La thermodynamique du capital : intelligence artificielle, crise énergétique et crise écologique

Traduction de The Thermodynamics of Capital: Artificial Intelligence, Energy Crisis, and Ecological Crisis par Te Li dans Monthly Review, juin 2026.

Du code à la matière

Au printemps 2023, Microsoft a annoncé un investissement de plusieurs milliards de dollars dans OpenAI, présentant ce partenariat comme un bond en avant vers une civilisation plus propre, plus intelligente et plus efficace. Les images qui accompagnent ce genre d’annonces sont invariablement éthérées : des réseaux neuronaux lumineux, des flux de données en apesanteur et des algorithmes virevoltant dans un espace numérique sans friction. L’intelligence artificielle (IA), dans le discours dominant de la Vallée du Silicium et de son écosystème médiatique, se présente comme l’apothéose de la dématérialisation — une technologie si raffinée, si purement cognitive, qu’elle a enfin échappé au monde sale et entropique des machines à vapeur, des mines de charbon et des ateliers d’usine.

Cet article soutient que ces représentations sont idéologiques au sens marxiste précis du terme : elles inversent la réalité, présentant comme immatériel un processus qui est profondément et de manière déterminante matériel. On estime que l’entraînement de GPT-4 a consommé une énergie équivalente à la consommation annuelle d’électricité de milliers de foyers.¹ Une seule requête adressée à un grand modèle linguistique nécessite environ dix fois plus d’électricité qu’une recherche standard sur Internet.² La consommation d’eau de Microsoft a augmenté de 34 % en une seule année, une hausse que son propre rapport environnemental attribue directement à l’expansion de l’infrastructure d’IA.³ Il ne s’agit pas là d’inefficacités fortuites en attente d’une correction technique; ce sont des nécessités structurelles d’une technologie dont le substrat physique — semi-conducteurs, centres de données, systèmes de refroidissement et réseaux de transmission — figure parmi les infrastructures les plus gourmandes en ressources que l’humanité ait jamais construites.

Le mythe de la dématérialisation numérique a une longue généalogie. Depuis les années 1990, les théoriciens de l’« économie de l’information » soutiennent que le passage de l’industrie manufacturière aux services, et des atomes aux bits, dissocierait la croissance économique de la consommation de matières premières.⁴ L’essor de l’IA a donné à cette thèse une nouvelle version, plus puissante : si les technologies numériques antérieures se contentaient de traiter l’information, l’IA — selon cet argument — génère elle-même de l’intelligence, une ressource dont l’abondance n’épuise pas la nature, mais la transcende. Telle est la vision qui anime la rhétorique de « l’IA pour le climat », de « l’IA pour la durabilité », ainsi que l’affirmation plus générale selon laquelle la puissance de calcul peut se substituer aux ressources naturelles pour résoudre la crise écologique.

Le cadre théorique développé dans cet article remet en cause cette vision dans ses fondements. Je m’appuie sur la tradition thermodynamique au sein de l’économie politique écologique, depuis l’ouvrage fondateur de Nicholas Georgescu-Roegen, The Entropy Law and the Economic Process, jusqu’à la synthèse écosocialiste développée par John Bellamy Foster et Brett Clark, pour soutenir que l’essor de l’IA sous le capitalisme ne représente pas une transcendance du monde matériel, mais une intensification de la relation entropique du capital avec celui-ci.⁵ La deuxième loi de la thermodynamique est implacable dans son universalité : tout calcul est un événement thermodynamique. Elle consomme de l’énergie à faible entropie — ordonnée, utilisable, libre d’accomplir un travail — et renvoie à la biosphère des déchets à forte entropie sous forme de chaleur, de dioxyde de carbone et de matière dégradée. Aucun algorithme, aussi élégant soit-il, ne suspend cette loi. La question n’est pas de savoir si l’IA produit de l’entropie, mais en quelle quantité, à quel rythme, et quels écosystèmes en absorbent les conséquences.

Karl Marx concevait la production comme un processus métabolique — un échange continu entre les sociétés humaines et le monde naturel, par l’intermédiaire du travail et de la technologie. Dans Le Capital, il observait que la machinerie ne crée pas d’énergie, mais transforme et transmet les forces naturelles qui y sont incorporées, et que cette transformation implique toujours la consommation de substance naturelle.⁶ Ce qu’il n’aurait pu prévoir, c’est une forme d’accumulation du capital dans laquelle la principale force productive est la puissance de calcul, et où les exigences thermodynamiques de cette puissance exerceraient une pression sans précédent sur les systèmes énergétiques planétaires, les réserves d’eau douce et la stabilité climatique. L’essor de l’IA nous confronte à la nécessité d’étendre l’analyse métabolique de Marx au domaine numérique.

La dynamique de l’accumulation — l’IA en tant que moteur à haute entropie

La crise écologique de l’IA n’est pas, en premier lieu, un problème thermodynamique. C’est un problème social et historique. Les processus spécifiques qui génèrent le fardeau écologique de l’IA — la course aux armements concurrentielle entre une poignée de monopoles technologiques, l’impératif d’augmenter la capacité de calcul sans égard à l’utilité sociale, et l’externalisation systématique des coûts écologiques vers les communautés et les écosystèmes du Sud — sont les produits d’une formation historique particulière : le capitalisme dans sa phase monopolistique-numérique. La thermodynamique ne cause pas ces processus; elle en enregistre les conséquences. La deuxième loi de la thermodynamique nous dit que tout calcul dégrade l’énergie. Elle ne nous explique pas pourquoi le calcul est organisé à cette échelle, à ce rythme, à ces fins, ni aux dépens de qui. Pour cela, nous avons besoin d’une analyse sociale et historique. Ce que le cadre thermodynamique apporte, et ce qui le rend indispensable, c’est une explication précise des raisons pour lesquelles les dommages écologiques générés par ces processus sociaux ne sont pas accidentels mais structurels, ne peuvent être corrigés par des gains d’efficacité mais s’aggravent, et ne sont pas réversibles par les mécanismes du marché mais permanents.

Pour comprendre pourquoi l’IA est coûteuse sur le plan thermodynamique d’une manière structurellement nécessaire plutôt que contingente, il est essentiel d’examiner la relation entre la mise à l’échelle computationnelle, l’accumulation de capital et la consommation d’énergie. Cette relation est régie par des dynamiques qui font que le fardeau écologique de l’IA sous le capitalisme n’est pas simplement important, mais qu’il s’autoalimente et s’amplifie.

La base physique du calcul de l’IA réside dans le traitement de vastes quantités d’opérations numériques — multiplications, additions et comparaisons — effectuées par du matériel spécialisé à une vitesse extraordinaire. L’énergie nécessaire à l’exécution de ces opérations n’est pas négligeable. L’étude phare d’Emma Strubell, d’Ananya Ganesh et d’Andrew McCallum, publiée en 2019, estimait que l’entraînement d’un seul grand modèle de traitement du langage naturel utilisant la recherche d’architecture neuronale produisait des émissions de dioxyde de carbone comparables aux émissions sur toute la durée de vie de cinq automobiles américaines moyennes.⁷ Les générations de modèles qui ont suivi ont été considérablement plus volumineuses. Bien que les entreprises technologiques aient refusé de publier des chiffres énergétiques complets pour leurs systèmes les plus récents, des analyses indépendantes suggèrent que l’entraînement de modèles de pointe, tels que GPT-4, a consommé de l’énergie de l’ordre de dizaines de gigawattheures, soit suffisamment pour alimenter une petite ville pendant des semaines.⁸

La relation entre l’échelle du modèle et la demande de calcul n’est pas linéaire, mais superlinéaire. Les recherches sur les lois d’échelle dans les grands modèles linguistiques ont établi que la performance d’un modèle évolue approximativement comme une fonction puissance du produit des paramètres du modèle et des données d’entraînement.⁹ Cela signifie que des améliorations progressives de la capacité d’un modèle nécessitent des augmentations disproportionnées de l’investissement en calcul. Pour améliorer la performance d’un modèle d’un pourcentage fixe, le budget de calcul — et par conséquent, la consommation d’énergie — doit augmenter d’un pourcentage nettement plus élevé. Il s’agit là de l’expression thermodynamique des rendements décroissants : à mesure que les systèmes d’IA de pointe approchent des limites de performance sur des tâches de référence, chaque incrément supplémentaire de capacité extraite nécessite un apport énergétique exponentiellement plus important. Le coût entropique de l’intelligence, dans le cadre des paradigmes technologiques actuels, augmente plus rapidement que l’intelligence elle-même.

Cette dynamique est encore amplifiée par la logique de l’accumulation du capital. L’industrie de l’IA s’articule autour d’un petit nombre de grandes entreprises — Google, Microsoft, Amazon, Meta (Facebook) et leurs homologues chinoises — dont la position concurrentielle dépend du maintien d’une supériorité algorithmique. Dans ce contexte, la capacité de calcul n’est pas simplement un intrant de production, mais un actif stratégique : l’entreprise disposant des plus grandes ressources de calcul peut entraîner des modèles plus volumineux, attirer davantage d’utilisateurs et accumuler plus de données, renforçant ainsi sa domination sur le marché. Il en résulte ce que l’on pourrait appeler une « course aux armements computationnels », dans laquelle chaque entreprise est contrainte d’étendre son infrastructure d’IA, non pas parce que le bénéfice social marginal d’une puissance de calcul supplémentaire justifie le coût marginal, mais parce que la logique concurrentielle de l’accumulation du capital fait de toute modération un équivalent de sortie du marché.¹⁰ Aucune entreprise ne peut limiter volontairement sa consommation d’énergie sans céder du terrain à ses rivaux. Il en résulte un échec de l’action collective aux proportions historiques : l’industrie dans son ensemble étend son empreinte énergétique bien au-delà de ce qu’exigerait toute évaluation rationnelle des besoins sociaux.

Le mécanisme par lequel cette dynamique opère est mis en lumière par le paradoxe de Jevons, identifié pour la première fois par l’économiste anglais William Stanley Jevons dans son analyse de 1865 sur la consommation de charbon britannique. Jevons a observé que les gains d’efficacité des machines à vapeur — c’est-à-dire la réduction de la quantité de charbon nécessaire pour effectuer une unité de travail donnée — ne réduisaient pas la consommation totale de charbon, mais l’accéléraient, car la baisse des coûts de consommation d’énergie stimulait l’expansion d’activités économiques à forte intensité énergétique.¹¹ Ce paradoxe n’est pas une bizarrerie de l’économie politique victorienne; il s’agit d’une caractéristique structurelle de l’accumulation du capital, qui s’applique partout où les gains d’efficacité réduisent le coût d’une ressource et stimulent ainsi la demande pour son utilisation.

Dans le secteur de l’IA, le paradoxe de Jevons s’applique avec une force particulière. Les générations successives de puces d’IA — des architectures A100 à H100, puis Blackwell de NVIDIA — ont permis des améliorations spectaculaires de l’efficacité computationnelle, mesurée en opérations par watt. Pourtant, la consommation énergétique totale des infrastructures d’IA n’a cessé d’augmenter de façon abrupte, car les gains d’efficacité ont réduit le coût du calcul en IA, stimulé la prolifération des applications d’IA, accru le volume des opérations d’inférence et accéléré le développement de modèles toujours plus volumineux. Une analyse réalisée par OpenAI a révélé que les besoins en calcul des cycles d’entraînement de l’IA de pointe ont doublé environ tous les 3, 4 mois entre 2012 et 2018 — un taux de croissance dépassant de loin les gains d’efficacité apportés par les progrès matériels.¹² L’Agence internationale de l’énergie a projeté en 2024 que la consommation d’électricité des centres de données pourrait dépasser 1 000 térawattheures par année d’ici 2026, ce qui équivaut à peu près à la demande nationale totale en électricité du Japon.¹³

Ce sont ces processus sociaux et historiques concrets — la course aux armements monopolistique, la dynamique de Jevons et l’impossibilité structurelle d’une modération volontaire dans le cadre de l’accumulation concurrentielle — que la thermodynamique enregistre, mais qu’elle ne peut expliquer à elle seule. La thermodynamique hors équilibre d’Ilya Prigogine, développée de manière exhaustive dans *L’ordre naissant du chaos*, établit le lien conceptuel entre la logique sociale du capital et ses conséquences physiques.¹⁴ Prigogine a démontré que les systèmes complexes éloignés de l’équilibre thermodynamique — ce qu’on appelle les structures dissipatives — maintiennent leur ordre interne en important continuellement de l’énergie à faible entropie depuis leur environnement et en exportant des déchets à forte entropie. La cellule vivante, l’ouragan et la flamme sont tous des structures dissipatives en ce sens : ils maintiennent leur complexité interne au prix d’une entropie croissante dans leur environnement. Mais l’idée la plus profonde de Prigogine, et celle qui a le plus d’importance dans le cadre du présent exposé, est que les processus qui animent les structures dissipatives loin de l’équilibre sont irréversibles. L’entropie générée dans l’environnement ne peut être récupérée; la dégradation de l’environnement est permanente. Cette irréversibilité n’est pas un effet secondaire de l’inefficacité, c’est la signature thermodynamique des processus dissipatifs eux-mêmes.

Le complexe capitaliste de l’IA est une structure dissipative de ce type, mais dont l’échelle, le taux de croissance et l’irréversibilité ne sont pas déterminés par des dynamiques naturelles, mais par les impératifs de l’accumulation du capital. Il maintient l’ordre interne du profit des entreprises, de l’optimisation algorithmique et de la domination du marché en puisant continuellement dans les réserves à faible entropie de la biosphère — combustibles fossiles, eau douce et minerais — et en les restituant sous forme de déchets à haute entropie : dioxyde de carbone, la pollution thermique et les déchets électroniques. Le dioxyde de carbone émis par les centres de données s’accumule dans l’atmosphère à l’échelle de siècles. Les aquifères puisés par les systèmes de refroidissement ne se reconstituent qu’à l’échelle de millénaires, si tant est qu’ils le fassent. Les écosystèmes perturbés par l’extraction minière dans le bassin du Congo ou le désert d’Atacama ne reviennent pas à leur état antérieur lorsque les mines ferment. Ce que fait le capitalisme, à travers la logique concurrentielle de l’accumulation de l’IA, c’est d’accélérer ces processus dissipatifs à un rythme et à une échelle qui dépassent la capacité régénératrice des systèmes naturels, entraînant des dommages écologiques qu’aucune solution technologique future ne pourra réparer. L’ordre de l’algorithme s’acquiert au prix d’un désordre permanent dans l’atmosphère, les bassins versants et le sol.

Ce cadre nous permet de voir ce que le discours techno-optimiste dissimule : que l’« intelligence » produite par les systèmes d’IA n’est pas un don gratuit des technologies de l’information, mais un produit thermodynamique, extrait de la nature à un coût que le marché omet systématiquement de prendre en compte. Les états financiers des entreprises technologiques enregistrent les revenus générés par les services d’IA; ils n’enregistrent pas le fardeau entropique imposé aux écosystèmes, aux communautés et aux systèmes climatiques par les flux d’énergie et de matières qui rendent ces services possibles. Il ne s’agit pas d’une erreur comptable, mais d’une caractéristique structurelle de la relation du capitalisme avec la nature — ce que Foster, Clark et Richard York ont appelé la « fracture écologique » : la séparation systématique des coûts de production des lieux et des sujets qui les supportent.¹⁵

Une autre dimension de l’analyse thermodynamique concerne la relation entre l’entraînement de l’IA et l’inférence de l’IA. L’entraînement, processus d’optimisation des paramètres d’un modèle sur de vastes ensembles de données, est très exigeant sur le plan informatique, mais ne se produit qu’une seule fois. L’inférence, processus consistant à exécuter un modèle entraîné pour générer des résultats, est moins gourmande en ressources à l’unité, mais se produit en continu, des milliards de fois par jour, à l’échelle du déploiement mondial des systèmes d’IA. À mesure que l’IA est intégrée aux moteurs de recherche, aux logiciels de productivité, aux diagnostics médicaux, à la recherche juridique, à l’analyse financière et aux systèmes de ciblage militaires, la demande énergétique globale liée à l’inférence augmente proportionnellement à l’ampleur du déploiement. Goldman Sachs Research a estimé que la demande énergétique liée à l’inférence en IA pourrait dépasser celle de l’entraînement au cours de la présente décennie, à mesure que le déploiement s’étend.¹⁶ Cela signifie que le fardeau écologique de l’IA n’est pas un coût ponctuel lié à la construction du système, mais un fardeau continu et croissant qui pèse sur les budgets énergétiques et hydriques de la planète — un fardeau dont le taux augmente avec chaque nouvelle application, chaque nouvel utilisateur et chaque nouveau cycle d’accumulation de capital dans le secteur de l’IA.

Le tableau qui se dessine est celui d’une crise écologique de l’IA qui n’est pas le fait de la thermodynamique en soi, mais des processus sociaux et historiques spécifiques de l’accumulation du capital — la course aux armements concurrentielle, la dynamique de Jevons et l’externalisation systématique des coûts écologiques — qui, ensemble, alimentent des processus dissipatifs de non-réversibilité prigoginienne à l’échelle planétaire. L’entropie est la mesure des dommages; l’accumulation du capital en est la cause.

La fracture énergétique : électricité, eau et extraction minérale

L’analyse thermodynamique de la section précédente établit la logique structurelle des besoins énergétiques de l’IA. Cette section examine la réalité matérielle de ces besoins selon trois dimensions : l’électricité, l’eau et les minéraux essentiels. Ensemble, ces trois vecteurs d’extraction constituent ce que l’on pourrait appeler, en adaptant le concept de « fracture métabolique » de Foster et Clark, une « fracture énergétique » propre à l’ère numérique : une perturbation systématique de la relation métabolique entre les systèmes technologiques humains et les cycles naturels qui les soutiennent, médiatisée par les inégalités spatiales et sociales du capitalisme mondial.¹⁷

Électricité : le réseau sous pression

La dimension la plus immédiatement visible de l’empreinte écologique de l’IA est sa demande en énergie électrique. Les centres de données — l’infrastructure physique de l’IA, abritant les serveurs qui entraînent les modèles et traitent les demandes d’inférence — comptent parmi les installations les plus gourmandes en électricité de l’économie moderne. Un grand centre de données à très grande échelle, tel que ceux exploités par Google, Microsoft ou Amazon, peut consommer en continu entre 100 et 500 mégawatts d’électricité — ce qui est comparable à la demande en électricité d’une ville de taille moyenne. L’expansion de l’IA a considérablement accéléré la construction de telles installations. Microsoft a annoncé à lui seul, en 2024, son intention d’investir 100 milliards de dollars dans de nouvelles infrastructures de centres de données à l’échelle mondiale, et des engagements similaires ont été pris par Google, Amazon, et Meta.¹⁸

L’ampleur de cette expansion exerce une pression intense sur les réseaux électriques dans les régions où la construction de centres de données est concentrée. En Virginie du Nord, qui abrite la plus grande concentration de centres de données au monde, les exploitants de réseaux ont averti que la croissance prévue des centres de données menace de dépasser la capacité de production et de transport d’électricité de la région, ce qui pourrait nécessiter la construction de nouvelles centrales à combustibles fossiles pour répondre à la demande.¹⁹ En Irlande, les centres de données représentent déjà environ 21 % de la consommation totale d’électricité du pays — un chiffre qui, selon les projections de l’exploitant du réseau national, pourrait atteindre 32 % d’ici 2031, ce qui évincerait la capacité en énergies renouvelables destinée à la décarbonisation des ménages et de l’industrie.²⁰ À Singapour, le gouvernement a imposé un moratoire sur la construction de nouveaux centres de données entre 2019 et 2022, invoquant des contraintes énergétiques, avant de le lever sous la pression des entreprises technologiques.

La relation entre la demande en électricité de l’IA et la transition énergétique est profondément contradictoire. Les entreprises technologiques ont pris des engagements très médiatisés visant à alimenter leurs activités à l’aide d’énergies renouvelables et ont investi massivement dans des ententes d’achat d’électricité éolienne et solaire. Mais ces engagements sont systématiquement compromis par trois dynamiques structurelles. Premièrement, le décalage temporel entre la disponibilité des énergies renouvelables — qui est intermittente, dépendant des conditions éoliennes et solaires — et la demande des centres de données, qui est continue et ne peut être interrompue, fait que les ententes d’achat d’électricité renouvelable ne correspondent souvent pas aux habitudes réelles de consommation d’électricité. L’électricité qui circule dans les circuits des centres de données à un moment donné peut provenir de centrales au gaz naturel, au charbon ou nucléaires, peu importe les contrats d’énergie renouvelable que l’entreprise a signés.²¹

Deuxièmement, et de manière plus fondamentale, la croissance de la demande en électricité liée à l’IA dépasse le rythme d’expansion de la capacité en énergie renouvelable. Une analyse réalisée en 2024 par l’Agence internationale de l’énergie a révélé que la croissance prévue de la demande en électricité des centres de données absorberait une part substantielle de la nouvelle production d’énergie renouvelable sur plusieurs marchés majeurs, évinçant de fait la décarbonisation dans d’autres secteurs.²² Le développement de capacités renouvelables pour alimenter l’IA n’augmente pas l’offre d’énergie propre disponible pour l’économie dans son ensemble; elle absorbe de l’énergie propre qui, autrement, aurait remplacé les combustibles fossiles ailleurs.

Troisièmement, les exigences de fiabilité extrêmes des infrastructures d’IA ont poussé les entreprises technologiques à rechercher des contrats à long terme pour la production d’électricité à partir du gaz naturel. L’entente conclue par Microsoft avec Constellation Energy pour la réouverture de la centrale nucléaire de Three Mile Island a fait l’objet d’une importante couverture médiatique, mais on a moins remarqué la tendance générale des entreprises technologiques à signer des ententes de capacité avec des producteurs d’électricité au gaz afin de garantir un approvisionnement énergétique sûr.²³ La logique écologique est sans appel : l’expansion de l’IA prolonge directement la durée de vie économique des infrastructures liées aux combustibles fossiles, verrouillant ainsi les émissions de carbone pour les décennies à venir.

L’eau : le métabolisme caché

Si l’électricité est la face visible des exigences écologiques de l’IA, l’eau en est le métabolisme caché. Les centres de données nécessitent d’énormes quantités d’eau douce pour leur refroidissement, que ce soit par le biais de systèmes de refroidissement par évaporation directe qui consomment de l’eau sous forme de vapeur, ou par le refroidissement des centrales thermoélectriques qui leur fournissent leur électricité. Cette demande en eau est structurellement invisible dans la plupart des bilans publics de l’impact environnemental de l’IA, alors qu’elle représente l’une des dimensions les plus graves et les plus aiguës à l’échelle locale de l’empreinte écologique de cette technologie.

L’étude de 2023 menée par Pengfei Li et ses collègues a fourni les premières estimations systématiques de la consommation d’eau de l’IA, calculant que l’entraînement de GPT-3 nécessitait environ 700 000 litres d’eau douce — une quantité suffisante pour produire 370 voitures BMW ou 320 véhicules électriques Tesla.²⁴ En ce qui concerne l’inférence, le tableau est tout aussi frappant : l’étude a estimé qu’une conversation comprenant entre vingt et cinquante questions avec ChatGPT consomme environ 500 millilitres d’eau. Multiplié par des millions d’utilisateurs quotidiens, cela représente une demande globale en eau douce d’une ampleur extraordinaire.

Les données divulguées par les entreprises confirment cette tendance. Le rapport environnemental 2022 de Microsoft a révélé une augmentation de 34 % de la consommation mondiale d’eau d’une année sur l’autre, attribuant explicitement cette hausse à l’expansion des infrastructures d’IA.²⁵ Google a quant à lui signalé une augmentation de 20 % de sa consommation d’eau au cours de la même période.²⁶ Il ne s’agit pas là de fluctuations marginales; elles représentent un changement structurel dans les besoins en eau douce du secteur technologique, directement induit par la mise à l’échelle des systèmes d’IA.

La répartition géographique de cette consommation d’eau n’est pas neutre. Les centres de données sont souvent implantés dans des régions choisies pour le faible coût des terrains, des régimes fiscaux avantageux et des conditions climatiques propices au refroidissement, des critères qui conduisent régulièrement les entreprises technologiques à s’installer dans des zones confrontées à un stress hydrique existant ou émergent. Dans le sud-ouest des États-Unis, les centres de données sont en concurrence pour l’eau avec l’agriculture et les réseaux municipaux, dans une région déjà confrontée à de graves conditions de sécheresse amplifiées par les changements climatiques. Au Chili, des entreprises technologiques ont établi des centres de données dans la région d’Atacama et à proximité, puisant dans les ressources en eau de l’un des écosystèmes les plus arides au monde — des ressources dont dépendent les communautés autochtones atacameñas et les petits agriculteurs pour leur survie.²⁷ Dans les États du Telangana et de l’Andhra Pradesh, en Inde, les projets de parcs de centres de données se sont heurtés à une résistance locale en raison des craintes liées à l’épuisement des nappes phréatiques dans des zones déjà confrontées à une pénurie d’eau à des fins agricoles.

Cette configuration spatiale reproduit, dans le domaine spécifique des infrastructures numériques, la logique plus large de ce que Rob Nixon appelle la « violence lente » — ces formes de dommages écologiques graduelles, dispersées et étalées dans le temps qui ne sont pas perçues comme des événements par les médias ou les systèmes politiques, dominés par des catastrophes spectaculaires et instantanées.²⁸ L’épuisement d’un aquifère régional par les opérations de refroidissement des centres de données s’étale sur des années et des décennies, touchant des communautés dont l’insécurité hydrique est déjà chronique et dont la voix politique est limitée. Cela ne fait pas la une des journaux. Cela n’apparaît pas dans les rapports de développement durable des entreprises technologiques. Mais c’est matériellement réel, thermodynamiquement nécessaire et structurellement déterminé par la logique concurrentielle de l’accumulation de l’IA.

Les minéraux : le fondement extractif

La troisième dimension de la fracture énergétique de l’IA réside dans le fondement extractif de son matériel. Les semi-conducteurs, les serveurs, les systèmes de stockage et l’équipement de réseau qui constituent l’infrastructure de l’IA nécessitent un ensemble complexe de minéraux essentiels — lithium, cobalt, tantale, néodyme, dysprosium, indium, gallium et autres — dont l’extraction entraîne des dommages écologiques graves et concentrés, supportés de manière disproportionnée par les communautés du Sud.

La géographie de l’extraction des minéraux essentiels correspond presque exactement à celle de l’exploitation coloniale historique. La République démocratique du Congo fournit environ 70 % de la production mondiale de cobalt, dont une grande partie provient de mines artisanales fonctionnant dans des conditions de grave dégradation environnementale et d’exploitation de la main-d’œuvre, y compris le recours généralisé au travail des enfants.²⁹ La Bolivie, le Chili et l’Argentine — le « triangle du lithium » — détiennent la majorité des réserves mondiales de lithium, et leur extraction entraîne l’épuisement des aquifères salins dans des écosystèmes de haute altitude d’une sensibilité écologique exceptionnelle. Les éléments de terres rares, essentiels aux aimants permanents utilisés dans les ventilateurs de refroidissement des centres de données et les systèmes d’alimentation électrique, sont concentrés en Chine, au Myanmar et en République démocratique du Congo, où les opérations de traitement génèrent des flux de déchets radioactifs et toxiques.

L’accélération du développement du matériel d’IA aggrave ces pressions extractives par le biais de la logique de l’obsolescence planifiée. La dynamique concurrentielle de la course à l’IA oblige les entreprises technologiques à mettre à niveau continuellement leur matériel — en remplaçant les générations précédentes de processeurs graphiques (GPU) et d’accélérateurs d’IA sur mesure par des modèles plus récents et plus puissants selon des cycles de deux à trois ans. Cela génère d’énormes quantités de déchets électroniques : serveurs, processeurs graphiques, modules de mémoire et équipement de réseau mis au rebut, contenant des matières toxiques telles que le plomb, le mercure, le cadmium et les retardateurs de flamme bromés. La production mondiale de a atteint 62 millions de tonnes métriques en 2022 et devrait passer à 82 millions de tonnes métriques d’ici 2030.³⁰ Une part importante de ces déchets est exportée, souvent en violation de la Convention de Bâle, vers des installations de traitement en Afrique de l’Ouest, en Asie du Sud et en Asie du Sud-Est, où ils sont manipulés dans des conditions présentant de graves risques pour la santé et l’environnement.

Le concept d’échange écologique inégal a une longue histoire controversée, ancrée dans la tradition plus large de l’échange inégal et dans la critique marxiste de l’impérialisme. S’appuyant sur ce riche héritage intellectuel — qui s’étend des théories classiques de l’impérialisme à la théorie de la dépendance et à l’analyse des systèmes-mondes —, les chercheurs ont progressivement intégré des dimensions écologiques dans l’analyse des asymétries Nord-Sud.³¹ La contribution de Clark et Foster à ce cadre repose principalement sur la critique de l’impérialisme écologique : la reconnaissance du fait que la relation métabolique entre le Nord et le Sud n’est pas simplement une asymétrie économique, mais une asymétrie écologique, dans laquelle la périphérie absorbe les coûts environnementaux de l’accumulation du centre.³² Ce cadre fournit le fondement théorique permettant de comprendre l’économie politique mondiale du métabolisme matériel de l’IA.

Ces trois vecteurs d’extraction — l’électricité, l’eau et les minéraux — ne sont pas indépendants; ce sont des dimensions interconnectées d’un seul et même système métabolique organisé selon les impératifs de l’accumulation du capital. Les centres de données ont besoin d’électricité, ce qui nécessite des infrastructures énergétiques, lesquelles, à leur tour, nécessitent des minéraux et de l’eau. Les systèmes de refroidissement ont besoin d’eau, ce qui entre en concurrence avec l’agriculture et l’approvisionnement municipal, affectant ainsi les systèmes alimentaires et la santé humaine. La production de matériel informatique nécessite des minéraux et leur extraction, ce qui génère des déchets et pose des problèmes d’élimination qui causent des dommages écologiques supplémentaires. La fracture énergétique de l’IA n’est pas une simple rupture dans le métabolisme de la nature, mais une perturbation en cascade à travers de multiples systèmes écologiques, coordonnée par la main invisible du capital et rendue invisible par l’appareil idéologique de la dématérialisation numérique.

Les limites thermodynamiques du capital

Les preuves matérielles rassemblées dans la section précédente vont au-delà de l’ampleur de la crise pour mettre en lumière sa structure. Ce que révèlent les données empiriques sur la demande d’électricité, l’épuisement des ressources en eau et l’extraction minière, ce n’est pas une série de défaillances du marché indépendantes les unes des autres, mais une logique systémique unique — une logique qui nécessite une explication théorique, et non simplement technique.

La crise écologique engendrée par le capitalisme de l’IA ne se réduit pas à un problème de hausse des coûts de production ou de contraintes du côté de l’offre pesant sur l’accumulation. Elle représente plutôt une attaque systématique contre les capacités régénératrices du monde naturel lui-même. Comme l’a fait valoir Foster, la relation du capitalisme avec la nature est définie par un antagonisme structurel : la logique de l’accumulation sans fin est inconciliable avec les limites régénératrices finies des systèmes naturels.³³ Le capital ne se contente pas d’exploiter la nature comme condition de production; il rompt métaboliquement les cycles et les relations par lesquels la nature se reproduit. Paul Burkett approfondit cette analyse en reprenant chez Marx une conception de la nature qui refuse d’être réduite à une valeur instrumentale.³⁴ Les systèmes naturels possèdent des valeurs d’usage qui ne se réduisent pas à leur rôle dans le processus de production, et la destruction systématique de ces valeurs d’usage par le capitalisme — sa transformation des écosystèmes vivants en intrants et en puits de déchets — constitue une crise écologique au sens le plus large du terme : non pas une crise de rentabilité, mais une crise des conditions biophysiques de la vie elle-même.

L’économie de l’IA représente une intensification aiguë de cette dynamique. Les centres de données, les systèmes de refroidissement et les chaînes d’approvisionnement en minéraux qui soutiennent l’infrastructure de l’IA ne se contentent pas d’épuiser les ressources naturelles au sens où les économistes entendent l’augmentation des coûts des intrants. Ils participent à une dégradation cumulative et largement irréversible des systèmes hydriques, des écosystèmes énergétiques et des paysages d’extraction dont dépendent tant la vie humaine que non humaine. Cette dégradation n’apparaît pas dans les bilans des entreprises technologiques, non pas parce qu’elle est économiquement marginale, mais parce que le système comptable du capital est structurellement incapable d’enregistrer la destruction de valeurs qui n’ont jamais été transformées en marchandises. La crise écologique de l’IA n’est donc pas une défaillance du marché en attente d’une correction du marché; c’est l’expression de ce que le capitalisme fait à la nature lorsqu’il opère sans limite.

La réponse dominante à cette contradiction dans le cadre de la gouvernance capitaliste est le discours sur l’IA verte et l’informatique durable — l’affirmation selon laquelle la crise écologique de l’IA peut être résolue par l’innovation technologique, les mécanismes du marché et l’engagement volontaire des entreprises. Cette réponse mérite une attention analytique sérieuse, non pas parce qu’elle est convaincante, mais parce que la compréhension de son échec met en lumière le caractère structurel du problème.

Le discours sur l’IA verte repose sur trois affirmations : que les énergies renouvelables peuvent répondre aux besoins en électricité de l’IA sans causer de préjudice écologique net; que les améliorations de l’efficacité du matériel réduiront suffisamment le coût écologique unitaire du calcul pour compenser la croissance de la demande totale; et que l’IA elle-même générera des avantages environnementaux — grâce à la modélisation climatique, à l’optimisation énergétique et à la science des matériaux — qui l’emporteront sur ses coûts écologiques. Chacune de ces affirmations est remise en cause par les dynamiques structurelles de l’accumulation du capital.

L’argument des énergies renouvelables échoue, comme indiqué plus haut, parce que la demande en électricité de l’IA croît plus rapidement que la capacité des énergies renouvelables, parce que les décalages temporels entre l’offre renouvelable et la demande des centres de données nécessitent une production d’appoint à base de combustibles fossiles, et parce que les entreprises technologiques concluent activement des contrats pour des capacités de production au gaz afin d’assurer la fiabilité du réseau. L’argument de l’efficacité échoue en raison du paradoxe de Jevons : les améliorations de l’efficacité du matériel réduisent le coût du calcul et stimulent ainsi une demande accrue, ce qui entraîne une consommation énergétique totale plus élevée plutôt que plus faible. L’argument du bénéfice net ne tient pas, car il traite les coûts et les avantages écologiques de l’IA comme étant comparables et échangeables, alors qu’en réalité, les coûts écologiques sont concentrés, locaux et supportés par des communautés vulnérables. Parallèlement, les avantages sont diffus, spéculatifs et s’approprient par les actionnaires et les consommateurs des pays riches. Il n’existe aucun mécanisme de marché capable d’agréger ces effets répartis de manière asymétrique en une comptabilité sociale rationnelle.³⁵

Les mécanismes de compensation des émissions de carbone et d’engagement « zéro net », par lesquels les entreprises technologiques gèrent leur comptabilité écologique publique, font l’objet de critiques analogues. Les compensations de carbone — des paiements versés à des projets qui prétendent réduire les émissions ailleurs, compensant ainsi celles de l’entreprise elle-même — sont minées par des problèmes d’additionnalité, de permanence et de vérification qui rendent bon nombre d’entre elles écologiquement fictives.³⁶ Les engagements de zéro émission nette qui reposent en grande partie sur des compensations plutôt que sur des réductions absolues des émissions sont, en termes thermodynamiques, des manœuvres comptables plutôt que des interventions physiques : elles ne réduisent pas l’entropie générée par l’exploitation des centres de données; elles achètent des droits sur des réductions d’entropie ailleurs, dont bon nombre ne se concrétisent pas. Comme Clark et York l’ont démontré dans leur analyse du métabolisme du carbone, la fracture biosphérique générée par le capitalisme des combustibles fossiles n’est pas une externalité à tarifer et à gérer, mais une caractéristique structurelle de la relation du capital avec le cycle du carbone — une relation que l’expansion des infrastructures d’IA ne fait désormais que renforcer et accélérer.³⁷

Une critique plus fondamentale porte sur la relation entre l’efficacité et l’échelle. L’histoire du capitalisme industriel est celle d’améliorations de l’efficacité qui ont systématiquement été submergées par l’expansion de l’échelle, une histoire que Georgescu-Roegen a analysée comme la conséquence inévitable de l’application des principes thermodynamiques à un système économique organisé autour d’une croissance illimitée.³⁸ Aucune amélioration de l’efficacité, aussi spectaculaire soit-elle, ne peut rendre durable un système en expansion exponentielle sur une planète finie dotée d’un budget d’entropie fixe. La question n’est pas de savoir si l’IA peut être rendue plus efficace — elle le peut, et les améliorations sont réelles —, mais si ces améliorations peuvent dépasser la croissance de la demande entraînée par l’accumulation concurrentielle. Les données de la dernière décennie suggèrent que ce n’est pas le cas. La logique thermodynamique de l’accumulation du capital en fournit la raison structurelle.

Cela nous amène à ce que l’on pourrait appeler la limite thermodynamique du capital : le point où l’entropie générée par l’accumulation du capital dépasse la capacité de la biosphère à l’absorber sans perturber de manière catastrophique les systèmes — climat, hydrologie, biodiversité et fertilité des sols — dont dépend la civilisation humaine. Cette limite n’est pas un seuil précis pouvant être identifié à l’avance; c’est une zone de crise qui s’aggrave, déjà atteinte à plusieurs égards (concentration de carbone dans l’atmosphère, épuisement des ressources en eau douce et perte de biodiversité) et vers laquelle on se dirige dans d’autres domaines. L’expansion de l’IA sous le régime actuel d’accumulation du capital n’éloigne pas la civilisation de cette limite, mais la rapproche de celle-ci, à un rythme qui s’accélère.

L’économie politique de cette trajectoire est claire. Les coûts liés au rapprochement de la limite thermodynamique du capital ne sont pas assumés par ceux qui sont les moteurs de l’accumulation, c’est-à-dire les actionnaires, les dirigeants et les investisseurs institutionnels des entreprises technologiques dont la dynamique concurrentielle détermine le rythme de l’expansion de l’IA. Ils sont supportés par les communautés des régions en situation de stress hydrique dont les aquifères sont épuisés par le refroidissement des centres de données, par les travailleurs des mines artisanales dont la santé est ruinée par l’extraction minière, par les populations des pays vulnérables au changement climatique dont la sécurité alimentaire est menacée par les émissions de carbone, et par les générations futures qui hériteront d’une planète dont la capacité d’autorégulation écologique sera réduite. Telle est l’économie politique de l’entropie : la privatisation des avantages d’une consommation à faible entropie et la socialisation des coûts des déchets à forte entropie.³⁹

Aucune innovation technique ne peut résoudre cette économie politique, car il ne s’agit pas d’un problème technique. C’est un problème de pouvoir — qui contrôle les moyens de calcul, qui détermine les fins auxquelles la capacité de calcul est déployée, et qui supporte les coûts écologiques de ce déploiement. Y remédier ne nécessite pas de meilleurs algorithmes ni de puces plus efficaces, mais une transformation fondamentale des relations sociales de production dans l’économie numérique. Cela exige, en bref, une politique à la hauteur des enjeux thermodynamiques du moment présent.

Conclusion

L’analyse sociale et historique développée dans cet article mène à une conclusion que le discours dominant sur l’IA et la durabilité élude systématiquement : la crise écologique de l’IA n’est pas un problème d’innovation insuffisante ou de responsabilité d’entreprise inadéquate, mais une expression structurelle de la tension insoluble entre le capitalisme et les limites biophysiques de la planète.

Les processus spécifiques à l’origine de cette crise — la course aux armements monopolistes, la dynamique de Jevons et le transfert systématique des coûts écologiques vers le Sud de la planète — ne sont pas des dysfonctionnements techniques en attente de solutions d’ingénierie. Il s’agit du fonctionnement normal de l’accumulation du capital dans sa phase monopoliste-numérique, qui se traduit en termes thermodynamiques par des processus dissipatifs de non-réversibilité prigoginienne : permanents, s’amplifiant et hors de portée de toute correction du marché.

La tradition écosocialiste offre le point de départ le plus cohérent sur le plan théorique pour une alternative. Comme l’a fait valoir Foster, la fracture métabolique entre le capital et la nature ne peut être réparée dans le cadre institutionnel du capitalisme lui-même; elle exige une réorganisation fondamentale des relations sociales de production — une réorganisation qui subordonne les impératifs de l’accumulation aux limites régénératrices du monde naturel. Une logique écosocialiste de l’informatique reposerait sur trois engagements fondamentaux. Premièrement, elle s’appuierait sur un contrôle démocratique de l’infrastructure informatique : les centres de données, les plateformes d’IA et les réseaux qui les relient constituent une infrastructure sociale critique dont la gouvernance ne peut être laissée aux impératifs concurrentiels du capital privé. À l’instar des réseaux électriques et des réseaux d’aqueduc, ils exigent une reddition de comptes démocratique : des formes de contrôle social qui permettent aux communautés de déterminer les fins auxquelles la capacité informatique est utilisée et les modalités selon lesquelles ses coûts écologiques sont répartis. Deuxièmement, elle nécessiterait une réorientation des priorités en matière de recherche et de développement, en s’éloignant des applications visant la maximisation des profits — optimisation publicitaire, opérations boursières et surveillance de la main-d’œuvre — pour se tourner vers des applications qui répondent véritablement aux besoins sociaux. Cela inclut la gestion des énergies renouvelables, la santé publique, la surveillance écologique et l’éducation. Troisièmement, et c’est le plus fondamental, elle exigerait d’accepter que l’ampleur de l’activité informatique doive être limitée par les contraintes écologiques. La suffisance — c’est-à-dire calculer suffisamment, plutôt que calculer davantage — doit devenir un principe organisateur, remplaçant l’impératif de croissance qui anime l’actuelle course à l’armement en matière d’IA.

Aucune de ces transformations n’est imminente, et aucune ne peut être réalisée par des moyens techniques seuls. L’irréversibilité que Prigogine a identifiée dans les systèmes dissipatifs trouve son équivalent social dans les dépendances de trajectoire de l’infrastructure capitaliste : les centres de données déjà construits, les contrats de combustibles fossiles déjà signés et les paysages d’extraction déjà dégradés. Ce que la politique écosocialiste peut accomplir, ce n’est pas de réparer les dommages passés, mais d’interrompre les processus générant des dommages futurs — une rupture dans la logique sociale de l’accumulation que la thermodynamique enregistre mais ne peut produire par elle-même. La question qui se pose n’est pas de savoir si les limites du capital s’imposeront, mais si elles seront affrontées selon les modalités fixées par des sociétés démocratiques engagées dans la survie écologique, ou selon celles imposées par les crises en cascade d’une biosphère poussée au-delà de sa capacité de régénération. Ce n’est pas l’algorithme qui décide. C’est la politique.

Fichier Excel des traductions par Gilles en vrac
Fiches avec les premières phrases (et non seulement les titres)
Les caractères gras dans le texte sont de Gilles.

Notes

1
Sasha Luccioni, Alexandre Viguier, and Anne-Laure Ligozat, “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model,” Journal of Machine Learning Research 24, no. 253 (2023): 1–15. ↩︎
2
Goldman Sachs Research, “AI Is Poised to Drive 160% Increase in Data Center Power Demand,” May 14, 2024. ↩︎
3
Microsoft, 2022 Environmental Sustainability Report (Redmond, Washington: Microsoft Corporation, 2022), 17. ↩︎
4
Jeremy Rifkin, The Zero Marginal Cost Society: The Internet of Things, the Collaborative Commons, and the Eclipse of Capitalism (New York: Palgrave Macmillan, 2014), 11–14. ↩︎
5
Nicholas Georgescu-Roegen, The Entropy Law and the Economic Process (Cambridge: Harvard University Press, 1971), 3–4; John Bellamy Foster, Brett Clark, and Richard York, The Ecological Rift: Capitalism’s War on the Earth (New York: Monthly Review Press, 2010), 54–76. ↩︎
6
Karl Marx, Capital: A Critique of Political Economy, vol. 1, trans. Ben Fowkes (London: Penguin, 1976), 493–94. ↩︎
7
Emma Strubell, Ananya Ganesh, and Andrew McCallum, “Energy and Policy Considerations for Deep Learning in NLP,” Proceedings of the Fifty-Seventh Annual Meeting of the Association for Computational Linguistics (2019): 3645–50. ↩︎
8
David Patterson et al., “Carbon Emissions and Large Neural Network Training,” arXiv preprint, arXiv:2104.10350 (2021), 1–9. ↩︎
9
Jordan Hoffmann et al., “Training Compute-Optimal Large Language Models,” arXiv preprint, arXiv:2203.15556 (2022), 1–19. ↩︎
10
John Bellamy Foster, “The Ecology of Marxian Political Economy,” Monthly Review
63, no. 4 (September 2011): 1–16. ↩︎
11
William Stanley Jevons, The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal Mines
(London: Macmillan, 1865), 152–53. ↩︎
12
“AI and Compute,” OpenAI (blog), openai.com/blog/ai-and-compute. ↩︎
13
International Energy Agency, Electricity 2024: Analysis and Forecast to 2026 (Paris: IEA, 2024), 14. ↩︎
14
Ilya Prigogine and Isabelle Stengers, Order Out of Chaos: Man’s New Dialogue with Nature (New York: Bantam Books, 1984), 143–45. ↩︎
15
Foster, Clark, and York, The Ecological Rift, 73–76. ↩︎
16
Goldman Sachs Research, “AI Is Poised to Drive 160% Increase in Data Center Power Demand.” ↩︎
17
Brett Clark and John Bellamy Foster, “Ecological Imperialism and the Global Metabolic Rift: Unequal Exchange and the Guano/Nitrates Trade,” International Journal of Comparative Sociology 50, no. 3–4 (2009): 311–34. ↩︎
18
Arsheeya Bajwa, “Microsoft, OpenAI Plan $100 Billion Data-Center Project, Media Report Says,” Reuters, March 29, 2024. ↩︎
19
International Energy Agency, Electricity 2024, 27. ↩︎
20
EirGrid, Tomorrow’s Energy Scenarios 2023
(Dublin: EirGrid, 2023), 34. ↩︎
21
Benjamin K. Sovacool et al., “Sustainable Minerals and Metals for a Low-Carbon Future,” Science 367, no. 6473 (2020): 30–33. ↩︎
22
International Energy Agency, Electricity 2024, 27–29. ↩︎
23
Kim Crawford and Vladan Joler, “Anatomy of an AI System,” 2018, anatomyof.ai. ↩︎
24
Pengfei Li et al., “Making AI Less ‘Thirsty’: Uncovering and Addressing the Secret Water Footprint of AI Models,” arXiv preprint, arXiv:2304.03271 (2023), 1–10. ↩︎
25
Microsoft, 2022 Environmental Sustainability Report, 17. ↩︎
26
Google, 2023 Environmental Report
(Mountain View, California: Google, 2023), 22. ↩︎
27
Peter Dauvergne, AI in the Wild: Sustainability in the Age of Artificial Intelligence (Cambridge: MIT Press, 2020), 78–79. ↩︎
28
Rob Nixon, Slow Violence and the Environmentalism of the Poor (Cambridge, Massachusetts: Harvard University Press, 2011), 2–3. ↩︎
29
Guillaume Pitron, The Rare Metals War: The Dark Side of the Clean Energy and Digital Technologies, trans. Bianca Jacobsohn (London: Scribe, 2023), 45–67. ↩︎
30
United Nations Institute for Training and Research, The Global E-waste Monitor 2024
(Bonn: UNITAR, 2024), 3. ↩︎
31
John Bellamy Foster and Hannah Holleman, “The Theory of Unequal Ecological Exchange: A Marx-Odum Dialectic,” Journal of Peasant Studies
41, no. 2 (2014): 199–233. ↩︎
32
John Bellamy Foster and Brett Clark, “Introduction to the Updated Edition of Arghiri Emmanuel’s Unequal Exchange
,” Monthly Review 77, no. 8 (January 2026): 1–19. ↩︎
33
John Bellamy Foster, “Capitalism and Ecology: The Nature of the Contradiction” Monthly Review 54, no. 4 (September 2002): 6–16. ↩︎
34
Paul Burkett, “Fusing Red and Green” Monthly Review
50, no. 9 (February 1999): 47–56; Paul Burkett, Marx and Nature: A Red and Green Perspective (New York: St. Martin’s Press: 1999). ↩︎
35
John Bellamy Foster and Brett Clark, “The Robbery of Nature: Capitalism and the Metabolic Rift,” Monthly Review 70, no. 3 (July–August 2018): 1–20. ↩︎
36
Benjamin K. Sovacool et al., “Sustainable Minerals and Metals for a Low-Carbon Future,” Science
367, no. 6473 (2020): 30–33. ↩︎
37
Brett Clark and Richard York, “Carbon Metabolism: Global Capitalism, Climate Change, and the Biospheric Rift,” Theory and Society 34, no. 4 (2005): 391–428. ↩︎
38
Georgescu-Roegen, The Entropy Law and the Economic Process
, 276–78. ↩︎
39
John Bellamy Foster, Marx’s Ecology: Materialism and Nature (New York: Monthly Review Press, 2000), 141–77. ↩︎