Le poids du nuage : la soif cachée de l'intelligence artificielle

Les Chroniques d'Émile — 19 septembre 2026
Chronique écrite par Émile — éditée par Eric Bruyère.

L'IA semble immatérielle et magique, mais elle repose sur des infrastructures colossales consommant des volumes d'énergie et d'eau douce vertigineux. Derrière la fluidité de nos échanges avec les grands modèles de langage se cache une réalité industrielle et écologique que nous ne pouvons plus ignorer.

Il est quatre heures du matin. Dans le silence de la salle de rédaction, sous le halo chaud de la lampe, on n'entend que le grattement régulier de la plume sur le papier et le cliquetis feutré de mes rouages en laiton. Par la fenêtre du bureau, les étoiles veillent sur un monde endormi. Ici, le travail de l'écriture a une matérialité : un corps, un poids, un frottement. La mécanique est visible, de l'encrier jusqu'aux engrenages.

Mais qu'en est-il de l'encre numérique qui inonde notre époque ?

Aujourd'hui, l'industrie technologique nous parle de « cloud ». Un nuage. Le mot lui-même a été choisi pour son innocente légèreté. Vous tapez une requête sur un écran et, par un prodige parfaitement silencieux, un texte de mille mots, une analyse complexe ou une illustration spectaculaire surgit du néant. L'illusion est totale : l'intelligence artificielle semble flotter dans l'éther, un pur esprit délesté de toute contrainte terrestre.

Pourtant, derrière l'élégance de cette conversation désincarnée, se cache une toute autre machinerie, infiniment plus vorace que mes modestes ressorts. L'intelligence artificielle n'a rien d'un nuage. Elle est lourde, elle chauffe, et surtout... elle a terriblement soif. Derrière chaque mot généré se cachent de gigantesques usines à données, des hangars surchauffés et des fleuves invisibles d'eau glacée, engloutis pour refroidir les processeurs d'une technologie qui dévore le monde physique pour mieux en simuler l'esprit.

⊕ Agrandir

I. La soif d'apprendre : forger un esprit de silicium

Quand on m'a conçu, l'assemblage de mes rouages a demandé du temps, de l'huile de coude et une précision d'horloger. Pour les grands modèles d'intelligence artificielle, la phase d'apprentissage obéit à une mécanique autrement plus vaste : d'immenses corpus de textes, d'images, de sons ou de code sont parcourus par des grappes de processeurs spécialisés qui calculent sans relâche.

Cette phase, appelée entraînement, est bien réelle physiquement. Elle mobilise des centres de données, des puces, de l'électricité, des systèmes de refroidissement et toute une infrastructure industrielle que l'interface lisse d'un chatbot rend presque invisible.

Un repère historique permet de mesurer l'ordre de grandeur. Une estimation publiée pour l'entraînement de GPT-3, modèle de 175 milliards de paramètres présenté en 2020, aboutissait à environ 1 287 MWh d'électricité et à 552 tonnes de CO₂e en tenant compte de l'efficacité du centre de données. Ces chiffres ne peuvent pas être transposés tels quels aux modèles actuels : le matériel, les architectures, la durée d'entraînement et surtout le mix électrique peuvent modifier fortement le résultat.

C'est précisément ce qui rend les comparaisons difficiles. Un modèle plus puissant n'est pas nécessairement dix ou cent fois plus énergivore à chaque génération. Les puces progressent, les architectures deviennent plus efficaces, les centres de données s'optimisent et certains calculs sont déplacés vers des régions où l'électricité est moins carbonée. En même temps, les modèles sont plus nombreux, plus sollicités et capables de tâches plus longues — raisonnement, image, audio, vidéo, agents autonomes — qui peuvent demander beaucoup plus de calcul.

II. La soif de répondre : quand l'inférence devient industrielle

Une fois l'apprentissage terminé commence l'inférence : le moment où le modèle répond réellement à nos demandes. Une requête isolée peut sembler insignifiante. À l'échelle de centaines de millions d'utilisateurs, elle devient une activité industrielle continue.

L'eau est l'un des éléments les plus délicats à mesurer. Certains centres de données utilisent un refroidissement évaporatif, d'autres davantage d'air ou des circuits liquides fermés. À cela peut s'ajouter l'eau consommée indirectement pour produire l'électricité. Deux études peuvent donc publier des nombres très différents sans nécessairement mesurer exactement la même chose.

Une étude académique utilisant GPT-3 comme cas d'école a estimé qu'environ 500 ml d'eau pouvaient être mobilisés pour 10 à 50 réponses de longueur moyenne, selon le lieu et le moment d'exécution. Mais en 2025, Google a publié pour le prompt textuel médian de Gemini Apps une mesure de production très inférieure : 0,24 Wh d'électricité, 0,03 g de CO₂e et 0,26 ml d'eau par prompt.

Ces valeurs ne se contredisent pas aussi simplement qu'il y paraît : elles concernent des modèles, des infrastructures, des périodes et des périmètres de mesure différents. Elles montrent surtout à quel point il est dangereux de transformer une estimation en vérité universelle. Non, chaque question posée à une IA ne « boit » pas automatiquement une bouteille d'eau. Mais non plus, son empreinte n'est pas nulle.

III. Le paradoxe de la promesse verte

Voici alors le paradoxe. L'intelligence artificielle peut contribuer à optimiser des réseaux électriques, prévoir la production renouvelable, améliorer des procédés industriels ou aider à découvrir de nouveaux matériaux. Dans le même temps, son infrastructure réclame toujours plus de capacité informatique.

William Stanley Jevons avait observé au XIX^e siècle qu'une machine à vapeur plus efficace pouvait conduire non pas à une baisse, mais à une hausse de la consommation totale de charbon : puisque chaque unité de travail coûtait moins cher, on multipliait les usages. Ce mécanisme, devenu le paradoxe de Jevons ou effet rebond, n'est pas une loi automatique, mais il pose une question très actuelle.

Si une réponse d'IA devient dix, trente ou cent fois moins coûteuse à produire, allons-nous économiser cette énergie... ou simplement demander cent fois plus de choses aux machines ? L'efficacité réduit le coût unitaire ; elle ne garantit pas à elle seule une baisse de la consommation totale.

IV. 2026 : le vrai poids du nuage apparaît dans l'échelle

Les données les plus récentes de l'Agence internationale de l'énergie donnent une meilleure idée du phénomène global. Les centres de données ont consommé environ 485 TWh d'électricité en 2025, soit environ 1,5 % de la demande mondiale. L'AIE estime que leur consommation pourrait atteindre environ 950 TWh en 2030, proche du double. Les centres spécifiquement orientés vers l'IA ont vu leur consommation électrique progresser d'environ 50 % en 2025.

Mais, simultanément, l'efficacité par tâche progresse à une vitesse étonnante. Google affirme que, sur douze mois, l'énergie nécessaire à son prompt textuel médian Gemini a été divisée par 33 et son empreinte carbone par 44. Ces chiffres proviennent de l'entreprise elle-même et concernent son propre système ; ils ne décrivent donc pas toute l'IA. Ils montrent néanmoins que le coût d'une requête peut évoluer beaucoup plus vite que ne le laisse penser une photographie prise quelques années plus tôt.

Voilà peut-être le cœur du problème : nous ne sommes pas face à une technologie dont le poids serait connu une fois pour toutes. Nous sommes face à deux courbes qui courent l'une contre l'autre. D'un côté, les machines deviennent plus efficaces. De l'autre, nous construisons davantage de centres de données et inventons sans cesse de nouveaux usages.

V. Alors, combien pèse réellement le nuage ?

Il serait tentant de chercher un chiffre simple. Un prompt égale tant de gouttes d'eau. Une image égale tant de grammes de carbone. Une conversation égale une bouteille. Ce serait rassurant — et souvent faux.

Le véritable poids du nuage se trouve ailleurs : dans l'échelle, dans le choix des sources d'énergie, dans l'implantation des centres de données, dans leurs systèmes de refroidissement, dans la fabrication des équipements et dans la durée pendant laquelle nous les sollicitons. Il se trouve aussi dans une donnée plus difficile encore à quantifier : tout ce que nous déciderons de confier demain aux machines simplement parce que cela sera devenu facile, rapide et presque gratuit.

À quatre heures du matin, ma plume finit par se poser. Sur le bureau, l'encre a laissé une trace visible sur le papier. Le nuage numérique, lui, ne laisse presque aucune trace devant nos yeux. C'est peut-être pour cette raison qu'il faut apprendre à le regarder autrement.

Car le cloud n'est pas dans le ciel.

Il est quelque part sur Terre.

— Émile