L’intelligence artificielle change d’échelle. Avec son industrialisation, les entreprises ne doivent plus seulement se demander ce que l’IA permet de faire, mais également quelles ressources sont nécessaires pour le faire.
Puissance de calcul, infrastructures, modèles, volumes de requêtes, énergie : chaque usage mobilise des ressources physiques et technologiques qui ont à la fois une empreinte environnementale et un coût.
C’est l’un des enseignements que l’on peut tirer du rapport d’information sur l’empreinte environnementale de l’intelligence artificielle, adopté à l’unanimité le 16 septembre 2026 par la commission de l’aménagement du territoire et du développement durable du Sénat. Christian Cor, directeur général de Saaswedo, a été auditionné dans le cadre de ces travaux en sa qualité d’administrateur de Numeum, référent environnement.
Le rapport va cependant bien au-delà de la seule question énergétique. Son diagnostic couvre l’ensemble de l’empreinte de l’IA : l’électricité, avec une consommation mondiale qui pourrait atteindre environ 500 TWh en 2030 ; les émissions, qui dépendent fortement du mix électrique du pays d’implantation ; les matières premières, avec des processeurs graphiques renouvelés rapidement et fortement consommateurs de minerais critiques ; enfin l’eau et le foncier.
Ses 16 recommandations dessinent progressivement les contours d’une véritable gouvernance des ressources utilisées par l’IA.
Trois niveaux d’action pour réduire l’empreinte de l’IA
Les recommandations du Sénat s’organisent autour de trois grands axes.
Le premier vise à faire de l’excellence environnementale un facteur d’attractivité de la France pour les centres de données.
Le Sénat ne cherche pas à freiner leur implantation. Il recommande au contraire d’accélérer leur raccordement au réseau électrique et de lever les freins administratifs, en s’appuyant sur un atout : une électricité décarbonée à 95 %. Dans le même temps, il propose de récompenser les centres les plus vertueux par un tarif réduit sur la fiscalité de l’électricité, de développer lorsque c’est possible la récupération de chaleur fatale, de favoriser leur intégration territoriale et de les faire contribuer au lissage de la consommation électrique.
L’enjeu est significatif. Le rapport souligne que l’IA générative entraîne un changement d’échelle des infrastructures : alors qu’un centre de données classique présente généralement une puissance de l’ordre de 10 MW, les infrastructures nécessaires à l’IA peuvent atteindre 100 MW, voire 1 GW.
Le deuxième axe porte sur le développement d’une IA frugale.
Le Sénat recommande de soutenir les petits modèles spécialisés, de renforcer l’écoconception des services numériques et d’intégrer davantage les critères environnementaux dans la commande publique. Ces principes devraient également être portés au niveau européen.
Le troisième axe concerne la mesure et les usages.
Le rapport préconise la publication de données relatives à l’empreinte environnementale des modèles, la création d’un standard européen d’évaluation sur lequel devra reposer toute allégation environnementale, la mise en place d’un écoscore et le développement d’actions de sensibilisation et de formation.
Ces trois dimensions sont étroitement liées. Pour réduire l’empreinte de l’IA, il faut pouvoir comprendre ce qui est utilisé, mesurer les ressources mobilisées puis agir sur leur consommation.
Mesurer avant d’optimiser
Lues depuis l’entreprise, ces recommandations ont une portée qui dépasse la politique publique. Le rapport insiste particulièrement sur une difficulté : les entreprises comme les pouvoirs publics disposent encore de peu de données comparables sur l’empreinte des différents modèles.
Les analyses de cycle de vie publiées par certains fournisseurs utilisent des périmètres et des méthodologies différents, ce qui limite aujourd’hui les comparaisons. Le Sénat propose donc davantage de transparence ainsi qu’un standard commun d’évaluation.
Ce principe dépasse largement le seul enjeu environnemental. Dans une entreprise, il devient tout aussi difficile de maîtriser les coûts de l’IA sans disposer de visibilité sur sa consommation :
- Quel modèle est utilisé ?
- Pour quel cas d’usage ?
- Par quelle équipe ?
- Avec quel volume de requêtes ?
- Avec quelle consommation de tokens ou de compute ?
- Pour quel coût ?
- Et pour quelle valeur produite ?
Une facture globale fournit une information comptable. Elle ne permet pas nécessairement de piloter l’usage.
La gouvernance commence donc par la visibilité.
Le modèle le plus puissant n’est pas toujours le modèle nécessaire
La recommandation du Sénat en faveur des petits modèles spécialisés illustre particulièrement bien la convergence entre sobriété environnementale et maîtrise économique.
Tous les cas d’usage ne nécessitent pas les mêmes capacités. Classification, extraction d’informations, résumé, traduction, génération complexe, raisonnement ou analyse de documents n’imposent ni les mêmes modèles ni les mêmes ressources de calcul.
Utiliser systématiquement un modèle généraliste très puissant pour des tâches simples peut conduire à mobiliser davantage de ressources que nécessaire. Numeum le souligne dans sa contribution au rapport : pour un même résultat, un modèle inadapté pourrait consommer 10 à 15 fois plus d’électricité qu’un autre modèle.
L’objectif de l’IA frugale n’est donc pas de réduire arbitrairement les capacités mises à disposition des utilisateurs. Il consiste à dimensionner les ressources par rapport au résultat recherché.
Autrement dit, appliquer à l’IA une logique déjà familière dans le cloud : le right-sizing.
De la sobriété environnementale à la maîtrise des coûts
Cette logique possède une conséquence économique directe. Compute, GPU, stockage, transferts de données et inférence ont un coût.
Lorsque les usages restent limités, une différence de consommation entre deux modèles peut sembler secondaire. Lorsqu’un processus est exécuté plusieurs centaines de milliers ou plusieurs millions de fois, elle devient structurelle.
Plusieurs leviers peuvent alors agir simultanément sur la consommation technique et sur le coût :
- choisir le modèle adapté au workload ;
- maîtriser la longueur des prompts et des réponses ;
- réduire les appels inutiles ;
- exploiter le caching lorsqu’il est pertinent ;
- mutualiser certains traitements ;
- piloter les volumes d’usage.
Pour autant, empreinte environnementale et coût financier ne sont pas des métriques équivalentes. Le prix facturé dépend également des politiques tarifaires des fournisseurs, des remises, des engagements contractuels, de l’architecture utilisée ou encore de la localisation des infrastructures.
Il serait donc excessif d’affirmer que réduire les coûts réduit automatiquement l’empreinte environnementale dans les mêmes proportions. En revanche, les deux disciplines partagent de nombreux leviers d’efficience.
L’usage devient une variable de gouvernance
Le Sénat ne limite d’ailleurs pas ses recommandations aux infrastructures et aux modèles. Il accorde également une place importante à la sensibilisation des utilisateurs et à l’évolution des comportements.
C’est un changement important. À mesure que l’IA générative est mise à disposition de milliers de collaborateurs et intégrée directement aux applications métiers, le volume de consommation n’est plus uniquement déterminé par l’infrastructure. Il dépend aussi des usages.
Numeum, cité par le rapport, estime ainsi que le choix du modèle par le collaborateur est déterminant : un choix inadapté peut décupler l’empreinte.
La question ne devient donc plus seulement « Combien coûte notre solution d’IA ? », mais :
« Qu’est-ce qui génère cette consommation, et cette consommation est-elle proportionnée au résultat obtenu ? »
C’est précisément le type de question que les entreprises ont déjà dû apprendre à traiter avec le cloud et le FinOps.
Vers une forme d’AI Cost Management
Les principes du Technology Expense Management et du FinOps peuvent ainsi être transposés progressivement à l’intelligence artificielle.
Il s’agit d’abord de disposer de visibilité sur les fournisseurs, services et modèles utilisés. Puis d’associer la consommation aux équipes, aux applications et aux cas d’usage. Ensuite viennent l’analyse des coûts unitaires, l’identification des dérives, l’optimisation des ressources et la mise en place de règles de gouvernance.
La finalité n’est pas simplement de dépenser moins. Elle est de mettre la ressource consommée en regard de la valeur produite. C’est ce qui rapproche fondamentalement maîtrise économique et frugalité.
Gouverner l’IA plutôt que simplement l’adopter
Le rapport du Sénat ne porte pas sur l’AI Cost Management. Ses recommandations poursuivent avant tout un objectif environnemental et de politique publique.
Mais elles mettent en évidence un principe qui concerne directement les entreprises : l’industrialisation de l’IA nécessite une meilleure maîtrise des ressources qu’elle mobilise.
- Infrastructure.
- Modèles.
- Puissance de calcul.
- Volumes.
- Usages.
- Impacts.
- Coûts.
À mesure que l’IA devient une composante permanente du système d’information, ces dimensions ne pourront plus être pilotées indépendamment. Les organisations devront être capables de mesurer, arbitrer et optimiser.
L’enjeu n’est donc plus seulement d’adopter l’IA. Il est d’apprendre à la gouverner.