1. IA générative, angle mort du numérique dans le bilan carbone d’entreprise
Dans beaucoup d’entreprises, l’IA générative est encore appréhendée comme un simple outil numérique de productivité. Pourtant, l’IA générative et son empreinte carbone en entreprise reconfigurent silencieusement le profil d’émissions et déplacent le centre de gravité du bilan carbone vers le cloud. Cette dissociation entre enthousiasme business et réalité environnementale crée un risque stratégique pour la trajectoire climat et pour la crédibilité RSE.
La plupart des bilans de carbone entreprise intègrent encore mal le scope 3 numérique, alors que les services d’intelligence artificielle explosent dans les usages quotidiens. Les directions RSE sous-estiment souvent l’impact environnemental des licences SaaS, des API d’intelligence artificielle et des centres de données utilisés pour entraîner ou faire tourner les modèles. Le résultat est clair : l’empreinte carbone réelle des usages IA reste largement invisible dans les rapports officiels et dans les trajectoires de réduction.
Les data centers et les centres de données qui hébergent ces modèles d’IA générative représentent déjà entre 2 et 4 % des émissions mondiales de gaz à effet de serre, un ordre de grandeur documenté par l’Agence internationale de l’énergie (AIE, par exemple Electricity 2024) et repris par le Shift Project (Lean ICT, 2019). Cette part des émissions de gaz à effet de serre augmente plus vite que la plupart des autres postes, tirée par la croissance des requêtes texte, des assistants virtuels et des outils de génération de contenu. Pour une direction climat, ignorer ce cycle de vie numérique revient à laisser filer un poste d’émissions en forte croissance alors même que les objectifs climat se durcissent.
Le scope 3 numérique est sous-estimé parce que les services cloud et IA sont perçus comme immatériels, donc supposés faiblement émetteurs de carbone. Dans la réalité, chaque requête texte envoyée à un modèle d’intelligence artificielle mobilise des serveurs, des réseaux, des systèmes de refroidissement et une consommation électrique continue. L’empreinte carbone de ces usages se diffuse dans toute l’entreprise, depuis le marketing jusqu’aux fonctions support, sans être reliée à un poste d’impact carbone clairement identifié.
Les entreprises qui déploient massivement des modèles d’IA générative multiplient les flux de données et les traitements intensifs dans les centres de données. Chaque nouveau cas d’usage, chaque automatisation, chaque expérimentation interne ajoute une couche d’émissions sans que le carbone soit tracé dans le bilan carbone. Cette absence d’analyse de cycle de vie numérique rend les impacts environnementaux difficiles à piloter et fragilise les engagements Net Zero communiqués aux parties prenantes.
Pour un responsable climat, la première étape consiste à reconnaître que l’IA générative et son empreinte carbone en entreprise ne relèvent pas d’un détail technique réservé à la DSI. Il s’agit d’un sujet climat à part entière, qui touche le cœur de la transformation numérique et des modèles économiques. Tant que ce coût environnemental reste hors champ, les arbitrages entre innovation et réduction des émissions de gaz à effet de serre sont biaisés au détriment de la cohérence globale.
2. Opaqueness des données : pourquoi vous ne voyez pas l’empreinte carbone de l’IA
Si le scope 3 numérique est mal traité, c’est d’abord parce que les données d’empreinte carbone restent fragmentaires et opaques. Les hyperscalers publient des bilans globaux d’émissions, mais très rarement une empreinte carbone détaillée par service, par modèle ou par client entreprise. Cette absence de granularité rend l’analyse de cycle de vie des usages d’intelligence artificielle extrêmement complexe pour un directeur RSE.
Les fournisseurs de cloud communiquent parfois sur la consommation d’énergie de leurs data centers, mais sans relier clairement cette consommation électrique aux volumes de données traitées par les modèles d’IA générative. Les entreprises clientes ne disposent donc pas d’indicateurs fiables pour relier leurs usages concrets, leurs requêtes texte ou leurs projets IA à un impact carbone chiffré. Dans ces conditions, intégrer l’IA générative dans le bilan carbone relève souvent de l’estimation grossière plutôt que de la mesure robuste.
Les engagements Net Zero des grands acteurs du numérique reposent largement sur des achats de crédits carbone et sur des promesses d’énergies renouvelables. Or, sans transparence sur les impacts environnementaux réels des centres de données, il est difficile de distinguer une réduction d’émissions de gaz à effet de serre d’un simple habillage marketing. Pour un directeur RSE, la question n’est pas seulement la compensation, mais la capacité à réduire l’impact environnemental à la source, en agissant sur les modèles et sur les usages.
Les travaux du Shift Project ont montré que la croissance du numérique peut annuler une partie des gains d’efficacité énergétique obtenus ailleurs. Cette alerte vaut pleinement pour l’IA générative, dont les modèles de grande taille exigent des volumes de données massifs et une énergie considérable pour l’entraînement. Des études académiques comme Strubell et al. (2019, Energy and Policy Considerations for Deep Learning in NLP, arXiv:1906.02243) ou Patterson et al. (2021, Carbon Emissions and Large Neural Network Training, arXiv:2104.10350) estiment par exemple qu’un entraînement de grand modèle de langage peut consommer plusieurs centaines de MWh, selon l’architecture et le mix électrique local. Sans une analyse de cycle de vie rigoureuse, les entreprises risquent de sous-estimer l’impact carbone de ces projets, en particulier dans les grandes organisations où les usages se multiplient rapidement.
Pour les directions RSE, un enjeu clé consiste à exiger des données plus fines auprès des fournisseurs de cloud et des éditeurs d’intelligence artificielle. Il s’agit de demander des facteurs d’émissions par type de modèle, par volume de données traitées, par durée de vie des infrastructures et par localisation des centres de données, en s’appuyant sur des facteurs d’émission régionaux (par exemple ceux de l’ADEME ou de l’AIE). Cette exigence de transparence rejoint les démarches de taxonomie européenne et les futures obligations de reporting extra financier, qui imposent une meilleure traçabilité des impacts environnementaux.
La même logique de robustesse méthodologique qui s’applique à l’évaluation des stratégies nature avec le référentiel ADEME doit être transposée au numérique. Un directeur RSE qui s’intéresse déjà à la crédibilité de sa stratégie biodiversité avec la méthodologie ACT peut appliquer des principes similaires à l’IA générative. Sans cette rigueur, l’empreinte carbone numérique restera un angle mort, alors même que les usages d’intelligence artificielle deviennent structurants pour les modèles d’affaires.
3. Sobriété numérique et IA : arbitrer entre performance et impact environnemental
Face à cette opacité, la tentation est grande de considérer l’IA générative comme un mal nécessaire au service de la compétitivité. Pourtant, un directeur RSE peut peser sur les choix de modèles et d’usages pour réduire l’empreinte carbone sans bloquer l’innovation. La sobriété numérique ne signifie pas renoncer à l’intelligence artificielle, mais optimiser le cycle de vie des solutions déployées.
Un premier levier consiste à privilégier des modèles plus petits et spécialisés plutôt que des modèles géants généralistes pour chaque cas d’usage. Ces modèles compacts consomment moins d’énergie, mobilisent moins de données et réduisent les émissions de gaz à effet de serre associées aux requêtes texte quotidiennes. Dans une entreprise, cette approche permet de limiter l’impact carbone tout en conservant des gains de productivité ciblés et mesurables.
Le second levier repose sur l’optimisation de l’inférence, c’est-à-dire la phase d’usage des modèles d’intelligence artificielle en production. En travaillant avec la DSI, le directeur RSE peut encourager le déploiement sur des infrastructures plus sobres, le recours à l’edge computing lorsque c’est pertinent et la réduction de la consommation électrique des serveurs. Chaque ajustement technique contribue à diminuer l’empreinte carbone globale, surtout lorsque les volumes de requêtes augmentent fortement.
La sobriété numérique implique aussi de questionner la pertinence de chaque produit et service basé sur l’IA générative. Toutes les automatisations ne se valent pas en termes d’impact environnemental et de valeur créée pour l’entreprise et pour la société. En intégrant des critères d’impact environnemental dans les business cases, les directions RSE peuvent arbitrer entre projets à forte intensité carbone et projets à meilleure efficacité climat.
Sur la question de la compensation, la vigilance reste indispensable pour éviter que l’IA générative et son empreinte carbone en entreprise ne soient diluées dans des programmes peu crédibles. Les responsables RSE qui travaillent déjà à distinguer un crédit carbone robuste d’un habillage marketing savent que la priorité doit rester la réduction à la source. L’IA générative ne fait pas exception : compenser des émissions croissantes liées aux data centers sans agir sur les modèles et sur les usages reviendrait à déplacer le problème sans le résoudre.
Enfin, la sobriété numérique suppose de travailler sur la durée de vie des équipements et sur les matières premières mobilisées par les infrastructures. Les serveurs des centres de données, les systèmes de refroidissement et les réseaux consomment des ressources critiques dont l’extraction a des impacts environnementaux lourds. Intégrer ces dimensions dans l’analyse de cycle de vie permet de relier l’IA générative non seulement aux émissions de gaz à effet de serre, mais aussi aux autres impacts environnementaux, de la biodiversité à l’eau.
4. Redonner la main au directeur RSE : gouvernance, CSRD et trajectoire climat
Pour que l’IA générative et son empreinte carbone en entreprise soient réellement pilotées, la gouvernance doit évoluer. Le directeur RSE ne peut plus rester en périphérie des décisions numériques prises par la DSI et par les directions métiers. Il doit devenir un interlocuteur clé dans la définition des priorités d’investissement, des modèles choisis et des indicateurs suivis.
Un point de passage obligé consiste à intégrer l’IA dans le scope 3 catégorie 1, c’est-à-dire les achats de services numériques et d’intelligence artificielle. Les contrats de cloud, les licences d’outils IA et les services de traitement de données doivent être considérés comme des produits à part entière, avec un impact environnemental mesurable sur tout leur cycle de vie. Cette approche permet de relier directement les décisions d’achats numériques aux objectifs de réduction d’émissions de gaz à effet de serre.
La CSRD et les normes ESRS renforcent cette exigence de transparence et de cohérence entre stratégie climat et transformation numérique. Pour préparer ce reporting, les directions RSE peuvent s’appuyer sur des ressources opérationnelles comme le guide pratique des datapoints ESRS, afin de structurer la collecte de données sur le numérique. L’objectif est de faire de l’IA générative un poste clairement identifié dans le bilan carbone, et non un agrégat dilué dans des catégories fourre-tout.
Dans le dialogue avec la DSI, le directeur RSE doit assumer un rôle de contre-pouvoir constructif. Il ne s’agit pas de freiner systématiquement les projets d’intelligence artificielle, mais de poser des questions précises sur la consommation d’énergie, sur les centres de données utilisés, sur les émissions de gaz à effet de serre associées et sur les alternatives possibles. Cette posture exige une montée en compétence mutuelle, où les équipes RSE comprennent mieux les modèles techniques et où les équipes IT intègrent les contraintes climat.
Les usages de recherche Google, les assistants rédactionnels, les générateurs d’images et les outils d’analyse de données doivent être évalués non seulement en termes de productivité, mais aussi d’impact carbone. Chaque nouvelle fonctionnalité IA déployée à l’échelle de l’entreprise peut représenter des milliers de requêtes texte supplémentaires par jour, avec un effet cumulatif significatif sur l’empreinte carbone. Sans indicateurs dédiés, ces impacts environnementaux resteront invisibles dans les tableaux de bord de performance.
Enfin, la trajectoire climat d’une entreprise ne peut plus ignorer la montée en puissance de l’intelligence artificielle dans ses modèles d’affaires. Les émissions liées aux data centers, à la consommation électrique et aux matières premières des infrastructures doivent être intégrées dans les scénarios de réduction à moyen et long terme. C’est à cette condition que l’IA générative cessera d’être un angle mort et deviendra un levier maîtrisé de transformation, aligné avec les engagements climat et avec les attentes croissantes des régulateurs et des investisseurs.
Chiffres clés sur IA générative, numérique et empreinte carbone
- L’empreinte carbone des data centers et des centres de données représente entre 2 et 4 % des émissions mondiales de gaz à effet de serre, un ordre de grandeur comparable au secteur aérien commercial selon plusieurs analyses internationales (AIE, Shift Project).
- Un entraînement de grand modèle de langage d’intelligence artificielle peut émettre autant de CO₂ qu’un vol transatlantique aller-retour par passager, ce qui illustre le poids carbone concentré de la phase d’entraînement par rapport à la phase d’usage. Des travaux comme ceux de Strubell et al. (2019, arXiv:1906.02243) ou Patterson et al. (2021, arXiv:2104.10350) chiffrent ces ordres de grandeur en centaines de MWh consommés.
- Dans la plupart des grandes entreprises, le scope 3 numérique, incluant les services cloud et les outils d’IA, représente une part significative mais encore peu mesurée du bilan carbone global, ce qui crée un risque de sous-estimation des émissions réelles.
- Les travaux du Shift Project ont montré que la croissance annuelle de la consommation d’énergie du numérique pourrait atteindre plusieurs pourcents par an, ce qui menace les trajectoires de réduction nécessaires pour limiter le changement climatique.
- Les recherches en ligne, y compris chaque requête sur un moteur de type recherche Google, contribuent à l’empreinte carbone numérique via la consommation électrique des serveurs et des réseaux, même si l’impact unitaire reste faible pris isolément.
- Exemple méthodologique simplifié : si un fournisseur indique qu’un modèle d’IA générative consomme 0,5 Wh par requête texte, avec un PUE (Power Usage Effectiveness) de 1,4 et un facteur d’émission régional de 0,25 kgCO₂e/kWh (ordre de grandeur ADEME), alors 1 million de requêtes représentent : 0,5 Wh × 1,4 × 1 000 000 = 700 kWh, soit environ 175 kgCO₂e. Ce type de calcul pas-à-pas permet de relier directement les volumes d’usage IA à un poste chiffré dans le bilan carbone.
- KPI à demander aux fournisseurs : consommation électrique (kWh) par requête ou par million de tokens, PUE moyen et marginal des centres de données, mix énergétique par région, durée de vie des serveurs, taux d’utilisation des GPU, ainsi que facteurs d’émission spécifiques par service d’intelligence artificielle.