L’Empreinte Environnementale de l’IA Générative : Défis et Perspectives
1- Introduction
L’intelligence artificielle (IA), et plus particulièrement l’IA générative, est devenue une force motrice de l’innovation technologique, transformant des secteurs allant de la création artistique à la recherche scientifique. Des modèles de langage massifs comme GPT-4 aux générateurs d’images sophistiqués, ces systèmes démontrent des capacités sans précédent en matière de création de contenu original et de résolution de problèmes complexes. Cependant, cette avancée fulgurante s’accompagne d’une préoccupation croissante concernant leur empreinte environnementale. L’entraînement et l’utilisation de ces modèles, qui nécessitent des quantités colossales de puissance de calcul, se traduisent par une consommation énergétique significative, une demande accrue en eau pour le refroidissement des infrastructures, et des émissions de carbone non négligeables. Alors que le monde s’efforce d’atteindre des objectifs de développement durable et de limiter le réchauffement climatique, il devient impératif d’examiner de près l’impact écologique de l’IA générative et d’identifier des voies vers une innovation plus responsable. Cet article se propose d’analyser en profondeur les différentes facettes de l’empreinte environnementale de l’IA générative, d’explorer les mécanismes sous-jacents à cette consommation de ressources, et de présenter les solutions et les perspectives pour une IA plus durable. Destiné à un public d’experts et d’universitaires, il vise à fournir une compréhension nuancée des défis et des opportunités liés à la convergence de l’IA et de la durabilité environnementale.
2- L’Impact Énergétique de l’IA Générative
L’un des aspects les plus discutés de l’empreinte environnementale de l’IA générative est sa consommation énergétique. L’entraînement de modèles de grande taille, tels que les Large Language Models (LLMs) ou les modèles de diffusion pour la génération d’images, est un processus extrêmement gourmand en calcul. Cette intensité computationnelle se traduit directement par une consommation électrique élevée, principalement due aux serveurs et aux unités de traitement graphique (GPU) utilisés dans les centres de données.
Des études récentes ont mis en lumière l’ampleur de cette consommation. Par exemple, l’entraînement d’un seul modèle de langage de pointe peut consommer autant d’énergie que plusieurs foyers sur une année entière [1]. Le rapport de l’Agence Internationale de l’Énergie (AIE) d’avril 2025 estime que la consommation d’électricité des centres de données, fortement influencée par l’essor de l’IA, pourrait atteindre environ 945 térawattheures (TWh) d’ici 2030, représentant potentiellement 3% de l’électricité mondiale [3]. Cette augmentation est d’autant plus préoccupante que la demande énergétique globale est déjà sous pression.
La consommation énergétique ne se limite pas à la phase d’entraînement. L’inférence, c’est-à-dire l’utilisation des modèles entraînés pour générer du contenu, contribue également de manière significative à l’empreinte énergétique. Bien que l’inférence d’une seule requête soit moins coûteuse que l’entraînement, le volume massif d’utilisations quotidiennes de ces modèles à l’échelle mondiale accumule une consommation substantielle. Il a été estimé que la génération d’images par l’IA peut être 60 fois plus gourmande en énergie que la génération de texte [5], soulignant la variabilité de l’impact selon le type de tâche générative.
Les centres de données, qui hébergent ces infrastructures de calcul, sont les principaux consommateurs d’énergie. Leur nombre et leur taille augmentent rapidement pour répondre à la demande croissante en puissance de calcul pour l’IA. Les émissions de CO2 associées à ces centres de données aux États-Unis, par exemple, auraient triplé entre 2018 et 2024 [3]. Cette tendance est alarmante, car elle met en péril les objectifs de réduction des émissions de carbone et les plans de neutralité carbone des entreprises et des nations [6].
La provenance de l’énergie est un facteur crucial dans l’évaluation de l’empreinte carbone. Si les centres de données sont alimentés par des sources d’énergie fossiles, l’impact environnemental est direct et important. La transition vers des énergies renouvelables pour alimenter ces infrastructures est donc une priorité absolue pour atténuer l’empreinte carbone de l’IA générative. Cependant, même avec des énergies renouvelables, la demande en électricité reste un défi, nécessitant une planification et des investissements massifs dans les infrastructures énergétiques. La question de la consommation d’eau pour le refroidissement des serveurs dans ces centres de données est également un point critique, qui sera abordé dans la section suivante.
3- Consommation d’Eau et Émissions de Carbone Indirectes
Au-delà de la consommation électrique directe, l’empreinte environnementale de l’IA générative s’étend à d’autres ressources critiques, notamment l’eau, et contribue aux émissions de carbone par des voies indirectes. Les centres de données, piliers de l’infrastructure de l’IA, nécessitent des systèmes de refroidissement sophistiqués pour maintenir les serveurs à des températures optimales et prévenir la surchauffe. Ces systèmes, qu’ils soient basés sur le refroidissement par air ou par liquide, sont de grands consommateurs d’eau.
La consommation d’eau des centres de données est un sujet de préoccupation croissant, en particulier dans les régions soumises à un stress hydrique. L’eau est utilisée pour le refroidissement par évaporation, où l’eau est vaporisée pour dissiper la chaleur, ou pour les tours de refroidissement qui nécessitent un apport constant d’eau pour compenser l’évaporation et les purges. Bien que les chiffres exacts varient considérablement en fonction de la conception du centre de données, de son emplacement et des technologies de refroidissement employées, il est clair que l’expansion de l’IA générative, avec sa demande croissante en puissance de calcul, exercera une pression accrue sur les ressources en eau locales [18].
En ce qui concerne les émissions de carbone, outre celles directement liées à la production d’électricité, l’empreinte de l’IA générative inclut également les émissions associées à la fabrication des équipements informatiques (serveurs, GPU, puces spécialisées), à leur transport, et à leur fin de vie. La production de ces composants est un processus énergivore et gourmand en ressources, nécessitant l’extraction de métaux rares et l’utilisation de produits chimiques. Le cycle de vie complet d’un équipement, de sa fabrication à son recyclage, doit être pris en compte pour une évaluation holistique de l’impact environnemental [19].
De plus, l’augmentation du trafic de données généré par l’utilisation de l’IA générative contribue également à l’empreinte carbone du numérique. Chaque requête, chaque image générée, chaque interaction avec un modèle de langage implique le transfert de données à travers des réseaux, des routeurs et des infrastructures de communication qui consomment de l’énergie. Bien que l’impact individuel de chaque transaction soit minime, l’agrégation de milliards de requêtes quotidiennes à l’échelle mondiale représente une consommation énergétique non négligeable [20].
| Modèle LLM | Organisation | Année de sortie | Phase analysée | Énergie estimée (MWh) | CO₂ estimé (tonnes) | Remarques |
| GPT-3 | OpenAI | 2020 | Entraînement | ~1,287 MWh | ~550 tonnes CO₂ | Entraîné sur Azure avec des GPU V100 – étude de Patterson et al. (2021) |
| GPT-4 (estimé) | OpenAI | 2023 | Entraînement | ~10,000–25,000 MWh | ~4,000–10,000 tonnes CO₂ | Basé sur une estimation de 10x à 20x GPT-3 en complexité |
| PaLM (540B) | 2022 | Entraînement | ~3,900 MWh | ~1,400 tonnes CO₂ | Utilisation de TPUv4 – plus écoénergétique que les GPU | |
| BLOOM (176B) | BigScience | 2022 | Entraînement | ~1,082 MWh | ~433 tonnes CO₂ | Projet open-source avec transparence énergétique |
| LLaMA 2 (65B) | Meta | 2023 | Entraînement | ~1,000–2,000 MWh (estimé) | ~400–800 tonnes CO₂ | Estimation approximative, Meta n’a pas publié de chiffres précis |
| Claude 2 | Anthropic | 2023 | Entraînement (estimé) | ~5,000–10,000 MWh (estimé) | ~2,000–4,000 tonnes CO₂ | Données non publiques, estimation basée sur taille et ressources similaires |
| Inference GPT-3 (1M req) | OpenAI | – | Inférence (1M requêtes) | ~0.2–0.5 MWh | ~0.1–0.2 tonnes CO₂ | Dépend fortement du matériel (GPU vs CPU, quantisation, etc.) |
| Inférence GPT-4 | OpenAI | – | Inférence (estimée) | ~5x à 10x GPT-3 | ~0.5–1 tonne CO₂ | Plus coûteux que GPT-3 à chaque requête |
MWh : mégawattheure (1 MWh = 1 000 kWh)
Les chiffres varient fortement selon :
- L’infrastructure (cloud éco-énergétique vs locale)
- L’emplacement géographique
- L’efficacité matérielle (GPU A100, TPU, etc.)
Face aux défis environnementaux posés par l’IA générative, la recherche et l’industrie explorent activement des solutions pour minimiser son empreinte écologique. L’objectif est de concilier l’innovation technologique avec les impératifs de durabilité, en développant une « IA verte » ou « IA durable ». Ces solutions peuvent être regroupées en plusieurs catégories, allant de l’optimisation technique à des approches plus systémiques.
4.1 Optimisation des Algorithmes et des Modèles
L’une des pistes les plus prometteuses réside dans l’amélioration de l’efficience des algorithmes et des architectures de modèles. La tendance actuelle est à la création de modèles toujours plus grands, mais cette course à la taille n’est pas toujours synonyme d’efficacité proportionnelle. Des efforts sont déployés pour développer des modèles plus petits et plus performants, ou pour optimiser les modèles existants afin de réduire leur besoin en ressources computationnelles.
•Quantification et Précision Réduite : Les modèles d’IA utilisent généralement des nombres à virgule flottante de haute précision (par exemple, 32 bits) pour leurs calculs. La quantification consiste à réduire cette précision (par exemple, à 16 ou 8 bits) sans compromettre significativement les performances du modèle. Cela permet de réduire la taille des modèles, la quantité de mémoire nécessaire et la consommation d’énergie lors de l’entraînement et de l’inférence [21].
•Élagage (Pruning) : De nombreux réseaux de neurones contiennent des connexions ou des neurones qui contribuent peu à la performance globale du modèle. L’élagage consiste à identifier et à supprimer ces éléments non essentiels, ce qui réduit la complexité du modèle et, par conséquent, sa consommation énergétique [22].
•Distillation de Connaissances : Cette technique implique l’entraînement d’un petit modèle (le « modèle étudiant ») pour qu’il imite le comportement d’un modèle plus grand et plus complexe (le « modèle enseignant »). Le modèle étudiant, étant plus compact, est moins gourmand en ressources tout en conservant une grande partie des capacités du modèle original [23].
•Architectures de Modèles Plus Efficaces : La recherche se concentre sur la conception de nouvelles architectures de réseaux de neurones intrinsèquement plus efficaces en termes de calcul. Cela inclut des architectures qui minimisent le nombre d’opérations ou qui sont mieux adaptées aux spécificités du matériel [24].
•Apprentissage Fédéré et Edge AI : Au lieu de centraliser toutes les données et l’entraînement dans de grands centres de données, l’apprentissage fédéré permet d’entraîner des modèles sur des appareils locaux (smartphones, capteurs) sans que les données ne quittent l’appareil. Seules les mises à jour du modèle sont agrégées. L’Edge AI, qui consiste à effectuer l’inférence directement sur l’appareil, réduit également la nécessité de transmettre des données vers le cloud, diminuant ainsi la consommation énergétique liée au réseau [25].
4.2 Utilisation d’Énergies Renouvelables et Optimisation des Centres de Données
La décarbonation de l’approvisionnement énergétique des centres de données est une étape cruciale. De nombreuses entreprises technologiques s’engagent à alimenter leurs opérations avec 100% d’énergies renouvelables. Cependant, cela ne résout pas la question de la demande énergétique croissante, mais réduit significativement l’empreinte carbone associée.
•Approvisionnement en Énergies Vertes : Les centres de données peuvent s’approvisionner directement en électricité renouvelable via des contrats d’achat d’énergie (PPA) avec des producteurs d’énergies solaires ou éoliennes, ou en achetant des certificats d’énergie renouvelable [26].
•Efficacité Énergétique des Centres de Données : Au-delà de la source d’énergie, l’optimisation de l’efficacité énergétique des centres de données eux-mêmes est essentielle. Cela inclut l’amélioration des systèmes de refroidissement (par exemple, utilisation du free cooling, refroidissement liquide direct au lieu de l’air), l’optimisation de la gestion de l’alimentation, et la conception de bâtiments plus efficaces [27].
•Récupération de Chaleur : La chaleur générée par les serveurs peut être récupérée et réutilisée pour chauffer des bâtiments adjacents ou des réseaux de chaleur urbains, transformant ainsi un déchet énergétique en une ressource utile [28].
4.3 Développement de Modèles Plus Efficients et Sensibilisation
La communauté de recherche et de développement s’oriente vers la création de modèles intrinsèquement plus efficients dès leur conception. Cela implique une prise en compte de l’impact environnemental dès les premières phases de développement.
• »Green AI » par Conception : L’idée est d’intégrer les considérations environnementales dès la conception des algorithmes et des systèmes d’IA, en privilégiant la frugalité et l’efficacité énergétique comme critères de performance, au même titre que la précision ou la rapidité [29].
•Outils de Mesure et de Reporting : Le développement d’outils standardisés pour mesurer et rapporter l’empreinte carbone et énergétique des modèles d’IA est crucial. Une meilleure visibilité de l’impact permet aux développeurs et aux utilisateurs de prendre des décisions plus éclairées et de suivre les progrès [30].
•Sensibilisation et Éducation : Informer les développeurs, les chercheurs et le grand public sur l’impact environnemental de l’IA est fondamental pour encourager des pratiques plus durables. Cela inclut la promotion de la recherche sur l’IA verte et l’intégration de ces concepts dans les cursus de formation [31].
Développement supplémentaire de la section « Solutions pour une IA Durable » :
Au-delà des approches techniques et infrastructurelles, une IA durable nécessite également une transformation des mentalités et des pratiques au sein de la communauté de l’IA. Cela implique une prise de conscience collective de l’impact environnemental et un engagement à intégrer les principes de durabilité à chaque étape du cycle de vie du développement de l’IA.
4.4 Approches Collaboratives et Politiques
La complexité de l’empreinte environnementale de l’IA générative exige une réponse coordonnée et multidisciplinaire. Les efforts individuels, bien que louables, ne suffiront pas à eux seuls à relever l’ampleur du défi. Une collaboration étroite entre les acteurs de l’industrie, les institutions de recherche, les gouvernements et la société civile est essentielle pour établir des normes, partager les meilleures pratiques et stimuler l’innovation durable.
•Normes et Réglementations : L’établissement de normes industrielles pour la mesure et le reporting de l’empreinte environnementale de l’IA est crucial. Des cadres réglementaires pourraient également encourager l’adoption de pratiques plus durables, par exemple en offrant des incitations fiscales pour les centres de données alimentés par des énergies renouvelables ou en imposant des exigences de transparence sur la consommation énergétique des modèles d’IA. Des initiatives comme l’AI Act en Europe commencent à aborder certains aspects éthiques et environnementaux de l’IA, mais des mesures plus spécifiques à la durabilité sont nécessaires.
•Recherche et Développement Collaboratifs : Les partenariats entre le monde universitaire et l’industrie peuvent accélérer le développement de solutions innovantes. Les consortiums de recherche axés sur l’IA verte peuvent mutualiser les ressources et l’expertise pour relever des défis complexes, tels que la conception de puces plus économes en énergie ou le développement de nouveaux algorithmes de compression de modèles.
•Économie Circulaire pour le Matériel : L’adoption de principes d’économie circulaire pour le matériel informatique est fondamentale. Cela inclut la prolongation de la durée de vie des équipements, la réparation, le reconditionnement et le recyclage efficace des composants. La conception de matériel dès le départ pour faciliter le démontage et le recyclage peut réduire considérablement l’empreinte environnementale liée à la production et à la fin de vie des équipements.
•Évaluation du Cycle de Vie (ECV) : L’application systématique de l’analyse du cycle de vie (ACV) aux systèmes d’IA permet d’évaluer l’impact environnemental total, de l’extraction des matières premières à la fin de vie. Cette approche holistique fournit une image plus précise de l’empreinte et aide à identifier les points chauds où les efforts de réduction sont les plus efficaces.
•IA au Service de la Durabilité : Paradoxalement, l’IA elle-même peut être un puissant outil pour relever les défis environnementaux. L’IA peut optimiser la consommation d’énergie dans les bâtiments intelligents, améliorer l’efficacité des réseaux électriques, optimiser les chaînes d’approvisionnement pour réduire les déchets, ou encore aider à la modélisation climatique et à la surveillance environnementale. Il est essentiel de maximiser ces applications positives de l’IA tout en minimisant son propre impact.
L’intégration de ces approches collaboratives et politiques, en complément des optimisations techniques, est indispensable pour transformer l’IA générative en un moteur de progrès véritablement durable. La transition vers une IA verte n’est pas seulement une question de technologie, mais aussi de gouvernance, d’éthique et de responsabilité collective.
5- Conclusion
L’IA générative, avec ses capacités transformatrices, est sans conteste l’une des avancées technologiques les plus marquantes de notre époque. Cependant, son essor fulgurant a mis en lumière une réalité inéluctable : l’innovation numérique, aussi puissante soit-elle, n’est pas exempte de conséquences environnementales. L’empreinte carbone, la consommation énergétique et la demande en eau associées à l’entraînement et à l’utilisation de ces modèles massifs posent des défis significatifs qui ne peuvent être ignorés.
Cet article a exploré les multiples facettes de cette empreinte, depuis la consommation électrique des centres de données jusqu’aux émissions indirectes liées à la fabrication des équipements. Il est clair que la trajectoire actuelle de croissance de l’IA générative, si elle n’est pas accompagnée de mesures correctives, pourrait compromettre les efforts mondiaux de lutte contre le changement climatique et de préservation des ressources naturelles.
Néanmoins, l’avenir n’est pas sombre. Les solutions pour une IA plus durable existent et sont activement développées. L’optimisation des algorithmes, la recherche de modèles plus efficients, l’adoption généralisée des énergies renouvelables pour alimenter les infrastructures de calcul, et l’amélioration de l’efficacité énergétique des centres de données sont autant de pistes prometteuses. La clé réside dans une approche holistique et collaborative, impliquant les chercheurs, les développeurs, les entreprises, les décideurs politiques et le grand public.
Il est impératif que la communauté de l’IA intègre la durabilité comme un principe fondamental de sa conception et de son développement. L' »IA verte » n’est pas seulement une option, mais une nécessité pour garantir que les bénéfices de l’intelligence artificielle ne se fassent pas au détriment de notre planète. En faisant de l’efficacité énergétique et de la sobriété numérique des critères de performance au même titre que la précision ou la rapidité, nous pouvons orienter l’IA générative vers un chemin d’innovation responsable, où la technologie sert à la fois le progrès humain et la préservation de l’environnement. C’est par cet engagement collectif que nous pourrons bâtir un avenir où l’IA est véritablement un catalyseur de développement durable.
6- Références
[1] Carbone 4. (2025, 9 mars). L’IA Générative… du changement climatique !. Consulté sur [https://www.carbone4.com/ia-generative-du-changement-climatique] [2] Bon Pote. (2025, 18 avril). IA génératives, 5G, satellites… quelle est la vraie empreinte environnementale du numérique ?. Consulté sur [https://bonpote.com/ia-generatives-5g-satellites-quelle-est-la-vraie-empreinte-environnementale-du-numerique/] [3] SciencePresse. (2025, 10 janvier). En 2025, l’empreinte environnementale croissante de l’IA. Consulté sur [https://www.sciencepresse.qc.ca/actualite/2025/01/10/2025-empreinte-environnementale-croissante-ia] [4] ADEME Infos. (n.d.). Regards croisés sur l’impact de l’IA générative. Consulté sur [https://infos.ademe.fr/magazine-janvier-2025/regards-croises-sur-limpact-de-lia-generative/] [5] Greenly. (2025, 27 février). L’impact environnemental de l’intelligence artificielle. Consulté sur [https://greenly.earth/leaf-media/data-stories/l-impact-environnemental-de-l-intelligence-artificielle] [6] Usine Digitale. (2025, 26 juin). Quel est le véritable impact environnemental de l’IA ?. Consulté sur [https://www.usine-digitale.fr/article/quel-est-le-veritable-impact-environnemental-de-l-ia.N2234264] [7] Écologie.gouv.fr. (2025, 10 février). Pour une intelligence artificielle durable. Consulté sur [https://www.ecologie.gouv.fr/actualites/intelligence-artificielle-durable] [8] DRANE Versailles. (2024, 7 novembre). Quel est l’impact environnemental d’une IA générative. Consulté sur [https://drane-versailles.region-academique-idf.fr/spip.php?article1167] [9] LSA. (2025, 28 mai). quelles pistes pour réduire l’empreinte environnementale de l’IA. Consulté sur [https://www.lsa-conso.fr/intelligence-artificielle-quelles-pistes-pour-reduire-l-empreinte-environnementale-de-l-ia,460714] [10] Novethic. (2025, 3 février). L’IA générative fait exploser les bilans carbone des entreprises. Consulté sur [https://www.novethic.fr/economie-et-social/business-model-en-transition/les-plans-climat-des-entreprises-en-danger-avec-le-boom-de-lia-generative] [11] Notre-environnement.gouv.fr. (2024, 28 novembre). IA : comment limiter son impact environnemental. Consulté sur [https://www.notre-environnement.gouv.fr/actualites/breves/article/ia-comment-limiter-son-impact-environnemental] [12] Institut Supérieur Environnement. (2024, 26 novembre). L’intelligence artificielle : une pollution cachée au cœur de l’innovation. Consulté sur [https://institut-superieur-environnement.com/blog/lintelligence-artificielle-une-pollution-cachee-au-coeur-de-linnovation/] [13] Green IT. (2024, 15 août). Quels sont les impacts environnementaux de l’IA ?. Consulté sur [https://www.greenit.fr/2024/08/15/quels-sont-les-impacts-environnementaux-de-lia/] [14] Reporterre. (2024, 4 juillet). L’insoutenable coût écologique du boom de l’IA. Consulté sur [https://reporterre.net/L-insoutenable-cout-ecologique-du-boom-de-l-IA] [15] Le Devoir. (2024, 26 octobre). Comment utiliser l’IA de manière plus écologique. Consulté sur [https://www.ledevoir.com/environnement/822328/comment-utiliser-ia-maniere-plus-ecologique] [16] Sopra Steria. (2025, 10 janvier). Quel est le véritable coût environnemental de l’IA ?. Consulté sur [https://www.soprasteria.fr/perspectives/details/quel-est-le-veritable-cout-environnemental-de-lia] [17] Le Monde. (2025, 8 juin). Pourquoi notre utilisation de l’IA est un gouffre énergétique. Consulté sur [https://www.lemonde.fr/les-decodeurs/article/2025/06/08/pourquoi-notre-utilisation-de-l-ia-est-un-gouffre-energetique_6611132_4355770.html] [18] La Presse. (2025, 2 janvier). Quel impact a l’intelligence artificielle sur la demande en énergie. Consulté sur [https://www.lapresse.ca/actualites/2025-01-02/quel-impact-a-l-intelligence-artificielle-sur-la-demande-en-energie.php] [19] RTS. (2025, 10 avril). L’IA va faire exploser la consommation d’électricité, alerte un rapport. Consulté sur [https://www.rts.ch/info/sciences-tech/2025/article/l-ia-va-doubler-la-consommation-electrique-des-data-centers-d-ici-2030-28851206.html] [20] The Conversation. (2025, 6 février). Pourquoi l’IA générative consomme-t-elle tant d’énergie ?. Consulté sur [https://theconversation.com/pourquoi-lia-generative-consomme-t-elle-tant-denergie-247406] [21] Organixmedia. (n.d.). IA Verte : Une Technologie Durable Pour Un Avenir Meilleur. Consulté sur [https://organixmedia.com/fr/durabilite/ia-verte/] [22] Alter Way. (2025, 5 février). L’IA verte : l’intelligence artificielle au service de la planète. Consulté sur [https://www.alterway.fr/lia-verte-lintelligence-artificielle-au-service-de-la-planete] [23] Ayming France. (2024, 28 novembre). Informatique et durabilité : vers une IA verte. Consulté sur [https://www.ayming.fr/insights/avis-dexpert/informatique-et-durabilite-vers-une-ia-verte/] [24] LeMagIT. (2022, 25 août). Comment rendre l’IA plus verte et plus efficace. Consulté sur [https://www.lemagit.fr/conseil/Comment-rendre-lIA-plus-verte-et-plus-efficace] [25] Nations Unies. (n.d.). L’intelligence artificielle. Consulté sur [https://www.un.org/fr/global-issues/artificial-intelligence] [26] Le Monde Informatique. (2024, 9 février). Développement durable: 4 pistes pour une IA plus vertueuse. Consulté sur [https://www.lemondeinformatique.fr/actualites/lire-developpement-durable-4-pistes-pour-une-ia-plus-vertueuse-92922.html] [27] The Good Fab. (2024, 13 février). Intelligence artificielle & éco responsabilité. Consulté sur [https://www.thegoodfab.com/post/intelligence-artificielle-eco-responsabilite-comment-lia-peut-etre-au-service-de-la-durabilite] [28] Purecontrol. (2024, 22 juillet). IA et Industrie verte : les clés de l’efficacité énergétique. Consulté sur [https://www.purecontrol.com/blog/decarbonation-industrie-ia-mythe-ou-realite] [29] Leyton. (2024, 21 mars). Le pouvoir de l’IA pour révolutionner la durabilité environnementale. Consulté sur [https://leyton.com/ca/insights/articles/le-pouvoir-de-lia-pour-revolutionner-la-durabilite-environnementale/] [30] Futura-Sciences. (2025, 20 janvier). Et si l’IA causait la prochaine pénurie d’énergie ? Les chiffres…. Consulté sur [https://www.futura-sciences.com/tech/actualites/technologie-si-ia-causait-prochaine-penurie-energie-chiffres-inquietants-mit-118983/] [31] Économie.gouv.qc.ca. (2024, 22 janvier). Créer une image avec l’IA générative consomme autant d’énergie…. Consulté sur [https://www.economie.gouv.qc.ca/objectifs/informer/vecteurs/vecteurs-economie-et-innovation-detail/creer-une-image-avec-lia-generative-consomme-autant-denergie-que-charger-son-telephone