{"id":32559,"date":"2025-08-18T15:43:12","date_gmt":"2025-08-18T14:43:12","guid":{"rendered":"https:\/\/www.roteco.ch\/?post_type=ro-stories&p=32559"},"modified":"2025-08-19T13:03:08","modified_gmt":"2025-08-19T12:03:08","slug":"comprendre-les-enjeux-environnementaux-de-lintelligence-artificielle","status":"publish","type":"ro-stories","link":"https:\/\/www.roteco.ch\/fr\/stories\/articles\/comprendre-les-enjeux-environnementaux-de-lintelligence-artificielle\/","title":{"rendered":"Comprendre les enjeux environnementaux de l’intelligence artificielle"},"content":{"rendered":"\n

<\/h2>
<\/figcaption><\/figure><\/div>\n\n\n\n

Pr\u00e9sentation de cet article<\/h4>\n\n\n\n

L\u2019intelligence artificielle occupe une place croissante dans nos soci\u00e9t\u00e9s, avec des impacts environnementaux et sociaux majeurs, souvent difficiles \u00e0 appr\u00e9hender dans toute leur complexit\u00e9. Dans ce contexte, il appara\u00eet essentiel de proposer aux enseignant\u00b7e\u00b7s des rep\u00e8res clairs et pr\u00e9cis, leur permettant de mieux comprendre ces enjeux, de les interroger de mani\u00e8re critique et de pouvoir transmettre \u00e0 leurs \u00e9l\u00e8ves les cl\u00e9s n\u00e9cessaires pour qu\u2019ils et elles puissent\u00a0 d\u00e9velopper une lecture \u00e9clair\u00e9e de leurs usages de l\u2019IA et de son d\u00e9veloppement.\u00a0

Nous commencerons donc par d\u00e9finir l\u2019intelligence artificielle et en pr\u00e9senter les grands principes techniques. Nous aborderons ensuite le c\u0153ur th\u00e9matique de cet article : nous approfondirons les notions de mat\u00e9rialit\u00e9 du num\u00e9rique et de l\u2019IA, du cycle de vie de ses \u00e9quipements et examinerons les probl\u00e9matiques en lien avec l\u2019\u00e9valuation des impacts \u00e9cologiques de l’IA. Enfin, nous conclurons par une br\u00e8ve analyse des dynamiques g\u00e9opolitiques, \u00e9conomiques et l\u00e9gislatives qui fa\u00e7onnent le d\u00e9veloppement de l\u2019intelligence artificielle \u00e0 l\u2019\u00e9chelle mondiale.
Un glossaire est disponible en bas de page pour faciliter la compr\u00e9hension de certains termes techniques, ainsi qu\u2019une bibliographie pour prolonger la r\u00e9flexion.

Cet article s\u2019appuie sur le socle th\u00e9orique d\u00e9velopp\u00e9 par l\u2019\u00e9quipe du Centre LEARN \u00e0 l\u2019origine de la bande dessin\u00e9e Utop\u2019IA : Sonia Agrebi, Daniel Badoux et Aliz\u00e9 de la Harpe.
<\/p><\/div>\n\n\n\n

\n
\n \n

\n Vous pouvez \u00e9galement retrouver une interview de Sonia Agrebi, coordinatrice du projet Utop\u2019IA, ainsi qu\u2019une pr\u00e9sentation des ressources p\u00e9dagogiques d’accompagnement qui ont \u00e9t\u00e9 d\u00e9velopp\u00e9es \u00e0 destination des enseignant\u00b7e\u00b7s, \u00e0 cette adresse<\/a>.\n
\n
\n <\/p>\n <\/div>\n<\/div>\n\n\n\n

L\u2019IA, c\u2019est quoi ?<\/h4>\n\n\n\n

D\u00e9finir l\u2019intelligence artificielle<\/strong>
L\u2019intelligence artificielle est aujourd\u2019hui sur toutes les l\u00e8vres. Pourtant, et de mani\u00e8re quelque peu paradoxale, il est nous est toujours difficile d\u2019en donner une d\u00e9finition universelle et intemporelle. En effet, ce que l\u2019on pouvait autrefois consid\u00e9rer comme \u00e9tant de l\u2019intelligence artificielle ne l\u2019est plus forc\u00e9ment aujourd\u2019hui. Par exemple, le superordinateur Deep Blue<\/em>, capable de battre un champion du monde aux \u00e9checs en 1997, \u00e9tait \u00e0 l\u2019\u00e9poque consid\u00e9r\u00e9 comme une prouesse d\u2019IA. Aujourd\u2019hui, ce type de syst\u00e8me, reposant essentiellement sur une approche de type recherche arborescente (force brute am\u00e9lior\u00e9e), combin\u00e9e \u00e0 une base de connaissances experte et des r\u00e8gles explicites n\u2019est plus class\u00e9 dans ce que l\u2019on appelle couramment \u00ab\u00a0IA\u00a0\u00bb, tant les fronti\u00e8res de la discipline ont \u00e9volu\u00e9.

De mani\u00e8re g\u00e9n\u00e9rale, on peut dire que l\u2019intelligence artificielle vise \u00e0 reproduire certaines fonctions cognitives humaines : apprendre, raisonner, comprendre, planifier et produire du langage, ou encore reconna\u00eetre des images, des sons ou des formes. Cela implique donc de mod\u00e9liser ces processus mentaux \u00e0 travers des syst\u00e8mes informatiques.
Actuellement, lorsqu\u2019on parle d\u2019IA, on fait le plus souvent r\u00e9f\u00e9rence \u00e0 l\u2019une de ses sous-cat\u00e9gories : l\u2019apprentissage automatique (machine learning<\/em>). Il s\u2019agit de d\u00e9velopper des algorithmes capables de s\u2019am\u00e9liorer en analysant des donn\u00e9es, c\u2019est-\u00e0-dire d\u2019\u00ab apprendre \u00bb sans avoir \u00e9t\u00e9 explicitement programm\u00e9s pour chaque t\u00e2che.
<\/p><\/div>\n\n\n\n

\"\"\/
Cadre conceptuel de l\u2019IA<\/figcaption><\/figure><\/div>\n\n\n\n

Deux grandes approches : symbolique et connexionniste<\/strong>
Historiquement, deux grandes approches ont structur\u00e9 le d\u00e9veloppement de l\u2019intelligence artificielle : l\u2019IA symbolique et l\u2019IA connexionniste<\/strong>.
– L\u2019IA symbolique<\/strong>, dominante jusqu\u2019aux ann\u00e9es 1980, repose sur des r\u00e8gles logiques explicites et des repr\u00e9sentations symboliques <\/em>compr\u00e9hensibles par l\u2019Homme (par exemple \u201cSi A alors B\u201d) que l\u2019algorithme va appliquer pour r\u00e9soudre un probl\u00e8me.
– L\u2019IA connexionniste<\/strong>, en revanche, s\u2019inspire du fonctionnement du cerveau humain. Elle ne repose pas sur des r\u00e8gles d\u00e9finies \u00e0 l\u2019avance, mais sur des structures appel\u00e9es r\u00e9seaux de neurones artificiels<\/a>, capables d\u2019extraire automatiquement des r\u00e9gularit\u00e9s \u00e0 partir de grandes quantit\u00e9s de donn\u00e9es. C\u2019est cette approche qui domine aujourd\u2019hui le champ de l\u2019IA moderne, notamment \u00e0 travers le deep learning<\/em>. Ces r\u00e9seaux de neurones permettent de construire des mod\u00e8les statistiques complexes qui, \u00e0 partir d\u2019un grand nombre d\u2019exemples (images, textes, sons, etc.), apprennent \u00e0 effectuer des t\u00e2ches comme la reconnaissance faciale, la traduction automatique ou la g\u00e9n\u00e9ration de texte.\u00a0

Apprentissage supervis\u00e9 et non supervis\u00e9<\/strong>
Il existe diff\u00e9rentes m\u00e9thodes pour entra\u00eener ces mod\u00e8les d\u2019IA, que l\u2019on peut regrouper en deux grandes familles :
– L\u2019apprentissage supervis\u00e9 <\/strong>consiste \u00e0 fournir au syst\u00e8me des donn\u00e9es annot\u00e9es. Par exemple, si on veut entra\u00eener un mod\u00e8le \u00e0 distinguer des images de chiens et de chats, on lui donne des milliers d\u2019images, chacune accompagn\u00e9e d\u2019une annotation indiquant s\u2019il s\u2019agit d\u2019un chien ou d\u2019un chat. Le syst\u00e8me apprend alors \u00e0 g\u00e9n\u00e9raliser \u00e0 partir de ces exemples.
– L\u2019apprentissage non supervis\u00e9<\/strong>, au contraire, ne repose pas sur des donn\u00e9es \u00e9tiquet\u00e9es. Le syst\u00e8me re\u00e7oit des donn\u00e9es brutes et cherche lui-m\u00eame \u00e0 y d\u00e9celer des structures, des regroupements ou des relations (par exemple, classer des images selon des similarit\u00e9s, sans que l’on ait pr\u00e9cis\u00e9 les cat\u00e9gories).

Des syst\u00e8mes de plus en plus opaques<\/strong>
Les r\u00e9seaux de neurones profonds (deep neural networks<\/em>) ont atteint un niveau de complexit\u00e9 tel qu\u2019il devient difficile \u2013 voire impossible \u2013 de comprendre pr\u00e9cis\u00e9ment comment et pourquoi une d\u00e9cision a \u00e9t\u00e9 prise par le syst\u00e8me. Les concepteurs des algorithmes eux-m\u00eames ne peuvent, dans la plupart des cas, expliquer le raisonnement suivi par le mod\u00e8le. On parle alors de \u00ab bo\u00eete noire \u00bb, ce qui soul\u00e8ve des questions fondamentales sur la transparence<\/strong>, la responsabilit\u00e9<\/strong> et la fiabilit\u00e9<\/strong> de ces syst\u00e8mes.


<\/p><\/div>\n\n\n\n

Mat\u00e9rialit\u00e9 du num\u00e9rique et enjeux environnementaux de l’IA<\/h4>\n\n\n\n

Le vocabulaire utilis\u00e9 pour parler du num\u00e9rique et de l\u2019IA (d\u00e9mat\u00e9rialisation, algorithme, donn\u00e9es, nuage, assistant virtuel<\/em>, etc.) donne souvent l\u2019impression qu\u2019il s\u2019agirait l\u00e0 de processus immat\u00e9riels, flottant dans un univers abstrait et \u00e9th\u00e9r\u00e9, un monde de pure logique, une simulation d\u00e9sincarn\u00e9e. Mais cette repr\u00e9sentation est trompeuse. Derri\u00e8re ces termes se cache une r\u00e9alit\u00e9 bien physique : l\u2019IA est profond\u00e9ment mat\u00e9rielle, incarn\u00e9e dans des infrastructures, des \u00e9quipements, de l\u2019\u00e9nergie, et de la main-d\u2019\u0153uvre humaine. Elle d\u00e9pend d\u2019un \u00e9cosyst\u00e8me industriel et logistique lourd, mobilisant une multitude de ressources naturelles, de technologies, de cha\u00eenes de production mondialis\u00e9es et du travail physique de millions de personnes.

\u00c0 l\u2019instar du \u00ab cloud \u00bb (nuage), les repr\u00e9sentations mentales que nous avons de l\u2019IA entretiennent l\u2019illusion d\u2019un monde num\u00e9rique \u00e9th\u00e9r\u00e9. Pourtant, m\u00eame pour un simple like, <\/em>c\u2019est une gigantesque infrastructure, r\u00e9partie sur toute la plan\u00e8te, qui est mobilis\u00e9e. Il nous est tr\u00e8s difficile de prendre conscience de cette r\u00e9alit\u00e9 mat\u00e9rielle cach\u00e9e derri\u00e8re chaque syst\u00e8me d\u2019IA que nous utilisons au quotidien (ChatGPT, recommandations Netflix, filtres anti-spams, etc.). Pourtant, m\u00eame si nous ne la voyons pas, cette mat\u00e9rialit\u00e9 est bien r\u00e9elle et ses impacts environnementaux massifs.

\u00c9quipements num\u00e9riques\u00a0<\/strong>(sources : Rapport GreenIT<\/a> et la Fresque du num\u00e9rique<\/a>)

Avant de rentrer plus en d\u00e9tail dans l\u2019analyse de ces impacts environnementaux, il nous faut tout d\u2019abord d\u00e9finir quelles sont les grandes cat\u00e9gories de dispositifs mat\u00e9riels qui soutiennent les technologies num\u00e9riques, et donc l\u2019IA :

A. Les \u00e9quipements utilisateurs
<\/strong>Ce sont les terminaux (appareils situ\u00e9s en bout de cha\u00eene, \u00e0 l\u2019extr\u00e9mit\u00e9 d\u2019un canal de communication et de diffusion) que nous utilisons au quotidien : ordinateurs, smartphones, tablettes, t\u00e9l\u00e9viseurs, imprimantes, cam\u00e9ras de surveillance, \u00e9crans publicitaires, objets connect\u00e9s, casques de r\u00e9alit\u00e9 virtuelle, etc. En 2020, on estimait \u00e0 34 milliards<\/strong> le nombre d\u2019\u00e9quipements num\u00e9riques en circulation dans le monde.
Tous doivent \u00eatre fabriqu\u00e9s<\/strong>, aliment\u00e9s en \u00e9lectricit\u00e9<\/strong>, et r\u00e9guli\u00e8rement renouvel\u00e9s<\/strong>.

B. Les infrastructures de r\u00e9seau
<\/strong>Il s\u2019agit des c\u00e2bles sous-marins et terrestres (repr\u00e9sentant plus de 30 fois la circonf\u00e9rence de la Terre en 2020) ainsi que leurs amplificateurs et r\u00e9p\u00e9teurs, les antennes relais, satellites, routeurs, box Internet, etc. Ces \u00e9quipements assurent la transmission des donn\u00e9es. Ils doivent eux aussi \u00eatre fabriqu\u00e9s<\/strong>, entretenus<\/strong> et \u00eatre aliment\u00e9s en \u00e9lectricit\u00e9<\/strong>.

C. Centres de donn\u00e9es (data centers<\/em>)
<\/strong>Il s\u2019agit des b\u00e2timents contenant les nombreux serveurs <\/strong>responsables du stockage et du traitement de donn\u00e9es. En 2020, on recensait plus de 4 500 centres de donn\u00e9es dans le monde <\/strong>(nombre qui augmente chaque ann\u00e9e), contenant des centaines de millions de serveurs<\/strong> qui tournent en continu. Ils n\u00e9cessitent non seulement de l\u2019\u00e9lectricit\u00e9<\/strong>, mais aussi de l\u2019eau pour le refroidissement<\/strong>.

Cycle de vie<\/strong>

Pour \u00e9valuer de mani\u00e8re rigoureuse les impacts environnementaux du num\u00e9rique et de l\u2019IA, il est indispensable de prendre en compte chacune des 3 \u00e9tapes du<\/strong> cycle de vie<\/strong> d\u2019un produit : la fabrication<\/strong> (extraction des mati\u00e8res premi\u00e8res, raffinage, production des composants, etc.), l\u2019utilisation <\/strong>(impliquant par exemple la consommation en \u00e9lectricit\u00e9 pour faire fonctionner les \u00e9quipements utilisateurs, infrastructures et centres de donn\u00e9es) et la fin de vie <\/strong>(gestion des d\u00e9chets, recyclage, incin\u00e9ration, exportations, etc.).
Notre conscience de l\u2019impact \u00e9cologique de nos usages du num\u00e9rique se limite souvent \u00e0 la simple consommation \u00e9lectrique (phase d\u2019utilisation) de l\u2019appareil avec lequel nous interagissons directement (notre ordinateur par exemple), sans prendre en compte le poids environnemental de sa fabrication ou de sa fin de vie.
<\/p><\/div>\n\n\n\n

\"\"\/
Le cycle de vie d’un dispositif num\u00e9rique<\/figcaption><\/figure><\/div>\n\n\n\n


A. Fabrication<\/strong>
\u00a0\u00a0La fabrication des \u00e9quipements et des infrastructures num\u00e9riques repose sur un tr\u00e8s grand nombre de composants et de mat\u00e9riaux, issus principalement :
– des m\u00e9taux (fer, cuivre, cobalt, lithium, terres rares\u2026),
– des mati\u00e8res plastiques et c\u00e9ramiques,
– et des ressources fossiles (charbon, p\u00e9trole, gaz naturel).

Pour les obtenir,\u00a0 il faut tout d\u2019abord extraire de gigantesque quantit\u00e9 de mati\u00e8re brute<\/strong>, soit en creusant le sol, soit en ayant recours au dynamitage. <\/strong>Cette extraction se fait souvent dans des conditions dramatiques : gigantesques mines \u00e0 ciel ouvert, pollutions locales, et conditions de travail dangereuses, parfois avec recours au travail des enfants. Ces mati\u00e8res sont en quantit\u00e9 limit\u00e9e sur Terre, et leur exploitation implique une consommation croissante d\u2019\u00e9nergie. Avec la rar\u00e9faction de ces ressources, nous pouvons donc nous demander si l\u2019IA, fond\u00e9e sur ces bases mat\u00e9rielles fragiles, ne serait pas au final un colosse aux pieds d\u2019argile.
Apr\u00e8s l\u2019extraction, la 2e \u00e9tape pour obtenir des composants utilisables (par exemple certains m\u00e9taux) est le raffinage<\/strong> : la mati\u00e8re premi\u00e8re doit \u00eatre raffin\u00e9e, <\/em>c\u2019est-\u00e0-dire \u00eatre purifi\u00e9e, souvent via des proc\u00e9d\u00e9s m\u00e9caniques et chimiques lourds, tr\u00e8s \u00e9nergivores et polluants.
\u00c0 voir : Ru\u00e9e mini\u00e8re au XXIe si\u00e8cle : jusqu’o\u00f9 les limites seront-elles repouss\u00e9es ?<\/em><\/a>

Impacts environnementaux et sociaux de la fabrication des infrastructures li\u00e9es \u00e0 l\u2019IA
<\/strong><\/em>Il est tr\u00e8s difficile de tracer des liens simples, unidirectionnels et directs, isol\u00e9s et \u201cmono-cons\u00e9quentiels\u201d <\/em>entre consommation et impacts environnementaux et sociaux. En r\u00e9alit\u00e9, nous sommes face \u00e0 un syst\u00e8me complexe et interconnect\u00e9 : une consommation sp\u00e9cifique peut engendrer plusieurs types d\u2019impacts, qui eux-m\u00eames peuvent se renforcer ou en provoquer de nouveaux. Par ailleurs, il ne faut bien s\u00fbr pas oublier que la plupart de ces ressources sont \u00e9galement consomm\u00e9es lors des autres \u00e9tapes du cycle de vie des \u00e9quipements num\u00e9riques.<\/p><\/div>\n\n\n\n\n