L’intelligence artificielle : ami ou ennemi du secteur de l’énergie ?

Entraîner des modèles d’IA tels que Google Gemini, Perplexity, DALL-E ou encore GPT-4 nécessitent une grande puissance de calcul, ce qui implique une consommation énergétique constante, 24 heures sur 24.

En 2024, les centres de données (lieux où sont installés serveurs et dispositifs informatiques nécessaires au stockage des informations numériques) ont consommé environ 415 TWh d’électricité dans le monde, soit davantage que le Royaume-Uni (315 TWh) et presque autant que la France (467 TWh). Ce qui inquiète, ce sont surtout les prévisions : cette consommation pourrait atteindre entre 900 et 1 000 TWh d’ici 2030. Une demande énergétique proche de celle du Japon (1 022 TWh), cinquième plus grand consommateur mondial en 2024, derrière la Chine (10 063 TWh), les États-Unis (4 401 TWh), l’Inde (2 054 TWh) et la Russie (1 195 TWh).

Dans leurs rapports environnementaux publiés en 2024, Microsoft et Google ont reconnu une nette hausse de leur consommation d’électricité, citant l’IA comme le principal moteur de cette croissance. Chaque requête envoyée à un chatbot, chaque image générée par une IA, mobilise des processeurs puissants qui tournent à plein régime. 

Et le refroidissement des serveurs n’est pas en reste : pour maintenir une température sécurisée, Google aurait consommé plus de 16 milliards de litres d’eau rien qu’en 2021.

Microsoft et Google reconnaissent eux-mêmes la hausse de leurs émissions de CO₂ depuis l’explosion de l’IA.

Entre 2019 et 2024, les émissions de Google ont augmenté de près de 50 %, et celles de Microsoft de 30 %. Ces entreprises, pourtant pionnières de la “neutralité carbone”, peinent à tenir leurs engagements.

Le problème ne vient pas seulement des ordinateurs, mais de tout ce qui tourne autour : production d’électricité, transport, refroidissement, renouvellement du matériel… Et tout cela pour entraîner des modèles qui, à chaque génération, deviennent plus puissants, plus gourmands, et plus émetteurs en gaz à effet de serre (GES).

Si les géants de l’IA sont souvent perçus comme de véritables gouffres énergétiques, en réalité, ils peuvent jouer un rôle déterminant dans la réduction de l’empreinte énergétique d’autres secteurs. Dans le domaine des énergies renouvelables, par exemple, l’IA est devenue un véritable copilote.

La filiale de Google, Google DeepMind, a mis au point des algorithmes de “machine learning” capables de prédire avec précision, jusqu’à 36 heures à l’avance, les caractéristiques qu’aura le vent sur un site donné. Cette anticipation permet de mieux planifier la production et la distribution de l’énergie éolienne, en adaptant les livraisons d’électricité aux besoins réels du réseau. Grâce à cette technologie, Google a pu augmenter la valeur de l’énergie produite par ses parcs éoliens de 20 %.

Ce n’est pas tout : grâce à des algorithmes avancés, les smart grids (réseaux électriques intelligents) facilitent la communication entre fournisseurs et consommateurs, permettant d’ajuster le flux d’électricité en temps réel pour une gestion plus efficace.

De plus, la maintenance prédictive basée sur l’IA (pour le suivi des turbines d’éoliennes par exemple) peut anticiper les pannes avant qu’elles ne se produisent, contribuant à prolonger la durée de vie des installations.

Les leaders de l’IA investissent massivement dans des solutions pour rendre leurs entreprises plus sobres.

Google vise zéro émission nette sur l’ensemble de ses activités (dont l’IA) et de sa chaîne de valeur d’ici 2030. Concrètement, cela signifie que toutes ses opérations, de ses bureaux à ses centres de données, fonctionneront uniquement avec de l’électricité issue de sources décarbonées, comme l’éolien ou le solaire, 24 heures sur 24 et 7 jours sur 7.

Microsoft s’est fixé un objectif tout aussi ambitieux que celui de Google. L’entreprise s’engage à devenir carbone négatif d’ici 2030, ce qui signifie qu’elle retirera de l’atmosphère plus de carbone qu’elle n’en émet chaque année. Microsoft prévoit également qu’à l’horizon 2050, elle aura compensé l’intégralité du carbone émis depuis sa création en 1975, qu’il s’agisse de ses émissions directes ou de celles liées à sa consommation d’électricité.

Techniques et innovations pour une IA plus sobre

Comme nous l’avons vu, la plupart des applications d’IA exigent des serveurs très puissants ou des clusters de calcul massifs pour traiter des données complexes. Cela rend leur déploiement énergivore et limité aux infrastructures numériques centralisées. Aujourd’hui, grâce aux progrès des techniques de compression de modèles et d’optimisation des algorithmes, il est possible de déployer des modèles d'IA sur des appareils à faible consommation d’énergie et de petite taille. Cette avancée s'appelle le Tiny Machine Learning (TinyML).

D’autres techniques viennent compléter cette approche. Le data pruning consiste à éliminer les données et les connexions inutiles dans les réseaux, réduisant ainsi le nombre de calculs nécessaires. La quantization, quant à elle, simplifie les opérations numériques en utilisant des représentations moins précises mais suffisantes pour la majorité des tâches, diminuant fortement la consommation énergétique.