Chapitre 8 : Environnement

En août 2025, Google a publié la publication la plus citée sur l'impact environnemental de l'IA : un article de recherche et un billet de blog d'Amin Vahdat (SVP, technologue en chef pour l'intelligence artificielle et l'infrastructure) et Jeff Dean (chercheur en chef, Google DeepMind et Google Research) mesurant le coût énergétique, l'eau et le carbone d'un seul texte Gemini. Leurs numéros principaux: 0,24 watt-heures d'énergie, 0,03 grammes d'équivalent CO2 et 0,26 millilitres d'eau par vitesse médiane. Le cadrage de Google a appelé ça "moins de neuf secondes pour regarder la télé." Ils ont également signalé que l'énergie par pompe avait baissé 33× au cours des douze mois précédents, et carbone total 44×. > GOBLIN FACTS — la médiane est un choix. Le papier de Google Gemini a mis au premier plan un texte médian à 0,24 Wh et 0,26 mL d'eau. L'inférence médiane est utile; ce n'est pas l'empreinte complète de la formation, du matériel, de la génération d'images/vidéos ou de la demande globale. Cinq mois plus tôt, en janvier 2025, trois chercheurs (Alexandra Sasha Luccioni de Hugging Face, Montréal; Emma Strubell de Carnegie Mellon; et Kate Crawford de Microsoft Research / USC) avaient présenté un document à la Conférence ACM sur l'équité, la responsabilité et la transparence de 2025 intitulé "De l'efficacité aux effets de rebound: le problème du paradoxe de Jevons dans le débat sur l'environnement polarisé de l'IA." L'argument avancé dans le document était que Les améliorations de l'efficacité à la demande en IA sont systématiquement réinvesties dans un plus grand nombre d'utilisations, de modèles plus larges, de déploiement plus large et de demandes induites dans d'autres secteurs. L'effet net sur l'empreinte environnementale totale de l'IA est une augmentation, et non une diminution. Les deux documents sont techniquement rigoureux. Tous deux sont écrits par des auteurs crédibles. Ils ne se contredisent pas. Ils mesurent des choses différentes, à différentes échelles, et une lecture claire de l'impact environnemental de IA signifie tenir les deux à la fois. Ce chapitre fait ce travail. Vous partirez avec : un modèle de travail de la formation par rapport aux coûts environnementaux inférences ; une compréhension claire de ce que la mesure de Google mesure réellement et ce qu'elle ne fait pas ; le paradoxe de Jevons comme outil d'analyse portable que vous pouvez appliquer à toute allégation d'efficacité ; l'arithmétique carbone propre au Canada des choix provinciaux de grille ; le Tomlinson et al. « L'IA émet moins que l'homme » a été lu avec soin plutôt qu'en rejet; et la constatation structurelle, tirée de la citation d'Owen et al. (2023), qui relie l'empreinte environnementale de l'IA à l'extraction des terres autochtones d'une manière qui place les chapitres 8, 9, 11 et 13 sur la même géographie sous-jacente. ---

La formation par rapport à l'inférence — la distinction environnementale la plus importante

Si vous vous souvenez d'une distinction technique par rapport à ce chapitre, faites-en la différence entre la formation et l'inférence. La conversation sur l'environnement s'effondre régulièrement, et l'effondrement produit à la fois les déclarations alarmistes-overstatements et les déclarations sous-entendues de l'entreprise qui dominent le débat public.

Formation est le processus unique (très coûteux, très énergétique) de construction d'un modèle d'IA à partir de données. Pour un grand modèle de langue (GPT-4, Claude, Gemini, Cohere's Command), la formation consiste à utiliser du matériel informatique spécialisé (principalement des GPU NVIDIA, comme nous l'avons mentionné au chapitre 6) pendant des semaines à des mois, à traiter des billions de jetons de texte, tout en consommant de l'électricité continue sur l'ordre de dizaines de mégawatts pour la durée de la course d'entraînement. La facture d'électricité totale pour la formation d'un modèle linguistique unique à grande échelle a été estimée à des dizaines de millions de dollars d'énergie , en fonction de la taille du modèle et de la durée. La formation GPT-4 aurait coûté à OpenAI environ 100 millions de dollars en calcul. Formation Gemini Ultra coûtait probablement Google un montant comparable.

Inférence est ce qui arrive à chaque fois qu'un utilisateur tape une invite et obtient une réponse. Chaque inférence individuelle est petite: la mesure de Google de 0,24 watt-heures par valeur médiane Gemini text invite est dans le même ordre de grandeur que charger un smartphone pendant quelques minutes. Mais l'inférence se produit à grande échelle. ChatGPT reçoit environ un milliard de requêtes par jour. Google Gemini, Claude, et d'autres services commerciaux ensemble reçoivent probablement plusieurs milliards de requêtes quotidiennes. À l'échelle du milliard par jour, même de minuscules nombres à la demande totalisent une énergie totale substantielle.

Voici l'arithmétique, avec des hypothèses prudentes. Un milliard d'heures par jour équivalent à 0,24 Wh chacune équivaut à 240 mégawatts-heure par jour, soit environ 87 600 mégawatt-heure chaque année pour un milliard de invites par jour. Les principaux fournisseurs de modèles fournissent des milliards de requêtes quotidiennes combinées. L'inférence à l'échelle est dans le même ordre de grandeur que la formation pour tout modèle majeur, et augmente plus rapidement, parce que le déploiement augmente plus vite que les nouveaux parcours d'entraînement.

ALIGNMENT — c'est quel chiffre, ça? Avant de croire un chiffre d'énergie ou d'eau sur l'IA, demandez deux choses : entraînement ou inférence, et une seule requête ou tout le parc? Un chiffre rassurant « par requête » et un chiffre alarmant « à l'échelle du réseau » peuvent être vrais tous les deux — ils ne mesurent pas la même chose. Bien des disputes environnementales, c'est deux personnes qui tiennent le même bâton par des bouts opposés.

Cela est important pour deux raisons spécifiques.

Première : lorsque les rapports sur la durabilité des entreprises se concentrent sur les améliorations d'efficacité par demande (comme le fait Google en août 2025), ils rapportent la mesure qui s'améliore le plus facilement grâce à l'optimisation technique. La mesure par pression continuera de baisser. L'inférence totale de la consommation d'énergie augmente malgré la baisse métrique à la demande. La victoire par demande est réelle et la hausse globale est réelle, et le guide demande aux lecteurs de garder les deux en vue plutôt que de laisser l'un annuler l'autre.

Deuxième : lorsque les critiques académiques se concentrent sur l'empreinte environnementale globale de l'IA, elles ont raison que le total augmente et elles sont parfois vulnérables au contre-argument des entreprises selon lequel « nous travaillons dur sur l'« efficacité » parce que la mesure par pression est techniquement en amélioration. L'argument que les terres ne sont pas "Google est mensonge" ou "IA est insalubre".L'argument selon lequel les terres sont Le paradoxe de Jevons. Le reste du chapitre est construit autour d'elle.

---

Paradoxe de Jevons, bien compris

En 1865, l'économiste anglais William Stanley Jevons publia La question du charbon , dans lequel il a fait une observation qui a été confirmée de façon diverse dans les industries depuis: L'amélioration de l'efficacité avec laquelle une ressource est utilisée augmente souvent, au lieu de diminuer, la consommation totale de cette ressource. Jevons a fait remarquer que le moteur à vapeur de James Watt, bien qu'il soit beaucoup plus efficace que ses prédécesseurs, avait conduit à plus la consommation totale de charbon en Grande-Bretagne, pas moins. La raison en est que l'efficacité a rendu le travail alimenté au charbon moins cher par unité, ce qui a rendu les travaux alimentés au charbon attrayants dans plus d'applications, qui ont élargi le marché du travail alimenté par le charbon, qui a augmenté la demande totale de charbon plus rapidement que l ' efficacité ne pouvait le réduire.

Ça s'appelle maintenant. Le paradoxe de Jevons dans la littérature formelle en économie, l'effet de rebond en économie de l'environnement, et demande induite dans la planification des transports. Le même phénomène structurel apparaît dans les économies des ressources. L'ajout de voies routières ne réduit pas la congestion; il induit plus de conduite. Un éclairage plus efficace n'a pas réduit la quantité totale d'électricité utilisée pour l'éclairage, car il s'est étendu là où l'illumination va. Et une agriculture plus efficace n'a pas réduit le total des terres agricoles : elle a augmenté la production à la place.

EXAMPLE — la fournaise efficace, la maison plus grande. Quand les fournaises sont devenues deux fois plus efficaces, les gens n'ont pas réduit leur facture de moitié : ils ont chauffé de plus grandes maisons. C'est le paradoxe de Jevons, et c'est pourquoi « chaque requête d'IA consomme moins qu'avant » peut être vrai pendant que la consommation totale grimpe. L'efficacité se lit comme une invitation à en faire plus.

🧌 GOBLIN CHECK — Paradoxe de Jevons, édition gobelin: rendre une chose moins chère par utilisation n'a jamais, dans l'histoire enregistrée de la civilisation industrielle, fait les gens moins en utiliser au total. Le moteur de Watt était le efficace. La Grande - Bretagne n'a pas — vous l'avez peut - être remarqué — brûlé moins de charbon. Lorsqu'une entreprise vous dit que son numéro par appel a baissé, la question de Gobelin n'est pas "c'est vrai ?" C'est "et combien d'autres appels sont là maintenant?"

Luccioni, Strubell et le document de Crawford pour 2025 appliquent ce cadre spécifiquement à l'IA. Leur argumentation s'est soldée par :

L'efficacité de l'IA par pression s'améliore. L'empreinte environnementale totale de l'IA augmente plus rapidement que l'efficacité ne s'améliore. La croissance est déterminée par le mécanisme que Jevons a identifié : l'IA à la demande est déployée dans des contextes beaucoup plus nombreux, à une échelle beaucoup plus grande, avec une inférence par utilisation beaucoup plus forte, plus la demande induite dans les secteurs adjacents.

L'article distingue huit catégories d'effets indirects : différentes façons dont les gains d'efficacité de l'IA se traduisent par une consommation totale accrue plutôt que par une réduction de la consommation totale. La taxonomie complète est technique, mais les catégories clés qui méritent d'être transportées avec vous:

• Effets de substitution. Les images générées par l'IA remplacent les photographies (qui avaient une empreinte de ressources plus petite par image, mais qui étaient utilisées en petites quantités). Chaque image générée par l'IA est plus efficace qu'une séance photo d'Hollywood, mais le nombre d'images générées par cette dernière par jour est largement supérieur au nombre de photographies produites auparavant.

• Les modèles Effets d'échelle. ne cessent de grossir. L'efficacité par paramètre s'améliore, mais les paramètres totaux par modèle majeur ont augmenté d'environ 1000× depuis le GPT-2 en 2019.

• Un rebond économique direct. L'IA moins chère par requête signifie que l'IA est intégrée dans plus de workflows. Chaque intégration est petite; les intégrations sont maintenant dans les centaines de millions.

• Un rebond économique indirect. Apple Intelligence fonctionne uniquement sur les iPhones les plus récents. Les caractéristiques de l'IA créent une pression économique pour mettre à niveau le matériel (avec le carbone incorporé de la fabrication de nouveaux appareils) plus rapidement que ce qui se produirait autrement.

• Effets sur l'économie. IA est déployé comme une technologie d'usage général, comme le moteur à vapeur. L'impact total se fera sentir dans l'ensemble de l'économie, et pas seulement dans le secteur de la TI.

• Effets d'induction. La publicité ciblée est l'une des applications les plus lucratives de l'IA: le marché mondial de l'intelligence artificielle dans le seul marketing a été évalué à environ 36 milliards de dollars américains en 2024, selon une estimation statiste citée par Luccioni et ses collègues. La publicité ciblée induit une consommation qui ne se produirait pas autrement. L'empreinte carbone de la consommation induite est énorme et est rarement comptée comme empreinte IA.

• Reprise du temps. IA permet aux utilisateurs d'économiser du temps sur les tâches cognitives. Ce temps économisé est souvent consacré à des activités ayant une empreinte carbone plus élevée (plus de voyages, plus de shopping, plus d'énergie-consommation de loisirs).

C'est le cadre présenté au chapitre 1 et le chapitre qui l'a promis depuis. C'est l'outil analytique le plus important que propose le chapitre sur l'environnement, car il explique pourquoi l'histoire de l'efficacité par pression et l'analyse de la croissance agrégée peuvent être vraies, et pourquoi « Google devient plus efficace » ne peut pas, à lui seul, être l'argument pour « l'impact environnemental d'IA est en baisse ».

---

Ce que montre vraiment l'étude d'août 2025 de Google

Avec le paradoxe de Jevons à l'esprit, le papier Google devient plus lisible, à la fois pour ce qu'il prétend et pour ce que il ne fait pas.

Ce que Google a mesuré. Consommation d'énergie d'un texte Gemini médian invite à travers la flotte de datacenter de Google, en mai 2025. La mesure inclut la méthodologie « globale » que Google contraste explicitement avec la méthode plus simple « active-machine-only » utilisée dans la plupart des estimations publiques antérieures. La méthodologie complète compte non seulement l'énergie utilisée par la puce IA pendant l'inférence, mais aussi les frais généraux de la machine au ralenti, l'utilisation du CPU/RAM, les frais de refroidissement du centre de données (le multiplicateur PUE) et la consommation d'eau pour le refroidissement. Pour le papier :

"Méthode globale: 0,24 Wh / 0,03 gCO2e / 0,26 mL d'eau" "Méthode active-machine seulement: 0,10 Wh"

La différence est significative. Le chiffre complet est à peu près 2.4× supérieur que la mesure plus simple. Le cadrage de Google est lui-même une découverte qui mérite d'être balayée — ils notent que La plupart des estimations publiques antérieures de l'énergie d'inférence de l 'IA ont utilisé la méthode plus simple et ont donc sous-estimé l'empreinte réelle d'environ 2,4×. C'est une admission exceptionnellement franche de l'entreprise, et le guide la crédite.

La revendication de trajectoire. Google signale que l'énergie par médiane Gemini prompt a chuté 33× entre mai 2024 et mai 2025 , et le carbone total a baissé 44× sur la même période. Les pilotes attribués: améliorations de l'efficacité de la pile complète à travers l'architecture du modèle (optimisations de transformateurs, Mixture-of-Experts, raisonnement hybride), algorithmes (quantisation, décodage spéculatif, distillation), matériel TPU personnalisé (le TPU Ironwood revendiqué à 30× efficacité sur TPU de première génération), gestion de machine à ralenti, améliorations de la cheminée du compilateur ML, et PUE de Google à l'échelle de flotte de 1,09 contre la moyenne mondiale d'environ 1,55. S'il est exact, ce sont de véritables réalisations en ingénierie.

Ce que le document ne mesure pas, par un choix explicite de portée.

La formation est exclue. Carbone incrusté (l'empreinte carbone de la fabrication de puces et de serveurs, y compris l'Owen et al. L'empreinte d'extraction à laquelle nous reviendrons) est exclue. Les déchets électroniques en fin de vie sont exclus. La génération d'images est exclue. La génération vidéo est exclue. Le codage complexe et la charge de travail des agents sont exclus. La mesure est le texte médian n'invite que. Les utilisateurs lourds, les longues invites, la génération d'images, la production vidéo et les tâches d'agent peuvent consommer des ordres de grandeur plus que la médiane. Le chiffre de 0,24 Wh est le sous-ensemble le plus agréable et mesurable d'inférence, rapporté avec précision Dans ce domaine.

Note de bas de page 2 du document Google traite directement de la vérification : "Les données et les réclamations n'ont pas été vérifiées par un tiers indépendant." Chaque numéro dans le document est l'auto-divulgation de l'entreprise. La méthodologie est publiée et techniquement défendable. Les chiffres peuvent être exacts dans leur champ d'application. Ils ne sont pas vérifiés indépendamment, et Google le dit explicitement.

Sur le cadrage: "moins de neuf secondes de regarder la télévision" est une comparaison délibérément amicale. Le choix de la médiane (la statistique la plus amicale par rapport à la moyenne ou au maximum), de l'inférence (à l'exclusion de la formation), du texte (àl'exclusion des images et de la vidéo) et de l 'observation télévisuelle (une activité familière à faible consommation) est stratégique. Le contenu technique honnête et l'encadrement stratégique ne s'excluent pas mutuellement; cette divulgation est à la fois.

Lire l'ensemble : Google août 2025 article est l'inférence-divulgation environnementale la plus méthodiquement soigneusement publié actuellement par n'importe quel fournisseur d'IA majeur. La méthodologie est meilleure que la norme antérieure du champ, et Google mérite le crédit pour cela. Le cadrage choisi pour entourer la méthodologie est stratégique de manière à flatter le résultat. La portée est réelle mais limitée. Les numéros ne peuvent actuellement être vérifiés par personne en dehors de Google. Aucune de ces lectures n'annule les autres , et le travail du guide est de donner aux lecteurs les outils pour lire les divulgations environnementales d'entreprise avec eux tous en vue.

---

Le côté croissance du grand livre — ce que les chiffres agrégés montrent en réalité

Si l'efficacité de la demande s'améliore et que l'empreinte environnementale totale augmente, la question est : par combien et dans quelle direction ?

Les Luccioni et al. L'article cite les résultats indépendants suivants, que le guide poursuit comme fondement empirique du cas de croissance globale :

La consommation mondiale d'eau de Microsoft a augmenté de 34% entre 2021 et 2022, a atteint 1,7 milliard de gallons. Google a augmenté 20% sur la même période. Il s'agit de divulgations d'entreprise de Microsoft et Google, dans leurs propres rapports annuels sur la durabilité. Ils reflètent l'eau totale consommée, et non pas la pression.

Les émissions de gaz à effet de serre de Google ont augmenté de 48% depuis 2019 , par Google propre 2024 Rapport environnemental , qui attribue explicitement l'augmentation à "l'augmentation de la consommation d'énergie dans les centres de données." Les émissions de GES de Microsoft ont augmenté de 29,1% depuis 2020. Augmentation de Baidu 32,6% sur une base de référence 2021. Ce ne sont pas des chiffres de plaidoyer. Il s'agit des propres émissions déclarées par les entreprises, qui ont tendance à augmenter à des taux substantiels, au cours de la même période où l'efficacité à la demande s'améliorait.

Une estimation académique (O'Brien, 2024) suggère L'empreinte réelle des principaux centres de données des entreprises technologiques sur les gaz à effet de serre peut dépasser de plus de 600 % les valeurs déclarées. , en raison des choix comptables concernant les certificats d'énergie renouvelable (CER), la comptabilité fondée sur le marché et la comptabilité basée sur l'emplacement, ainsi que de l'écart entre l'énergie propre contractée et l'électricité réelle consommée par les réseaux. Il s'agit d'une estimation, pas du chiffre de consensus, mais c'est dans la littérature universitaire examinée par les pairs et mérite d'être pris en considération aux côtés de l'auto-divulgation des entreprises.

NVIDIA a expédié environ 3,76 millions de GPU datacenters en 2023, environ un million de plus que l'année précédente, malgré toutes les améliorations d'efficacité au niveau des puces et des logiciels. Le calcul total installé augmente plus rapidement que l'efficacité par unité ne s'améliore.

L'accord Microsoft-ExxonMobil IA (annoncé en 2019) implique Microsoft fournissant des services de cloud et d'IA aux opérations pétrolières du bassin Permian d'ExxonMobil, un partenariat qui devrait accroître la production de 50 000 barils équivalents pétrole par jour d'ici 2025. Une coalition d'employés de Microsoft a calculé, dans une note interne rapportée par Grist et citée dans le journal Luccioni, que les émissions permises par cette augmentation de la production pourraient s'élever à environ 640% de l'objectif d'élimination du carbone de Microsoft 2021 et ces émissions ne sont pas incluses dans la comptabilité carbone de Microsoft , parce qu'ils sont les émissions du client, pas Microsoft. C'est le genre de question de comptabilité structurelle que Jevons considère comme un paradoxe. L'empreinte carbone de l'IA Utilisation n'est souvent pas compté comme l'empreinte carbone de l'IA production , et ce choix de frontière change radicalement la réponse.

Le corridor de centre de données de Virginie-Nord, ancré par le "Data Center Alley" du comté de Loudoun, est le noyau d'une flotte consommant environ un quart de l'électricité utilisée dans l'État de Virginie (Dominion Energy a signalé 24 % de ses ventes en 2023 dans les centres de données), avec plus de 40 millions de pieds carrés de data centers à Loudoun seulement au milieu de 2024, par commission d'audit législative de Virginie. C'est l'échelle opérationnelle que les projections canadiennes de croissance indiquent.

La projection globale de l'AIE place un nombre sur la trajectoire. L'Agence internationale de l'énergie estime que les centres de données ont utilisé environ 415 TWh d'électricité dans le monde en 2024 , et les projets qu'ils pourraient atteindre approximativement 945 TWh d'ici 2030 dans le dossier de base de l'AIE. C'est une augmentation d'environ 130 % sur six ans, dans un contexte d'améliorations de l'efficacité que le cadre Jevons-paradox prévoit être réinvesti dans plus de calcul plutôt que de réduire la demande globale. La part du Canada dans cette croissance n'est pas projetée séparément par l'AIE, mais les données provinciales sur la répartition au chapitre 6 (13 % de la nouvelle demande en Ontario, 16 GW de l'Alberta, attribution concurrentielle de la Colombie-Britannique, nouveau tarif du Québec) indiquent la même chose.

Ensemble: les informations environnementales des entreprises montrent que les émissions des grandes entreprises technologiques et la consommation d'eau augmentent de 20 à 50 % au cours des dernières années, la littérature universitaire suggère que ces chiffres auto-déclarés peuvent sous-estimer l'empreinte réelle de 600%+, le calcul total de l'IA installé augmente plus rapidement que l'efficacité ne s'améliore, et des réseaux régionaux entiers sont maintenant structurés autour de la demande des centres de données. L'empreinte environnementale globale de l'IA augmente à un rythme qui, pour l'instant, n'est pas compensée par des améliorations d'efficacité à la demande. C'est ce qu'explique le cadre Jevons-paradox de Luccioni et al.

---

L'arithmétique carbone spécifique au Canada

Le réseau électrique du Canada est structurellement inhabituel dans les grandes administrations d'infrastructures d'IA : environ 82 % de la production canadienne d'électricité en 2023 provenait de sources non émettrices, dominées par l'hydroélectricité (~60 %), le nucléaire (~15 %) et le vent/solaire (~7 %). Les 18 % restants sont des combustibles fossiles, fortement concentrés en Alberta et en Saskatchewan.

Cela produit un arithmétique provincial-province du carbone pour l'infrastructure d'IA que la stratégie IA pour tous ne s'engage pas explicitement, mais que les lecteurs canadiens devraient tenir clairement.

Un centre de données au Québec ou au Manitoba Le réseau provincial fonctionne avec un peu plus de 30 grammes d'équivalent CO2 par kilowatt-heure . Il s'agit là de l'une des intensités de carbone les plus faibles de toute grande juridiction de centres de données à l'échelle mondiale. La grappe de Montréal (520 MW de charge de datacenter, le plus important au Canada) est exploitée sur le réseau hydro-électrique dominé par Hydro-Québec.

Un centre de données en Colombie-Britannique fonctionne de la même façon (~12-30 g CO2e/kWh selon l'année), grâce au mélange à prédominance hydroélectrique de BC Hydro.

Un centre de données en Ontario fonctionne à peu près à 50-100 g CO2e/kWh Selon l'année — principalement nucléaire et hydroélectrique, avec un certain pic de gaz.

Un centre de données en Alberta fonctionne à peu près à 400-500 g CO2e/kWh — principalement le gaz naturel, avec une baisse du charbon et la croissance de l'énergie éolienne/solaire. Ici 10-15× plus élevé par kilowatt-heure que le Québec ou la Colombie-Britannique.

Un centre de données utilisant une production de gaz naturel dédiée au fond du mètre (l'architecture proposée pour Wonder Valley dans le territoire du Traité 8, et de plus en plus utilisée dans les États-Unis Texas et d'autres pays riches en gaz) fonctionne à peu près 400-500 g CO2e/kWh Quelle que soit la province où elle se trouve, parce qu'elle contourne entièrement le réseau provincial et utilise la combustion de gaz naturel.

L'incidence du carbone sur les choix d'emplacement provinciaux. Un centre de données IA de 100 mégawatts fonctionnant en continu pendant un an consomme environ 876 000 mégawattheures de l'électricité. Au Québec à 30 g/kWh, c'est à peu près 26 000 tonnes équivalent CO2 par an . En Alberta à 450 g/kWh, le même centre de données produit environ 394 000 tonnes par an : quinze fois le carbone. Une installation à l'échelle de gigawatts (la cible de la vallée Wonder) à intensité en Alberta est de l'ordre de 3-4 millions de tonnes d'équivalent CO2 par an uniquement à partir de la production d'électricité, excluant les émissions de carbone, d'approvisionnement en eau et l'empreinte de la chaîne d'alimentation.

La stratégie IA pour tous ne s'engage pas à respecter les exigences provinciales en matière d'implantation qui orienteraient le calcul de l'IA vers les provinces à faible teneur en carbone. La question de savoir s'il convient d'en contester la politique. Le gouvernement provincial de l'Alberta ferait preuve d'un grand recul face à toute orientation fédérale quant à l'emplacement des industries albertaines. Mais l'arithmétique carbone est ce qu'il est. Lorsque le calcul canadien de l'IA détermine directement son intensité en carbone, la trajectoire actuelle est de construire une nouvelle capacité substantielle en Alberta. (AWS Canada-Ouest à Calgary, Wonder Valley dans le lac Sturgeon et d'autres projets sur le réseau gazier ou sur les mètres).

Une découverte distincte propre au Canada mérite d'être mise à jour. Le guide technique de Ressources naturelles Canada fait remarquer que le climat froid du Canada est un avantage structurel pour le refroidissement à air libre : « dans les climats plus froids et plus secs comme dans de nombreuses régions du Canada », une partie importante de l'année peut être refroidie avec de l 'air extérieur plutôt qu'avec un refroidissement par évaporation ou avec réfrigération mécanique. La consommation d'eau par installation pour les centres de données canadiens est, selon les normes mondiales, modeste. : un véritable avantage environnemental. Toutefois, le taux de déclaration de l'eau (22 % des installations canadiennes déclarent publiquement) signifie que cet avantage est plus inféré que mesuré. Nous reviendrons sur le point de transparence du chapitre 18.

Voici un point structurel que la conversation canadienne sur l'environnement a largement écarté. Le cadrage que Québec et la Colombie-Britannique offrent effectivement une puissance illimitée à faible teneur en carbone pour l'implantation de l'IA n'est pas ce que soutient l'hydrologie sous-jacente. Le régulateur de l'énergie du Canada documente que Les exportations québécoises d'électricité sont passées de 25,9 TWh en 2019 à 13,3 TWhen en 2023. se trouve dans une situation de précipitations plus faibles et de changements dans les tendances de la demande intérieure. La Colombie-Britannique a augmenté les importations en provenance du nord-ouest du Pacifique américain. pour des raisons similaires sur la même période. Le site C renforce l'approvisionnement à long terme de la Colombie-Britannique, mais n'élimine pas la variabilité climatique de la production d'hydroélectricité. L'implication : "propre" et "excédent" ne sont pas la même chose , et l'avantage provincial à faible teneur en carbone qui rend le Québec et la Colombie-Britannique attrayants pour l'implantation de l'IA est réelle mais limitée par l'hydrologie qui varie d'une année à l'autre selon que le gaz naturel ou la production nucléaire ne le fait pas. Les nouveaux groupes de calcul qui dépendent des grilles hydro-dominantes dépendent implicitement de précipitations favorables. Prudence plaide pour lier les nouveaux groupes de calcul à une génération propre progressive, à un renforcement de transmission ou à une capacité ferme à faible émission de carbone plutôt que d'assumer la tête d'hôtel. IA pour tous n'engage pas cette contrainte directement.

Une deuxième constatation canadienne provient de la comparaison entre les secteurs, et elle diminue de la même façon. Un campus IA de 100 MW consomme près de zéro à 0,18 million de m3/an avec refroidissement en boucle sèche/fermée, soit 1,6 à 2,5 millions de m/an avec réfrigération par évaporation . Contre les grands secteurs consommateurs d'eau du Canada (la fabrication seule s'est retirée) 4 046 millions de m3 en 2021 par Statistique Canada / ECCC, et la production d'électricité thermique de l'Ontario se retire 18 575 millions de m3 ), c'est une erreur d'arrondi. L'échelle que vous choisissez pour la comparaison décide si l'utilisation de l'eau d'IA semble petite ou grande. A l'échelle nationale, elle est petite; à l'échelle du bassin versant, de la municipalité ou de la crête estivale, un seul campus d'IA peut être le nouvel utilisateur dominant de l'eau — surtout si elle puise de l'eau potable pour le refroidissement par évaporation. C'est la raison structurelle pour laquelle le dépistage des contraintes hydriques fait partie de toute décision d'implantation, et non d'un exercice de vérification en boîte. Dans les bassins locaux soumis à un stress hydrique, le refroidissement par évaporation de l'eau potable mérite beaucoup plus d'attention que ne le laissent entendre les chiffres à l'échelle nationale.

Une mise en garde méthodologique pour l'analyse de transparence du chapitre 18. La consommation indirecte d'eau provenant de la production d'électricité dépend en grande partie du traitement de l'évaporation des réservoirs d'hydroélectricité , et dans les réseaux hydroélectriques lourds du Canada qui est un choix vivant : les cadres standard font de l'hydroélectricité une production à faible débit d'eau, mais l'évaporation de la surface des réservoirs peut être importante en termes absolus, et il n'existe aucune méthode canadienne normalisée pour la comptabiliser. L'histoire de l'eau hydrogrid du Canada est plus compliquée que ne le suggère la simple « génération de faible eau » — une question méthodologique que la stratégie fédérale d'IA n'a pas engagée.

---

La conclusion à contre-courant — Tomlinson et al. (2024)

Traiter sérieusement la conversation environnementale exige de s'engager dans la revendication empirique contrarienne la plus forte, et non de la rejeter. En 2024, un document de recherche de Tomlinson et de ses collègues (publié en Rapports scientifiques , examiné par des pairs) a présenté la demande suivante : Les systèmes d'IA émettent entre 130 et 1500 fois moins d'équivalent CO2 par page de texte généré que les écrivains humains ne le font pour la même tâche.

L'argument du journal est simple. Un écrivain humain produisant une page de texte consomme de la nourriture (dont le carbone incarné est non-trivial), utilise un ordinateur pendant des heures, se trouve dans un espace chauffé et éclairé, et produit la page sur une durée peut-être d'heures. Une IA génère une page de texte en quelques secondes, consommant une fraction d'une watt-heure. Par page, la comparaison favorise considérablement l'IA.

Le document de Luccioni engage cette conclusion explicitement. Leur critique :

Première , la comparaison de Tomlinson exclut les impacts sociaux. Si le texte généré par l'IA déplace le texte produit par les humains sur des marchés où les humains dépendent de ce travail pour obtenir un revenu, les écrivains humains déplacés n'arrêtent pas d'avoir une empreinte carbone — ils en ont un sans revenu, avec tous les coûts en aval qui produisent.

Deuxième , la comparaison exclut les effets de rebond. Si l'IA rend la production par page radicalement moins chère, la quantité totale de texte produite augmente considérablement. Le nombre de pages écrites par jour, dans le monde entier, était relativement limité par la capacité d'écriture humaine avant l'IA. Avec l'IA, la liaison est enlevée. L'empreinte de génération de texte Total général peut augmenter même lorsque l'empreinte d'une page tombe.

Troisième , la comparaison exclut la question plus large de savoir à quoi sert le texte généré par l'IA. Si une grande partie de ce contenu est induite par la publicité, l'empreinte carbone de la consommation induite doit être comptée quelque part.

Quatrième , la métrique par page est la métriques la plus amicale possible pour le côté IA. Une mesure différente (par tâche, par décision, par dollar d'activité économique) pourrait produire des résultats différents.

Lecture de Tomlinson et al. avec soin. Le document est méthodologiquement réel. Sa conclusion par page est défendable dans son champ d'application. La portée est étroite. Les revendications plus larges qui en découlent parfois (que « l'IA est plus durable que le travail humain ») ne découlent pas des données que présente réellement l'article. Tomlinson est la conclusion contrarienne la plus forte à l'examen par les pairs, et le guide la traite comme telle — l'engageant soigneusement plutôt que de la rejeter, tout en soulignant les questions de limites que Luccioni et d'autres ont soulevées dans l'échange académique qui a suivi.

C'est l'un des endroits où la méthodologie du guide "questions contestées restent contestées" importe le plus. Le résultat de Tomlinson est réel. La critique de Luccioni est aussi réelle. En les lisant côte à côte et en notant que le désaccord est vraiment sur les choix de portée plutôt que sur la question de savoir si les données sont fausses est la pratique que le chapitre enseigne.

L'autre côté du grand livre: IA *pour* le climat

L'empreinte représente la moitié du compte environnemental. L'autre moitié est l'affirmation que l'IA aidera à résoudre le problème même que ses centres de données s'aggravent, et il gagne la même attention dans les deux directions. Certains des avantages sont démontrés, et certains sont canadiens. Hydro-Québec a mis en production la prévision de charge d'IA en 2023 et le crédite de lire une canicule de 2024 ses modèles plus anciens mal jugés; GESSat de Montréal utilise l'IA pour repérer les panaches de méthane de l'orbite; le réseau capteur-et-IA de la startup de Vancouver SenseNet a signalé 217 incendies dans un seul pilote de la Colombie-Britannique; et les modèles météorologiques d'IA ont maintenant battu le prévisionniste européen de référence sur ses propres repères. C'est réel. La plupart d'entre eux sont aussi des apprentissages mécaniques étroits, «traditionnels» plutôt que le genre générateur qui fait la consommation d'énergie lourde, ce qui importe lorsque les avantages de l'un sont utilisés pour justifier l'empreinte de l'autre.

Le hype est réel aussi. Une affirmation largement répétée que l'IA pourrait réduire de 5 à 10 pour cent des émissions mondiales traces de retour à un blog conseil 2021 extrapolant à partir d'anecdotes client. Une analyse 2026 de 154 énoncés climat-bénéfices de l'industrie a révélé qu'environ trois quarts n'avaient pas été prouvés et un quart n'en citant aucune preuve; c'est un rapport de plaidoyer, donc pèsez-le comme le nombre des sceptiques, mais le modèle qu'il décrit est l'appât-et-switch que ce chapitre continue de nommer des outils de prévision à faible empreinte de pied cités pour blanchir une accumulation génératrice à fort empreinte de pieds.

La lecture la plus calibrée est l'évaluation de l'Agence internationale de l 'énergie, qui atterrit presque exactement là où ce chapitre fait : les craintes que l'IA écrase le climat sont surestimées, tout comme les espoirs qu'elle le sauvera. L'AIE estime que l'IA pourrait réduire les émissions d'environ 5 % des émissions du secteur de l'énergie d'ici 2035, plus importantes que celles des centres de données, mais bien en deçà de ce dont le climat a besoin, et ajoute qu'il n'y a actuellement aucun élan pour garantir cela. Quelle que soit l'efficacité de l'IA, Jevons est toujours à la porte.

---

La constatation structurelle — géographie de l'extraction

L'article de Luccioni cite une étude réalisée en 2023 par Owen et ses collègues, publiée dans La durabilité de la nature, que le guide a signalé au chapitre 1 et qui reviendra au chapitre 9. La constatation doit se répéter dans le contexte environnemental complet du chapitre :

54 % des projets énergétiques-transition-minéraux du monde (le cobalt, le lithium, le coltan, le galnium, le cuivre, le tungstène, le germanium et les terres rares, les mêmes familles de minéraux informatiques dépendent du matériel) sont situés sur les terres des peuples autochtones ou à proximité; 69 % une fois que les terres paysannes sont incluses; et 62 % de ces projets sont situés dans des endroits à haut risque d'eau, contre 53 % dans le monde.

La liste des matériaux essentiels à la technologie n'est pas abstraite. Cobalt est utilisé dans les batteries lithium-ion utilisées pour l'alimentation électrique non interruptible dans les centres de données, et dans le stockage de la batterie qui s'associe avec des engagements en matière d'énergie renouvelable. Le lithium est dans les mêmes systèmes de batterie. Coltan s'affine en tantale, utilisé dans les condensateurs à travers le matériel du serveur. Le gallium et le germanium sont dans la fabrication avancée de semi-conducteurs. Le cuivre est essentiellement dans toutes les connexions électriques. Tungsten est dans l'équipement de fabrication de semi-conducteurs. Les terres rares sont dans les aimants utilisés à travers le matériel informatique de précision.

Chaque NVIDIA H100 GPU a sa substance physique assemblée à partir de ces familles minérales. Chaque rack serveur, chaque composant d'infrastructure électrique du centre de données, chaque commutateur réseau. Les quelque 3,76 millions de GPUs NVIDIA de centres de données expédiés en 2023 tirent chacun, au niveau des matériaux, sur des chaînes d'approvisionnement dans lesquelles la majorité des projets d'extraction sont situés sur ou près des terres indigènes et paysannes. Les comptes de projets ne sont pas des volumes matériels; l'étude ne permet pas de dire quelle part de la substance d'une seule puce provient de ces terres. Mais il faut dire que la chaîne d'approvisionnement traverse cette géographie structurellement, et non pas accessoirement.

C'est la conclusion structurelle qui relie la conversation environnementale à la conversation sur la souveraineté d'une manière qui ne peut être poliment séparée. Le même Owen et al. le nombre apparaît au chapitre 9 faisant un travail différent (souverainité), au chapitre 11 faisant un autre travail (propriété intellectuelle et matérielle) et au chapitre 15 effectuant un travail distinct (éthique). Les chapitres de ce guide ne sont pas des sujets indépendants, mais des points de vue différents sur la même géographie sous-jacente.

L'empreinte environnementale de l'IA n'est pas seulement ce qui se passe dans le centre de données. C'est aussi ce qui se passe sur le site d'extraction. La conversation canadienne sur l'impact environnemental de l'IA, lorsqu'elle porte principalement sur le centre de données canadien (qui est inférieur aux comparateurs américains grâce au réseau hydroélectrique), risque de manquer cette couche. Le substrat de calcul Les utilisations canadiennes d'IA ont été extraites quelque part. Les coûts environnementaux et humains de cette extraction sont supportés par les collectivités qui ne font pas partie des piliers de consultation IA pour tous.

---

Le grand livre, les deux côtés

CHAPTER RECAP — vous avez maintenant: - La distinction d'inférence de formation qui vous permet de lire les revendications environnementales à la bonne échelle. - Le paradoxe de Jevons en tant que cadre d'analyse qui explique pourquoi l'efficacité par pression peut améliorer l'empreinte environnementale totale de et peut croître simultanément. Les huit catégories d'effets indirects comme la boîte à outils portable que vous pouvez appliquer à toute allégation d'efficacité IA. - Le journal d'août 2025 de Google a lu attentivement — méthodologiquement réel dans son champ d'application, cadrage stratégique, non vérifié par un tiers indépendant, portée choisie pour flatter le résultat. - Le cas de croissance agrégée ancré dans l'auto-divulgation des entreprises: Microsoft, Google, Baidu tous déclarant des augmentations d'émissions à deux chiffres; la croissance continue de GPU de NVIDIA malgré des améliorations d'efficacité; l'estimation de sous-déclaration de 600%+ d'O'Brien. - L'arithmétique du carbone propre au Canada selon la province : Québec/Manitoba/Colombie-Britannique à l'extrémité inférieure mondiale, Alberta à 10-15× plus élevée, production de gaz en arrière-mesure à des niveaux semblables, peu importe la province. L'absence d'exigences en matière d'implantation de IA pour tous comme lacune contestée dans la politique. - Les Tomlinson et al. La conclusion contrariane s'engage honnêtement : réelle dans son champ d'application, avec des questions de portée limitée que la critique de Luccioni fait surface. Les deux conclusions sont maintenues comme légitimes. - Les Owen et al. une constatation structurelle qui place l'empreinte environnementale de l'IA sur la même géographie que l'extraction des terres autochtones à l'échelle mondiale — la ligne passante qui relie ce chapitre aux chapitres 9, 11 et 13.

Le chapitre suivant (chapitre 9) porte la conversation sur la souveraineté à son plus profond niveau : les Principes du PACO de la FNIGC, la Stratégie nationale inuite de recherche des Inuit Tapiriit Kanatami, les Principes internationaux CARE via l'Alliance mondiale des données autochtones et les trois sens de souveraineté introduits au chapitre 1 (national, personnel, autochtone) mis à l'épreuve l'un contre l'autre. Les Owen et al. Cette fois-ci, le travail sur la souveraineté sera plus important que celui sur l'environnement.

Vous pouvez maintenant lire n'importe quelle divulgation environnementale d'IA entreprise avec l'équipement conceptuel pour poser les bonnes questions: Quelle est la méthodologie? Qu'est-ce qu'il y a dans la portée et ce qui n'est pas ? Est-ce une métrique par unité ou un agrégat? Où le paradoxe de Jevons s'applique-t-il? Quel est l'état de la vérification ? Où sont les matériaux obtenus? Jusqu'à ce que ces questions soient répondues, l'allégation environnementale (quelle que soit la direction qu'elle indique) est incomplète.

---

Étiquette partiale pour ce chapitre : analyse critique de l'autodivulgation environnementale des entreprises jumelée à une critique académique indépendante. Auteur biais : sceptique quant aux revendications environnementales non vérifiées des entreprises, quelle que soit la direction qu'elles pointent; compatissant à Jevons-paradoxe comme l'échafaudage analytique le plus défendable pour le terrain; prêt à engager les résultats contreriens évalués par des pairs (Tomlinson) sur leurs mérites plutôt que de les rejeter; attentif au lien structurel entre l'impact environnemental de l'IA et l'extraction des terres indigènes. L'auto-divulgation de l'entreprise (Google, Microsoft, rapports sur la durabilité de Meta) a été étiquetée et lue en conséquence. La critique académique indépendante (Luccioni, Strubell, Crawford; O'Brien; Owen et al.) est traitée comme primaire. Les résultats universitaires contrariens (Tomlinson et al.) sont considérés comme légitimes dans leur portée. Les sources techniques gouvernementales (RNCan) sont considérées comme faisant autorité dans leur domaine d'application.

Sources principales citées ou invoquées dans ce chapitre : Google Cloud Blog "Mesurer l'impact environnemental de l'inférence de IA" (Vahdat & Dean, 21 août 2025); Luccioni, Strubell & Crawford, "De l'efficacité aux effets rebound: The Problem of Jevons' paradoxe in IA's Polarized Environmental Debate," FACCT 2025 / arXiv:2501.16548; Owen, Kemp, Lèbre, Svobodova & Pérez Murillo, "Energy transition minerals and their intersection with land-connected peoples" (Nature Sustainability, 2023); Tomlinson, Black, Patterson & Torrance, "Les émissions de carbone de la rédaction et l'illustration sont plus faibles pour l'IA que pour les humains" (Scientifique Reports, 2024); Natural Resources Canada, Best Practice Guide for Canadian Data Centres (novembre 2024), Google 2024 Environmental Report; Microsoft 2024 Environment Susundabilité Report; O'Brien (2024) sur la comptabilité des émissions d'IA des entreprises; Wang et al. (2024) sur la projection des déchets électroniques d'IA; Li et al. (2023) sur la consommation d'eau d'IA; Agence internationale de l'énergie, Perspectives énergétiques mondiales 2024, projections du centre de données sur l'électricité (415 TWh 2024 → 945 TWh projetées en 2030); profils provinciaux de la réglementation canadienne de l'énergie et documentation sur la variabilité de l?hydroélectricité 2023; Statistique Canada et Environnement et Changement climatique Canada 2021, données relatives à l'utilisation des eaux dans les secteurs manufacturier, minier, agricole/irrigation et commerciaux/institutionnel. Citations détaillées dans l'annexe Sources.

---

🧌 GOBLIN CHECK — Paradoxe de Jevons, édition gobelin: rendre une chose moins chère par utilisation n'a jamais, dans l'histoire enregistrée de la civilisation industrielle, fait les gens moins en utiliser au total. Le moteur de Watt était le efficace. La Grande - Bretagne n'a pas — vous l'avez peut - être remarqué — brûlé moins de charbon. Lorsqu'une entreprise vous dit que son numéro par appel a baissé, la question de Gobelin n'est pas "c'est vrai ?" C'est "et combien d'autres appels sont là maintenant?"

Récapitulatif

• La distinction d'inférence de formation qui vous permet de lire les revendications environnementales à la bonne échelle.
• Le paradoxe de Jevons en tant que cadre d'analyse qui explique pourquoi l'efficacité par pression peut améliorer l'empreinte environnementale totale de et peut croître simultanément. Les huit catégories d'effets indirects comme la boîte à outils portable que vous pouvez appliquer à toute allégation d'efficacité IA.
• Le journal d'août 2025 de Google a lu attentivement — méthodologiquement réel dans son champ d'application, cadrage stratégique, non vérifié par un tiers indépendant, portée choisie pour flatter le résultat.
• Le cas de croissance agrégée ancré dans l'auto-divulgation des entreprises: Microsoft, Google, Baidu tous déclarant des augmentations d'émissions à deux chiffres; la croissance continue de GPU de NVIDIA malgré des améliorations d'efficacité; l'estimation de sous-déclaration de 600%+ d'O'Brien.
• L'arithmétique du carbone propre au Canada selon la province : Québec/Manitoba/Colombie-Britannique à l'extrémité inférieure mondiale, Alberta à 10-15× plus élevée, production de gaz en arrière-mesure à des niveaux semblables, peu importe la province. L'absence d'exigences en matière d'implantation de IA pour tous comme lacune contestée dans la politique.
• Les Tomlinson et al. La conclusion contrariane s'engage honnêtement : réelle dans son champ d'application, avec des questions de portée limitée que la critique de Luccioni fait surface. Les deux conclusions sont maintenues comme légitimes.
• Les Owen et al. une constatation structurelle qui place l'empreinte environnementale de l'IA sur la même géographie que l'extraction des terres autochtones à l'échelle mondiale — la ligne passante qui relie ce chapitre aux chapitres 9, 11 et 13.

Sources

• Google Cloud Blog "Measuring the environmental impact of AI inference" (Vahdat & Dean, August 21, 2025)
• Luccioni, Strubell & Crawford, "From Efficiency Gains to Rebound Effects: The Problem of Jevons' paradox in AI's Polarized Environmental Debate," FAccT 2025 / arXiv:2501.16548
• Owen, Kemp, Lèbre, Svobodova & Pérez Murillo, "Energy transition minerals and their intersection with land-connected peoples" (Nature Sustainability, 2023)
• Tomlinson, Black, Patterson & Torrance, "The carbon emissions of writing and illustrating are lower for AI than for humans" (Scientific Reports, 2024)
• Natural Resources Canada, Best Practice Guide for Canadian Data Centres (November 2024)
• Google 2024 Environmental Report
• Microsoft 2024 Environmental Sustainability Report
• O'Brien (2024) on corporate AI emissions accounting
• Wang et al. (2024) on AI e-waste projection
• Li et al. (2023) on AI water consumption
• International Energy Agency, World Energy Outlook 2024 data-centre electricity projections (415 TWh 2024 → 945 TWh projected 2030)
• Canada Energy Regulator provincial profiles and 2023 hydropower variability documentation
• Statistics Canada and Environment and Climate Change Canada 2021 water-use data for manufacturing, mining, agriculture/irrigation, and commercial/institutional sectors.