En bref
L'IA verte, au sens strict, consiste à réduire l'empreinte environnementale de l'IA elle-même : son énergie, son carbone, son eau et son matériel. L'IA au service de l'environnement (« AI for green ») consiste à utiliser l'IA pour soutenir l'action climatique et environnementale, de la prévision de la production renouvelable et de la détection des fuites de méthane aux alertes aux inondations et aux prévisions météorologiques. Les deux vont ensemble, car un projet d'IA pour le climat n'est utile que s'il fait économiser plus qu'il ne coûte.
Points clés
- L'IA verte réduit l'empreinte de l'IA elle-même ; l'IA au service de l'environnement utilise l'IA pour réduire les émissions ailleurs ou pour aider à s'adapter au changement climatique.
- L'IA au service de l'environnement couvre l'atténuation (réduire les émissions) ainsi que l'adaptation et la résilience (faire face aux effets d'un climat qui change).
- L'Agence internationale de l'énergie estime qu'un large recours aux solutions existantes fondées sur l'IA pourrait réduire les émissions de l'équivalent d'environ 5 % des émissions liées à l'énergie en 2035, mais précise que ce n'est pas garanti.
- Un projet d'IA au service de l'environnement devrait compter sa propre empreinte et la mettre en regard des émissions ou des dommages qu'il évite, avec une fourchette d'incertitude honnête.
- Les bons projets d'IA au service de l'environnement pratiquent l'IA verte : le plus petit modèle qui fonctionne, une consommation d'énergie mesurée et une attention aux effets rebond.
Deux expressions presque identiques désignent des travaux très différents. L'« IA verte » porte sur ce que l'IA coûte à la planète. L'« IA au service de l'environnement » (« AI for green ») porte sur ce que l'IA peut faire pour la planète. Cet article explique la différence, donne des exemples réels de chacune, et montre pourquoi les meilleurs projets ont besoin des deux.
Quelle est la différence entre l'IA verte et l'IA au service de l'environnement ?
L'IA verte réduit l'empreinte environnementale de l'IA elle-même ; l'IA au service de l'environnement utilise l'IA pour soutenir l'action climatique et environnementale. L'une regarde vers l'intérieur, le système d'IA ; l'autre vers l'extérieur, le problème auquel il est appliqué.
- L'IA verte, au sens strict que la plupart des gens lui donnent, porte sur l'énergie, le carbone, l'eau et le matériel qu'utilise l'IA. Elle comprend des modèles et du code plus efficaces, la mesure de la consommation d'énergie, le recours à une électricité plus propre, l'allongement de la durée de service du matériel, et la sobriété : n'utiliser l'IA, ou un grand modèle, que là où cela en vaut la peine.
- L'IA au service de l'environnement applique l'IA aux problèmes environnementaux. Elle couvre à la fois la réduction des émissions et l'aide apportée aux populations et à la nature pour faire face à un climat qui change.
Sur ce site, qu'est-ce que l'IA verte ? emploie « IA verte » comme terme générique pour les deux idées, et appelle le sens strict « une IA plus verte ». La distinction est la même : quels que soient les mots employés, il est utile de préciser de quoi l'on parle.
Que recouvre l'IA au service de l'environnement ?
Deux grands types de travail sur le climat : l'atténuation, qui réduit les émissions, et l'adaptation et la résilience, qui réduisent les dommages causés par un climat qui change. L'article de Rolnick et de ses collègues publié en 2019, Tackling climate change with machine learning, a cartographié les deux, des réseaux électriques intelligents à la gestion des catastrophes. Il est publié par Climate Change AI, une association à but non lucratif animée par des bénévoles, fondée en 2019, qui organise aujourd'hui des ateliers, une école d'été et des subventions à l'innovation dans ce domaine.
Atténuation : réduire les émissions
- Réseaux électriques : prévoir la production éolienne et solaire et la demande, afin que les réseaux puissent équilibrer l'offre en recourant moins aux moyens fossiles d'appoint.
- Détection du méthane et des émissions : le système d'alerte et de réponse au méthane (Methane Alert and Response System, MARS) du Programme des Nations unies pour l'environnement, lancé en 2023, utilise des données satellitaires, associées à l'expertise scientifique et à l'IA, pour envoyer des alertes gratuites sur les grands rejets de méthane. L'AIE indique que seulement 12 % environ des notifications ont reçu une réponse en 2025, ce qui rappelle que la détection n'est utile que si quelqu'un agit.
- Découverte de matériaux : le projet GNoME de Google DeepMind a rapporté dans Nature en 2023 que des réseaux de graphes avaient identifié 2,2 millions de structures cristallines, dont 381 000 nouveaux matériaux stables, un point de départ pour de meilleures batteries et cellules solaires. Chaque candidat doit encore être fabriqué et testé.
- Bâtiments et industrie : DeepMind a indiqué en 2016 que l'apprentissage automatique pouvait réduire de façon constante de 40 % l'énergie utilisée pour refroidir les centres de données de Google.
- Agriculture et utilisation des terres : surveiller les cultures, les sols et la déforestation à partir d'images satellitaires.
Adaptation et résilience : faire face au changement climatique
- Prévisions météorologiques et climatiques : GraphCast, un modèle météorologique fondé sur l'apprentissage automatique, a surpassé les systèmes déterministes opérationnels les plus précis sur 90 % de 1 380 cibles de vérification, en produisant une prévision mondiale à 10 jours en moins d'une minute. Le 25 février 2025, le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT, ECMWF en anglais) a mis en service opérationnel son système de prévision fondé sur l'apprentissage automatique, l'Artificial Intelligence Forecasting System (AIFS). Le CEPMMT indique qu'il surpasse les modèles physiques sur de nombreux critères et consomme environ 1 000 fois moins d'énergie pour produire une prévision.
- Alertes aux inondations : Nearing et ses collègues ont montré dans Nature en 2024 que la prévision des crues par IA dans des bassins fluviaux dépourvus de stations de mesure était, à cinq jours, aussi fiable, voire plus fiable, que les prévisions du jour même d'un grand système mondial de référence. Leur modèle alimente un système d'alerte précoce qui fournit des prévisions publiques gratuites dans plus de 80 pays.
- Alerte précoce aux incendies de forêt et aux vagues de chaleur, réponse aux catastrophes, gestion de l'eau et suivi de la biodiversité, par exemple l'identification d'espèces à partir de pièges photographiques et d'enregistrements sonores.
Comment se comparent-elles ?
Elles diffèrent par leur objectif, leurs acteurs et leurs critères de réussite, mais partagent un risque : des bénéfices revendiqués et jamais mesurés.
| IA verte | IA au service de l'environnement | |
|---|---|---|
| Objectif | Réduire l'énergie, le carbone, l'eau et les matériaux qu'utilise l'IA | Utiliser l'IA pour réduire les émissions ailleurs ou limiter les dommages climatiques |
| Qui s'en charge | Développeurs d'IA, concepteurs de centres de données et de puces, équipes informatiques et achats, utilisateurs au quotidien | Climatologues et spécialistes des sciences de la Terre, énergéticiens, prévisionnistes, associations de protection de la nature, gouvernements, avec des spécialistes de l'IA |
| À quoi ressemble la réussite | Moins d'énergie et de carbone par résultat utile, et une consommation totale plus faible | Des émissions évitées mesurées, des alertes plus précoces, des vies et de l'argent épargnés |
| Exemples de méthodes | Modèles plus petits ou distillés, quantification, mesure de l'énergie, planification tenant compte du carbone, allongement de la durée de vie du matériel | Prévision, analyse d'images satellitaires, optimisation des réseaux et des bâtiments, criblage de matériaux |
| Principaux risques | Économies réinvesties dans davantage d'usage (l'effet rebond) ; affirmations d'efficacité sans chiffres totaux | Empreinte plus grande que le bénéfice ; bénéfices supposés plutôt que mesurés ; détections dont personne ne tient compte |
L'IA est-elle bonne ou mauvaise pour le climat ?
Les deux, et le bilan dépend de la façon dont elle est utilisée. Le rapport Energy and AI 2025 de l'Agence internationale de l'énergie prévoit que les émissions liées à la consommation d'électricité des centres de données passeront de 180 millions de tonnes aujourd'hui à 300 millions de tonnes d'ici 2035 dans son scénario de référence. Il estime aussi qu'un large recours aux solutions existantes fondées sur l'IA pourrait réduire les émissions de l'équivalent d'environ 5 % des émissions liées à l'énergie en 2035 : bien plus que les émissions des centres de données, mais bien moins que ce qui est nécessaire pour faire face au changement climatique.
L'AIE reste prudente sur ce second chiffre. Elle indique qu'il faudra surmonter les obstacles à l'adoption, que des effets rebond, par exemple des personnes qui délaissent les transports en commun pour des voitures autonomes, pourraient réduire les bénéfices, et que l'IA « n'est pas une solution miracle ». Kaack et ses collègues, dans Nature Climate Change en 2022, proposent une façon utile d'y réfléchir. Ils classent les effets de l'IA sur les émissions en trois groupes :
- Les impacts liés au calcul : l'énergie et le matériel qu'utilise l'IA.
- Les impacts immédiats de l'application : l'effet direct de l'usage, par exemple moins de carburant brûlé.
- Les impacts à l'échelle du système : les changements plus larges de comportements et de demande, y compris l'effet rebond.
L'IA verte agit sur le premier groupe, l'IA au service de l'environnement sur le deuxième. Le troisième peut aider ou nuire à l'une comme à l'autre.
Pourquoi l'IA verte et l'IA au service de l'environnement vont-elles ensemble ?
Parce qu'un projet d'IA au service de l'environnement n'est utile que s'il fait économiser plus qu'il ne coûte, et que l'IA verte est le moyen de limiter ce coût. Une finalité climatique ne fait pas disparaître une empreinte.
Beaucoup de tâches d'IA au service de l'environnement se prêtent bien à l'IA verte. Les prévisions météorologiques, de crues et de réseau sont des systèmes spécialisés conçus pour une seule tâche, et le CEPMMT indique que son AIFS consomme environ 1 000 fois moins d'énergie pour produire une prévision. Ce chiffre porte sur la production d'une prévision ; un bilan complet compterait aussi l'entraînement du modèle. Le risque apparaît lorsqu'un projet se tourne vers un grand modèle généraliste, le réentraîne plus souvent que nécessaire, ou fonctionne à une échelle que son bénéfice ne justifie pas. Luccioni, Strubell et Crawford soutiennent que les gains d'efficacité peuvent entraîner davantage d'usage : un projet devrait donc examiner son empreinte totale, et pas seulement son efficacité par tâche (voir l'efficacité n'est pas la sobriété).
Les bons projets d'IA au service de l'environnement pratiquent donc l'IA verte :
- choisir la méthode la plus simple qui fonctionne, qui est parfois une statistique classique ou un modèle physique ;
- mesurer l'énergie de l'entraînement et du fonctionnement du système ;
- fonctionner là et au moment où l'électricité est la plus propre ;
- réutiliser des modèles et des données existants plutôt que de tout entraîner à partir de zéro.
Comment évaluer le bénéfice net d'un projet d'IA au service de l'environnement ?
Mettez l'empreinte propre de l'IA en regard des émissions ou des dommages qu'elle évite, par rapport à ce qui se serait passé sans elle, et donnez une fourchette d'incertitude. Kaack et ses collègues font de ce type d'évaluation d'impact une priorité.
- Comptez l'empreinte de l'IA. Incluez l'entraînement, le réentraînement, l'usage quotidien, le stockage des données et, si possible, le carbone intrinsèque du matériel. Mesurez plutôt que de deviner lorsque c'est possible.
- Définissez le scénario contrefactuel. Que se passerait-il sans l'IA : la prévision existante, l'inspection manuelle, rien du tout ? Le bénéfice n'est que la différence.
- Estimez les émissions ou les dommages évités. Utilisez des résultats mesurés lorsqu'ils existent, comme des fuites effectivement réparées ou de l'énergie effectivement économisée, et pas seulement des détections ou des prédictions.
- Incluez l'effet rebond et les effets systémiques. Demandez-vous si une activité moins chère ou plus facile conduit à en faire davantage.
- Montrez l'incertitude. Donnez une fourchette, exposez vos hypothèses et revoyez l'estimation une fois le système en service.
Si le bénéfice représente plusieurs fois l'empreinte, même dans le bas de la fourchette, le dossier est solide. Si les deux sont proches, ou si le bénéfice n'est pas mesuré, considérez l'affirmation avec prudence. Voir la mesure est le goulet d'étranglement et des allégations environnementales honnêtes.
Que faire ensuite ?
- Lisez qu'est-ce que l'IA verte ? pour les définitions de base.
- Avant de lancer un projet d'IA au service de l'environnement, notez son scénario contrefactuel et la façon dont vous allez mesurer sa consommation d'énergie.
- Cherchez des financements pour l'IA verte et les projets d'IA au service de l'environnement, y compris les fonds pour le climat et la nature.
- Trouvez les groupes qui travaillent dans ce domaine dans l'annuaire de la recherche.
- Lisez l'efficacité n'est pas la sobriété pour comprendre pourquoi l'usage total compte.
- Cherchez les termes inconnus dans le glossaire.
Questions fréquentes
Qu'est-ce que l'IA au service de l'environnement ?
L'IA au service de l'environnement (« AI for green ») est l'utilisation de l'intelligence artificielle pour soutenir l'action climatique et environnementale : réduire les émissions, par exemple en prévoyant la production renouvelable ou en repérant les fuites de méthane, et aider à s'adapter, par exemple grâce aux alertes aux inondations et à de meilleures prévisions météorologiques.
Quelle est la différence entre l'IA verte et l'IA au service de l'environnement ?
L'IA verte porte sur l'empreinte de l'IA elle-même : faire en sorte que les modèles, le matériel et les centres de données consomment moins d'énergie, de carbone, d'eau et de matériaux. L'IA au service de l'environnement porte sur ce à quoi sert l'IA : l'appliquer aux problèmes environnementaux. Un projet peut relever de l'une, des deux ou d'aucune.
L'IA est-elle bonne ou mauvaise pour le climat ?
Les deux, selon la façon dont elle est utilisée. L'Agence internationale de l'énergie estime qu'un recours plus large aux applications d'IA existantes pourrait réduire les émissions bien plus que ce qu'ajoutent les centres de données, mais avertit que ce n'est pas garanti et que des effets rebond pourraient réduire les gains.
Quelle est la différence entre IA verte et IA durable ?
Les termes se recoupent et sont souvent employés l'un pour l'autre. L'IA verte se concentre généralement sur l'empreinte environnementale de l'IA ; l'IA durable est souvent employée dans un sens plus large, qui inclut aussi les effets sociaux et économiques.
Comment savoir si un projet d'IA pour le climat vaut son empreinte ?
Estimez l'énergie et le carbone nécessaires pour construire et faire fonctionner l'IA, estimez les émissions ou les dommages qu'elle évite par rapport à ce qui se passerait sans elle, et comparez les deux avec une fourchette d'incertitude. Si le bénéfice n'est pas mesuré, l'affirmation n'est pas prouvée.
Existe-t-il des exemples d'IA qui aide face au changement climatique ?
Oui. Des modèles météorologiques fondés sur l'apprentissage automatique, comme l'AIFS du CEPMMT, fonctionnent désormais de manière opérationnelle, la prévision des crues fondée sur l'IA fournit des alertes publiques gratuites dans plus de 80 pays, et le système d'alerte au méthane du Programme des Nations unies pour l'environnement utilise des données satellitaires et l'IA pour signaler les grands rejets de méthane.
Sources
- Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
- About Climate Change AI, Climate Change AI (2026)
- Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
- Energy and AI: executive summary, International Energy Agency (2025)
- ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
- Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
- Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
- Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
- Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
- DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
Voir aussi
Qu'est-ce que l'IA verte ?
Une définition simple de l'IA verte : l'IA pour l'environnement et une IA plus sobre, efficacité et sobriété, et son empreinte en énergie, carbone, eau et matériaux.
L'efficacité n'est pas la sobriété : l'effet rebond dans l'IA
Pourquoi une IA plus efficace ne consomme pas forcément moins d'énergie au total, ce qu'est l'effet rebond ou de Jevons, et comment garder des économies réelles.
Comment mesurer l'énergie et le carbone de l'IA
Guide pratique pour mesurer ou estimer l'énergie et le carbone de l'IA : outils, périmètre du système, indicateurs par tâche et incertitude assumée.
La mesure, goulot d'étranglement de l'IA verte
Pourquoi les chiffres d'énergie de l'IA sont difficiles à croire et à comparer : chiffres autodéclarés, estimations, périmètres différents, et bonnes pratiques.