On parle de l'IA comme d'un nuage, un service immatériel qui répond depuis nulle part. La réalité est plus terrestre : derrière chaque réponse, il y a des serveurs qui chauffent, de l'électricité produite quelque part, de l'eau qui s'évapore et du matériel extrait de la terre. Ces impacts sont réels, mais leurs chiffres sont incertains et souvent mal cités. Pour un usage professionnel responsable, la question n'est pas de renoncer à l'IA — c'est de l'utiliser sobrement, en maîtrisant ce que l'on peut mesurer. Car la souveraineté ne s'arrête pas aux données : elle englobe aussi les ressources et les impacts.
L'IA a un corps physique
L'empreinte de l'IA se loge à deux moments (Fig. 1), et sur trois ressources. D'abord l'entraînement : un gros pic ponctuel, des mois de calcul intensif pour fabriquer le modèle. Ensuite l'inférence : chaque requête que vous envoyez, répétée à l'échelle de milliards d'appels par jour. Contre-intuitivement, des travaux récents estiment que c'est désormais l'inférence — l'usage quotidien — qui pèse le plus dans le cycle de vie, précisément parce qu'elle se répète sans fin. Pour comprendre ce qui distingue ces deux phases, voir comment un modèle est entraîné puis interrogé.
Les ordres de grandeur donnent le vertige. Selon l'Agence internationale de l'énergie (AIE), la consommation électrique des data centres pourrait passer d'environ 485 TWh en 2025 à près de 950 TWh en 2030 — un quasi-doublement, soit environ 3 % de la demande mondiale d'électricité. L'AIE nuance toutefois : sur cette période, les data centres pèseraient environ un dixième de la croissance de la demande électrique, moins que la climatisation ou les véhicules électriques. À l'eau s'ajoute le refroidissement des serveurs et l'eau nécessaire pour produire l'électricité ; au matériel, l'extraction des métaux et la fabrication des puces — un impact « caché » que l'ADEME rappelle pour l'ensemble du numérique.
Des chiffres réels, mais à manier avec prudence
Un exemple concret et rare de transparence : l'analyse de cycle de vie de Mistral Large 2, menée par Mistral avec le cabinet Carbone 4 et l'appui de l'ADEME. Elle chiffre l'entraînement du modèle sur 18 mois à environ 20 400 tonnes de CO₂e et 281 000 m³ d'eau ; et une réponse de 400 mots à environ 1,14 g de CO₂e et 45 mL d'eau. Pris isolément, une requête paraît négligeable — mais multipliez par des milliards, et l'addition change d'échelle. Surtout, l'étude confirme une règle simple : l'impact est à peu près proportionnel à la taille du modèle. Un modèle dix fois plus gros génère un impact d'un ordre de grandeur supérieur pour la même tâche.
Les impacts par requête circulent partout, souvent mal cités et présentés comme des vérités. L'exemple canonique : « entraîner GPT-3 a évaporé 700 000 litres d'eau ». Ce chiffre vient d'une estimation académique (Ren et al.) fondée sur des hypothèses de lieu et de saison — pas d'une mesure officielle. Les méthodologies varient énormément : mix électrique local, part de l'eau comptée, matériel amorti. Résultat, deux études sérieuses peuvent différer d'un facteur dix. La bonne posture professionnelle n'est pas de gober un chiffre, mais de raisonner en ordres de grandeur et d'exiger la source. Et de rester lucide sur l'opacité du secteur : selon des travaux de recherche récents, moins de 0,2 % des modèles publient une quelconque empreinte environnementale.
Cette opacité ouvre la porte au greenwashing. Un fournisseur qui se dit « IA verte » sans publier de chiffres vérifiables, sans analyse de cycle de vie ni précision sur son mix électrique, vous demande de le croire sur parole. L'ADEME plaide justement pour des indicateurs fiables et comparables entre modèles — ce qui manque encore aujourd'hui. En attendant, la transparence est le meilleur filtre : un acteur qui documente ses impacts, même imparfaitement, mérite plus de confiance qu'un slogan.
Trois leviers pour un usage sobre
La sobriété ne veut pas dire se priver ; elle veut dire ne pas gaspiller. Trois leviers concrets sont à votre portée (Fig. 2), sans attendre que le secteur se réforme.
- Choisissez le bon modèle — le plus petit qui fait le travail. Résumer un e-mail ou classer des tickets ne demande pas le modèle le plus puissant du marché. Puisque l'impact suit la taille, un modèle ajusté à la tâche, voire exécuté en local, coûte moins cher en énergie comme en euros. Pour comparer les gammes, voir l'état de l'art des modèles.
- Évitez le gaspillage. Chaque relance inutile, chaque prompt à rallonge, chaque appel répété consomme. Des prompts concis, un traitement par lots plutôt que cent requêtes isolées, et moins d'essais-erreurs réduisent la facture — selon l'UNESCO, raccourcir prompts et réponses peut à lui seul économiser plus de la moitié de l'énergie sur certaines tâches.
- Préférez un fournisseur transparent et efficient. Privilégiez ceux qui publient des chiffres, s'appuient sur un mix électrique bas carbone et documentent leur efficacité. La transparence, ici, est aussi un gage de sérieux — le même critère qui guide le choix d'un hébergement souverain en Europe.
Ces réflexes rejoignent une logique économique : réduire ses requêtes, c'est aussi réduire sa dépense, comme on l'a vu à propos du coût réel d'un agent IA. Le cadre suit lentement : l'ADEME pousse pour des indicateurs comparables, et les obligations de reporting de durabilité poussent les grandes entreprises à mesurer leurs impacts numériques. Mais n'attendez pas la contrainte : intégrez la sobriété à votre gouvernance interne de l'IA, au même titre que la sécurité et la confidentialité.
Utiliser l'IA de façon souveraine, ce n'est pas seulement savoir où sont vos données. C'est aussi savoir ce que vos usages consomment, et refuser le gaspillage comme le greenwashing. Mesurez ce que vous pouvez, choisissez sobre, exigez la transparence — le reste est une question de discipline, pas de renoncement.
- L'IA a un corps physique : entraînement et inférence puisent dans l'électricité, l'eau et le matériel — l'usage quotidien pèse plus que l'entraînement.
- Les chiffres sont réels mais incertains : raisonnez en ordres de grandeur, exigez la source, méfiez-vous des chiffres trop précis.
- Un petit modèle suffit souvent : l'impact suit la taille du modèle (analyse Mistral / Carbone 4), inutile de sortir l'artillerie lourde.
- Trois leviers : le bon modèle, éviter le gaspillage (prompts concis, lots, moins de relances), un fournisseur transparent.
- Souveraineté élargie : maîtriser les ressources et les impacts, pas seulement les données — et débusquer le greenwashing.
Dans la même veille Souveraineté : l'IA souveraine et le cloud européen et encadrer l'usage de l'IA dans votre entreprise. Côté modèles, pour choisir sobre : l'état de l'art 2026 et faire tourner l'IA en local.
Cette analyse fait partie de notre veille Outils & IA. Pour un usage sobre et maîtrisé de l'IA, téléchargez l'Atlas IA 2026 et abonnez-vous à la newsletter AISKILLSPRO.
Au-delà de l'IA, retrouvez nos guides, tutoriels et modules Odoo sur OdooSkills, le blog Odoo ↗ (nouvel onglet).