«L’empreinte énergétique et carbone mondiale de la diffusion de l’IA». Essai d’une comptabilité de l’énergie et des émissions (3)

[Voir ici la première partie et ici la deuxième partie. – Réd.]

Analyse quantitative

Dans les sections ci-dessous, nous calculons les différentes empreintes énergétiques et carbone liées à l’IA pour divers secteurs d’activité, puis nous additionnons le tout à la fin pour obtenir nos totaux mondiaux.

Énergie primaire de la consommation électrique des centres de données

L’Agence internationale de l’énergie (AIE) propose un large éventail d’évaluations concernant la part de la capacité totale des centres de données consacrée aux opérations d’IA et reconnaît l’incertitude inhérente à la détermination de ce chiffre, compte tenu de la rareté des données disponibles [67]. Une source largement citée est le rapport phare de 2024 du Laboratoire national Lawrence Berkeley sur la demande en électricité des centres de données, qui suggérait qu’environ un tiers de la capacité totale des centres de données aux États-Unis est consacré à l’IA, bien que ces estimations soient entachées de grandes incertitudes [68]. Mais quelle que soit la source, ce que presque toutes ont en commun, c’est qu’elles recensent la quantité d’électricité consommée par les serveurs accélérés par GPU. Elles la divisent par la quantité totale d’électricité consommée par les centres de données (ou la rapportent à un PUE-indice d’efficacité énergétique à l’échelle de l’installation, ce qui revient au même), et désignent ce résultat comme la part de la consommation attribuable à l’IA. Or, cette approche est très trompeuse pour plusieurs raisons.

Premièrement, la préparation des données d’entraînement pour le développement de modèles d’IA – qu’il s’agisse de l’extraction de texte, de la déduplication [technique informatique qui consiste à éliminer les copies ou redondances de données afin d’économiser de l’espace de stockage], de l’étiquetage [dans le cadre de l’apprentissage] ou de la tokenisation [remplacer des données sensibles par une valeur de substitution non sensible] – repose généralement sur des serveurs et des ordinateurs équipés de processeurs (CPU) [69].

Deuxièmement, le calcul d’IA dans les centres de données modernes est largement réparti entre divers nœuds [appareil ou une unité d’un réseau capable d’envoyer, de recevoir ou de traiter des données] et serveurs, ce qui nécessite des commutateurs réseau complexes pour acheminer les données d’un serveur à l’autre. Et le transfert de tous ces signaux nécessite également des émetteurs-récepteurs optiques, qui consomment eux-mêmes beaucoup d’électricité.

Troisièmement, évaluer les charges des GPU à l’aide d’un PUE standardisé ne tient pas compte de la dynamique non linéaire des besoins de calcul de l’IA, qui peuvent présenter une volatilité extraordinaire. D’autres préoccupations existent également, mais elles mènent toutes à la même conclusion: la part de l’IA dans la consommation électrique des centres de données est bien plus importante que ce qu’indiquent les sources traditionnelles. Cela est d’autant plus vrai si l’on considère les évolutions à venir dans les prochaines années, période durant laquelle la majeure partie de la croissance de la demande en énergie des centres de données devrait être tirée par les charges de travail liées à l’IA [70].

Compte tenu des considérations ci-dessus, nous partons du principe que 40% de la capacité mondiale des centres de données est consacrée à l’IA. Nous reconnaissons l’incertitude inhérente à cette hypothèse et estimons qu’il existe de solides arguments pour affirmer que la part de l’IA devrait être encore plus élevée. Quoi qu’il en soit, ce chiffre ne peut être prouvé de manière définitive avec les données actuellement disponibles, en grande partie parce que les hyperscalers [entreprise qui exploite une infrastructure de centres de données gigantesque] et de nombreuses autres entreprises de centres de données dissimulent délibérément les informations nécessaires qui permettraient aux chercheurs de déterminer plus précisément ces répartitions.

L’intensité carbone moyenne du réseau électrique mondial est de 460 grammes d’équivalent CO2 par kWh [71]. Compte tenu de la consommation électrique mondiale des centres de données estimée ci-dessous à 788 TWh, les émissions directes du secteur des centres de données représenteraient environ 362 millions de tonnes de CO2, et celles du secteur de l’IA en particulier s’élèveraient à environ 145 millions de tonnes de CO2 (soit 40% du total des centres de données), un chiffre colossal équivalent aux émissions annuelles d’environ 30 millions de voitures à essence [total de la flotte de voitures à essence de l’Allemagne].

On comptait environ 12 000 centres de données opérationnels dans le monde à la fin de l’année 2025, avec une puissance maximale totale mondiale d’environ 122 GW au premier trimestre 2025 (soit 122 000 MW), mais nous supposerons une capacité de 125 GW pour tenir compte du temps écoulé depuis le premier trimestre de l’année dernière [72]. Selon une mesure restrictive ne prenant en compte que les centres de données commerciaux, la consommation énergétique totale des centres de données dans le monde en 2025 a été estimée à environ 470 TWh; toutefois, elle augmente rapidement et, compte tenu des tendances actuelles, sera certainement plus élevée en 2026 [73]. Une mesure plus large de S&P Global [firme de New York spécialisée dans l’information financière, les analyses de marché et les indices boursiers], qui inclut les micro-centres de données, les salles de serveurs d’entreprise, les centres de données modulaires [format conteneurisé ou préfabriqué], les installations de cryptomonnaie, et qui tient également compte des principaux points d’inflexion de 2025, notamment l’avalanche de serveurs accélérés par l’IA qui seront mis en service, estime la consommation électrique mondiale totale des centres de données à 788 TWh en 2025 [74]. C’est ce chiffre de 788 TWh qui servira de point de référence pour la consommation électrique mondiale des centres de données en 2026, tout simplement parce qu’il est plus précis et plus complet que les données de l’AIE, qui se concentrent principalement sur la consommation des centres de données hyperscale et de colocation. Compte tenu de notre hypothèse selon laquelle 40% de la capacité mondiale des centres de données sera consacrée aux charges de travail liées à l’IA en 2026, la part estimée de la consommation mondiale des centres de données liée à l’IA s’élève à 315 TWh (40% de 788 TWh). Si l’on considère que la consommation mondiale totale d’électricité s’élève à environ 32 000 TWh, notre estimation place la part des centres de données dédiés à l’IA à elle seule à 1% de la consommation mondiale totale.

***

On estime que le secteur des cryptomonnaies consomme à lui seul environ 140 TWh d’électricité par an pour le minage de bitcoins [75]. Cependant, une part croissante de cette consommation est désormais consacrée aux charges de travail liées à l’IA, le secteur des cryptomonnaies déployant des efforts concertés pour réorienter des capacités supplémentaires vers l’IA [76]. Le point culminant de cette évolution structurelle a été l’accord de 10 milliards de dollars signé l’année dernière entre le mineur de bitcoins IREN [firme créée en novembre 2018, présente sur le Nasdaq, sise à Sydney] et Microsoft, prévoyant la fourniture de GPU NVIDIA pour répondre aux besoins de calcul IA haute performance [77]. La distinction nette qui existait autrefois entre les installations de minage de cryptomonnaies et les centres de données commerciaux s’estompe donc rapidement, et pour la toute première fois, il est logique de les regrouper dans la même catégorie de consommation d’électricité. La part estimée de la consommation électrique liée à l’IA indiquée ci-dessus inclut donc implicitement le secteur des cryptomonnaies.

Le chiffre de 315 TWh mentionné plus haut est impressionnant, mais il ne constitue pas la réponse définitive. En effet, la production d’électricité nécessite de l’énergie en amont, et c’est cette énergie primaire qui nous intéresse réellement. Étant donné qu’une part importante de l’électricité consommée par les centres de données provient de centrales à charbon et à gaz ainsi que de centrales nucléaires, nous devons déterminer l’énergie primaire associée à cette consommation. D’après les moyennes mondiales des réseaux électriques, 60% de l’électricité mondiale a été produite à partir de combustibles fossiles, 31% à partir d’énergies renouvelables et 9% à partir de l’énergie nucléaire [78]. Nous allons supposer que cette répartition s’applique également à la consommation d’électricité des centres de données.

***

Nous pouvons désormais calculer les premiers chiffres clés que nous recherchions depuis le début. Sur les 788 TWh à l’échelle mondiale, la répartition ci-dessus signifie que 473 TWh provenaient des combustibles fossiles, 244 TWh des énergies renouvelables et 71 TWh de l’énergie nucléaire. Sur la base de recherches antérieures de l’AIE, nous allons supposer un rendement classique de 36% pour les centrales à combustibles fossiles et de 33% pour les centrales nucléaires [79]. Cela implique que la part des combustibles fossiles dans la consommation électrique des centres de données représente une empreinte énergétique primaire de 1314 TWh, que la part des énergies renouvelables reste inchangée à 244 TWh (puisque nous utilisons la méthode du contenu physique), et que la part du nucléaire s’élève à 215 TWh. Au total, l’empreinte énergétique primaire mondiale liée à la consommation électrique des centres de données s’élève à 1773 TWh. En attribuant 40% de ce total à l’IA, la consommation d’énergie primaire liée à l’IA pour l’alimentation électrique des centres de données s’élève à 709 TWh à l’échelle mondiale.

Il s’agit là de notre premier chiffre concret d’envergure, et il représente déjà 0,42% de la consommation énergétique mondiale totale, puisque cette dernière s’élevait à environ 166 670 TWh en 2025 et que nous estimons qu’elle atteindra environ 168 000 TWh en 2026 pour tenir compte de la croissance prévue [80]. Bien que ce chiffre représente une part importante du total, il nous reste encore un long chemin à parcourir.

Acier et béton

L’industrie sidérurgique mondiale est responsable d’environ 7 à 9% des émissions mondiales de GES, voire légèrement plus [81]. Les centres de données hyperscale nécessitent souvent 10 000 tonnes d’acier, voire plus [80]. Cependant, la majorité des centres de données dans le monde ne sont pas des installations gigantesques; nous supposons donc qu’un centre de données moyen contient environ 2000 tonnes d’acier. Selon l’Association mondiale de l’acier, la production de chaque tonne d’acier entraîne l’émission de 2,18 tonnes métriques d’équivalent CO2 [83]. Et chaque tonne d’acier nécessite en moyenne 21,27 GJ (gigajoule) d’énergie pour être produite [84]. À partir de ces chiffres, nous estimons les émissions totales liées à l’acier sur l’ensemble du cycle de vie des centres de données à environ 52 millions de tonnes métriques et l’énergie totale nécessaire à la production de tout cet acier à 142 TWh. En attribuant 40% à l’IA, on obtient 57 TWh d’énergie et 21 millions de tonnes métriques d’émissions. Pour l’empreinte carbone de 2026, nous supposons que l’IA représente 60% du total du cycle de vie, ce qui donne respectivement 34 TWh et 13 millions de tonnes métriques d’émissions.

Les centres de données contiennent d’énormes quantités de béton, qui est un mélange de sable, de gravier, d’eau et de ciment. La grande majorité de l’empreinte carbone du béton provient de la composante ciment, c’est donc sur celle-ci que nous allons nous concentrer. D’après des rapports sectoriels américains, un centre de données américain type contient environ 1700 tonnes de ciment incorporé [85]. Mais étant donné qu’un centre de données américain type est plus grand qu’un centre de données type dans le reste du monde, nous supposons que la moyenne mondiale de ciment incorporé par centre de données est d’environ 1200 tonnes. Avec 12 000 centres de données, cela implique une empreinte carbone totale liée au ciment sur l’ensemble du cycle de vie d’un peu plus de 14 millions de tonnes. En nous appuyant sur les données de l’EPA [US Environmental Protection Agency], qui indiquent généralement que chaque tonne de ciment produite rejette environ 0,78 tonne métrique de gaz équivalents CO2, nous estimons que l’empreinte carbone totale liée au ciment des centres de données sur l’ensemble du cycle de vie s’élève à environ 11,2 millions de tonnes métriques [86].

Métaux et matériaux

Les centres de données regorgent de métaux, du cuivre à l’aluminium en passant par l’étain et le graphite. Par exemple, le cuivre est largement utilisé pour le câblage et le graphite pour la gestion thermique. Commençons par le cuivre, qui nous servira de point d’entrée vers notre approche analytique plus large. D’après les chiffres relatifs aux centres de données aux États-Unis, nous estimons qu’un centre de données contient en moyenne environ 12 tonnes de cuivre par MW [87]. Avec une capacité allouée de pointe estimée à 133 000 MW à l’échelle mondiale en 2026, cela implique une empreinte totale liée au cuivre de 1,6 million de tonnes [88]. Sur la base des analyses du cycle de vie réalisées pour la production chinoise de cuivre, et en tenant compte de l’amélioration de l’efficacité de cette production, nous estimons qu’il faut en moyenne environ 60 GJ pour produire une tonne de cuivre [89]. En convertissant ce chiffre en TWh pour l’ensemble du cuivre incorporé dans les centres de données mondiaux, l’empreinte énergétique totale sur le cycle de vie s’élève à environ 25 TWh.

Les données du Forum économique mondial (WEF) montrent que l’empreinte métallique typique des centres de données est d’environ 70 tonnes par MW [90]. Afin d’éviter de réaliser une analyse distincte pour des dizaines de métaux et matériaux différents, nous allons adopter une approche similaire à celle que nous avons expliquée ci-dessus pour le cuivre, mais à un niveau agrégé couvrant l’ensemble des métaux et matériaux. Compte tenu de la puissance totale mentionnée ci-dessus, l’empreinte massique [grandeur physique rapportée à l’unité de masse] finale estimée pour l’ensemble des métaux présents dans les centres de données mondiaux est d’environ 9,3 millions de tonnes. Toutefois, nous pouvons soustraire le 1,6 million de tonnes de cuivre mentionnées plus haut afin d’éviter un double comptage. L’empreinte massique réelle des métaux pour laquelle nous devons mesurer la consommation d’énergie et les émissions s’élève donc à environ 7,7 millions de tonnes.

En supposant une consommation énergétique moyenne de 50 GJ par tonne, l’empreinte énergétique totale sur l’ensemble du cycle de vie s’élève à 128 TWh. En ajoutant ce chiffre aux 25 TWh du cuivre, on obtient un total de 153 TWh pour l’empreinte énergétique de l’ensemble des métaux utilisés dans les centres de données à l’échelle mondiale. En attribuant 40% de ce total à l’IA, la part de l’IA dans l’empreinte énergétique des métaux des centres de données s’élève à environ 61 TWh. Nous supposons à nouveau que 60% du total du cycle de vie proviendront de cette seule année ; ainsi, 37 TWh d’énergie sont attribués à la production de métaux et de minéraux liés à l’IA. Nous estimons l’empreinte carbone de ces 37 TWh d’énergie à environ 17 millions de tonnes métriques d’équivalent CO?, en partant du principe que l’intensité carbone du réseau électrique mondial s’applique également à celle de la production de métaux et de minéraux.

Fabrication de semi-conducteurs

Les livraisons mondiales de plaquettes de silicium ont totalisé près de 13 000 millions de pouces carrés en 2025 [8387 mètres carrés] [91]. On a estimé que l’intensité électrique sur l’ensemble du cycle de vie des usines de semi-conducteurs est d’environ 1,43 kWh par centimètre carré [92]. Après conversion en centimètres carrés, multiplication par 1,43 et conversion de kWh en TWh, l’empreinte électrique totale de la production de semi-conducteurs en 2025 s’élève à environ 120 TWh. Sachant que la consommation électrique mondiale totale s’élevait à environ 31 780 TWh en 2025, cela signifie qu’environ 0,4% de la consommation électrique mondiale totale est consacrée uniquement à la production de semi-conducteurs [93]. Nous attribuons 40% de ce total à l’IA ; la part de l’IA dans la consommation liée aux semi-conducteurs s’élève donc à 48 TWh. L’empreinte carbone mondiale de l’industrie des semi-conducteurs a été estimée à environ 190 millions de tonnes métriques pour 2026 [94]. En attribuant 40% de ce total à l’IA, la part de l’IA dans les émissions liées aux semi-conducteurs s’élève à environ 76 millions de tonnes métriques de CO2.

***

Mais nous n’en avons certainement pas encore fini, car la consommation d’électricité sur site ne représente qu’un aspect de l’empreinte énergétique et des émissions de l’industrie des semi-conducteurs. Par exemple, avant que les plaquettes de silicium ne soient traitées dans les usines de fabrication, celles-ci doivent d’abord être produites, ce qui nécessite des méthodes à forte intensité énergétique comme le procédé de Czochralski (voir illustration 4). Le ministère états-unien de l’Énergie a estimé que jusqu’à 60% de l’empreinte de fabrication d’un secteur se situe en amont des opérations directes sur site [95]. Nous retenons ce chiffre de 60% pour l’industrie des semi-conducteurs, ce qui signifie que son empreinte énergétique mondiale totale s’élèvera à 300 TWh en 2026. Deloitte a estimé que les ventes de puces dédiées à l’IA représenteront à elles seules environ la moitié du chiffre d’affaires total de l’industrie des semi-conducteurs en 2026 [96].

Nous ne devrions pas attribuer la moitié de l’empreinte énergétique à l’IA sur la base de ce résultat, car les ventes de puces d’IA génèrent des marges bénéficiaires exceptionnelles en raison d’une offre limitée et d’un pouvoir de monopole. Nous estimons toutefois qu’il est raisonnable de lui attribuer 40%, d’autant plus que la production de semi-conducteurs de pointe pour le secteur de l’IA est bien plus gourmande en énergie que celle de microcontrôleurs ou d’autres dispositifs plus simples. Sur la base de cette hypothèse, la part de l’empreinte énergétique de l’industrie des semi-conducteurs liée à l’IA en 2026 s’élève à 120 TWh. Ce chiffre est élevé, mais il est probablement prudent et sous-estimé.

Robotique industrielle

Les robots constituent le summum de l’IA physique (voir illustration 5). On comptait environ 4,6 millions de robots industriels en service dans le monde en 2024 [97]. Nous estimons qu’environ 5 millions de robots industriels seront en service dans le monde en 2026. Les données sectorielles de la décennie précédente montrent qu’un robot consomme en moyenne environ 22 000 kWh d’électricité par an [98]. S’il est vrai que les robots plus récents ont atteint un meilleur rendement énergétique, l’essor de la fabrication sans intervention humaine (lights-out) signifie également qu’ils fonctionnent en moyenne plus longtemps chaque jour ; nous utiliserons donc toujours le chiffre moyen cité ci-dessus. Pour 5 millions de robots, cette consommation moyenne par unité implique une consommation électrique mondiale totale d’environ 110 TWh. L’intensité carbone moyenne du réseau électrique mondial étant de 460 grammes d’équivalent CO2 par kWh, l’empreinte carbone totale liée au fonctionnement des robots industriels s’élève à environ 51 millions de tonnes métriques d’équivalent CO2 par an.

En supposant que les robots et les centres de données soient alimentés par le même mix énergétique mondial (voir ci-dessus), l’énergie primaire associée à cette production d’électricité équivaut à environ 248 TWh. Puisque nous définissons intrinsèquement les robots comme de l’IA physique, cette somme totale est incluse dans le bilan énergétique de l’IA. Il s’agit là d’une quantité d’énergie colossale à laquelle la plupart des gens ne pensent pas lorsqu’ils évoquent l’IA, car ils en ont une conception très restreinte, la réduisant essentiellement aux réseaux neuronaux et aux modèles de langage (LLM-Large Language Model). On constate ici que le simple fait d’élargir légèrement la portée de ce concept a des implications majeures sur la manière dont nous évaluons son empreinte énergétique et ses émissions à l’échelle mondiale.

Réseaux de transmission et télécommunications

Outre les centres de données, les réseaux de transmission de données comprenant des antennes-relais, des centres de commutation et des nœuds d’injection de fibre optique consomment également d’énormes quantités d’électricité, au moins 360 TWh en 2025, voire bien plus [99]. Ces réseaux sont absolument essentiels aux flux de travail de l’IA car, sans eux, les instructions destinées aux modèles d’IA ne pourraient pas être envoyées et les réponses ne pourraient pas être transmises aux utilisateurs finaux. En nous appuyant sur les données de Cisco [firme sise à San José, Californie, réseaux et cybersécurité] concernant la part du trafic réseau liée à l’inférence IA, nous estimons qu’environ 1% de ces 360 TWh est spécifiquement consacré aux opérations d’IA, ce qui signifie que les déploiements d’IA consomment annuellement environ 3 TWh d’électricité à l’échelle mondiale rien que par le biais des réseaux de transmission de données [100]. Ce chiffre n’est pas du tout énorme, mais nous tenions à le mettre en avant pour attirer l’attention du public, car nous nous attendons à ce qu’il augmente rapidement au cours des prochaines années.

Transports et logistique

Les secteurs manufacturiers qui alimentent le développement des infrastructures d’IA ont des chaînes d’approvisionnement étendues à l’échelle mondiale. Les minerais sont d’abord extraits à un endroit donné, puis ils peuvent être expédiés à l’autre bout du monde pour être raffinés, acheminés ailleurs pour l’assemblage final, et le produit fini est ensuite acheminé à nouveau à l’autre bout du monde pour être vendu aux consommateurs d’un pays donné. Le secteur des transports dans son ensemble représente environ 30% de la consommation énergétique mondiale, soit environ 50 400 TWh pour 2026 [101]. Ce qui nous intéresse particulièrement, ce sont le fret et la logistique, qui représentent environ 40% du secteur mondial des transports, soit environ 20 160 TWh en 2026 [102]. Nous partons du principe que la part mondiale d’énergie primaire liée à la consommation électrique des centres de données, soit environ 1%, doit également être imputée à cette empreinte énergétique logistique. Cela signifie donc qu’en 2026, environ 201 TWh d’énergie issue du secteur de la logistique ont été consacrés à l’expédition et au transport de composants matériels et de matériel informatique destinés aux centres de données, notamment de l’acier, du béton, des minéraux et des micropuces. En attribuant 40% de ce chiffre à l’IA, cela implique que l’empreinte énergétique liée à l’IA pour la logistique en 2026 s’élevait à environ 80 TWh.

Pour vérifier la plausibilité de ce chiffre, nous allons adopter une autre méthodologie. Les centres de données disposaient d’une puissance totale mondiale d’environ 125 000 MW en 2025, et nous nous en tiendrons à ce chiffre plus prudent pour l’analyse plutôt qu’aux 133 000 MW de capacité que nous estimons pour 2026. Un rack de serveurs type consomme environ 1000 W, ce qui implique que 125 millions d’unités matérielles, allant des racks de serveurs aux baies de stockage, sont en service dans les centres de données du monde entier à ce jour [103]. Des études indiquent que le transport d’un seul serveur génère une empreinte carbone d’environ 25 kg d’équivalent CO2 [104]. Le transport d’une baie de stockage plus lourde génère jusqu’à 486 kg d’équivalent CO2.

Nous retenons une moyenne pondérée de 300 kg d’émissions de CO2-équivalent, ce qui implique une empreinte carbone totale de 37,5 milliards de kg de CO2-équivalent. Nous utiliserons le gazole comme référence pour déterminer l’empreinte énergétique du transport de marchandises à partir de ces émissions de carbone. Des études montrent que le facteur d’émission du gazole est d’environ 0,074 kg de CO2/MJ, ce qui signifie en clair que la combustion de 1 MJ (mégajoule) de carburant libère 0,074 kg d’émissions de carbone [105]. Autrement dit, pour chaque kilogramme de carbone émis, 13,5 MJ d’énergie sont libérés. Compte tenu de l’empreinte carbone ci-dessus (37,5 milliards de kilogrammes), l’empreinte énergétique totale s’élève à environ 506 milliards de MJ, ce qui équivaut à peu près à 141 TWh.

Ce chiffre est légèrement inférieur à notre chiffre officiel ci-dessus, mais au moins, les deux se situent dans le même ordre de grandeur. Notre méthodologie alternative donnerait probablement une estimation plus élevée si l’on tenait compte de la répartition des canaux logistiques, par exemple les transports aériens, ferroviaires ou maritimes, ainsi que de la durée des trajets pour chacun de ces modes. En utilisant le facteur d’émission du diesel mentionné plus haut, une consommation d’énergie de 80 TWh liée à la composante IA du secteur du fret et de la logistique entraînerait environ 21 millions de tonnes métriques d’équivalent CO2 d’émissions annuelles.

Production d’énergie renouvelable

Des sources plus anciennes indiquaient que les énergies renouvelables fournissaient un peu plus de 25% de la consommation électrique mondiale des centres de données, mais cette part est très certainement bien plus élevée pour 2026, nous nous en tiendrons donc à l’hypothèse de 31% utilisée ci-dessus [106]. Étant donné que de nombreux systèmes d’énergie renouvelable sont actuellement construits à un rythme soutenu spécifiquement pour faciliter l’expansion des centres de données, il est logique de les inclure dans l’empreinte carbone du cycle de vie de l’IA [107]. Si les systèmes renouvelables tels que les panneaux solaires et les éoliennes ont une empreinte carbone négligeable pendant leur phase d’exploitation, leur fabrication nécessite toutefois de l’énergie, et ce processus de fabrication génère effectivement des émissions importantes. Comme nous l’avons calculé au début de cette section, les énergies renouvelables représentaient environ 244 TWh de la consommation électrique mondiale des centres de données.

Des analyses du cycle de vie datant de 2024 suggéraient que la demande énergétique cumulée d’une installation photovoltaïque moyenne aux États-Unis s’élevait à environ 13 000 MJ (équivalent pétrole) par kW [108]. En supposant que ce chiffre moyen soit valable à l’échelle mondiale et en le convertissant en TWh par GW, on obtient environ 3,6 TWh par GW de demande énergétique sur le cycle de vie nécessaire à la production d’installations photovoltaïques. Selon l’Agence internationale de l’énergie, les ajouts annuels mondiaux de capacité en énergies renouvelables ont atteint 800 GW en 2025, dont 75 % provenaient du seul solaire [109]. Cela implique que 600 GW de nouvelle capacité étaient dus au solaire, et en utilisant l’empreinte citée ci-dessus (3,6 TWh par GW), nous estimons que 2160 TWh d’énergie ont été nécessaires pour produire l’ensemble de ces composants solaires. En utilisant une empreinte énergétique très prudente de 0,5 TWh par GW pour l’éolien et les systèmes de stockage combinés (les 25% restants), nous estimons qu’il a fallu environ 100 TWh d’énergie pour produire la nouvelle capacité éolienne et de stockage installée en 2025.

Le total définitif de la demande énergétique sur l’ensemble du cycle de vie nécessaire à la production de toutes les nouvelles capacités renouvelables installées en 2025 s’élève à 2260 TWh. En arrondissant ce chiffre et en tenant compte de la croissance supplémentaire prévue en 2026, nous estimons que l’empreinte énergétique annuelle totale liée à la fabrication des énergies renouvelables s’élève à 2300 TWh.

Étant donné que les entreprises technologiques états-uniennes génèrent à elles seules près de 50 GW de demande de nouvelles capacités d’énergie renouvelable pour les centres de données, il est raisonnable de supposer que 60 GW de nouvelles capacités d’énergie renouvelable sont destinés aux centres de données à l’échelle mondiale, ce qui représente environ 7,5% du total de 800 GW mentionné ci-dessus [110]. En appliquant ce pourcentage à l’empreinte énergétique totale liée à la fabrication des énergies renouvelables, soit 2300 TWh, on obtient 172 TWh. En attribuant 40% de ce chiffre à l’IA, l’empreinte énergétique liée à la production d’énergies renouvelables pour l’IA en 2026 s’élève à 70 TWh. En supposant que cette empreinte énergétique présente la même intensité carbone que la moyenne mondiale du réseau électrique, nous estimons que l’empreinte carbone liée à la production d’énergies renouvelables pour l’IA en 2026 s’élevait à environ 32 millions de tonnes de CO2. Une mise en garde essentielle concernant cette analyse: nous avons décidé d’exclure l’empreinte énergétique et les émissions en amont des quelque 80 GW de centrales au gaz naturel en cours de construction aux États-Unis, destinées à soutenir l’expansion des centres de données. Les données présentaient trop de bruit et d’incertitudes, et, de toute façon, cette empreinte particulière ne sera pas si importante pour 2026, ne dépassant probablement pas 20 TWh. Nous tenons toutefois à le signaler comme un enjeu majeur pour l’avenir, car ces centrales consommeront d’énormes quantités d’énergie une fois qu’elles seront opérationnelles.

Émissions liées au changement d’affectation des sols

Les centres de données ont une empreinte foncière considérable, et ces terres sont généralement occupées par la flore et la faune avant le début des travaux. De nombreux centres de données sont construits sur des zones humides, des marais et des tourbières sensibles qui stockent d’énormes quantités de dioxyde de carbone. Les écologistes estiment que les tourbières du monde entier stockent deux fois plus de carbone que l’ensemble des forêts de la planète ; construire des centres de données dans ces zones écologiquement sensibles est donc une idée particulièrement désastreuse [111]. Lorsque ces habitats naturels intacts sont détruits, le carbone qu’ils renferment est soudainement exposé à l’oxygène atmosphérique, ce qui déclenche une vague d’émissions de dioxyde de carbone pouvant durer des années. Les tourbières endommagées représentent environ 5% de l’ensemble des émissions anthropiques mondiales de CO2 par an; leur préservation revêt donc une importance capitale pour l’écologie mondiale [112].

Commençons par estimer les émissions liées au changement d’affectation des sols induit par l’IA pour les 12 000 centres de données en service en 2025. Les plus grands centres de données hyperscale peuvent parfois dépasser les 50 acres, mais la plupart des centres de données dans le monde sont bien plus petits (généralement seulement quelques acres). Cependant, nous allons adopter une perspective de cycle de vie ; nous inclurons donc également l’empreinte foncière des systèmes d’énergie renouvelable et des centrales au gaz naturel qui sont en cours de construction, ou qui ont été construites, spécifiquement pour soutenir le développement des centres de données. Dans cette optique, nous retenons dans notre analyse une empreinte foncière moyenne sur l’ensemble du cycle de vie de 100 acres par centre de données, ce qui donne une empreinte foncière mondiale totale de 1,2 million d’acres (soit 486 000 hectares). Outre l’empreinte hors site sur l’ensemble du cycle de vie, cette empreinte mondiale inclut non seulement les empreintes directes des installations, mais aussi les terrains occupés par les installations et infrastructures adjacentes, telles que les parkings, les bassins de rétention et les sous-stations électriques.

Pour simplifier nos calculs, nous supposerons que l’ensemble de ces terrains a été défriché de manière uniforme au cours des 20 dernières années, ce qui, nous le savons, est inexact, car la construction de centres de données s’est considérablement accélérée au début des années 2020. Par souci de simplicité, nous supposerons également que le carbone total séquestré dans ces environnements affectés est rejeté dans l’atmosphère par tranches annuelles égales au fil du temps, ce qui est également inexact, car des recherches ont montré qu’environ 50 à 60% des émissions de CO2 d’une année donnée liées à la conversion des forêts proviennent spécifiquement des conversions de terres survenues cette année-là [113]. Mais en tant que premières approximations, ces hypothèses suffiront.

Ensuite, nous supposerons qu’un hectare type de terrain affecté par la construction d’un centre de données abrite des plantes et des sols qui, collectivement, séquestrent 450 tonnes métriques de CO2, d’après des études sur les biomes forestiers et d’autres environnements [114]. Cela implique un rejet annuel de 22,5 tonnes de dioxyde de carbone par hectare et par an provenant des sols classiques et de la biomasse ordinaire. Or, les tourbières ne sont en aucun cas des milieux ordinaires. Elles stockent nettement plus de carbone que la plupart des biomes végétaux en surface. Nous supposerons donc qu’elles rejettent environ 45 tonnes de dioxyde de carbone par hectare et par an (soit deux fois plus que le chiffre ci-dessus pour la biomasse ordinaire). Nous supposerons également que la configuration du centre de données reflète les caractéristiques de la surface terrestre mondiale, ce qui signifie que 3% de l’empreinte foncière du centre de données se trouve sur des sols tourbeux (14 600 hectares) et 97% sur des terres ordinaires (471 400 hectares). En synthétisant ces éléments, nous constatons que les émissions liées au changement d’affectation des sols provenant de la biomasse classique ont représenté environ 10,6 millions de tonnes de CO2 en 2026 (471 400 multiplié par 22,5, comme indiqué ci-dessus), tandis que les émissions liées à l’affectation des sols provenant de la composante tourbière s’élevaient à environ 660 000 tonnes de dioxyde de carbone (14 600 hectares multipliés par 45, comme indiqué ci-dessus).

En résumé, nous estimons que les émissions mondiales liées au changement d’affectation des sols pour 2026, résultant des centres de données, s’élevaient à environ 11,3 millions de tonnes de CO2, un chiffre stupéfiant équivalent aux émissions annuelles de plus de deux millions de voitures.

Empreinte du secteur de la construction

Le secteur de la construction est un élément majeur du déploiement des infrastructures liées à l’IA. Les dépenses totales des États-Unis pour la construction de centres de données devraient atteindre environ 29 milliards de dollars cette année [115]. Étant donné que les États-Unis abritent environ la moitié des centres de données mondiaux, nous supposerons que les dépenses mondiales totales atteindront 59 milliards de dollars. L’intensité énergétique mondiale moyenne était d’environ 3,87 MJ/USD en 2022 [116]. Nous allons supposer qu’elle est d’environ 3 MJ/USD pour le secteur de la construction; sur cette base, nous obtenons une empreinte énergétique mondiale estimée à 177 milliards de MJ pour la construction de centres de données en 2026, ce qui correspond à 49 TWh. En attribuant 40% à l’IA, l’empreinte énergétique liée à la construction des centres de données pilotés par l’IA s’élevait à 20 TWh en 2026.

Étant donné que les engins de chantier tels que les bulldozers, les pelles mécaniques et les rouleaux compresseurs tandem utilisent très majoritairement des moteurs diesel, dont l’intensité d’émission est d’environ 265 grammes de CO2 par kilowattheure (kWh) d’énergie (265 000 tonnes métriques par TWh), cela implique que l’empreinte carbone totale liée à la construction des centres de données en 2026 s’élevait à environ 13 millions de tonnes métriques [117].

Consommation en aval et effets de rebond

Jusqu’à présent, nous avons abordé les facteurs en amont nécessaires à la diffusion de l’IA: l’extraction minière, la production industrielle, la logistique, etc. Mais nous n’avons pas encore pris en compte les effets en aval. Une fois que les ménages, les entreprises et les pouvoirs publics auront adopté des systèmes d’IA, ils pourraient également adopter des comportements et des stratégies différents dont la mise en œuvre nécessite de l’énergie. Bien que l’IA puisse être utilisée pour optimiser les réseaux électriques intelligents et les itinéraires de transport, des chercheurs comme Lynn Kaak [professeure de Computer Science et de politiques publiques à la Hertie School à Berlin] et d’autres ont souligné qu’elle peut également servir à accélérer l’exploration et l’extraction de pétrole et de gaz, ainsi que d’autres activités à forte intensité énergétique [118]. L’objectif est désormais d’estimer l’empreinte énergétique et les émissions associées à ces activités en aval et à ces effets de rebond.

Il ressort très clairement des recherches que nous avons déjà citées lorsque nous avons abordé le paradoxe de Jevons (également connu sous le nom d’«effet de retour de flamme» en économie) que les industries à forte intensité capitalistique produisent généralement des taux de rebond supérieurs à 100% au fil du temps. Ainsi, la véritable question n’est pas de savoir si l’IA entraînera, à terme, une augmentation nette de la consommation énergétique mondiale en aval, mais dans quelle mesure. Pour se faire une idée de cela, nous devons d’abord avoir une idée des économies d’énergie attendues grâce au déploiement de l’IA. À partir des données du GeSI (Global Enabling Sustainability Initiative), nous adoptons un facteur de réduction de 10 pour notre analyse, ce qui signifie que pour chaque unité d’énergie consommée par le secteur de l’IA, nous nous attendons à ce qu’elle permette d’économiser 10 unités d’énergie au cours des cinq années suivantes, en l’absence d’effets de rebond [119]. Cette hypothèse de réduction brute est également étayée par les chiffres du Boston Consulting Group, qui a estimé que l’IA pourrait «réduire de 5% à 10% les émissions mondiales de gaz à effet de serre d’ici 2030» [120].

Avec une empreinte carbone d’environ 1%, cela suggérerait une réduction brute d’environ 10. Bien sûr, nous pensons qu’un effet de rebond important [quand une technologie devient plus économe ou moins chère à utiliser, son usage se développe tellement que la consommation totale de ressources augmente au lieu de baisser] se produira suite aux déploiements mondiaux de l’IA.

Notre prochaine tâche consiste donc à en fournir une estimation. D’après des recherches menées sur les secteurs industriels à l’échelle mondiale et aux États-Unis, les effets de rebond macroéconomiques peuvent varier entre 110% et 800% selon les échelles de temps [121]. Nous allons retenir un taux de rebond situé dans la fourchette basse, à savoir 140%, sur les cinq prochaines années. Il s’agit en réalité d’un chiffre assez prudent, compte tenu de l’imbrication croissante de l’IA avec pratiquement tous les secteurs et toutes les activités économiques à travers le monde; l’effet de rebond réel au cours des cinq prochaines années sera probablement plus élevé.

Nous utilisons l’équation suivante, où R correspond à l’effet de rebond estimé (140%), pour calculer la consommation énergétique supplémentaire nette:

Nous avons estimé ci-dessus la consommation mondiale d’énergie primaire liée à l’utilisation de l’IA à 709 TWh. Comme indiqué plus haut, nous appliquons un facteur de réduction de 10 sur les cinq prochaines années. Cela signifie que nous prévoyons que l’IA entraînera des économies d’énergie mondiales d’environ 7100 TWh au cours des cinq prochaines années. Cependant, comme le déploiement de l’IA devrait avoir un effet de rebond, la consommation énergétique mondiale supplémentaire nette au cours des cinq prochaines années s’élève à environ 2840 TWh, compte tenu de la formule de rebond ci-dessus et du taux de rebond de 140% (R est donc égal à 1,4). Mais nous ne pouvons pas simplement ajouter ce chiffre au total de 2026.

Il faut d’abord l’annualiser, ce qui donne 568 TWh de consommation énergétique supplémentaire liée à l’IA, due à l’effet de rebond, en 2026. En utilisant l’intensité carbone moyenne du réseau électrique mondial mentionnée plus haut (460 grammes de CO2 par kWh, soit 460 000 tonnes métriques par TWh), nous estimons l’empreinte carbone totale des effets de rebond liés à l’IA pour 2026 à environ 261 millions de tonnes métriques de CO2.

Il est vrai que les effets de rebond liés à tout déploiement technologique ne progressent généralement pas de manière linéaire au fil du temps. On peut observer des gains d’efficacité au début, puis les effets de rebond se manifestent vers la fin de la période d’observation considérée. C’est probablement le cas pour l’IA également ; de ce point de vue, il pourrait donc sembler injuste d’imputer la totalité de ces 568 TWh à l’année 2026. Mais nous estimons que cette préoccupation est atténuée par le fait que des effets de rebond réels se produisent cette année, liés aux déploiements d’IA des années précédentes. L’IA n’a pas démarré comme par magie en 2026, avec des gigawatts de capacité apparus de nulle part. Le secteur de l’IA était déjà mature à bien des égards bien avant 2026, et toute cette diffusion a inévitablement entraîné d’importants effets de rebond à l’heure actuelle.

On pourrait objecter que ces émissions supplémentaires que nous avons calculées auraient pu se produire de toute façon, en partie ou en totalité, même si l’IA n’avait jamais été inventée. Imaginons que vous ayez une idée de ce que vous allez préparer pour le dîner et que vous interrogiez un système d’IA sur les ingrédients, la recette, le supermarché où vous rendre, etc. Se rendre au magasin nécessite de l’énergie pour votre voiture et génère également des émissions d’échappement. La préparation du repas peut nécessiter l’utilisation d’une cuisinière ou d’un four, qui consomment eux aussi de l’énergie et ont une empreinte carbone. La question qui se pose alors est la suivante: à quel secteur ces conséquences doivent-elles être attribuées? Si vos actions et vos comportements sont guidés par les informations que vous avez reçues du système d’IA, nous pensons qu’il y a de solides arguments en faveur d’une attribution de l’empreinte énergétique et des émissions à l’IA. Bien sûr, vous auriez peut-être pris la voiture pour vous rendre au supermarché afin d’acheter les ingrédients du dîner même sans utiliser du tout l’IA, et cette activité aurait tout de même pu consommer la même quantité d’énergie et générer les mêmes émissions. Mais cela ne pose aucun problème. Dans ce cas, l’empreinte énergétique et les émissions devraient être imputées à un autre secteur.

La question fondamentale ne porte pas seulement sur le total cumulé, mais sur la répartition entre les secteurs qui, collectivement, déterminent ce total. En termes simples: si vous avez fait quelque chose à cause de l’IA, l’empreinte énergétique et les émissions de cette activité devraient être imputées au secteur de l’IA, soit en tant qu’impact en aval, soit en tant qu’effet de rebond. Nous comprenons que certains chercheurs, y compris des détracteurs du secteur de l’IA, puissent contester cette conclusion, mais nous estimons qu’elle est pleinement conforme aux normes comptables établies par les principales organisations internationales, en particulier le GHG Protocol.

Résultats finaux et conclusions

En résumé, nous estimons que le secteur de l’IA sera responsable de près de 1900 TWh de la consommation énergétique mondiale en 2026. Et après avoir pris en compte des facteurs supplémentaires que nous n’avons pas analysés explicitement, tels que la construction de nouvelles sous-stations électriques, d’entrepôts automatisés, d’installations de récupération d’eau et d’autres infrastructures spécifiquement conçues pour soutenir le développement des centres de données, il est probable que la demande énergétique mondiale totale liée à l’IA soit déjà plus proche de 2000 TWh. Même à 1900 TWh, la part de l’IA dans la consommation énergétique mondiale totale en 2026 serait d’environ 1,1%. Nous estimons également, après avoir additionné tous les chiffres sectoriels et obtenu un total d’environ 650 millions de tonnes métriques d’émissions de CO2 liées à l’IA, que la part de l’IA dans les émissions mondiales de GES en 2026 s’élève à environ 1,2%, les émissions mondiales annuelles totales s’établissant à environ 55 gigatonnes d’équivalent CO2, bien que les chiffres varient considérablement entre l’EDGAR (Electronic Data-Gathering, Analysis, and Retrieval) et le PNUE (allant de 53 à 58 gigatonnes selon un large éventail d’hypothèses différentes). Comme nous l’avons déjà évoqué, ces chiffres sont bien supérieurs à ce que de nombreux acteurs des médias et du monde universitaire ont estimé sur la base de calculs simplistes et d’hypothèses naïves.

Les projections jusqu’en 2030 sont évidemment bien pires et laissent présager un impact catastrophique sur la stabilité écologique mondiale. À lui seul, ChatGPT «traite environ 2,5 milliards de requêtes par jour dans le monde entier» [122]. L’ampleur de la croissance et de la diffusion de l’IA à l’échelle mondiale est véritablement stupéfiante, et l’empreinte écologique correspondante de ce secteur rivalisera bientôt avec celle de grands pays comme l’Inde. Il n’est pas du tout exagéré de penser que la part de l’IA dans la demande énergétique mondiale totale pourrait atteindre environ 5% d’ici 2030, rivalisant avec l’empreinte des industries dominantes établies, voire la dépassant dans certains cas.

Les conséquences potentielles de cette pression supplémentaire sur les ressources en matière de biodiversité, de réchauffement climatique, de pénurie d’eau douce et de cycles biogéochimiques pourraient être absolument stupéfiantes et dévastatrices pour la stabilité de la civilisation moderne.

Plusieurs facteurs pourraient modifier cette trajectoire autrement catastrophique. Premièrement, la pression politique pourrait s’amplifier et contraindre le secteur de l’IA à se stabiliser ou à réduire son envergure. Deuxièmement, en l’absence de pression politique efficace, le secteur lui-même pourrait ralentir ou s’effondrer s’il ne respectait plus les lois d’échelle. Troisièmement, les investissements pourraient diminuer même si les modèles d’IA continuent de progresser rapidement, surtout si les rendements et les bénéfices ne se concrétisent pas, comme cela a été le cas jusqu’à présent pour les grandes entreprises pionnières de l’IA. Rien de tout cela ne signifie que l’IA va disparaître. À ce stade, elle fait partie intégrante de nos vies à des degrés divers. Mais cela signifie que la vague de choc liée aux infrastructures de l’IA pourrait ralentir considérablement, et compte tenu de tous les défis écologiques qui se profilent pour le reste du siècle, nous estimons que l’humanité doit reconsidérer ses priorités.

La dernière vague de choc liée aux infrastructures contribue déjà fortement à la consommation énergétique mondiale et aux émissions de GES. À quel moment les sociétés ou les gouvernements évalueront-ils le rapport coûts-bénéfices à long terme de la croissance effrénée de ce secteur? L’IA sera peut-être un jour capable de se montrer à la hauteur des idéaux défendus par ses partisans, mais cette valeur est aujourd’hui remise en question par le simple fait qu’elle contribue également aux conditions qui rendront la Terre hostile – voire inhabitable – pour des milliards de personnes dans les années à venir. À moins que nos sociétés et nos gouvernements ne parviennent à coopérer et à réglementer ou contrôler efficacement ce secteur, nous craignons que l’espèce humaine tout entière n’en paie le prix fort. (Article publié sur le site d’Erald Kolasi le 27 juillet 2026. Les auteurs: Erald Kolasi est physicien et économiste. Auteur de nombreux articles sur «les dynamiques écologiques». Jesse Damiani a couvert entre autres pour le magazine Forbes les technologies émergentes.

Notes

67. International Energy Agency, “Energy and AI,” 2024. https://www.iea.org/reports/energy-and-ai.
68. Lawrence Berkeley National Laboratory, “2024 United States Data Center Energy Usage Report,” Department of Energy. December 20, 2024. https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers.
69. David Wood et al., “Data-Prep-Kit: getting your data ready for LLM application development,” arXiv, November 13, 2024. https://arxiv.org/pdf/2409.18164.
70. Vivian Lee et al., “Breaking Barriers to Data Center Growth,” Boston Consulting Group, January 20, 2025. https://web-assets.bcg.com/pdf-src/prod-live/breaking-barriers-data-center-growth.pdf.
71. Sagar Shelare et al., “Role of Geothermal Energy in Sustainable Water Desalination—A Review on Current Status, Parameters, and Challenges,” Energies, vol. 16, 2023. https://www.mdpi.com/1996-1073/16/6/2901.
72. Rasmus Leichter (2025). “Number of Data Centers by Country (November 2025)”. Retrieved from https://www.cargoson.com/en/blog/number-of-data-centers-by-country.
73. Presenc AI, “AI Data Center Energy Consumption Statistics 2026,” May 2026. https://presenc.ai/research/ai-data-center-energy-consumption-2026.
74. Report, “Statistical Review of World Energy,” The Energy Institute, 2026. https://www.energyinst.org/statistical-review.
75. Alexander Neumueller et al., “Cambridge Digital Mining Industry Report,” Cambridge Centre for Alternative Finance, University of Cambridge. https://www.jbs.cam.ac.uk/wp-content/uploads/2025/04/2025-04-cambridge-digital-mining-industry-report.pdf.
76. Cointelegraph, “Bernstein: Bitcoin minters becoming critical suppliers in AI infrastructure,” TradingView. https://www.tradingview.com/news/cointelegraph:e6666a483094b:0-bernstein-bitcoin-miners-becoming-critical-suppliers-in-ai-infrastructure.
77. IREN, “IREN Signs $9.7 Billion Agreement with Microsoft to Deploy AI Cloud Infrastructure,” November 3, 2025. ://iren.com/resources/blog/iren-signs97-billion-agreement-with-microsoft-to-deploy-ai-cloud-infrastructure.
78. Euan Graham, Nicolas Fulghum, and Katye Altieri, “Global Electricity Review 2025,” Ember, April 8, 2025. https://ember-energy.org/app/uploads/2025/04/Report-Global-Electricity-Review-2025.pdf.
79. For the nuclear efficiency factor, see “Statistics questionnaires” by the International Energy Agency. https://www.iea.org/statistics-questionnaires-faq. For the fossil fuel efficiency factor, see Peter Taylor et al., “Energy Efficiency Indicators for Public Electricity Production from Fossil Fuels,” International Energy Agency, July 2008. https://iea.blob.core.windows.net/assets/acaecb98-4430-4395-a4fa-d1a4d5ccb3d3/EnergyEfficiencyIndicatorsforPublicElectricityProductionfromFossilFuels.pdf.
80. Report, “Statistical Review of World Energy,” The Energy Institute, 2026, p. 23. https://www.energyinst.org/statistical-review.
81. Jinsoo Kim et al., “Decarbonizing the iron and steel industry: A systematic review of sociotechnical systems, technological innovations, and policy options,” Energy Research & Social Science, vol. 89, 2022. https://www.sciencedirect.com/science/article/abs/pii/S2214629622000706?82.
82. World Economic Forum, “Metals at scale for AI at scale: securing the data center materials backbone,” December 10, 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/.
83. World Steel Association, “Climate change and the production of iron and steel,” https://worldsteel.org/climate-action/climate-change-and-the-production-of-iron-and-steel/.
84. World Steel Association, “Sustainability indicators of the steel industry,” https://worldsteel.org/data/world-steel-in-figures/world-steel-in-figures-2025/.
85. Camillo Schmidt-Chiari, “Global Cement Industry,” Gabelli, October 23, 2025. https://gabelli.com/research/global-cement-industry/.
86. Environmental Protection Agency, “U.S. Cement Industries Carbon Intensities,” October 2021. https://www.epa.gov/system/files/documents/2021-10/cement-carbon-intensities-fact-sheet.pdf.
87. World Economic Forum, “Metals at scale for AI at scale: securing the data center materials backbone,” December 10, 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/.
88. Andy Patrizio, “Gartner: Data center electricity consumption to grow 26% in 2026,” Network World, July 7, 2026. https://www.networkworld.com/article/4193996/gartner-data-center-electricity-consumption-to-grow-26-in-2026.html.
89. See Lingchen Liu et al., “Life Cycle Energy Consumption and GHG Emissions of the Copper Production in China and the Influence of Main Factors on the above Performance” Processes, vol. 19, 2022. https://www.mdpi.com/2227-9717/10/12/2715.
90. World Economic Forum, “Metals at scale for AI at scale: securing the data center materials backbone,” December 10, 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/.
91. SEMI, “Silicon Wafer Shipment Statistics,” https://www.semi.org/en/products-services/market-data/materials/si-shipment-statistics.
92. Shihcheng Hu and Yew Khoy Chuah, “Power consumption of semiconductor fabs in Taiwan,” Energy, vol. 28, 2003, 895-907. https://www.sciencedirect.com/science/article/abs/pii/S0360544203000082.
93. Nicolas Fulghum et al., “Global Electricity Review 2026,” Ember, April 21, 2026. https://ember-energy.org/app/uploads/2026/04/Global-Electricity-Review-2026.pdf.
94. Report, “Semiconductor Emissions Are Exploding: What the Forecast Says About AI, 3D NAND, and the Global Grid,” Tech Insights, December 22, 2025. https://www.techinsights.com/blog/semiconductor-emissions-are-exploding-what-forecast-says-about-ai-3d-nand-and-global-grid.
95. U.S. Department of Energy, “Using Life Cycle Energy Analysis for Sustainable Manufacturing,” 2026. https://www.energy.gov/cmei/amo/articles/using-life-cycle-energy-analysis-more-sustainable-manufacturing?hl=en-US.
96. Jeroen Kusters et al., “2026 Global Semiconductor Industry Outlook,” Deloitte, February 5, 2026. https://www.deloitte.com/us/en/insights/industry/technology/technology-media-telecom-outlooks/semiconductor-industry-outlook.html.
97. Executive Summary, “World Robotics 2025,” IFR, 2025. https://ifr.org/img/worldrobotics/Executive_Summary_WR_2025_Industrial_Robots.pdf.
98. Nate Barnett, Dave Costenaro, and Ingrid Rohmund, “Direct and Indirect Impacts of Robots on Future Electricity Load,” Applied Energy Group. https://www.aceee.org/files/proceedings/2017/data/polopoly_fs/1.3687904.1501159084!/fileserver/file/790278/filename/0036_0053_000029.pdf.
99. International Energy Agency, “Data Centers and Data Transmission Networks,” 2023. https://www.iea.org/energy-system/buildings/data-centres-and-data-transmission-networks.
100. Cisco Report 2026, “AI Impact on Wide Area Networks,” https://www.cisco.com/c/dam/en/us/solutions/collateral/artificial-intelligence/mass-scale-infrastructure/ai-network-traffic-report.pdf.
101. Lisa Winkler, “The effect of sustainable mobility transition policies on cumulative urban transport emissions and energy demand,” Nature Communications, vol. 14, 2023. https://www.nature.com/articles/s41467-023-37728-x.
102. Matteo Muratori et al., “Role of the Freight Sector in Future Climate Change Mitigation Scenarios,” Environmental Science & Technology, 2017. https://www.osti.gov/servlets/purl/1349019.
103. Taner Stewart, “Data Center Energy Consumption: How Much Electricity Does a Data Center Use?”, Texas Electric Broker, June 11, 2026. https://www.texaselectricbroker.com/blog/data-center-energy-consumption.
104. Tugana Aslan et al., “Toward climate neutral data centers: Greenhouse gas inventory, scenarios, and strategies,” CellPress, December 21, 2024. https://www.cell.com/action/showPdf?pii=S2589-0042%2824%2902864-5.
105. Nirmala Menikpura and Janya Sang-Arun, “Estimation Tool for Greenhouse Gas (GHG) Emissions from Municipal Solid Waste (MSW) Management in a Life Cycle Perspective,” Institute for Global Environmental Strategies, 2013. https://www.iges.or.jp/en/publication_documents/pub/data/en/3247/User_Manual_for_Simulation-_Version_II_%28edited%29-01_Oct_2013.pdf.
106. “Energy supply for AI,” International Energy Agency. https://www.iea.org/reports/energy-and-ai/energy-supply-for-ai.
107. Article, “How Hyperscalers are Fueling the Race for 24/7 Clean Power,” McKinsey & Company, December 18, 2024. https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/how-hyperscalers-are-fueling-the-race-for-24-7-clean-power.
108. Brittany L. Smith et al., “An Updated Life Cycle Assessment of Utility-Scale Solar Photovoltaic Systems Installed in the United States,” National Renewable Energy Laboratory, March 2024. https://docs.nlr.gov/docs/fy24osti/87372.pdf.
109. Report, “Global Energy Review 2026,” International Energy Agency, https://iea.blob.core.windows.net/assets/df903e1c-49c6-4757-8cbf-6fbcfe7611a0/GlobalEnergyReview2026.pdf.
110. Erhan Eren, “Gigawatt PPAs: How the Google-Total Energies Deal Redefined Hyperscaler Solar Procurement in 2026,” Enki, 2026. https://enkiai.com/solar/gigawatt-ppas-how-ai-redefined-hyperscaler-energy-in-2026/.
111. Christian Dunn and Chris Freeman, “Peatlands: our greatest source of carbon credits?”, Carbon Management, vol. 2, 2011. https://www.tandfonline.com/doi/full/10.4155/cmt.11.23.
112. Issue Brief, “Peatlands and climate change,” International Union for Conservation of Nature, 2017.

113. IPCC, “Land-Use Change & Forestry,” https://www.ipcc-nggip.iges.or.jp/public/gl/guidelin/ch5ref1.pdf.
114. Heather Keith, Brendan G. Mackey, and David B. Lindenmayer, “Re-evaluation of forest biomass carbon stocks and lessons from the world’s most carbon-dense forests,” Proceedings of the National Academy of Sciences, vol. 106, July 14, 2009. https://www.pnas.org/doi/10.1073/pnas.0901970106.
115. “How much is the US spending on building data centers?”, Our World in Data, April 9, 2026. https://ourworldindata.org/how-much-is-the-us-spending-on-building-data-centers.
116. ESMAP, “Energy Efficiency,” https://trackingsdg7.esmap.org/sites/default/files/download-documents/chapter4_energyefficiency.pdf.
117. “Carbon dioxide emission factors,” Our World in Data, https://ourworldindata.org/grapher/carbon-dioxide-emissions-factor.
118. Lynn H. Kaak et al., “Aligning artificial intelligence with climate change mitigation,” Nature Climate Change, 2022. https://par.nsf.gov/servlets/purl/10469824.
119. GeSI, “The Opportunity,” https://smarter2030.gesi.org/the-opportunity/.
120. Amane Dannouni et al., “Accelerating Climate Action with AI,” Boston Consulting Group, November 2023. https://web-assets.bcg.com/72/cf/b609ac3d4ac6829bae6fa88b8329/bcg-accelerating-climate-action-with-ai-nov-2023-rev.pdf.
121. Jeffrey B. Dahmus, “Can Efficiency Improvements Reduce Resource Consumption?”, Journal of Industrial Ecology, vol. 18, December 2014. https://web.mit.edu/ebm/www/Publications/JIE%20-%20Dahmus%20-%20Can%20Efficiency%20Improvements%20Reduce%20Resource%20Consumption%20-%202014%20copy.pdf
122. Miriam Aczel, et al., “Environmental Cost of AI’s Energy Use,” Institute for Water, Environment, and Health, United Nations, 2026. https://collections.unu.edu/eserv/UNU:10647/UNU-INWEH-Report-The_Env_Cost_of_AI-2026.pdf.