L’intelligence artificielle s’impose partout — dans nos moteurs de recherche, nos outils de travail, nos usines. Mais derrière chaque requête envoyée à un chatbot se cache une réalité bien matérielle : des centres de données, des puces électroniques, de l’électricité, de l’eau. Un rapport d’information sénatorial a été publié le 16 septembre 2026 par Guillaume Chevrollier, Damien Michallet et Simon Uzenat. Il dresse un état des lieux sans complaisance de cette « empreinte environnementale de l’IA ». Mais reconnait aussi son potentiel au service de la transition écologique. Voici ce qu’il faut en retenir, concernant à la fois les aspects négatifs mais aussi les aspects positifs.

Ça va trop vite pour moi…

Les bronzés nous ont rappelé avec humour que ce n’est pas toujours facile de s’arrêter lorsque l’on prend de la vitesse. Et c’est bien une des caractéristiques de l’IA : la vitesse. ChatGPT a atteint 100 millions d’utilisateurs en deux mois après son lancement fin 2022. L’IA générative comptait 700 millions d’utilisateurs hebdomadaires dès 2025. En France, le taux d’usage de l’IA dans la population est passé de 20 % à 48 % entre 2023 et 2025. Aucune autre technologie, pas même le smartphone, ne s’est diffusée aussi rapidement.

C’est précisément ce rythme inédit qui a conduit la commission des affaires économiques du Sénat à se pencher à nouveau sur ce sujet. Car la France dispose déjà depuis 2021 de la loi « Reen », la première loi au monde à légiférer sur l’empreinte environnementale du numérique.

Les risques

La facture électrique explose

 

L’essor de l’IA générative change d’échelle. C’est un des premiers constats du rapport des sénateurs. Un centre de données « classique » fonctionne autour de 10 MW. Les infrastructures dédiées à l’entraînement et à l’inférence des modèles peuvent désormais atteindre 100 MW, voire 1 GW. À l’échelle mondiale, la consommation électrique de l’IA pourrait représenter environ 500 TWh en 2030. Ce qui représente la moitié de la consommation totale des centres de données. A titre de comparaison, pour recharger rapidement l’ordinateur portable sur lequel nous sommes en train de préparer ce billet, il est nécessaire d’avoir un chargeur de 65W, soit 0,000000065 TW

Cette estimation sénatoriale rejoint celle de l’Agence internationale de l’énergie (AIE), qui prévoit dans son rapport dédié à l’IA que la demande d’électricité des centres de données dans le monde devrait plus que doubler d’ici 2030 pour atteindre environ 945 térawattheures. Ce chiffre représente un peu plus que la consommation totale d’électricité du Japon aujourd’hui. En 2024, ces infrastructures ne représentaient qu’environ 1,5 % de la consommation électrique mondiale. Mais cette consommation a déjà augmenté de 12 % par an au cours des cinq dernières années. L’IA générative est identifiée comme le principal moteur de cette croissance. L’énergie des seuls data centers dédiés à l’IA devrait plus que quadrupler selon l’AIE.

Cette hausse de consommation ne se traduit pas mécaniquement par une hausse équivalente des émissions de CO2 : tout dépend du mix électrique du pays d’implantation. Le rapport sénatorial estime que les émissions mondiales des centres de données pourraient atteindre 630 à 950 MtCO2eq en 2030 — jusqu’à deux fois les émissions annuelles de la France entière.

Les matières premières sous tension

L’IA générative repose massivement sur les processeurs graphiques (GPU), renouvelés rapidement et très gourmands en minéraux critiques. Le rapport pointe une contradiction de taille : la demande en métaux pour le numérique pourrait augmenter de 179 % entre 2020 et 2050, alors que leur approvisionnement est largement concentré géographiquement — notamment sous contrôle chinois — et que le recyclage mondial des déchets électroniques reste très faible. C’est un enjeu de souveraineté économique autant qu’environnemental.

L’eau, une demande en hausse

Le refroidissement des centres de données est gourmand en eau. Le rapport cite une projection mondiale vertigineuse : 9 000 millions de m3 de prélèvements d’eau en 2030, soit l’équivalent d’un tiers des prélèvements annuels d’eau en France. En France même, si les volumes restent limités grâce à des techniques de refroidissement performantes, la tendance est à la hausse : +17 % entre 2021 et 2022, puis +19 % entre 2022 et 2023.

Le foncier et l’acceptabilité territoriale

Moins commenté, l’enjeu foncier n’en est pas moins réel. Les rapporteurs se sont rendus sur le campus de Marcoussis, où l’opérateur Data4 exploite 25 centres de données sur 110 hectares ; le futur « giga campus » d’Escaudain occupera 33 hectares pour 700 MW de puissance. Dans un contexte de « zéro artificialisation nette », cette consommation d’espace peut nourrir des tensions locales — l’Arcep évoque même des moratoires adoptés à l’étranger, à Amsterdam ou Singapour, là où le foncier se raréfie.

Une requête : Energie x 10

Autre chiffre marquant du rapport : une requête adressée à une IA générative consomme environ dix fois plus d’énergie qu’une recherche classique sur un moteur de recherche. L’AIE, de son côté, apporte une granularité intéressante sur cette consommation : l’interrogation d’un modèle d’IA nécessite actuellement environ 2 wattheures pour la génération de texte, au moins le double pour les grands modèles de raisonnement, et environ 25 fois plus pour la génération d’une courte vidéo. Or, souligne le Sénat, cet impact reste largement méconnu du grand public — d’où l’une des recommandations phares du rapport : une campagne nationale de sensibilisation.

Les opportunités

IA pour l’environnement

Le rapport ne s’arrête pas au constat des risques. Il consacre une partie entière à ce que les sénateurs appellent « l’AI for Green », en s’appuyant notamment sur les travaux de la délégation sénatoriale à la prospective (rapport « IA et environnement », février 2025). Dix exemples concrets sont mis en avant :

• Énergie : le dispositif Advizeo automatise le pilotage énergétique des bâtiments à distance.
• Agriculture : l’outil Pixagri (TerraNIS) évalue la biomasse des cultures intermédiaires pour réduire l’usage d’engrais.
• Déchets : Max AI, développé par Veolia, utilise des caméras optiques et l’IA pour améliorer le tri.
• Eau : « Mission 90+ » détecte les fuites dans les réseaux d’eau potable par analyse acoustique.
• Mobilité : « Predict AI’r » quantifie l’empreinte climatique quotidienne des trajets à partir des données de bornage téléphonique.
• Biodiversité : le projet « CarHab » doit cartographier d’ici 2026 la totalité des habitats naturels du territoire français.
• Incendies : le projet Goliat modélise le risque de feu de forêt commune par commune en Corse.
• Canicules : une équipe du CNRS de Lyon a démontré, via le machine learning appliqué au modèle « PlaSim », une capacité à prédire les canicules jusqu’à un mois à l’avance.
• Forêts : Kanop utilise l’apprentissage profond pour mesurer le stock de carbone séquestré dans la biomasse végétale.
• Urbanisme : « Urba AI » intègre les enjeux écologiques dans les documents d’urbanisme franciliens.

Des chiffres crédibles ?

Certaines entreprises avancent des chiffres impressionnants. Google affirme que les itinéraires économes en carburant de Google Maps ont permis d’éviter 2,7 millions de tonnes de CO2 en 2024 — l’équivalent du retrait de 630 000 voitures thermiques pendant un an — et que son projet « Green Light » réduit les arrêts aux intersections jusqu’à 30 % grâce à une meilleure gestion des feux de signalisation.

Veolia, entendue par la mission d’information, met en avant son programme « AI for GreenUp » : sa solution Hubgrade Wastewater Plant Performance, déployée sur plus de 120 stations d’épuration dans le monde, permettrait de réduire les émissions de protoxyde d’azote jusqu’à 90 % et l’empreinte carbone jusqu’à 60 %. Devant la commission, l’économiste et prix Nobel Philippe Aghion a cité l’exemple de la gestion des systèmes d’aération de purification de l’eau chez Veolia : grâce à l’IA, l’entreprise économiserait dix fois plus d’énergie que l’IA n’en consomme pour cette tâche précise.

Selon l’Académie des technologies, qui s’appuie sur des données de l’AIE, l’usage de l’IA dans l’industrie et les services permettrait d’économiser entre deux et quatre fois ses propres émissions. Les gains documentés varient de 20 à 30 % dans l’industrie (jumeaux numériques, maintenance prédictive), jusqu’à 50 % pour la gestion énergétique du bâti, et de 10 à 25 % pour les réseaux d’énergie intelligents. Le cabinet Deloitte, cité dans le rapport, va plus loin : d’ici 2030, les économies d’énergie permises par l’IA pourraient atteindre entre 2 700 et 3 700 TWh — bien au-delà de sa propre consommation projetée (environ 1 000 TWh) — et jusqu’à 11 800 TWh à l’horizon 2050. Deloitte précise toutefois qu’il s’agit d’un potentiel théorique, qui suppose une diffusion large des cas d’usage les plus vertueux et ne tient pas compte des effets rebonds.

Compensation réelle ou théorique ?

C’est sans doute le point le plus intéressant — et le plus nuancé — du rapport. Les rapporteurs constatent que si les bénéfices potentiels de l’IA pour l’environnement font consensus, leur quantification réelle reste hautement contestée.

L’Ademe, entendue par la mission, est catégorique : « il n’y a pas de projet d’IA générative avec des gains environnementaux mesurables, uniquement des concepts non mis en œuvre. » Bpifrance souligne que les estimations d’impact varient énormément, entre -1,5 % et -24 % d’émissions par rapport à un scénario de référence, rendant la comparaison difficile. Microsoft, à l’inverse, se montre optimiste et affirme que l’IA a le potentiel de générer des économies d’énergie supérieures à sa propre consommation.

Les voix les plus critiques viennent du monde associatif. The Shift Project estime que la compensation est un mythe : dans 95 % des cas où l’impact environnemental net d’une solution numérique est positif, il s’agit en réalité d’une IA spécialisée, non générative — et le gain environnemental réel se situerait plutôt entre 0 et 7-8 %. Data for Good illustre le phénomène des effets rebonds avec un exemple parlant : une hausse de seulement 1 % des kilomètres parcourus par les transporteurs routiers suffit à effacer tous les gains obtenus grâce à la maintenance prédictive des pneus par capteurs connectés.

Les préconisations des sénateurs

Face à ce diagnostic contrasté, la commission formule 16 recommandations réparties en trois axes :

1. Faire de l’excellence environnementale un atout pour la France, dont le mix électrique décarboné à 95 % en fait une destination privilégiée pour l’implantation de centres de données — la France a d’ailleurs été, en 2025, le premier pays au monde pour les investissements dans ce secteur.
2. Promouvoir une IA « frugale » au niveau européen, en s’appuyant sur des outils déjà développés en France (référentiel Afnor de l’IA frugale, référentiel général d’écoconception des services numériques de l’Arcep), avec l’ambition d’un « Airbus de l’IA ».
3. Mesurer, informer, sensibiliser : imposer aux fournisseurs de modèles de langage la publication de données environnementales, créer un « écoscore » comparatif, et lancer une campagne nationale de sensibilisation.

Cibler les usages

Il serait absurde de dire que l’IA n’a rien à apporter à l’environnement — les exemples cités (agriculture de précision, détection de fuites d’eau, prévision des canicules) sont concrets et utiles. Mais il semble plus honnête de traiter l’IA générative grand public et l’IA spécialisée appliquée à des tâches environnementales comme deux réalités largement distinctes. La première consomme énormément pour des usages souvent superflus (générer une image, reformuler un e-mail). La seconde peut effectivement optimiser des systèmes complexes. Le vrai enjeu de sobriété n’est donc pas tant de choisir entre « IA bonne ou mauvaise pour la planète » que de questionner à quels usages on la réserve. Le rapport appelle fort justement à une réflexion sur la remise en question des besoins. Vous pouvez retrouver le rapport complet sur le site diag26000.online.