Publié le 21 mai 2026, le rapport de l’Autorité de régulation des communications électroniques, des postes et de la distribution de la presse (Arcep) a été réalisé en collaboration avec le Pôle d’expertise de la régulation numérique (PEReN). Il fait le point sur les impacts environnementaux de l’intelligence artificielle générative (IAG).
L'IAG se distingue des autres systèmes d'intelligence artificielle par sa capacité à créer des nouveaux contenus, des textes, des images, des sons à partir d'instructions simples. Elle mobilise d'importantes puissances de calcul.
Les données sur les impacts environnementaux des modèles d’IA générative restent très limitées du fait notamment du manque de transparence des acteurs. C’est pourquoi l’Arcep s’est associée au PEReN pour conduire une évaluation inédite des impacts liés aux infrastructures et aux matériels ainsi qu'aux usages de l'IAG.
L'empreinte environnementale matérielle
Le développement de l'IAG repose sur des infrastructures, des matériels qui constituent l'aspect le plus visible de son impact environnemental :
- les centres de données (data centers) concentrent l’essentiel des impacts environnementaux : consommation d’énergie et d’eau, artificialisation des sols, tensions sur les ressources locales en électricité. La consommation électrique mondiale des centres de données pourrait doubler d'ici 2030, sous l’effet de la croissance de l’IAG ;
- les terminaux (ensemble des appareils utilisés pour accéder aux services d'IAG : smartphones, ordinateurs, tablettes... ) ont un impact encore incertain mais le développement des usages de l'IAG peut conduire à une renouvellement plus rapide des équipements mais aussi à une augmentation de la consommation électrique ;
- les réseaux suscitent des interrogations à moyen terme sur leurs capacités à transmettre des données de plus en plus nombreuses.
Impacts environnementaux liés aux usages
Les usages de l'IAG ont également une empreinte environnementale dans deux phases successives : la phase d'entraînement des modèles et la phase de son utilisation concrète par l'usager final (phase dite d'inférence).
La phase d'entrainement est le processus d'apprentissage initial d'un modèle IA à partir de grandes quantités de données. Son impact environnemental dépend principalement de trois facteurs : le nombre de paramètres du modèle, le mix électrique du pays où se déroule l'entraînement, et le matériel utilisé (type de puces).
Les modèles n'ont cessé de croître ces dernières années : le modèle GPT-5, déployé en mars 2026, comprendrait environ 1 700 milliards de paramètres contre 175 milliards pour GPT-3 en 2020. Les gains d'efficacité technologique se traduisent actuellement par une consommation globale croissante.
Chaque requête adressée à un modèle par un utilisateur, appelée prompt, correspond à une inférence. L'empreinte environnementale de cette phase dépend de plusieurs facteurs clés : intensité d'usage par les utilisateurs, type de tâches, nombre de paramètres du modèle, matériel utilisé et durée d'inférence.
Les travaux menés avec le PEReN montrent que les grands modèles restent les plus grands consommateurs d’énergie. Cependant des modèles de tailles très différentes peuvent afficher une consommation similaire. Certains modèles dits sobres sont capables de réponses tout autant pertinentes que les plus grands. Limiter l'empreinte énergétique n'implique donc pas forcément de compromis sur la performance.
