IA, énergie, eau… et ordres de grandeur

« Oui mais l’IA, ça consomme énormément d’énergie… et d’eau. »

Sur le fond, la question est légitime. L’IA repose sur des serveurs, des centres de calcul, de l’électricité, du refroidissement. Ce n’est pas magique, ni immatériel. Mais à force d’entendre cette phrase, je me suis rendu compte d’une chose : on parle beaucoup d’impact, mais très rarement d’ordres de grandeur.

Alors j’ai voulu faire un point. D’abord pour moi (parce que l’IA est au cœur de mon activité professionnelle) puis pour pouvoir l’expliquer clairement lors de mes formations.

Poser un cadre avant de comparer

Avant même de parler d’IA, il faut s’accorder sur une chose : on ne peut pas comparer ce qu’on ne mesure pas avec les mêmes unités.

Le CO₂ est souvent mis en avant, mais il dépend du mix électrique du pays, du moment d'utilisation et de plusieurs autres hypothèses. À l’inverse, l’énergie consommée est une grandeur physique simple. Un kilowattheure reste un kilowattheure.

C’est donc volontairement que j’ai raisonné en Wh et kWh, et non en CO₂.

L’IA au quotidien : de quoi parle-t-on vraiment ?

Pour comparer, il faut une base.

J’ai retenu une hypothèse volontairement haute : 20 requêtes par utilisateur et par jour. Ce n’est pas la moyenne de la plateforme — l’étude How People Use ChatGPT, publiée par OpenAI en septembre 2025, donne 18 milliards de messages hebdomadaires pour 700 millions d’utilisateurs, soit moins de 4 par jour et par personne. 20 par jour, c’est l’usage d’un professionnel qui travaille avec l’outil toute la journée. En le prenant comme référence, je surestime délibérément d’un facteur 5 : si la démonstration tient à ce niveau, elle tient a fortiori pour tout le monde. On parle ici de requêtes textuelles classiques (pas de génération d’images, pas de vidéo).

Dans cet ordre de grandeur, je retiens une référence de travail : 0,1 kWh par jour, soit 100 Wh par utilisateur. Ce n’est pas une moyenne mesurée, c’est une borne haute assumée. Voici comment elle est construite :

D’une part, plusieurs travaux académiques récents ont cherché à mesurer la consommation énergétique réelle de l’inférence (c’est-à-dire l’exécution d’un modèle pour répondre à une requête), en tenant compte du matériel de calcul (GPU/TPU) et de l’infrastructure du data center (refroidissement, rendement, charge). Une étude menée par des chercheurs de Microsoft, publiée depuis dans la revue à comité de lecture Joule, estime la consommation médiane d’une requête textuelle sur un modèle de très grande taille à 0,31 Wh — la moitié centrale des requêtes se situant entre 0,16 et 0,60 Wh, un quart consommant moins, un quart davantage.

D’autre part, le calcul direct est vite fait : 20 requêtes à 0,31 Wh font 6,2 Wh par jour. C’est peu — et c’est justement pour ça que je ne le retiens pas comme référence. Un ordre de grandeur qui arrange celui qui l’écrit ne vaut rien.

Je retiens donc 100 Wh par jour, soit seize fois le résultat de ce calcul. Cette borne haute absorbe tout ce que la médiane n’attrape pas : les échanges longs, les modèles plus lourds, le rendement du centre de calcul, et un usage professionnel bien au-delà des 20 requêtes retenues. C’est elle, et non les 6,2 Wh, qui sert de référence commune dans tout ce qui suit, tableau compris.

La démonstration n’en sort pas affaiblie, elle en sort renforcée : si les ordres de grandeur tiennent en surestimant l’IA d’un facteur seize, ils tiennent a fortiori à l’usage réel.

Ce montant n’est pas parfait, il permet simplement de raisonner sur des bases claires, avec des ordres de grandeur cohérents et non sous-estimés.

Comparer avec des usages concrets

À partir de là, j’ai comparé cette consommation à des gestes du quotidien que nous faisons tous, sans même y penser et voilà ce que ça donne.

Tableau comparatif – énergie et équivalent en usage IA

D’où viennent ces chiffres. Ce sont des ordres de grandeur d’appareils et de trajets courants, arrondis pour être comparables — pas des relevés. Les deux dernières lignes s’appuient sur les travaux de Vaclav Smil, qui chiffre l’énergie incorporée d’une voiture à environ 100 GJ, soit ~28 000 kWh. Le tableau, lui, retient 35 000 kWh pour une compacte : c’est plus que Smil, et c’est le sens prudent ici — une compacte plus coûteuse à fabriquer réduit l’écart avec le SUV, et donc le nombre de siècles annoncé en conclusion.

Ce tableau montre manifestement que les ordres de grandeur ne sont pas du tout comparables.

Et l’entraînement des modèles, alors ?

On le sait, l'entraînement des modèles est particulièrement énergivore ! Mais là encore, tout dépend de la façon dont on regarde le chiffre.

L’entraînement d’un grand modèle c'est une dépense ponctuelle. Ensuite ce modèle est utilisé par des millions de personnes. Il convient donc de rapporter cette déponse au nombre réel d’utilisateurs si on veut se rendre réellement compte de quoi on parle.

Les estimations publiques situent l’énergie d’entraînement d’un modèle comme GPT-4 entre 33 et 62 GWh — OpenAI n’a jamais publié le chiffre, ce sont des reconstitutions à partir du matériel utilisé (Epoch AI). Retenons la borne haute, 60 GWh. Rapportée aux 900 millions d’utilisateurs hebdomadaires que ChatGPT revendiquait début 2026, cela fait 0,07 kWh par utilisateur — l’équivalent de trois recharges de smartphone, une fois pour toutes. Cette méthode permet d’exprimer la dépense énergétique d’une phase d’entraînement massive par utilisateur, ce qui est pertinent pour une comparaison avec d’autres usages énergétiques du quotidien.

Concrètement, cela correspond à :

• trois recharges complètes de smartphone,
• ou moins de trois minutes d’aspirateur.

Ça ne veut pas dire que l’entraînement est négligeable. Ça veut dire que le raisonnement change complètement quand on le ramène à l’échelle individuelle.

Et l’eau dans tout ça ?

L’eau est réellement consommée, et il faut le dire nettement : la technologie dominante des grands centres de calcul est le refroidissement par évaporation. Dans son rapport environnemental 2025, Google publie que ses data centers ont prélevé 9,9 milliards de gallons d’eau en 2024 et n’en ont restitué que 2,1 : 7,8 milliards de gallons, soit 79 %, ne sont jamais revenus au réseau. C’est ce que Google compte comme sa consommation d’eau, et le refroidissement par évaporation en explique l’essentiel. La fraction restituée, elle, ressort chargée : plus concentrée en sels, avec les biocides et les inhibiteurs de corrosion du circuit.

Ce que je conteste n’est donc pas le fait, c’est le raccourci. Le vrai sujet n’est pas « l’IA boit de l’eau » mais où et quand elle la prélève : un centre refroidi à l’air ou en circuit fermé n’en consomme presque rien, un centre à tours aéroréfrigérantes dans une région en stress hydrique pose un problème réel et local. Et pour une raison qu’on oublie toujours : l’eau et l’énergie sont le même arbitrage — on économise l’une en dépensant l’autre.

Ce que ce raisonnement ne dit pas

Il ne dit pas que l’IA est “gratuite”. Il ne dit pas qu’il ne faut pas optimiser. Il ne dit pas que la croissance des usages est sans impact. Il dit simplement ceci :

👉 Comparer sans ordres de grandeur n’a aucun sens.

👉 Comparer sans référence concrète mène à des conclusions erronées.

Conclusion

L’IA consomme de l’énergie, moins qu'une voiture, moins qu'un avion, moins qu'un lave-vaisselle, moins qu'une box Internet.

Le choix du modèle de voiture que l’on achète a plus d’impact sur la consommation d’énergie que près de sept siècles de votre usage de l’IA — et voici le calcul, pour que vous puissiez le refaire : 25 000 kWh d’écart d’énergie incorporée entre un SUV haut de gamme et une compacte, divisés par les 0,1 kWh de la borne haute retenue plus haut, font 250 000 jours.

J'espère que ces recherches vous auront permis d'y voir plus clair !