INTELLIGENCE ARTIFICIELLE &

CHANGEMENT CLIMATIQUE :
Comment qualifier
le bénéfice environnemental de
l’Intelligence Artificielle ?

AVIS D’EXPERT #22

 Introduction
1
Le développement rapide de l'intelligence artificielle (IA), en partie accéléré par la
démocratisation des IA génératives, soulève des préoccupations quant à son impact
environnemental, aujourd’hui mal évalué.

Malgré une transparence limitée sur les choix de conception et d’infrastructure,

plusieurs études et communications laissent présager que l’intensification des
capacités des IA et l’engouement pour des cas d’usages génératifs et multi-tâches
entrainent une croissance forte des impacts environnementaux.

A l’inverse, les bénéfices environnementaux que pourrait apporter l’IA sont largement
communiqués. Ce potentiel doit être confronté aux risques d’effets rebonds directs et
indirects et être mis en regard d’autres solutions ou stratégies de réduction des
émissions.

Le bilan des bénéfices et coûts environnementaux ou climatiques de l’IA doit être fait à
l’échelle d’une solution spécifique et d’un contexte défini, en considérant les effets
rebonds et alternatives potentielles, afin de décider de manière éclairée de son intérêt
et des choix d’écoconception à appliquer.

Dans cet avis d’expert, I Care by BearingPoint met en regard le développement

rapide de l’intelligence artificielle et son potentiel d’impact environnemental, et
propose des pistes de réflexion pour qualifier la place de l’IA dans la lutte contre
le changement climatique.

Cet avis d’expert, rédigé en Mars 2024 par Léo Genin, Thomas Auzias et Lucas Gadault-
Tatu, s’inscrit dans un cycle de publications et avis d’experts qui sont proposés par I Care, et
que vous pouvez retrouver dans la rubrique « Avis d’Experts ».
Page 2

Intelligence Artificielle & Changement Climatique

 2
Un Questionnement
Légitime sur l’Empreinte
Environnementale de l’IA

L’IA est une technologie connaissant un développement fort, en termes

d’intensité d’usage comme d’intensité de consommation :

• L’IA est une technologie récente dont le développement se traduit à la fois par
une multiplication et une intensification des usages.
 Le nombre d’organisations utilisant des IA a fortement augmenté ces
dernières années (x2,5 entre 2017 et 2019 avec une stagnation à partir de
2019) 1.
 Le nombre de cas d’usage de l’IA a également augmenté (x2 entre 2017 et
2021, avec une stagnation à partir de 2021) 1.
 Les principales utilisations de l’IA en entreprise sont l’optimisation des
services et process (1ère utilisation), la création ou l’amélioration de
services (2ème et 5ème utilisations), l’acquisition et la rétention de clients
(3/4/6èmes utilisations). L’IA est davantage utilisée dans l’objectif
d’augmenter les revenus que de diminuer les coûts. 1

The state of AI in 2022—and a half decade in review “. McKinsey, 6 décembre 2022

1
« The state of AI in 2022—and a half decade in review ». McKinsey, 6 décembre 2022.
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2022-and-a-half-
decade-in-review.
Page 3

Intelligence Artificielle & Changement Climatique

 • Le développement récent de l’IA générative a créé un engouement
supplémentaire qui pourrait renforcer cette tendance. 40% des répondants à
l’étude McKinsey 2023 « The state of AI 2023 » comptent augmenter leurs
investissements dans l’IA (toute utilisation confondue). En 2023, la moitié des
entreprises déclarent avoir adopter l’IA dans au moins une fonction de
l’entreprise. 2

• Au-delà de l’augmentation des usages, les IA développées sont de plus en plus

puissantes et consommatrices de ressources informatiques. Les temps de calcul
de Deep Learning ont été multipliés par 300 000 en 6 ans et la puissance de calcul
utilisée pour un modèle moyen est multipliée par 10 chaque année selon Open
AI 3.

Ces nouveaux usages ont un coût environnemental, aujourd’hui mal évalué

• L’estimation de l’empreinte environnementale de l’IA est encore peu mature. Le

manque de norme méthodologique entraine des études et outils avec des
approches différentes. Le manque de transparence sur la conception des
modèles comme des infrastructures complexifie l’exercice et la plupart des
études se sont jusqu’à présent focalisées sur la partie entrainement de l’IA. Les
communications de Google 4 et Microsoft 5 témoignent en revanche d’un fort
potentiel d’augmentation de ces impacts (par exemple +20% et +34% de
consommation d’eau, utilisée notamment dans les systèmes de refroidissement
des data centers, entre 2021 et 2022).

• Une nouvelle étude 6 s’est récemment intéressée à la consommation énergétique

de différents modèles pour différents cas d’usage en phase de déduction (phase
d’utilisation de l’IA, par opposition à la phase d’entrainement, qui focalise
aujourd’hui la majorité des études d’impact environnemental). Il en ressort entre
autres une très forte variation, d’un facteur 1000, de la consommation

2 The state of AI in 2023: Generative AI’s breakout year | McKinsey

3
Amodei D., Hernandez D., Sastry G., Clark J., Brockamn G., SutskevercI., « AI and computer »,
openai.com 2018
4
« Environmental Report ». Google, 2023. https://www.gstatic.com/gumdrop/sustainability/google-2023-
environmental-report.pdf.
5
« 2022 Environmental Sustainability Report ». Microsoft, 2022.
https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RW15mgm.
6
Luccioni, Alexandra, Yacine Jernite, et Emma Strubell. « Power Hungry Processing : Driving the Cost of
AI Deployement ». Hugging Face, 28 novembre 2023.
Page 4

Intelligence Artificielle & Changement Climatique

 énergétique selon les cas, notamment entre les modèles multitâches et
monotâches, et entre le traitement d’image ou de texte.

Emissions (gCO2) moyennes générées par la réponse à un jeu de 1000 requêtes dans différents cas
d’usage.
« Power Hungry Processing: Driving the Cost of AI Deployment ». Hugging Face, 28 novembre
2023. Luccioni, Jernite, Strubell.6

• Plusieurs autres études avaient alerté sur la consommation élevée de la phase

d’entrainement de l’IA (Bloom a par exemple consommé l’équivalent de la
consommation annuelle de 40 foyers américains pour sa phase d’entrainement) 7.
• La mise en évidence de cet impact potentiel impose une réflexion poussée sur les cas
d’usages et les modalités de conception des outils IA par rapport au bénéfice qu’ils
amènent.

7
De Vries, Alex. « The growing energy footprint of artificial intelligence ». Joule, 10 septembre 2023.
https://www.cell.com/joule/fulltext/S2542-4351(23)00365-3.
Page 5

Intelligence Artificielle & Changement Climatique

 3
Le Potentiel de l’IA
comme Solution aux
Enjeux Ecologiques à
Nuancer

A l’inverse, l’IA est également présentée comme un outil clé dans la réduction de
l’impact environnemental d’autres secteurs et dans la résilience de notre société
face à la crise écologique :

• De nombreux cas d’usage ont été identifiés pour utiliser l’IA dans la réduction de
l’empreinte environnementale, mais également pour améliorer la résilience et la
capacité d’adaptation au dérèglement climatique 8.
 Exemple : l’outil d’IA DeepMind a réussi à réduire la quantité d’énergie
utilisée pour le refroidissement des centres de données de Google de
40% 9.
 Exemple : un modèle d’IA a permis de repérer beaucoup plus rapidement
les incendies en Californie. Une vingtaine de débuts d’incendies à l’été
2023 seraient passés inaperçus sans l’usage de cette technologie 10.
• L’IA assure également un soutien fort à la recherche, entre autres dans la
modélisation, la compréhension et la recherche de solution aux problématiques
environnementales.

Les risques d’effets rebond, et plus globalement la complexité de la mesure des

émissions évitées par le déploiement de l’IA, viennent toutefois nuancer ce
potentiel.

• Le risque d’effet rebond est une notion économique qui désigne un

accroissement de la consommation provoquée par la réduction des limites qui
étaient jusque-là posées. Dans le cadre de l’IA, un effet rebond direct peut se
matérialiser par une hausse de la consommation énergétique lié à la quantité de
données traitées et aux capacités des centres de données. Les effets rebonds

8
« Reduce Carbon and Costs with the Power of AI ». BCG, 26 janvier 2021.
https://www.bcg.com/publications/2021/ai-to-reduce-carbon-emissions.
9
Evans, Rich, et Jim Gao. « DeepMind AI reduces energy used for cooling Google data centers by 40% »,
20 juillet 2016. https://blog.google/outreach-initiatives/environment/deepmind-ai-reduces-energy-used-for/.
10
Fallon, Patrick. « L’intelligence artificielle à la rescousse contre les incendies en Californie », 13
septembre 2023, Sciences et Avenir/ AFP édition. https://www.sciencesetavenir.fr/high-tech/intelligence-
artificielle/l-intelligence-artificielle-a-la-rescousse-contre-les-incendies-en-californie_173785.
Page 6

Intelligence Artificielle & Changement Climatique

 indirects sont quant à eux plus difficiles à anticiper mais particulièrement
important dans les cas où une solution IA (ou numérique de manière générale)
vise à influencer un autre usage.
 Exemple : la solution Surtrac de Miovision (système de décentralisation du
trafic routier) permet d’optimiser les feux rouges et donc de réduire le nombre
et la durée des arrêts de véhicules. L’éditeur annonce permettre une réduction
de 20% des émissions de GES grâce à la fluidification du trafic automobile,
mais cela ne prend pas en compte le risque d’effet rebond indirect :
l’augmentation du trafic à la suite d’un temps de trajet plus court 11.

• Les émissions évitées mesurent la contribution d’une organisation à la

décarbonation de l’économie en dehors de son périmètre d’activité 12. La mesure
des émissions évitées implique de comparer un scénario avec le déploiement
d’une solution en comparaison d’un scénario de référence. Concernant l’IA, un
premier manquement courant est de parler d’une réduction d’émissions en se
basant sur un instant t sans prendre en compte l’évolution des émissions du
secteur dans le temps. L’IA peut apporter une solution à court terme pour réduire
les émissions de CO2 par rapport à la situation actuelle, mais son intérêt peut
diminuer dans le temps avec la décarbonation de certains secteurs.
 Exemple : si une IA avec un coût environnemental annuel stable dans le temps
est déployée pour diminuer la consommation énergétique d’un procédé, elle
pourrait s’avérer néfaste pour le climat passé un certain seuil de
décarbonation de l’énergie utilisée par ce procédé.

• Par ailleurs, comparer un scénario utilisant une solution IA par rapport à une
situation de référence permet de chiffrer les émissions évitées, mais ne suffit pas
pour valider la pertinence de cette solution. Il convient notamment de la
comparer vis-à-vis d’autres solutions, numérique ou non, parmi lesquelles les
solutions de sobriété (réduction directe de la consommation) amènent entre
autres moins de risque de report d’impact ou d’effet rebond.

11
Miovision Surtrac
12
ADEME. Les émissions évitées, de quoi parle-t-on ? 2020
Page 7

Intelligence Artificielle & Changement Climatique

 4
Evaluer la Pertinence
Environnementale de l’IA
à l’Echelle d’une Solution
et d’un Contexte

Il est possible de constater et de quantifier les apports bénéfiques d’un point de vue
environnemental du déploiement d’une solution d’intelligence artificielle pour un
contexte et dans un objectif donné.

Cependant ces avancées ne peuvent pas se traduire par une conclusion sur l’IA dans
son ensemble. Il est nécessaire de raisonner au cas par cas.

• De nombreuses technologies d’IA ne vise pas de réduction (de consommation

d’énergie, d’émissions de CO2, ...) mais concernent au contraire des
développements commerciaux et la création de nouveaux services pour des
organisations. Ces développements provoquent une augmentation de la
consommation de biens et de services, et donc entraînent une hausse de
l’utilisation de certaines ressources (énergie, matières premières, transports...).
 Exemple : L’utilisation de l’IA pour la publicité ciblée ne peut être évaluée sans
prendre en compte l’augmentation de consommation qu’elle induit par
rapport à une situation de référence.

• Même à l’échelle d’un service, les bénéfices environnementaux qui peuvent en

être obtenus sont fortement dépendant du contexte, notamment géographique,
dans lequel l’IA est utilisée. Les différences en matière de sources d’énergie, de
réglementation, d’infrastructures et d’accès à la technologie sont
particulièrement marquées entre pays.
Page 8

Intelligence Artificielle & Changement Climatique

Ainsi, l’évaluation de la pertinence environnementale d’une solution reposant sur l’IA
est un exercice complexe qui nécessite une étude approfondie pour comprendre son
impact. Le calcul des émissions en propre de la solution implique un travail de mesure
et de collecte de données complet auprès des fournisseurs :

• Actuellement, de nombreuses technologies d’IA présentent une certaine opacité

de l’information quant à la taille des modèles, les ressources et les données
utilisées, le lieu de production et la durée des phases d’entrainement 13.
• Dans le cadre de l’évaluation environnementale, il est nécessaire de définir à la
fois un scénario de référence et un scénario avec solution et leurs évolutions
dans le temps. La comparaison des deux scénarios doit permettre de pouvoir
faire des arbitrages.

"L'impact environnemental de l'intelligence artificielle en

question." Le Monde édition, 30 novembre 2022. Ponce et Ryl

• L’utilisation de l’IA doit par ailleurs être comparée à d’autres solutions pouvant
être envisagées pour réduire une empreinte environnementale, et non
uniquement par rapport à la situation de référence. Par exemple, l’impact d’une
IA visant à réduire la congestion du trafic dans une ville doit être comparé
notamment à des solutions de sobriété telles que le report modal vers des
transports en communs ou doux qui ont par ailleurs moins de chances de
générer un effet rebond.

13
Ponce, Jean, et Isabelle Ryl. « L’impact environnemental de l’intelligence artificielle en question », 30
novembre 2022, Le Monde édition. https://www.lemonde.fr/sciences/article/2022/11/29/l-impact-
environnemental-de-l-intelligence-artificielle-en-question_6152210_1650684.html.
Page 9

Intelligence Artificielle & Changement Climatique

Le déploiement d’outils d’IA doit également être accompagné de mesures
d’écoconception et de transparence sur l’empreinte environnementale.

• La définition précise du contexte d’utilisation, objectifs et gains attendus d’une

solution d’IA permet d’assurer une conception alignée avec ces objectifs et
garantissant un effet positif. L’IA doit être programmée au plus proche des
besoins, ce qui implique notamment un choix de modèle adapté, un nombre de
paramètres et de données d’apprentissage dimensionné justement.
 Au-delà de la structure même de l’IA, une attention particulière doit également
être portée aux infrastructures sous-jacentes du service, notamment les data
centers et leur efficacité énergétique et le mix électrique associé. C’est donc
l’ensemble du modèle qui nécessite une analyse pour réduire au maximum son
impact 14.

• La tendance actuelle est au déploiement d’outils de Machine Learning génératifs

et polyvalents (ex : ChatGPT). Comme explicité par l’étude récente par Luccioni
et al 15, ces modèles impliquent un coût énergétique et environnemental bien
supérieur. Par exemple pour 1000 inférences pour de la réponse à des questions
extractives, le modèle spécifique le plus efficace émettra 0,3gCO2e contre
10gCO2e pour un modèle polyvalent. Il est donc nécessaire de questionner ces
typologies d’outils et la recherche associée au regard des bénéfices et couts
environnementaux et sociaux de ces structures.

Emissions (gCO2) générées par la réponse à différents jeux de données selon les types de modèle. La taille
des points est proportionnelle à la taille du modèle. « Power Hungry Processing: Driving the Cost of AI
Deployment ». Hugging Face, 28 Novembre 2023. Luccioni, Jernite, Strubell 16

14
Henderson, Peter. « Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning ». Stanford, 29 novembre 2020. https://arxiv.org/pdf/2002.05651.pdf.
15
Luccioni, Alexandra, Yacine Jernite, et Emma Strubell. « Power Hungry Processing : Driving the Cost of
AI Deployement ». Hugging Face, 28 novembre 2023.
16
Luccioni, Alexandra, Yacine Jernite, et Emma Strubell. « Power Hungry Processing : Driving the Cost of
AI Deployement ». Hugging Face, 28 novembre 2023.
Page 10

Intelligence Artificielle & Changement Climatique

 Sources

1. « The state of AI in 2022—and a half decade in review ». McKinsey, 6 décembre 2022.

https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2022-
and-a-half-decade-in-review.
2. The state of AI in 2023: Generative AI’s breakout year | McKinsey
3. Amodei D., Hernandez D., Sastry G., Clark J., Brockamn G., SutskevercI., « AI and
computer », openai.com 2018
4. « Environmental Report ». Google, 2023.
https://www.gstatic.com/gumdrop/sustainability/google-2023-environmental-
report.pdf.
5. « 2022 Environmental Sustainability Report ». Microsoft, 2022.
https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RW15mgm.
6. Luccioni, Alexandra, Yacine Jernite, et Emma Strubell. « Power Hungry Processing :
Driving the Cost of AI Deployement ». Hugging Face, 28 novembre 2023.
7. De Vries, Alex. « The growing energy footprint of artificial intelligence ». Joule, 10
septembre 2023. https://www.cell.com/joule/fulltext/S2542-4351(23)00365-3
8. « Reduce Carbon and Costs with the Power of AI ». BCG, 26 janvier 2021.
https://www.bcg.com/publications/2021/ai-to-reduce-carbon-emissions.
9. Evans, Rich, et Jim Gao. « DeepMind AI reduces energy used for cooling Google data
centers by 40% », 20 juillet 2016. https://blog.google/outreach-
initiatives/environment/deepmind-ai-reduces-energy-used-for/.
10. Fallon, Patrick. « L’intelligence artificielle à la rescousse contre les incendies en
Californie », 13 septembre 2023, Sciences et Avenir/ AFP édition.
https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/l-intelligence-artificielle-a-la-
rescousse-contre-les-incendies-en-californie_173785.
11. Miovision Surtrac : https://miovision.com/surtrac/
12. ADEME. Les émissions évitées, de quoi parle-t-on ? 2020
13. Ponce, Jean, et Isabelle Ryl. « L’impact environnemental de l’intelligence artificielle en
question », 30 novembre 2022, Le Monde édition.
https://www.lemonde.fr/sciences/article/2022/11/29/l-impact-environnemental-de-l-intelligence-
artificielle-en-question_6152210_1650684.html.
14. Henderson, Peter. « Towards the Systematic Reporting of the Energy and Carbon
Footprints of Machine Learning ». Stanford, 29 novembre 2020.
https://arxiv.org/pdf/2002.05651.pdf.
15. Luccioni, Alexandra, Yacine Jernite, et Emma Strubell. « Power Hungry Processing :
Driving the Cost of AI Deployement ». Hugging Face, 28 novembre 2023.
Page 11

Intelligence Artificielle & Changement Climatique

A PROPOS

I Care by BearingPoint, leader de la transformation à impact, est le centre

d’expertise en développement durable du cabinet BearingPoint.

De la stratégie à la mise en œuvre, les experts d’I Care apportent des solutions de
transition concrètes et innovantes aux entreprises, aux institutions financières et
aux organisations publiques.

L'ambition de I Care est double : offrir une expertise technique sur les questions
d'environnement, de climat, de biodiversité, d'impact social, d'économie circulaire
et de finance durable ; et combiner cette expertise avec un savoir-faire
transformationnel pour engager ses clients dans l'évolution de leurs métiers et de
leurs modèles économiques.

I Care by BearingPoint est un acteur majeur dans le domaine du conseil en

développement durable et compte plus de 200 consultants spécialisés dans le
monde.

+33 (0)1 43 66 87 27

[email protected]