Mindbyte Développer. Automatiser. Optimiser.
Blog Sobriété numérique : quelle responsabilité pour les entreprises face à l’IA ?
Mindbyte Blog

Sobriété numérique : quelle responsabilité pour les entreprises face à l’IA ?

Par Julien Thomas Publié le 29 juillet 2026 Mis à jour le 29 juillet 2026
Sobriété numérique : quelle responsabilité pour les entreprises face à l’IA ?

Impact environnemental de l’IA générative

Dès juin 2020, avec l’arrivée de GPT-3 d’OpenAI, l’intelligence artificielle générative, même si elle ne fait pas encore l’unanimité, devient le centre d’intérêt de bien des industriels, qui la consomment ou la font évoluer.

Un problème sous-jacent ne tarde pas à voir le jour : obtenir les capacités énergétiques, infrastructurelles et matérielles nécessaires pour répondre aux besoins d’une industrie toujours plus demandeuse.

Même s’il semble impossible de déterminer avec précision l’impact écologique d’une utilisation moyenne, des estimations de la consommation d’un modèle ou même d’une requête ont pu voir le jour :

  • Ainsi, une requête de 300 mots sur GPT-4o, estimée à 0,423 Wh, serait 1,4 fois plus gourmande en énergie qu’une simple recherche Google. À usage équivalent, une requête avec Claude 3.5 Haiku consommerait trois fois plus qu’une simple recherche Google, et jusqu’à 67 fois plus avec DeepSeek R1 (https://reporterre.net/ChatGPT-Deepseek-Gemini-combien-d-energie-coute-vraiment-une-requete).
  • Dans ce même article (arxiv.org/html/2505.09598v1), on peut également lire que la consommation annuelle en eau de GPT-4o en 2025, estimée au minimum à 1 334 991 kL, équivaut à la consommation de 1,2 million de personnes. De même, sa consommation d’électricité a été évaluée à près de 392 000 MWh au minimum, soit l’équivalent de celle d’environ 35 000 foyers. Quant aux émissions de carbone, elles sont estimées entre 138 et 163 tonnes de CO₂, soit environ 2 000 allers simples entre Boston et Londres.
  • À ces données déjà impressionnantes s’ajoutent le coût environnemental de l’entraînement des modèles, l’extraction des ressources nécessaires au fonctionnement des datacenters et la construction de ces derniers, qui ne sont pas négligeables. Ainsi, par exemple, la consommation liée à l’entraînement de GPT-3 a été estimée à 1 287 MWh, 700 kL d’eau et 550 tonnes de CO₂. Quand on parle de l’impact de la construction des data centers, on peut évoquer le cas du Chili, où les data centers sortent nombreux de terre (« Chili, asséché par les data centers », ARTE, 2025).

Les data centers tels que nous les connaissons aujourd’hui sont nés avec les débuts d’Internet et l’essor des microprocesseurs. Suivant cette évolution, ils ont connu quelques grandes révolutions, comme la virtualisation (un même matériel pouvant désormais contenir plusieurs ordinateurs virtuels), qui a eu pour conséquence de réduire le nombre de machines, l’espace nécessaire et donc la quantité d’énergie utilisée pour maintenir une activité équivalente.

Malgré l’optimisation des data centers (systèmes de veille, recyclage de la chaleur), la société utilise un volume de calcul de plus en plus conséquent. Dans l’IA générative, cette augmentation se traduit notamment par une hausse de la consommation, mais également par celle de la taille des modèles : ceux-ci sont certes globalement plus efficaces, mais possèdent un nombre accru de paramètres et nécessitent davantage de calculs, et donc davantage de puissance, pour déterminer la suite de leurs réponses. Les gains d’efficacité réduisent le coût unitaire d’un calcul. Cependant, cette baisse du coût facilite la multiplication des usages, si bien que la consommation totale peut continuer d’augmenter. Ce paradoxe entre l’optimisation des technologies et l’augmentation de leur consommation est connu sous le nom de paradoxe de Jevons.

En partant de ce constat, Philippe Bihouix, dans le podcast « L’IA ne résoudra JAMAIS la crise climatique… au contraire ! », d’Éthique et Tac, évoque un problème non seulement technique, mais aussi social. De ce fait, il est légitime de se demander dans quelle mesure les industries sont responsables de la consommation liée à l’IA, si elles agissent contre la surutilisation des IA et s’il est de leur devoir, par l’intermédiaire de leur politique de RSE ou des CSE, d’imposer une utilisation limitée et contrôlée afin de réduire leur impact environnemental.

Existe-t-il des exigences environnementales au niveau des RSE (Responsabilité Sociale et Environnemental) d’une entreprise?

L’intégration de l’intelligence artificielle générative dans notre quotidien, et plus précisément au sein de nos activités économiques, amène avec elle un ensemble de risques : l’exposition de données sensibles et/ou personnelles, la requalification de certaines tâches et davantage de risques sociotechnologiques, mais aussi de nouvelles règles, notamment l’AI Act proposé par l’Union européenne. Ce texte a pour vocation d’encadrer les usages et de limiter les potentielles dérives liées à l’utilisation de ces nouvelles technologies. Ainsi, il catégorise leurs différentes utilisations, en prohibe certaines, décrit un cadre pour des usages particuliers ou encore détermine la responsabilité des différents acteurs.

Malgré la connaissance des impacts environnementaux, il semblerait que ce texte se concentre davantage sur les conséquences pour les êtres humains que sur celles pour la planète : il adopte ainsi une approche anthropocentrée. Les risques environnementaux ne sont abordés que sous un angle administratif et ne font l’objet d’aucune obligation concrète. De plus, ces rapports environnementaux sont plus généralement demandés aux fournisseurs de services d’IA.

De ce point de vue, la France semble allègrement s’appuyer sur cet Act de 2024 sans proposer de directive sur le plan écologique. En effet, les rares projets de loi renforçant le cadre de l’utilisation de l’IA se tournent plus souvent vers l’utilisation ou la protection des données :

  • La culture et la présomption d’exploitation de contenus culturels par les fournisseurs d’IA dans le cadre de la loi Darcos.
  • La CNIL a publié, en juillet 2025, des recommandations sur le développement de systèmes d’IA conformes au RGPD.

Les seules initiatives notables visant à réduire l’impact écologique de l’IA ou, plus généralement, celui du numérique semblent être :

  • La loi REEN, visant à réduire l’empreinte environnementale du numérique, mais qui semble davantage axée sur la consommation de matériel — en renforçant la loi AGEC relative à la lutte contre le gaspillage et à l’économie circulaire — que sur son utilisation. Étant donné qu’elle a été adoptée en novembre 2021, le seul point intéressant en lien avec l’IA est l’optimisation énergétique des centres de données.
  • La création d’un Haut Comité pour le numérique écoresponsable (HCNE), lancé en 2022, qui a émis une feuille de route de décarbonation de la filière numérique à la suite de l’adoption de l’article 301 de la loi « Climat et Résilience ». Celui-ci préconise, pour chaque industrie responsable d’importantes émissions de gaz à effet de serre, la création d’un tel document.

Et au niveau des entreprises, qu’est-ce que cela donne ?

Lorsqu’on recherche des informations sur la gestion de l’impact environnemental de l’intelligence artificielle, les notions d’IA frugale ou durable ressortent. D’après les définitions données sur les sites des acteurs concernés, l’IA dite frugale se définit comme :

  • une IA mesurée, dont on associe le coût environnemental à un usage ;
  • une IA utilisée de manière raisonnée, dans des cas bien précis ;
  • une IA optimisée, utilisant des modèles qui nécessitent le moins de calculs possible, par exemple des modèles quantifiés ou des modèles plus petits, mais très spécialisés.

À part des plans d’action et des outils de mesure en cours de développement, les mesures recensées paraissent encore pricipalement incitatives et volontaires, et ce, même parmi les rares qui daignent évoquer ce sujet. Il semblerait que, malgré les impacts environnementaux connus de l’IA, son utilisation, surtout à l’échelle microscopique, soit encore trop peu étudiée. Encore portée par l’euphorie suscitée par un éventuel gain de productivité, l’écart entre les engagements annoncés et les mesures concrètes peut soulever des interrogations sur la portée réelle de ces démarches.

Conclusion

L’impact environnemental lié au développement de l’IA générative est mondialement connu, tant au niveau de sa production — de l’extraction des terres rares à sa conception — que de son utilisation : entraînement des modèles, automatisation, vibe coding, assistants IA, etc. Dans un climat de progrès et d’innovation, les institutions, qu’elles soient supranationales ou locales, ainsi que peu entreprises, semblent avoir instauré des limitations quantitatives ou des interdictions explicites d’usage. Ainsi, pour un gain de productivité encore trop peu mesuré, on en oublie les conséquences environnementales, et bien plus encore.

Discussion

Mais alors, pourquoi agir au niveau des entreprises ?

Les entreprises et les autres institutions ressemblent à une continuité de la scolarité. En effet, ces lieux, dans lesquels nous passons une bonne partie de notre temps, continuent de façonner nos idées et nos comportements. Ces mêmes entreprises sont aussi responsables d’une partie des émissions de nos nations et de notre planète. Il est donc plus que normal qu’elles contribuent à sa préservation sans porter atteinte à leur productivité ni au progrès.

Mais alors, comment faire ?

Nous pouvons imaginer que pour avancer l’État et les institutions supranationales ont leur rôle à jouer. En effet, en instaurant un cadre légal plus clair, et non de simples feuilles de route, les entreprises auront davantage intérêt à se soumettre aux nouvelles législations en vigueur.

Quand bien même ce cadre légal ne pourrait pas être directement imposé, au risque d’être accusé de constituer une entrave, il existe encore des solutions :

  • Utiliser l’IA uniquement lorsque cela est nécessaire :
    • Écrire un e-mail n’est pas une tâche des plus difficiles et, même si elle est répétitive, l’usage de modèles de messages est à privilégier. Quand bien même des doutes sur la qualité de votre grammaire apparaîtraient, il n’est pas nécessaire d’utiliser GPT-5.5 ni la dernière version de Fable pour ce genre de tâche.
    • De même, même si, sur le papier, implémenter une IA semble représenter un gain de productivité considérable, il n’est pas rare d’être déçu par les résultats, voire de perdre davantage de temps, car il faut ajouter un intervenant humain pour revoir le travail de l’IA, du moins pour ceux qui sont attentifs à la qualité.
  • Quand l’IA semble non pas nécessaire, mais simplement utile, il convient de choisir un modèle optimal. Il est certes beaucoup plus simple d’utiliser l’API d’un grand fournisseur, mais les résultats d’un modèle plus petit, entraîné pour une tâche particulière, peuvent être plus intéressants, tant du point de vue des résultats que de la vitesse d’exécution ou de l’impact environnemental.
  • La mesure et la quantification de l’utilisation de l’IA peuvent aussi permettre son optimisation, notamment en identifiant de nouveaux besoins et en permettant d’en garder le contrôle.
  • Une limitation du nombre de jetons pourrait aussi être instaurée. Ainsi, en fonction des missions de chacun, le salarié disposerait d’un solde plus ou moins adapté.
  • Certaines tâches pourraient être proscrites, tout du moins limitées : la génération d’images, la rédaction de comptes rendus ou encore la rédaction d’e-mails, lorsqu’elle n’est pas nécéssaire ou ne fait état de gain de productivité ou de temps questionnable.
  • Désactiver l’IA dans les applications tierces : Teams, Jira, GitHub, etc.

La bonne question n’est pas seulement : « Peut-on automatiser avec l’IA ? », mais plutôt : « Cet usage apporte-t-il suffisamment de valeur pour justifier son coût technique, économique et environnemental ? »

Limitations

Les limites de cet article résident dans la mesure où l’IA évolue constamment et où il est également soumis à l’opinion du rédacteur. Les sources utilisées n’étant pas exemptes de limites non plus, celles-ci se trouvent, par effet de cascade, reconduitent ici.

Bibliographie