Compensation carbone dans le secteur de l’IA : initiatives et controverses

L’IA, un facteur aggravant du changement climatique

Les chiffres parlent d’eux-mêmes : les modèles d’IA générative consomment des quantités considérables d’électricité et de ressources. L’étude de Carnegie Mellon et Hugging Face estime que la consommation énergétique des data centers a augmenté de 20 à 40 % ces dernières années, atteignant jusqu’à 1,3 % de la demande mondiale d’électricité. Le LLM Bloom, pourtant conçu comme “frugal”, a généré 24,7 tonnes de CO₂ (l’équivalent de 25 aller-retours Paris-New York) lors de son entraînement final. Et selon les prévisions du data scientist Alex de Vries, les serveurs IA pourraient, dès 2027, consommer autant d’énergie qu’un pays comme la Suède.

La publication d’Impact AI en août 2024 alerte sur la pression grandissante exercée par l’IA sur les réseaux, les data centers et les ressources naturelles, notamment l’eau. Des chercheurs de l’université Cornell estiment entre 4,2 et 6,6 milliards de mètres cubes les prélèvements en eau liés à la croissance de l’IA d’ici à 2027.

La compensation carbone : une réponse controversée

Face à cette réalité, de nombreuses entreprises optent pour des mécanismes de compensation carbone. L’idée est simple : contrebalancer leurs émissions par des projets environnementaux comme la reforestation, la préservation des écosystèmes ou la capture de carbone.

Si des initiatives collectives comme Impact AI encouragent une approche responsable combinant mesure, réduction et compensation, le recours à la seule compensation est de plus en plus critiqué. Comme le souligne Deloitte, planter des arbres ne doit jamais servir de justification pour continuer à émettre autant.

La diversité des projets de compensation pose problème : durabilité, double comptage, incertitudes de mesure… 

Limites structurelles et appel à plus de rigueur

Les experts d’Impact AI insistent : la compensation ne peut être qu’un dernier recours après avoir exploré toutes les pistes de réduction. Or, cette réduction doit être pensée dès la phase de cadrage des projets. Les Briefs de l’IA responsable recommandent d’adopter une approche holistique, en intégrant les enjeux environnementaux dans la gouvernance, la conception des cas d’usage, et la formation des équipes.

La feuille de route publiée en août 2024 recommande notamment :

• De réutiliser des modèles existants plutôt que d’en entraîner de nouveaux.
• De choisir les alternatives à l’IA lorsque cela est possible.
• D’acculturer les équipes à l’IA frugale.
• De mesurer l’impact selon les 3 scopes : émissions directes (scope 1), émissions indirectes liées à l’énergie (scope 2), et émissions indirectes étendues (scope 3), incluant la fabrication et la fin de vie des équipements.

Des référentiels commencent à émerger, comme le AFNOR SPEC 2314 sur l’IA frugale, co-construit par l’ADEME, l’ARCEP, HUB France IA et plusieurs membres d’Impact AI.

Des entreprises qui passent à l’action

Certains acteurs prennent ces recommandations au sérieux. Schneider Electric applique une méthodologie rigoureuse pour mesurer le carbone économisé vs. consommé dans ses déploiements IA. Résultat : en moyenne, pour 100 unités de carbone évitées, l’IA en consomme 5.

Le Crédit Agricole, de son côté, a obtenu la certification LNE et la labellisation LabelIA Labs, intégrant des critères RSE dès la phase de conception. Leurs projets sont filtrés selon leur potentiel métier et leur impact environnemental. L’équipe IA veille à limiter la taille des datasets, à optimiser l’inférence, et à éviter les modèles surdimensionnés lorsque d’autres solutions suffisent.

Vers une IA frugale, au-delà de la compensation

La vraie transformation passe par une réduction directe des impacts, et une rationalisation des usages. Chez Diabolocom, cette conviction est déjà ancrée dans les pratiques. L’entreprise conçoit des modèles IA frugaux, adaptés à des cas d’usage métier précis, sans recours à des modèles surdimensionnés. Elle privilégie des infrastructures partenaires alimentées en énergie renouvelable, limite les traitements superflus, et optimise chaque étape du cycle de vie des projets IA.

Cet engagement va au-delà du green marketing : il s’agit de démontrer que la performance opérationnelle et l’impact environnemental peuvent être conciliés.

Conclusion : éthique, rigueur et transparence

La compensation carbone peut jouer un rôle utile, mais elle ne doit pas masquer l’essentiel : réduire à la source l’empreinte de l’intelligence artificielle. Cela suppose de documenter, mesurer, comparer… mais aussi de renoncer parfois à certaines approches énergivores, même si elles promettent des gains rapides.

L’IA responsable, ce n’est pas faire semblant d’être vert. C’est bâtir une stratégie fondée sur l’éthique, la transparence, et l’engagement collectif. À l’image des démarches d’Impact AI, Schneider Electric, Crédit Agricole et Diabolocom, l’industrie a les moyens de tracer une voie plus sobre, sans sacrifier l’innovation.