kg CO₂ / kWh = 17 370-34 740 kg CO₂

---

Charge de l'hébergeur:

• Gérer une requête: 0.02 CPU-seconds = 0.0002 kWh, soit pour 1 milliard de requêtes × 0.0002 kWh = 200 000 kWh
• Total crawling energy: 309,000 kWh per billion pages

Carbon emissions (U.S. grid average 0.386 kg CO₂/kWh):

309,000 kWh × 0.386 kg = 119,274 kg CO₂ (~119 metric tons)

Typical scenario:

• Monthly traffic: 1M human visitors
• AI crawler traffic: 8% (80K bot "visits", 400K requests)

Server capacity impact:

If server handles 10K requests/hour peak:

Bots add 400K requests/month ÷ 720 hours = 555 requests/hour average

Peak overlap: If bots scrape during human peak hours, compete for resources.

Energy consumption increase:

Server power draw (idle): 150W

Server power draw (80% load): 300W

Server power draw (90% load with bots): 330W

Incremental power from bots: 30W sustained

Monthly: 30W × 720 hours = 21.6 kWh

Annual: 259 kWh

Carbon (U.S. grid): 100 kg CO₂/year

Seems small, but scales: 1,000 publishers experiencing this = 100 tons CO₂/year collectively.

---

III.2 : Pré-entraînement

Consommation électrique :

• GPT-3 : 1.3 GWh 5
• DeepSeek-V-3 (2024): 2.1-4.2 GWh (selon leur document technique)
• Meta’s LLaMA 3–405B (2024): 21 GWh
• GPT-4 : 50-70 GWh (40-55x plus que GPT-3)
• GPT-5 (estimation) : 100GWh (1.5-2x plus que GPT-4)

Gaz à effet de serre :

• Mistral Large 2 : 20 400 tonnes de CO2e
• GPT-4 : 25 000 tonnes de CO2e (CO2 equivalent) 6
• GPT-5 (estimation) : 42 000 tonnes de CO2e

Eau :

• GPT-4 : 600 millions de litres 7
• GPT-5 (estimation) : 1 milliards de litres

8

---

III.3 : Entraînement/Renforcement/Alignement

A priori moins problématique que l'entraînement en terme de consommation d'énergie, d'eau, de minerais mais se fait au prix de travail humain 9

---

III.4 : Inférence

• Actuellement, il est estimé que ChatGPT reçoit 2.5 milliard de prompts par jour 10
• Représente 80-90% de l'énergie totale utilisée par l'IA
• 0.42Wh par prompt devient 383 GWh à l'échelle de ChatGPT
• Les chiffres augmentent significativement si on compte l'intégration dans d'autres outils (ex Google Search) : ChatGPT a 380 millions d'uilisateurs actifs, Google Search 5 milliards (pour 14-16 milliards de recherches par jour) or Google inclut par défaut des résumés, recommandations, et réponses contextuelles générée par IA (aussi le cas des autres moteurs de recherche)
• Une recherche internet coûte autour de 0.3Wh, avec un LLM estimation à 10x plus
• La plupart des usages de ChatGPT est dans la catégorie des usages "lourds" (assistance, recherche d'information, écriture)

---

Différence selon le type de requête :

• Classification de texte (analyse de sentiment, codage en catégorie, proximité sémantique) et extraction de courtes citations de document sont les moins énergivores
• Interaction textuelle "classique" avec un petit modèle (quelques phrases) ~24x plus énergivore que la classification de texte
• Interaction textuelle "classique" avec ChatGPT (réponse courte, résumé) ~200x plus énergivore (soit ~0.42Wh)
• Pour une interaction longue ça peut monter à 1000x plus
• Taille du contexte (le modèle prend toute la conversation en entrée) : la quantité de calcul augmente avec le carré du nombre de tokens en entrée
• Choix du modèles (petit ou grand, instantanée ou raisonnement, tel ou tel pays)

---

Facteurs clés (variation : 0.3WH à >10Wh/prompt):

• Taille du modèle (nombre de poids) ex :
• Type de requête (c'est l'aspect génératif qui est consommateur)
• Taille du contexte
• Paramètres d'utilisation (instantané vs raisonnement)
• Pays où le modèle est déployé

---

IV : Infrastructure

---

IV.1 : Datacenters

Les datacenters au global en 2025 :

• 448TWh 11
• Projection 2030 : 945 TWh 12
• 4.5 billions (en français) de litres d'eau 13
• Projection 2030 : 9.3 billions des litre d'eau
• 6 900 km² recouvert 14
• Projection 2030 : 14 500 km²

---

L'IA :

• 20% de l'usage d'électricité des datacenters : 93TWh 15
• Projection : 40% d'ici 2030, soit 378 TWh

---

IV.2 : Puces

Les puces contiennent de nombreux métaux rares (lithium, cobalt, silicone, cuivre, tantalum, neodymium, terbium etc), l'augmentation de leur demande intensifie l'activité minière qui est très consommatrice d'eau à proximité des mines, de sols et d'énergie, 16, augmente la pollution des sols, la déforestation, la pollution des rivières dans des régions comme l'Asie de l'est, l'Afrique, l'Amérique du sud. 17. Parmis les autres risques on compte l'introduction d'espèces "invasives" et d'effets à long terme sur les écosystèmes aquatiques 18

---

La fabrication des puces demandent une industrie spécialisée également très couteuse en eau (milliard de litres) 19, au point d'avoir causé une sécheresse à Taiwan 20, avec des risques similaires en Arizona 21 et dont certains coproduits comme le tetrachloride de silicon pose un risque de pollution

---

Le remplacement de ces puces est augmentent pour passer d'une durée de vie de 5-6 ans, à 2-3 ans avec NVIDIA qui est passé sur un cycle d'innovation annuel 22

La quantité de déchet généré est estimée être d'ici 2030 autour de 2.5 millions de tonnes de "e-déchets"/an 23 qui contiennent (entre autres) du plomb, du cadmium et du mercure. Ces déchets sont majoritairement envoyés dans les pays du "sud global" 24

---

IV.3 : Biodiversité et sols

Assèchement :

• Datacenters dans des régions déjà touchées par la sécheresse : Google's Mesa en Arizona (5.5 milliards de litres/an)25 ou Amazon en Aragon (755 millions de litres/an) 26
• Même quand l'eau est captée puis rendue cela peut provoquer des dégâts aux milieux aquatiques (surtout dans les zones arides avec peu de réserves souterraines)

---

Artificialisation et destruction d'habitat :

• Pollution sonore (niveau d'infrason dangereux pour les humains et animaux) 27
• Rejets illégaux de méthanes
• Coïncide avec les zones de forte biodiversité en péri-urbain de par la proximité avec les axes de transports et les infrastructures électriques et de réseau : altération des micro-climats, îlots de chaleurs, artificialisation des sols

---

IV.4 : Rapport de l'ADEME

---

V : Conclusion

---

V.1 : Solutions

Transparence ?

Les engagements de durabilité se focalisent sur les émissions qui excluent du compte ceux des chaînes d'approvisionnement. 28

---

Recyclage/Sobriété ?

Dans un scénario sobre : 20m²/ habitant; plus d'avion ; véhicule partagé ; recyclage de l'infrastructure numérique (pas encore l'IA au moment du rapport) ; mobilité cycliste ; industriels passés au low tech ; économie circulaire etc. La quantité annuelle de lithium nécessaire est 4 fois supérieure entre 2020 et 2050 à ce que la France aurait droit à date, en prenant comme principe éthique de répartition le PIB dans le monde (ce qui ne tient pas compte de la croissance des autres pays). C'est juste ce qu'elle a droit à date pour pour cobalt (Congo), Nickel (Kanaky), Graphite (Chine et Afrique de l'Est). Ce sont des métaux essentiellement liés au batterie de nos machines.

---

Nucléaire ?

Microsoft signe un accord de 20 ans pour acheter l'électricité de Three Mile Island (2024). Google et Amazon investissent dans des SMR (Small Modular Reactors). L'IA alimente une reconsidération de l'énergie nucléaire.

Mais

Les consommations (énergétique, aquatique, minérale) sont liées et l'augmentation de l'une va souvent avec des augmentations dans les autres (ou de la même ailleurs). Ainsi, un mixe énergétique moins carbonnée peut quand même amener une augmentation de l'empreinte carbonne 2930

A central insight from this review is that the environmental burden of artificial intelligence (AI) cannot be understood through any single variable (energy, water, or materials) taken in isolation. Instead, these three domains interact as a resource nexus that defines the thermodynamic and ecological metabolism of AI infrastructures. Each input reinforces or constrains the others: electricity generation depends on water for cooling; semiconductor fabrication consumes both energy and ultrapure water; and the production of advanced materials requires extensive energy and chemical processing. The overall effect is a multiplicative coupling of environmental costs, where local improvements in one dimension may worsen pressures in another. Data centers illustrate this nexus most clearly. As computational loads increase, more servers and cooling equipment are required, resulting in higher electricity and water consumption. Facilities that switch from air to evaporative cooling systems to improve energy efficiency often increase their water usage (Mytton 2021). Conversely, water-free cooling solutions such as closed-loop chillers can increase energy demand by 10–15 percent (Shehabi et al. 2024). These trade-offs are context-specific: in arid regions such as Arizona or the Gulf states, electricity generation itself relies on thermoelectric plants that withdraw vast volumes of water, compounding local scarcity (Yang & Lant 2011). Thus, reducing one environmental metric often amplifies another, creating governance dilemmas that are more about substitution than resolution. The semiconductor sector magnifies this coupling. A single 300-mm wafer may require up to 2.5 m3 of ultrapure water and several hundred kilowatt-hours of electricity (Ruberti 2023; TSMC 2022). Purification and recirculation systems depend on chemical reagents and high-pressure pumps, which themselves consume energy. At the same time, the chemicals used in wafer cleaning (hydrofluoric acid, hydrogen peroxide, and silicon tetrachloride) entail significant embodied emissions and toxicity risks (Shen et al. 2018). The production, transportation, and disposal of these materials form a continuous loop of energy-material exchange that sustains the informational order of the digital economy. Within this coupled nexus, efficiency gains often fail to reduce aggregate throughput. Improvements in chip architecture or data-center design lower the resource cost per computation but stimulate larger computational demand. As seen with the transition from NVIDIA’s A100 to H100 accelerators, each watt saved per operation enables the proliferation of more servers and training runs (NVIDIA 2022b; Schneider et al. 2025). The same logic applies to water: reductions in cooling water intensity invite higher server density and greater total heat generation. This rebound effect, which illustrates why efficiency-enabling growth remains inadequate when sustainability strategies focus solely on technological optimization (Sorrell 2009), is a key example.

---

V.2 : Discussion

Points de discussion : - Importance de la communauté et de la confiance (légitimité/honte/temps) - Outils en local

---

V.3 : Sujets laissés de côté

• Exploitation des données personnelles 31
• Exploitation des travailleur.euse.s

---

V.4 : Pour aller plus loin/vrac des trucs que j'ai lu en plus des sources citées précédemment

• https://www.youtube.com/watch?v=ND7owjmtPNo
• Guest, O., Suarez, M., Müller, B. C. N., van, E., Elizondo, A. R., Blokpoel, M., Scharfenberg, N., Kleinherenbrink, A., Camerino, I., Monett, D., Brown, J., Avraamidou, L., Alenda-Demoutiez, J., Hermans, F., & van, I. (n.d.). AGAINST THE UNCRITICAL ADOPTION OF ‘AI’ TECHNOLOGIES IN ACADEMIA.
• https://huggingface.co/blog/sasha/ai-environment-primer
• https://huggingface.co/blog/sasha/environmental-impact-disclosures
• https://www.lemonde.fr/les-decodeurs/article/2025/06/08/pourquoi-notre-utilisation-de-l-ia-est-un-gouffre-energetique_6611132_4355770.html
• https://bonpote.com/intelligence-artificielle-le-vrai-cout-environnemental-de-la-course-a-lia/#Linference_pour_lusage_quotidien
• Crawford, K. (2021). Atlas of AI: power, politics, and the planetary costs of artificial intelligence. Yale University Press.
• https://theshiftproject.org/publications/intelligence-artificielle-centres-de-donnees-rapport-final/
• https://theshiftproject.org/app/uploads/2025/09/Synthese-RF-PIA-1.pdf
• https://dl.acm.org/doi/epdf/10.1145/3715275.3732007
• https://theconversation.com/lia-generative-est-elle-soutenable-le-vrai-cout-ecologique-dun-prompt-269432
• https://www.sciencedirect.com/science/article/pii/S2667010024001690?fr=RR-2&ref=pdf_download&rr=9d8e8aaa3f9499bd
• https://www.researchgate.net/publication/403073048_The_data_heat_island_effect_quantifying_the_impact_of_AI_data_centers_in_a_warming_world

---