Le boom de l’intelligence artificielle ne se mesure plus seulement en modèles plus puissants, en abonnements professionnels ou en milliards investis dans les puces. Il se lit aussi dans les bilans carbone des grands fournisseurs de cloud. Selon une enquête publiée le 11 juillet 2026 par The Guardian, les émissions combinées de Microsoft, Google et Amazon ont atteint 119 millions de tonnes équivalent CO2 sur leur dernier exercice, en hausse de près de 18 %.
Ce chiffre est frappant parce qu’il remet l’infrastructure au centre du débat. L’IA générative donne l’impression d’être immatérielle : une interface, une requête, une réponse. En réalité, elle repose sur des bâtiments, des serveurs, des transformateurs électriques, des systèmes de refroidissement, des chaînes d’approvisionnement matérielles et des contrats d’énergie. Plus les modèles sont sollicités, plus cette couche physique devient difficile à faire disparaître derrière les promesses de neutralité carbone.
Une hausse des émissions au moment où l’IA change d’échelle
L’enquête du Guardian rapproche les déclarations climatiques récentes des trois groupes. Microsoft aurait vu ses émissions progresser de 25 %, Google de 18 % et Amazon de 16 %. Les trajectoires ne sont pas identiques, mais elles racontent la même tension : l’expansion rapide des data centers, alimentée par le cloud et l’intelligence artificielle, pèse de plus en plus lourd dans les comptes environnementaux.
Cette hausse ne signifie pas que chaque requête envoyée à un assistant IA se traduit mécaniquement par une quantité spectaculaire de CO2. Le sujet est plus structurel. Les grands modèles exigent des grappes de GPU ou d’accélérateurs spécialisés, des bâtiments conçus pour absorber une forte densité électrique, des systèmes de refroidissement robustes et une rotation régulière du matériel. Avant même l’utilisation quotidienne, la construction et l’équipement de ces centres créent des émissions dites “incorporées” : acier, béton, électronique, batteries, câbles, groupes électrogènes, logistique mondiale.
Microsoft le reconnaît désormais explicitement dans son rapport environnemental 2026 : la croissance de l’IA modifie à la fois les possibilités et les responsabilités liées à la construction de technologies à grande échelle. Google publie aussi un rapport environnemental 2026 et Amazon met en avant son rapport de durabilité 2025, signe que ces sujets sont devenus centraux dans la communication des plateformes. Mais les chiffres montrent que l’amélioration des pratiques ne suffit pas encore à compenser la vitesse de déploiement.
Pourquoi les data centers IA changent la nature du problème
Un data center classique héberge déjà des applications, des bases de données, des sites web et des services cloud. Un data center orienté IA ajoute une contrainte particulière : la puissance de calcul y est beaucoup plus concentrée. Les accélérateurs utilisés pour entraîner ou exécuter des modèles avancés consomment beaucoup d’électricité et dégagent beaucoup de chaleur. Le bâtiment doit donc fournir à la fois l’énergie, le refroidissement et la redondance nécessaires pour éviter les interruptions.
Il faut distinguer deux usages. L’entraînement d’un grand modèle consiste à absorber d’énormes volumes de données pendant des semaines ou des mois, avec des milliers de puces mobilisées. L’inférence, elle, correspond à l’utilisation quotidienne du modèle : génération de texte, analyse de documents, synthèse vocale, vidéo, code, agents d’entreprise. Individuellement, une requête peut paraître modeste. Collectivement, lorsque des millions d’utilisateurs et d’entreprises automatisent des tâches en continu, l’inférence devient une charge industrielle.
L’Agence internationale de l’énergie résume le problème en une formule simple : il n’y a pas d’IA sans énergie, et plus précisément sans électricité pour les data centers. Cette phrase paraît évidente, mais elle corrige une illusion tenace. L’efficacité algorithmique compte, l’optimisation des puces aussi, mais elles ne suppriment pas le besoin d’infrastructures physiques lorsque la demande explose.
Le piège des promesses climatiques trop globales
Les grands groupes technologiques ne partent pas de zéro. Ils achètent massivement de l’électricité renouvelable, financent des projets bas carbone, améliorent l’efficacité de leurs bâtiments et travaillent sur la réutilisation du matériel. Microsoft vise toujours un bilan carbone négatif en 2030, Google revendique un objectif net zéro à la même date et Amazon fixe sa cible à 2040.
Le problème est que ces engagements se heurtent à une réalité comptable plus rugueuse. Une entreprise peut acheter suffisamment d’électricité renouvelable sur l’année pour “couvrir” sa consommation globale, tout en consommant localement de l’électricité plus carbonée à certaines heures ou dans certaines régions. Elle peut aussi réduire l’intensité énergétique d’un service, puis voir ses émissions totales augmenter parce que le volume d’usage croît encore plus vite.
C’est tout l’enjeu des émissions de scope 2 et de scope 3. Le scope 2 couvre l’électricité achetée. Le scope 3 inclut une grande partie de la chaîne de valeur, notamment la fabrication du matériel, la construction, le transport et les fournisseurs. Dans l’IA, ce dernier poste devient décisif : un modèle n’est pas seulement un logiciel, c’est aussi une chaîne d’approvisionnement mondiale en semi-conducteurs, en serveurs et en matériaux.
Ce que cela change pour les entreprises clientes
Pour les clients du cloud, cette actualité a une conséquence directe. Externaliser une charge IA vers un fournisseur ne supprime pas son empreinte climatique ; cela la déplace. Une entreprise peut réduire ses émissions opérationnelles internes tout en augmentant indirectement les émissions associées à ses usages numériques. Ce déplacement est souvent difficile à lire dans les rapports extra-financiers, surtout lorsque les fournisseurs communiquent des moyennes agrégées.
La question devient donc plus précise : quel modèle utilise-t-on, pour quel besoin, dans quelle région cloud, à quelle fréquence et avec quel niveau de service ? Toutes les tâches ne justifient pas le même coût énergétique. Résumer quelques documents, classer des tickets de support ou générer des images haute résolution en masse ne mobilise pas les mêmes ressources. À mesure que l’IA s’intègre aux logiciels métier, ces arbitrages devront quitter les laboratoires de recherche pour entrer dans les politiques d’achat, d’architecture et de conformité.
Pour une direction technique, cela signifie regarder au-delà du prix par million de tokens. Le bon indicateur n’est plus seulement la latence ou la performance du modèle, mais le coût total : énergie, matériel, émissions, disponibilité régionale, sobriété des prompts, choix entre grand modèle généraliste et modèle plus compact. Une IA “suffisamment bonne” mais moins lourde peut devenir préférable à un modèle maximal utilisé par réflexe.
Les régulateurs vont demander plus de transparence
L’Europe, les États américains et plusieurs autorités nationales observent déjà la croissance des data centers avec une attention nouvelle. Les débats portent sur l’accès au réseau électrique, la consommation d’eau, les permis de construire, les engagements de chaleur fatale, les batteries, les groupes de secours et la transparence des données environnementales. L’IA accélère simplement un mouvement qui existait déjà avec le cloud.
La difficulté tient à l’opacité industrielle. Les opérateurs protègent des informations sensibles sur leurs sites, leurs clients et leur capacité. Mais les collectivités, elles, doivent planifier des réseaux, des ressources en eau et des objectifs climatiques. Plus les infrastructures IA deviennent stratégiques, plus cette tension entre secret commercial et intérêt public devient difficile à maintenir.
Le débat ne devrait donc pas se limiter à opposer innovation et climat. La vraie question est celle de l’ordre des priorités : construire vite, puis corriger ensuite, ou conditionner l’expansion à des preuves plus solides sur l’approvisionnement électrique, la durée de vie du matériel, la localisation des charges et l’impact local. Les chiffres publiés cette semaine donnent du poids à la seconde approche.
L’IA devra prouver sa valeur énergétique
L’intelligence artificielle peut aussi aider à optimiser des réseaux électriques, réduire des gaspillages industriels, accélérer la recherche sur les matériaux ou améliorer la planification énergétique. Il serait donc trop simple de présenter l’IA uniquement comme un coût climatique. Mais ce bénéfice potentiel ne peut pas servir de chèque en blanc.
La prochaine étape sera celle de la preuve. Les grands fournisseurs devront montrer que leurs data centers supplémentaires apportent plus qu’une course au modèle le plus puissant. Les entreprises clientes devront, elles aussi, justifier pourquoi elles automatisent tel usage avec tel niveau de calcul. Le sujet n’est plus de savoir si l’IA a une empreinte. Elle en a une. Il est de savoir quels usages méritent cette dépense physique et lesquels relèvent surtout d’un réflexe de surconsommation numérique.
Les émissions de Big Tech ne signent pas la fin du cloud ni celle de l’IA. Elles rappellent simplement que l’innovation ne flotte pas au-dessus du monde matériel. Elle prend de la place, consomme de l’électricité, mobilise des chaînes industrielles et oblige les promesses climatiques à passer l’épreuve des infrastructures.
Références
- The Guardian, “Datacentres drive up big tech’s carbon emissions to a third of those of France”, 11 juillet 2026
- Microsoft, “2026 Environmental Sustainability Report”
- Google Sustainability, “2026 Environmental Report”
- Amazon Sustainability, “2025 Sustainability Report”
- International Energy Agency, “Energy and AI”
