L'empreinte propre de l'IA : l'IA générative anéantit-elle les progrès de la mode en matière de durabilité ?

En août 2025, Google a publié un chiffre censé clore le débat. La requête texte médiane dans ses applications Gemini, affirme l'entreprise, consomme 0,24 wattheure d'électricité, émet 0,03 gramme d'équivalent CO2 et utilise 0,26 millilitre d'eau, soit environ cinq gouttes. Trois mois plus tôt, MIT Technology Review avait mesuré un modèle vidéo open source et constaté qu'un seul clip de cinq secondes nécessitait environ 3,4 millions de joules, soit plus de 700 fois l'énergie d'une image de haute qualité. Les deux chiffres sont exacts. Ils décrivent des usages très différents de la même technologie.

Cet écart est au cœur de la question pour la mode. Le secteur promet depuis dix ans de réduire ses émissions, sa consommation d'eau et ses déchets, et adopte désormais l'IA générative pour la conception, l'image, la recherche, les prévisions et le service client. La réponse honnête à la question de savoir si l'IA anéantit ces progrès est la suivante : pas au niveau d'une seule requête, et pas encore à l'échelle du secteur, mais tout dépend de ce pour quoi une entreprise utilise l'IA, à quelle fréquence, et de la capacité des outils à réduire réellement la production physique et les expéditions. L'empreinte matérielle est réelle et croissante. Les économies sont plausibles, mais en grande partie non mesurées.

Le sujet est d'actualité parce que les chiffres évoluent en sens opposés. L'efficacité par requête progresse rapidement, tandis que la demande totale de calcul augmente plus vite encore. Microsoft et Google ont tous deux indiqué en 2025 que la croissance de l'IA et du cloud avait fait grimper une partie de leur empreinte. Les entreprises de mode qui déclarent leurs émissions du scope 3 devront de plus en plus rendre compte de la puissance de calcul qu'elles achètent, et démontrer qu'elle est rentable.

Combien d'électricité l'IA consomme-t-elle réellement ?

L'estimation publique la plus complète vient de l'Agence internationale de l'énergie (AIE). Son rapport Energy and AI, publié en avril 2025, évalue la consommation mondiale d'électricité des centres de données à environ 415 TWh en 2024, soit près de 1,5 % de la consommation mondiale d'électricité. Dans son scénario de base, ce chiffre plus que double pour atteindre environ 945 TWh d'ici 2030, un peu plus que la consommation actuelle du Japon. L'IA en est le principal moteur : selon la lecture que Scientific American fait du rapport, les serveurs d'IA représentaient 15 % de la demande énergétique totale des centres de données en 2024, et les États-Unis, l'Europe et la Chine réunis 85 % de leur consommation.

En termes d'émissions, l'AIE estime que les centres de données produisent environ 180 Mt de CO2 par an du fait de l'électricité qu'ils utilisent, hors production de secours. Cela représente environ 0,5 % du CO2 mondial issu de la combustion de carburants. Dans le scénario de base, ces émissions indirectes augmentent de près de 80 % sur la décennie pour atteindre environ 1 % des émissions de combustion ; dans le scénario plus rapide « Lift-Off », elles sont multipliées par 2,5 pour atteindre 1,4 %, la plus forte hausse d'émissions de tous les secteurs dans ce scénario. L'agence prend soin de présenter ces chiffres comme des scénarios et non des prévisions, et des chercheurs extérieurs estiment que la part de l'IA pourrait être sous-évaluée. Alex de Vries, de la VU Amsterdam, a déclaré à Scientific American que la croissance de l'IA « pourrait constituer un risque sérieux pour notre capacité à atteindre nos objectifs climatiques ».

Quel est le coût énergétique et hydrique d'une requête, d'une image ou d'une vidéo d'IA ?

Les chiffres par tâche varient d'un ordre de grandeur, voire davantage, selon le modèle, le matériel, le centre de données et ce qui est comptabilisé. Le chiffre de 0,24 Wh de Google, publié par Amin Vahdat et Jeff Dean en août 2025, inclut les machines inactives maintenues en veille, les processeurs et la mémoire hôtes, ainsi que les charges annexes du centre de données comme le refroidissement. En ne comptant que les puces d'IA actives, Google indique que la même requête consommerait 0,10 Wh, une méthode qu'elle qualifie de « scénario optimiste, au mieux ». L'entreprise indique aussi que l'énergie par requête médiane a été divisée par 33 et le carbone par requête par 44 entre mai 2024 et mai 2025. Elle précise que ces données n'ont pas été vérifiées par un tiers indépendant.

Sam Altman, directeur général d'OpenAI, a écrit en juin 2025 qu'une requête ChatGPT moyenne consomme environ 0,34 Wh et 0,000085 gallon d'eau, soit environ un quinzième de cuillère à café, sans expliquer comment ces chiffres ont été calculés. Une mesure indépendante n'est possible que pour les modèles ouverts. MIT Technology Review, avec des chercheurs, a constaté que Llama 3.1 405B de Meta consommait environ 6 706 joules par réponse, une image de Stable Diffusion 3 Medium environ 2 282 joules (autour de 0,63 Wh), et un clip de cinq secondes du modèle vidéo CogVideoX environ 3,4 millions de joules, soit l'équivalent d'un micro-ondes en marche pendant plus d'une heure. Sasha Luccioni, de Hugging Face, citée dans cette enquête, a résumé le problème sans détour : « Nous devrions cesser de vouloir reconstituer des chiffres à partir de ouï-dire. »

Pour une entreprise de mode, la lecture pratique est la suivante : le travail sur texte est peu coûteux par tâche, la génération d'images coûte quelques fois plus, et la vidéo appartient à une autre catégorie. Une équipe de merchandising de 50 personnes envoyant chacune 100 requêtes de type Gemini par jour ouvré consommerait, selon le chiffre de Google, environ 1,2 kWh par jour. Une seule vidéo de cinq secondes générée par le modèle testé par le MIT en utilise presque autant. Le choix de la tâche compte davantage que le choix du chatbot.

Pourquoi les émissions des géants de la tech augmentent-elles alors que chaque requête est plus propre ?

Parce que les volumes croissent plus vite que l'efficacité. Le rapport de durabilité 2025 de Microsoft indique que ses émissions totales des scopes 1, 2 et 3 étaient supérieures de 23,4 % à son niveau de référence de 2020, en raison de « facteurs liés à la croissance, comme l'IA et l'expansion du cloud ». Sa consommation d'énergie a progressé de 168 % sur la même période. Les émissions directes et celles liées à l'énergie achetée ont reculé de 29,9 %, mais les émissions du scope 3, celles de sa chaîne de valeur, ont augmenté de 26 %. Le rapport environnemental 2025 de Google montrait une demande d'électricité des centres de données en hausse de 27 % en 2024 ; l'entreprise a indiqué que les émissions énergétiques de ses centres de données avaient malgré tout baissé de 12 %, tandis que les émissions de sa chaîne d'approvisionnement (scope 3) progressaient de 22 %.

C'est l'effet rebond bien connu. Des requêtes moins chères et plus propres appellent davantage de requêtes, des modèles plus gros et de nouveaux usages comme la vidéo et les agents autonomes. L'AIE note que les effets rebond pourraient compenser les gains d'efficacité de l'IA dans d'autres secteurs de l'économie. Pour les acheteurs de services d'IA de la mode, cela signifie que la baisse de l'empreinte par requête d'un fournisseur ne garantit pas une baisse du total, et que les émissions incorporées dans les puces et les bâtiments apparaîtront avec le temps dans leurs propres inventaires du scope 3.

Il existe aussi une dimension géographique. L'AIE s'attend à ce que les États-Unis et la Chine représentent près de 80 % de la croissance de la consommation d'électricité des centres de données d'ici 2030, et les bouquets énergétiques diffèrent largement entre ces pays et en leur sein. La même charge de travail peut donc générer des émissions très différentes selon l'endroit où un fournisseur l'exécute, une information que peu d'acheteurs de services d'IA du secteur de la mode demandent aujourd'hui.

Comment l'empreinte de l'IA se compare-t-elle aux émissions de la mode ?

La mode est un émetteur bien plus important. McKinsey et le Global Fashion Agenda estimaient en 2020 que le secteur avait produit environ 2,1 milliards de tonnes de gaz à effet de serre en 2018, soit environ 4 % du total mondial. Les Nations unies, s'appuyant sur un éventail d'estimations plus large, ont déclaré en mars 2025 que le secteur est responsable de jusqu'à 8 % des émissions mondiales de gaz à effet de serre et utilise environ 215 000 milliards de litres d'eau par an. Sur ces bases, les émissions de la mode représentent environ 12 fois les 180 Mt de CO2 que l'AIE attribue à l'électricité de tous les centres de données du monde, même si les deux estimations reposent sur des années, des périmètres et des méthodes différents et ne doivent pas être lues comme un ratio précis.

L'eau raconte la même histoire à une autre échelle. Avec le chiffre de Google de 0,26 mL par requête médiane, un million de requêtes consommeraient environ 260 litres d'eau. L'estimation de l'ONU pour l'industrie de la mode est d'environ 215 000 milliards de litres par an, soit 86 millions de piscines olympiques. Les chiffres d'eau par requête ne tiennent pas compte de l'eau utilisée pour produire l'électricité et fabriquer les puces, le total réel est donc plus élevé, et les centres de données peuvent mettre à rude épreuve les ressources locales dans les régions arides même si leur part mondiale est faible. Mais pour une entreprise de mode qui doit choisir ses priorités, l'eau contenue dans ses fibres et ses usines éclipse celle de ses logiciels.

L'essentiel de l'empreinte de la mode se situe en amont, dans la production de fibres, la teinture et la confection, ce qui explique que les principaux leviers de réduction soient physiques : énergies renouvelables dans les usines, meilleures matières et moins d'invendus. L'analyse de McKinsey a montré que seuls 60 % des vêtements sont vendus sans démarque et a estimé que les opérations des marques, y compris la réduction de la surproduction, pourraient permettre d'éviter 308 Mt d'équivalent CO2 en 2030. C'est là que l'IA pourrait avoir le plus d'effet, si les outils de prévision et d'assortiment se traduisent par des séries de production plus petites et pas seulement plus rapides.

Où l'IA peut-elle réduire l'empreinte de la mode ?

Les preuves les plus solides concernent à ce jour les retours. Zalando, la plateforme de mode en ligne basée à Berlin, indique que les taux de retour en ligne dans la mode peuvent atteindre environ 50 % en Europe, la taille et la coupe en étant responsables jusqu'à la moitié. Ses outils de taille et de coupe, qui combinent alertes de taille, recommandations, un outil de mesure corporelle testé par plus de 1,5 million de clients et une cabine d'essayage virtuelle, ont évité 8 % des retours liés à la taille en 2025, selon un point d'étape de l'entreprise de juin 2026. Les projets pilotes de la cabine d'essayage virtuelle ont réduit les taux de retour jusqu'à 40 %, et Zalando prévoit de la déployer auprès de tous ses clients cette année. Ces chiffres émanent de l'entreprise et n'indiquent pas le carbone économisé.

Les retours sont concentrés, ce qui donne plus de valeur à des outils ciblés. Une étude menée auprès de près de 10 000 consommateurs européens par la Vrije Universiteit Brussel, relayée par FashionUnited en juin 2026, a montré que les 15 % de consommateurs qui renvoient excessivement leurs commandes sont à l'origine de près de 60 % des émissions de CO2 liées aux retours, avec près de 20 kg de CO2 par an chacun du fait des retours, contre environ 3 kg pour les autres acheteurs. Les éditeurs de logiciels de taille revendiquent davantage pour leurs produits, mais peu ont fait l'objet d'un audit indépendant.

Le second levier est la surproduction. L'AIE estime que les applications d'IA existantes dans les secteurs d'utilisation finale pourraient réduire d'environ 1 400 Mt de CO2 en 2035 si elles étaient largement adoptées, soit plusieurs fois ce que les centres de données ajouteraient. Mais l'agence assortit ce chiffre d'une mise en garde qui s'applique directement à la mode : « il n'existe actuellement aucune dynamique susceptible d'assurer l'adoption généralisée de ces applications d'IA ». De meilleures prévisions ne réduisent les émissions que si les plans d'achat et de production changent en conséquence.

L'imagerie générée par IA permet-elle d'économiser plus qu'elle ne coûte ?

L'imagerie est le domaine où l'usage de l'IA dans la mode est le plus visible. Zalando a indiqué à Reuters en mai 2025 qu'environ 70 % de ses images de campagnes éditoriales du quatrième trimestre 2024 avaient été générées par IA, ramenant le temps de production de six à huit semaines à trois à quatre jours et réduisant les coûts de 90 %, selon Matthias Haase, vice-président content solutions. Haase a présenté ce changement comme une question de rapidité et de pertinence : « Nous utilisons l'IA pour pouvoir être réactifs. » Zalando n'a pas publié de comparaison environnementale, et aucune des sources examinées pour cet article ne chiffre l'empreinte d'un shooting de mode classique.

Le calcul suggère que les images fixes pèsent peu. D'après la mesure de MIT Technology Review, 1 000 images de Stable Diffusion 3 Medium consommeraient environ 0,63 kWh, moins qu'une seule vidéo de cinq secondes du modèle testé par le MIT. Le risque se situe ailleurs : un contenu plus rapide et moins cher appelle beaucoup plus de contenu, et le passage à la vidéo par IA multiplie la consommation d'énergie par des centaines. Les entreprises qui remplacent un shooting par des milliers de variantes et de vidéos générées pourraient se retrouver avec une facture de calcul supérieure aux déplacements évités, sans que personne ait mesuré l'un ou l'autre.

Quels sont les risques, les limites et les contre-arguments ?

• Les données sont minces et contrôlées par les entreprises. Les chiffres par requête les plus détaillés viennent de Google et d'OpenAI eux-mêmes, et seul Google a publié une méthodologie. Ni l'un ni l'autre ne communique les volumes totaux de requêtes, de sorte que les chiffres par requête ne peuvent pas être extrapolés à une empreinte réelle.
• Les choix comptables changent la réponse. Le chiffre carbone de Google repose sur une comptabilité fondée sur le marché, qui reflète ses achats d'électricité propre. MIT Technology Review cite une préimpression de Harvard selon laquelle l'électricité utilisée par les centres de données américains était 48 % plus intensive en carbone que la moyenne américaine.
• L'eau et le matériel sont sous-comptés. Les chiffres d'eau par requête ne couvrent généralement que le refroidissement, pas l'eau utilisée pour produire l'électricité ou fabriquer les puces, et ce sont les émissions du scope 3, en hausse de 26 % chez Microsoft, qui ont fait grimper son total.
• Les économies restent surtout potentielles. Les principaux bénéfices de l'IA pour la mode, moins de retours et moins de surproduction, sont rarement exprimés en tonnes de CO2, et les 1 400 Mt de l'AIE supposent une adoption qui n'a pas encore lieu.
• Le contre-argument pèse. Pour le texte et l'analyse, l'empreinte par tâche est réellement faible comparée à celle d'un vêtement. Une équipe qui utilise l'IA pour éviter de produire quelques milliers d'invendus s'en sort presque certainement gagnante.

Que doivent faire les entreprises de mode dès maintenant ?

1. Recensez vos usages d'IA Dressez la liste des équipes qui utilisent la génération de texte, d'images et de vidéos, et à quelle fréquence environ, avant de fixer le moindre objectif.
2. Demandez des chiffres publiés à vos fournisseurs Exigez des données d'énergie, d'eau et d'émissions par tâche, avec la méthodologie, en précisant si les chiffres sont fondés sur le marché ou sur la localisation.
3. Traitez la vidéo comme un budget à part La vidéo générée consomme des centaines de fois plus d'énergie que les images ; exigez un business case pour chaque usage.
4. Mesurez les économies en unités physiques Suivez les retours évités, les unités non produites et les démarques réduites, puis convertissez-les en CO2 avec la même rigueur que les émissions.
5. Reliez les prévisions aux décisions d'achat Veillez à ce que de meilleures prévisions de la demande réduisent les quantités commandées, et pas seulement les délais.
6. Déclarez l'IA dans le scope 3 Intégrez les services cloud et d'IA achetés aux inventaires d'émissions pour que les effets rebond deviennent visibles avec le temps.