IA agentique : jusqu'à 60 fois plus d'impact environnemental que l'IA générative classique

L'écart ne tient pas à la puissance du modèle sous-jacent, mais à sa façon de travailler. Une IA générative « classique » comme Claude ou Gemini répond en un seul passage : elle génère un texte à partir d'une requête, point final. Une IA agentique comme ChatGPT Agent ou Perplexity, elle, décompose la tâche en une succession d'étapes — recherche d'informations sur le web, appels à des outils externes, vérifications intermédiaires, reformulations — avant de produire une réponse. Chacune de ces étapes mobilise à nouveau des serveurs, des échanges réseau et du calcul. Selon l'étude de l'association GreenIT, publiée en octobre 2025, cette multiplication des allers-retours peut se traduire par un facteur d'impact environnemental jusqu'à 60 fois supérieur, pour un résultat final jugé équivalent.

Une unité fonctionnelle pour comparer ce qui est comparable

Pour établir cette comparaison, l'association s'appuie sur une méthodologie proche de l'analyse de cycle de vie (ACV), avec seize indicateurs environnementaux et sanitaires suivis sur quatre étapes : fabrication des équipements, distribution, phase d'usage et fin de vie. L'unité de mesure retenue n'est pas la requête brute mais le « résultat final obtenu » — c'est-à-dire une tâche menée à son terme, qu'elle ait nécessité une ou plusieurs interactions avec le système. C'est cette normalisation qui permet de mettre en regard un agent autonome, qui multiplie les sous-tâches, et un assistant conversationnel qui répond directement.

L'étude s'inscrit dans un travail plus large de chiffrage des impacts globaux de l'intelligence artificielle. GreenIT évalue les émissions de gaz à effet de serre attribuables à l'IA à environ 41 millions de tonnes de CO2 équivalent pour 2025. La trajectoire projetée est nettement plus préoccupante : l'association anticipe une multiplication par sept de ces impacts d'ici 2030, pour atteindre environ 277 millions de tonnes de CO2 équivalent par an — un niveau que l'étude compare aux objectifs climatiques nationaux de la France.

Autre indicateur mis en avant : la part de l'IA dans le « budget environnemental soutenable » de l'Europe, une notion qui rapporte les impacts d'un secteur aux limites planétaires réparties par habitant. Cette part serait déjà de 10 % en 2025, et grimperait à 62 % en 2030 si la trajectoire actuelle se poursuit — une hausse qui reflète moins un usage individuel démesuré que la généralisation rapide des agents et des usages les plus gourmands en calcul.

Ce que ça change pour les usages courants

Le constat arrive alors que les agents autonomes sont présentés par la plupart des grands éditeurs — OpenAI, Perplexity, Google, Microsoft — comme la prochaine étape naturelle de l'IA générative, capable d'exécuter des tâches complexes (réserver, comparer, planifier) sans supervision constante de l'utilisateur. L'étude de GreenIT ne remet pas en cause l'utilité de ces outils, mais invite à distinguer les usages où l'automatisation multi-étapes apporte une réelle valeur de ceux où une réponse directe, moins coûteuse, suffirait.

Pour les entreprises et les particuliers, le message pratique est simple : le choix du mode d'interaction — poser une question directe plutôt que déléguer une tâche à un agent qui va lui-même chercher, vérifier et recouper l'information — a un effet mesurable sur l'empreinte environnementale, bien avant même de comparer les modèles entre eux. GreenIT plaide pour davantage de transparence de la part des fournisseurs sur la consommation réelle de leurs services, un point sur lequel la plupart des grands acteurs du secteur communiquent encore très peu.

Reste à voir si cette étude influencera la conception des futurs agents : des pistes existent déjà, comme la limitation du nombre d'étapes intermédiaires, le choix de modèles plus légers pour les sous-tâches simples, ou une meilleure mise en cache des résultats déjà obtenus, pour que l'automatisation ne se paie pas systématiquement d'un surcoût environnemental proportionnel à sa complexité.