# 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.

Source: https://greenai.guide/fr/articles/qu-est-ce-que-l-ia-verte/  
Updated: 2026-11-19

## En bref

L'IA verte consiste à utiliser l'intelligence artificielle de façon que son coût environnemental reste proportionné à la valeur qu'elle apporte. Elle recouvre deux idées, utiliser l'IA pour aider l'environnement (« l'IA au service de l'environnement ») et réduire l'empreinte de l'IA elle-même (« une IA plus verte »), et deux façons d'y parvenir : l'efficacité (accomplir chaque tâche avec moins) et la sobriété (n'accomplir que les tâches qui en valent la peine).

## Points clés

- « L'IA au service de l'environnement » utilise l'IA pour servir des objectifs environnementaux ; « une IA plus verte » réduit l'empreinte de l'IA elle-même. L'IA verte a besoin des deux.
- L'empreinte de l'IA ne se limite pas à l'électricité. Elle comprend les émissions de carbone, l'eau utilisée pour le refroidissement et la production d'électricité, ainsi que les matériaux et les déchets du matériel.
- L'efficacité réduit le coût de chaque tâche ; la sobriété demande si la tâche a besoin de l'IA, ou d'un modèle aussi grand, tout court.
- L'IA verte ne signifie pas « pas d'IA ». Il s'agit de bien utiliser l'IA, de mesurer son coût et de choisir le bon outil pour la tâche.
- Comme « IA » désigne aussi bien de petits classificateurs que des chatbots de pointe, toute affirmation sur l'IA verte devrait préciser de quel type d'IA elle parle.

L'expression « IA verte » est employée pour désigner plusieurs choses différentes, ce qui rend les discussions à son
sujet confuses. Cet article présente les idées principales et les termes utilisés sur ce site, afin que les pages
suivantes puissent s'appuyer dessus.

## Que signifie l'IA verte ? {#what-does-green-ai-mean}

**L'IA verte consiste à utiliser l'intelligence artificielle de façon que son coût environnemental reste proportionné
à la valeur qu'elle apporte.** Il s'agit de bien utiliser l'IA, et non de refuser de l'utiliser.

L'expression a été popularisée par Schwartz, Dodge, Smith et Etzioni dans un article paru en 2020 dans
*Communications of the ACM*. Ils opposaient la « Red AI », une recherche qui achète de petits gains de précision avec
des quantités de calcul toujours plus grandes, à la « Green AI », qui rend compte de l'efficacité et la récompense aux
côtés de la précision. Leur article faisait suite à l'étude de Strubell, Ganesh et McCallum (2019), qui montrait
combien d'énergie et de carbone le développement d'un grand modèle de langage pouvait impliquer.

Depuis, le sens s'est élargi. Aujourd'hui, l'IA verte couvre généralement toute la vie d'un système d'IA : le matériel
sur lequel il tourne, le centre de données, le modèle, les logiciels qui l'entourent et la façon dont les gens
l'utilisent.

## Quelle différence entre « l'IA au service de l'environnement » et « une IA plus verte » ? {#what-is-the-difference-between-ai-for-green-and-greener-ai}

**« L'IA au service de l'environnement » utilise l'IA pour servir des objectifs environnementaux ; « une IA plus
verte » réduit l'empreinte de l'IA elle-même.** L'IA verte a besoin des deux, et les deux peuvent tirer dans des
directions opposées.

| | L'IA au service de l'environnement | Une IA plus verte |
|---|---|---|
| Objectif | Utiliser l'IA pour réduire les émissions ou protéger la nature ailleurs | Réduire l'énergie, le carbone, l'eau et les matériaux que l'IA consomme |
| Exemples | Prévoir la production renouvelable, gérer les réseaux électriques, détecter les fuites, modéliser le climat | Modèles plus petits, code efficace, électricité plus propre, matériel utilisé plus longtemps |
| Risque | Des bénéfices annoncés qui ne sont jamais mesurés | Des économies dépensées en usage accru (l'effet rebond) |

Le rapport *Energy and AI* 2025 de l'Agence internationale de l'énergie couvre les deux aspects : il constate qu'un
usage plus large des applications d'IA existantes pourrait réduire les émissions dans l'énergie et l'industrie, tout
en avertissant que la demande d'électricité de l'IA elle-même augmente rapidement et que l'effet net dépend de la
façon dont l'IA est déployée.

Un « sandpit » britannique sur l'IA verte réuni en 2026, rassemblant mathématiciens, informaticiens et industriels, a
présenté l'IA verte sous ce même double angle, les mathématiques pouvant contribuer aux deux : de meilleures méthodes
pour les problèmes environnementaux, et des méthodes plus sobres pour l'IA.

## Que sont l'efficacité et la sobriété ? {#what-are-efficiency-and-sufficiency}

**L'efficacité consiste à accomplir chaque tâche avec moins ; la sobriété consiste à n'accomplir que les tâches qui en
valent la peine.**

- **L'efficacité** demande : comment ce modèle, ce prompt ou ce centre de données peut-il consommer moins d'énergie
  pour le même résultat ? Parmi les exemples : l'élagage et la quantification des modèles, de meilleures puces et un
  refroidissement plus efficace.
- **La sobriété** demande : cette tâche a-t-elle vraiment besoin de l'IA, ou d'un modèle aussi grand ? Une
  calculatrice, une requête dans une base de données ou une méthode numérique classique est souvent moins coûteuse et
  plus fiable qu'un grand modèle de langage.

L'efficacité seule peut se retourner contre son but, car une IA moins chère tend à être davantage utilisée. C'est
l'effet rebond, expliqué dans [l'efficacité n'est pas la sobriété](/fr/articles/l-efficacite-n-est-pas-la-sobriete-l-effet-rebond-dans-l-ia/).

## Que comprend l'empreinte environnementale de l'IA ? {#what-does-ai-s-environmental-footprint-include}

**Quatre choses : l'énergie, le carbone, l'eau et les matériaux.** La plupart des débats publics ne couvrent que les
deux premières.

### Énergie {#energy}

L'IA fonctionne à l'électricité, principalement dans des centres de données. L'Agence internationale de l'énergie
estime que les centres de données ont consommé environ 415 TWh en 2024, soit environ 1,5 % de l'électricité mondiale,
et prévoit que ce chiffre fera plus que doubler pour atteindre environ 945 TWh d'ici 2030, l'IA en étant le principal
moteur. Voir [pourquoi l'IA verte compte maintenant](/fr/articles/pourquoi-l-ia-verte-compte-maintenant/).

L'énergie est consommée en deux phases :

- **L'entraînement**, un coût ponctuel important pour construire un modèle.
- **L'inférence**, le coût de chaque utilisation du modèle. Pour les modèles très utilisés, cela s'additionne : Google
  a indiqué en 2022 que l'inférence représentait environ trois cinquièmes de sa consommation d'énergie liée à
  l'apprentissage automatique, et l'entraînement deux cinquièmes.

### Carbone {#carbon}

L'empreinte carbone dépend de la quantité d'énergie consommée **et** de la propreté de l'électricité. Le même travail
peut émettre bien plus de carbone sur un réseau dominé par le charbon que sur un réseau dominé par l'éolien,
l'hydraulique ou le nucléaire. Elle comprend aussi le **carbone incorporé** : les émissions liées à la fabrication des
puces, des serveurs et des bâtiments. Wu et ses collègues de Meta ont indiqué en 2022 que le carbone incorporé
représentait environ 30 % de l'empreinte de l'apprentissage automatique à grande échelle de Meta, et ont soutenu qu'il
devenait la source dominante à mesure que l'énergie d'exploitation devient plus propre.

### Eau {#water}

Les centres de données utilisent de l'eau pour le refroidissement, et les centrales électriques en utilisent pour
produire l'électricité. Li, Yang, Islam et Ren ont montré en 2023 que cette « empreinte eau secrète » de l'IA est
importante et varie fortement selon le lieu et le moment de la journée. La mesure réalisée par Google en 2025 pour son
assistant Gemini a établi le prompt textuel médian à environ 0,26 millilitre d'eau, pour 0,24 wattheure d'énergie.

### Matériaux {#materials}

Le matériel d'IA a besoin de métaux et de minéraux, et il est remplacé rapidement. Wang et ses collègues ont estimé en
2024 que les grands modèles de langage pourraient générer au total entre 1,2 et 5,0 millions de tonnes de déchets
électroniques entre 2020 et 2030, selon la vitesse de croissance de leur usage, et que le réemploi et le recyclage
pourraient réduire nettement ce chiffre. Garder le matériel en service plus longtemps, et concevoir des logiciels qui
fonctionnent bien sur des appareils plus anciens, réduit ces déchets.

## Pourquoi est-il important de préciser de quelle « IA » on parle ? {#why-does-it-matter-which-ai-we-mean}

**Parce que le mot « IA » recouvre des systèmes dont les empreintes diffèrent de plusieurs ordres de grandeur.** Un
petit modèle qui trie des e-mails, un système de prévision météorologique et un chatbot de pointe sont tous de
l'« IA ».

Dans l'usage courant, « IA » désigne désormais surtout l'IA générative : les chatbots et les générateurs d'images et
de vidéos. Une grande partie des inquiétudes sur la consommation d'énergie de l'IA porte sur ces grands modèles. Mais
la plupart des usages de l'apprentissage automatique dans l'industrie et la science sont plus petits et plus
spécialisés. Une bonne affirmation sur l'IA verte précise de quel type d'IA elle parle, et sur quel périmètre ses
coûts sont comptés. Voir [la mesure, goulot d'étranglement de l'IA verte](/fr/articles/la-mesure-goulot-d-etranglement-de-l-ia-verte/).

## L'IA verte revient-elle à « pas d'IA » ? {#is-green-ai-the-same-as-no-ai}

**Non.** Ne pas utiliser l'IA est parfois le choix le plus vert, et l'IA verte inclut cette option. Mais l'IA verte
consiste surtout à utiliser l'IA de façon responsable : mesurer son coût, choisir le bon modèle pour la tâche et la
rendre plus efficace.

Certains préfèrent d'autres mots. « IA durable » est souvent employé pour inclure la durabilité sociale et économique
en plus de la durabilité environnementale. D'autres proposent de décrire l'objectif comme le fait d'éviter le calcul
*inutile*, ce qu'il est plus difficile de balayer comme un simple vœu pieux. Ce site emploie « IA verte » pour l'aspect
environnemental et précise à quelle ressource (énergie, carbone, eau ou matériaux) une affirmation se rapporte.

## Que faire ensuite ? {#what-to-do-next}

- Lisez [pourquoi l'IA verte compte maintenant](/fr/articles/pourquoi-l-ia-verte-compte-maintenant/) pour mesurer l'ampleur de la
  demande d'énergie de l'IA.
- Découvrez les termes clés dans le [glossaire](/fr/glossaire/).
- Trouvez le guide qui vous correspond : [entreprises](/fr/guides/l-ia-verte-pour-les-entreprises/), [chercheurs](/fr/guides/l-ia-verte-pour-les-chercheurs/),
  [associations](/fr/guides/l-ia-verte-pour-les-associations/) ou [grand public](/fr/guides/l-ia-verte-un-guide-en-langage-simple-pour-tous/).
- Commencez par le guide pratique pour [utiliser l'IA efficacement](/fr/bonnes-pratiques/utiliser-l-ia-efficacement-les-bons-reflexes-au-quotidien/).
- Vous enseignez ? Consultez la section [Pour les écoles](/fr/ecoles/).

## Questions fréquentes

### Qu'est-ce que l'IA verte, en termes simples ?

L'IA verte est une intelligence artificielle conçue, construite et utilisée de façon que son coût environnemental, en énergie, en carbone, en eau et en matériaux, soit aussi faible que raisonnablement possible au regard de la valeur qu'elle apporte.

### Qui a inventé l'expression « IA verte » ?

L'expression a été popularisée par Schwartz, Dodge, Smith et Etzioni dans un article paru en 2020 dans Communications of the ACM, qui opposait la « Red AI », une recherche qui achète de la précision avec toujours plus de calcul, à la « Green AI », qui fait de l'efficacité un critère d'évaluation aux côtés de la précision.

### L'IA verte est-elle la même chose que l'IA durable ?

Les deux termes se recoupent et sont souvent employés l'un pour l'autre. « IA durable » est parfois utilisé dans un sens plus large, qui inclut la durabilité sociale et économique en plus de l'impact environnemental.

### L'IA verte signifie-t-elle utiliser moins d'IA ?

Parfois. N'utiliser l'IA que là où elle apporte de la valeur fait partie de l'IA verte, mais rendre plus efficace l'IA que l'on utilise et se servir de l'IA pour réduire les émissions ailleurs en font aussi partie.

## Sources

- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [Making AI less thirsty: uncovering and addressing the secret water footprint of AI models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (2023)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang et al., Nature Computational Science (2024)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [Good news about the carbon footprint of machine learning training](https://research.google/blog/good-news-about-the-carbon-footprint-of-machine-learning-training/), Google Research (Patterson) (2022)
