Application des principes d'économie circulaire à la conception et à l'exploitation des infrastructures d'IA, en privilégiant la réparabilité, la modularité, la réutilisation des équipements et le recyclage des matériaux. Cette approche vise à prolonger la durée de vie des actifs et à réduire le recours aux ressources vierges.
L'économie circulaire appliquée à l'IA représente une opportunité majeure pour réduire l'empreinte environnementale du numérique, notamment en minimisant l'extraction de ressources rares et la production de déchets électroniques liés aux infrastructures d'IA.
Un fournisseur cloud met en place un programme de reprise et de reconditionnement de ses serveurs, prolongeant leur durée de vie de trois à sept ans et réduisant significativement le volume de déchets électroniques générés.
Termes connexes (Environnement)
Green AI & eco-conception IA
Stratégie holistique réduisant l'empreinte carbone de l'IA : quantization, pruning, distillation, choix d'architectures légères. Elle intègre l'impact environnemental dès la phase de conception et non a posteriori.
Scope 3 de l'Intelligence Artificielle
Émissions indirectes de gaz à effet de serre générées par l'utilisation de systèmes d'IA tout au long de leur chaîne de valeur : fabrication des puces (TSMC, Samsung), consommation électrique des data centers, refroidissement par eau, et fin de vie des équipements. En 2025, les émissions Scope 3 de l'IA représentent environ 75% de l'empreinte carbone totale du secteur numérique selon l'AIE.
PUE – Indice d'efficacité énergétique des data centers
Indicateur d'efficacité énergétique qui exprime le ratio entre l'énergie totale consommée par un data center et l'énergie réellement utilisée par les équipements informatiques. Plus le PUE se rapproche de 1, plus le data center utilise efficacement l'électricité disponible.
WUE – Indice d'efficacité en eau des data centers
Indicateur qui rapporte le volume d'eau consommé au fonctionnement d'un data center à l'énergie délivrée aux équipements informatiques, généralement exprimé en litres par kWh. Il permet d'évaluer l'empreinte hydrique des infrastructures numériques dans un contexte de stress croissant sur la ressource en eau.
Émissions d'entraînement des LLM
Émissions de gaz à effet de serre générées lors de l'entraînement initial des grands modèles de langage, souvent très intensif en calcul et concentré sur quelques semaines. Ces émissions peuvent atteindre plusieurs milliers de tonnes de CO₂e pour un seul modèle, selon la taille du modèle, l'architecture et la source d'énergie utilisée.
Émissions d'inférence des LLM
Émissions quotidiennes générées par les requêtes adressées aux modèles d'IA en production, lorsque ceux-ci répondent à des utilisateurs ou traitent des flux automatiques. À long terme, les émissions liées à l'inférence dépassent souvent celles de la phase d'entraînement, surtout pour les services très utilisés.