19 octobre 2025
Un rapport d’AlgorithmWatch met en lumière l’ensemble de la chaîne d’approvisionnement de l’intelligence artificielle, du prélèvement des matières premières à la production de matériel, en passant par l’entraînement des modèles et l’utilisation des systèmes jusqu’à leur élimination.
Extraction des matières premières :
L’intelligence artificielle nécessite une puissance de calcul considérable, d’où la nécessité d’une infrastructure matérielle spécialisée, opérée dans des centres de données. Ces serveurs requièrent des minéraux tels que le lithium, le cobalt et les terres rares, essentiels pour le fonctionnement des processeurs graphiques, des semi-conducteurs et des batteries. L’extraction de ces ressources a des conséquences environnementales graves : déforestation, destruction des écosystèmes et contamination de l’eau souterraine par des substances toxiques. Une fois ces polluants dans le sol, la dégradation peut persister durant des millénaires. De plus, les communautés locales subissent les effets nocifs des gaz toxiques générés durant l’extraction et le raffinage, souvent responsables de maladies respiratoires sévères. Les émissions de gaz à effet de serre sont également préoccupantes, et de nombreux travailleurs dans les mines se confrontent à des conditions de travail extrêmement précaires.
Fabrication du matériel :
Une fois extraites, les matières premières sont transformées en composants nécessaires pour la hardware dédiée à l’IA. Cette phase de production est particulièrement énergivore, émettrice de gaz à effet de serre et consommatrice d’eau, produisant des déchets dangereux. Nvidia, entreprise américaine de premier plan dans la fabrication de processeurs graphiques haute performance et de semi-conducteurs, a rapporté qu’en mai 2024, elle émettait plus de 2,1 millions de tonnes d’équivalents CO₂ par an. L’entreprise utilise également une quantité significative d’eau, dont plus de la moitié provient de zones déjà confrontées à des pénuries d’eau.
Entraînement des modèles d’IA :
Lors de l’entraînement, les modèles d’IA apprennent à générer des sorties adaptées à des entrées spécifiques, comme dans les cas de traduction ou de recommandations de produits. Ce processus nécessite de manipuler de grandes quantités de données tout en ajustant continuellement le processus d’apprentissage. Les performances des modèles reposent sur ce qu’on appelle des paramètres. Plus un modèle en possède, plus ses besoins en calcul et en énergie sont élevés. Par exemple, le modèle linguistique PaLM de Google, lancé en 2022, compte 540 milliards de paramètres, tandis que ChatGPT-4 en possède environ 1,8 trillion. Selon une étude de 2021, l’entraînement de GPT-3 aurait consommé environ 1.287 mégawattheures d’électricité, équivalent à la consommation annuelle de 120 foyers américains, entraînant de fortes émissions de CO₂.
Utilisation des systèmes :
Après l’entraînement, la consommation d’énergie des systèmes d’IA reste élevée. Chaque application, en termes techniques appelée « inférence », nécessite également des ressources énergétiques. Le boom mondial de l’IA a clairement accru la consommation d’électricité et, par conséquent, les émissions de gaz à effet de serre. Selon le rapport environnemental de Google de 2024, les émissions du groupe ont augmenté de 48 % au cours des cinq dernières années, principalement à cause de la consommation d’énergie des centres de données et de leur chaîne d’approvisionnement. En 2024, le ministère américain de l’Énergie estimait que la charge des centres de données avait triplé au cours de la dernière décennie, une tendance qui pourrait se poursuivre jusqu’en 2028. Dans au moins cinq États américains, les centres de données représentent plus de 10 % de la consommation totale d’électricité; en Irlande, ce chiffre dépasse 20 %. La majorité de cette énergie provient de sources fossiles et nucléaires, les énergies renouvelables étant insuffisantes pour couvrir cette demande croissante.
Élimination :
À la fin de leur cycle de vie, les serveurs utilisés pour les systèmes d’IA se transforment en déchets électroniques, souvent exportés vers des pays d’Afrique ou d’Asie. Les populations locales souffrent des conséquences de traitements inappropriés, car de nombreux composants contiennent des substances toxiques comme le plomb ou le mercure, qui peuvent polluer le sol et l’eau. La majorité de ces déchets n’est pas recyclée et finit dans des décharges. Même en Europe et aux États-Unis, le taux de recyclage des équipements électroniques ne dépasse pas 20 % en moyenne. Avec la montée en puissance de l’IA, la demande en matériel performant augmente, entraînant également une hausse des déchets générés. Le Baker Institute de l’Université Rice désigne aujourd’hui les déchets électroniques comme le flux de déchets qui se développe le plus rapidement au monde.
Points à retenir
- L’extraction des matières premières pour l’IA nuit sévèrement à l’environnement local.
- La production de hardware destinée à l’IA est énergivore et polluante.
- Les modèles d’IA consomment d’importantes ressources au cours de leur entraînement et utilisation.
- Les centres de données augmentent leur empreinte carbone à un rythme alarmant.
- La tentative de recyclage des déchets électroniques reste largement insuffisante.
Face à ces enjeux, il est indispensable de se poser la question de l’avenir de l’IA et des responsabilités que nous avons envers notre planète. Sommes-nous prêts à revoir notre approche pour garantir un développement durable de ces technologies ? Cela me pousse à réfléchir à la manière dont les innovations peuvent concilier progrès technologique et respect de l’environnement.