Impact environnemental de l’IA dans le marketing numérique

L’IA générative transforme rapidement le marketing, mais son impact environnemental reste souvent invisible pour les utilisateurs.

L’intelligence artificielle est devenue un outil indispensable dans le monde du marketing numérique. Selon une étude SurveyMonkey¹ menée en 2024, 88 % des professionnels du marketing déclarent utiliser l’IA dans leur travail. Dans la course à la performance, les marketeurs utilisent l’IAG pour optimiser et créer du contenu, brainstormer, automatiser des tâches, analyser des données et tirer des insights, ainsi que pour effectuer des recherches d’information. Ce gain de temps et cette amélioration de la performance font de cet outil un organe vital pour l’avenir du marketing.

L’impact environnemental de l’IA dans le marketing numérique demeure encore peu discuté, malgré l’utilisation croissante de ces technologies.

Pour démystifier les enjeux environnementaux de l’intelligence artificielle générative dans le marketing numérique, nous avons rencontré Camille Grange, professeure du département de technologies de l’information et directrice de Transitions HEC Montréal. Dans l’extrait du podcast Digital @ HEC Montréal (disponible plus bas), elle explique pourquoi les modèles d’IA et les centres de données soulèvent de sérieux enjeux énergétiques.

Comment l’IAG transforme le marketing numérique?

Actuellement, l’IA transforme le marketing dans tous les aspects de l’entonnoir de conversion. En effet, la recherche de produits ou de fournisseurs a évolué depuis la popularisation de l’IA générative. Bien que Google demeure la source d’information la plus populaire², les prompts pour chercher, comparer et choisir un produit ou encore demander des conseils sont en hausse. L’utilisateur cherche un accompagnement plus direct et une réponse instantanée. En quelques secondes, l’information est synthétisée et souvent personnalisée à la demande de l’utilisateur.

Pour un marketer, un nouveau défi se pose. Comment faire en sorte que les modèles d’IA mentionnent ou recommandent une marque ou un produit à l’utilisateur? Autrement dit, comment augmenter les chances qu’une marque apparaisse dans les réponses générées par ChatGPT ou Gemini? Certains acteurs du marketing numérique, comme la plateforme Semrush, parlent déjà de Generative Engine Optimization (GEO)³, une évolution du SEO adaptée aux moteurs génératifs.

L’IAG transforme également l’accompagnement des consommateurs grâce aux agents conversationnels et aux chatbots intelligents. Intégrés aux sites web, aux applications ou aux plateformes de messagerie, ces outils peuvent répondre aux questions des utilisateurs, formuler des recommandations et guider les clients avant, pendant ou après l’achat en temps réel. L’expérience client est bonifiée par cette offre de service rapide, disponible et personnalisée.

La course à l’optimisation s’est fortement accélérée avec l’IAG. En quelques phrases, il est désormais possible de générer des vidéos, des visuels publicitaires, des publications pour les réseaux sociaux ou différentes variantes d’un même message marketing.

Un outil maintenant indispensable

L’intelligence artificielle permet aussi d’accroître la personnalisation des communications marketing. Dans un environnement où l’attention est limitée et la concurrence élevée, l’IAG permet de rapidement créer des messages, des recommandations et du contenu adaptés aux préférences, aux comportements et aux intentions des utilisateurs.

Dans ce contexte, le rôle du marketer évolue également. Au-delà de la production de contenu, il doit désormais apprendre à collaborer avec les outils d’intelligence artificielle, mais surtout apprendre à utiliser ces technologies de manière critique, responsable et stratégique.⁴

L’impact environnemental de l’IA souvent invisible

Selon l’Agence internationale de l’énergie (IEA), la consommation d’électricité des centres de données pourrait plus que doubler d’ici 2030⁵, en majeure partie en raison de la croissance rapide de l’IA. Derrière chaque interaction, aussi “petite” soit elle, se cache une infrastructure complexe composée de centres de données, de milliers de serveurs et de systèmes de refroidissement qui nécessitent une importante quantité d’énergie.

Lorsqu’un utilisateur envoie une requête à un modèle d’IA, celle-ci est d’abord transmise vers un centre de données où elle est traitée par des serveurs équipés de processeurs spécialisés, souvent des GPU. Ces opérations de calcul mobilisent simultanément de nombreuses machines à haute puissance, ce qui produit une chaleur importante. Pour maintenir les équipements à une température sécuritaire et assurer leur fonctionnement continu, les centres de données doivent utiliser des systèmes de refroidissement énergivores.

IA et marketing numérique: impact environnemental – Podcast

Voici un extrait du podcast où nous abordons les impacts environnementaux, les requêtes les plus gourmandes, les bonnes pratiques de l’IAG et bien plus encore.

Les centres de données au cœur du problème

Il est important de garder en tête que chaque interaction avec un modèle d’IAG mobilise une infrastructure bien réelle. La fabrication des serveurs, des processeurs spécialisés et des centres de données nécessaires à ces systèmes entraîne déjà des émissions importantes liées à l’extraction des matières premières et aux processus industriels.⁶ (Digital @ HEC Montréal, 2025)

Les modèles d’IA reposent sur un réseau mondial de centres de données dont le nombre continue d’augmenter. Selon une analyse d’ABI Research, on pourrait compter plus de 10 000 centres de données d’ici 2030⁷, contre environ 8 000 aujourd’hui, illustrant la croissance rapide de l’infrastructure numérique nécessaire au fonctionnement des technologies d’IA et des hébergements cloud. Ceci contribue directement à l’impact environnemental de l’IA dans le marketing numérique.

À ces émissions s’ajoute l’énergie consommée lors de leur utilisation, notamment pour faire fonctionner les serveurs et refroidir les installations. Les centres de données doivent fonctionner en continu afin de traiter les requêtes, stocker les données et assurer la disponibilité des services numériques, ce qui nécessite une quantité importante d’énergie. Selon l’IEA, la consommation d’électricité des centres de données pourrait atteindre près de 945 TWh d’ici 2030, soit environ l’équivalent de la consommation annuelle d’un pays comme le Japon⁸. L’empreinte environnementale de ces infrastructures dépend toutefois en grande partie de la source d’énergie utilisée pour les alimenter. Si certaines entreprises cherchent à alimenter leurs centres de données avec des énergies renouvelables, une part importante de l’électricité consommée, notamment aux États-Unis, provient encore de sources fossiles comme le gaz naturel ou le charbon.

L’effet boule de neige

Un autre facteur important à considérer est l’entraînement des modèles d’intelligence artificielle. Avant d’être utilisés par le public, ces systèmes doivent être entraînés sur d’immenses volumes de données et sur des milliards de paramètres afin d’apprendre à générer du texte, des images ou des vidéos. Ce processus nécessite une puissance de calcul considérable et mobilise souvent des milliers de processeurs spécialisés pendant plusieurs semaines. Selon une analyse publiée par le MIT, la puissance informatique requise pour entraîner les modèles d’IAG entraîne une consommation importante d’électricité et des émissions de CO2, en plus d’exercer une pression accrue sur les réseaux électriques⁹.

Une fois entraînés, ces modèles peuvent ensuite être utilisés par des millions d’utilisateurs. L’impact environnemental dépend alors largement de la fréquence d’utilisation de ces systèmes, puisque chaque requête adressée à un modèle d’IA mobilise à nouveau l’infrastructure informatique nécessaire pour produire une réponse. L’entraînement des modèles constitue une partie importante de l’impact environnemental de l’IA dans le marketing numérique.

Cet impact ne se limite pas à la consommation d’électricité. Le refroidissement des serveurs nécessite également d’importantes quantités d’eau. Certains centres de données peuvent utiliser des millions de litres d’eau par jour afin de maintenir les équipements à une température sécuritaire. Cette consommation d’eau représente un autre aspect souvent invisible de l’empreinte environnementale des infrastructures numériques.¹⁰

Ces différents éléments montrent que l’intelligence artificielle repose sur une infrastructure matérielle et énergétique bien réelle. Derrière chaque interaction avec un modèle d’IAG se trouvent des équipements informatiques lourds et gourmands en énergie et en ressources. Bien que ces impacts restent largement invisibles pour les utilisateurs, ils soulignent l’importance d’une utilisation plus responsable de ces technologies.

Vers une utilisation plus responsable de l’IA

” On n’a pas besoin d’utiliser une Lamborghini pour aller à l’épicerie. “ – Sylvain Amoros

Face à ces enjeux, l’objectif n’est pas de freiner complètement le développement de l’intelligence artificielle, mais plutôt d’encourager une utilisation plus responsable de ces technologies. Du côté des entreprises technologiques, il faudra continuer à améliorer l’efficacité énergétique des centres de données et à développer des infrastructures alimentées par des sources d’énergie durables. En marketing numérique, cela implique plusieurs actions à faire (ou à ne pas faire) au quotidien pour amoindrir son impact écologique.

1. Éviter la génération excessive de contenu

L’une des premières pistes consiste à limiter la génération excessive de contenu, notamment les images et les vidéos générées par IA, qui nécessitent une puissance de calcul particulièrement élevée. Dans plusieurs cas, il peut être préférable de réutiliser ou d’adapter du contenu déjà existant plutôt que de générer de nouveaux visuels à grande échelle. De la même manière, l’IAG devrait être utilisée lorsque celle-ci apporte une réelle valeur ajoutée, et non pour des requêtes inutiles ou répétitives.

2. Utiliser des modèles adaptés aux types de requêtes

Une utilisation plus responsable de l’intelligence artificielle passe également par le choix de modèles adaptés aux besoins réels. Tous les modèles ne nécessitent pas le même niveau de puissance de calcul, et certaines tâches simples comme la traduction, la rédaction de courts textes, la classification d’informations et autres peuvent être accomplies par des modèles plus légers et moins énergivores comme Mistral. Ce principe est appelé right-sizing AI, c’est-à-dire utiliser le modèle le plus petit et le plus efficace possible pour une tâche donnée.

Dans certains cas, il est également possible d’utiliser des modèles exécutés localement plutôt que de mobiliser de grandes infrastructures de centres de données. Ces modèles peuvent fonctionner directement sur un ordinateur ou un serveur local et traiter un nombre limité de tokens, ce qui peut réduire les ressources nécessaires au traitement des requêtes. Cette approche demande toutefois des compétences techniques plus avancées, mais elle permet de limiter la puissance de calcul mobilisée tout en conservant l’efficacité des systèmes.

3. Optimiser ses requêtes

L’optimisation des requêtes constitue également une piste incontournable vers la réduction de son empreinte environnementale. Formuler des requêtes claires, précises et bien structurées permet souvent d’obtenir une réponse pertinente dès la première interaction avec le modèle. Les bonnes pratiques consistent notamment à donner du contexte à l’IA, à définir un format de réponse, à décomposer les tâches complexes et à fournir des exemples au modèle. ¹¹¹²

À l’inverse, une mauvaise requête peut nécessiter plusieurs itérations supplémentaires, mobilisant à chaque fois l’infrastructure informatique nécessaire au traitement de la demande. À grande échelle, ces interactions s’additionnent et finissent par représenter une consommation énergétique non négligeable. Le développement de bonnes pratiques de rédaction des requêtes, souvent appelé prompt engineering, peut donc contribuer à améliorer l’efficacité des interactions avec l’IAG et de limiter les ressources consommées. Intégrer la question de l’impact environnemental de l’IA dans le marketing numérique permet d’encourager des pratiques plus responsables et d’inspirer de nouvelles approches plus durables.

L’intelligence artificielle générative n’est plus une technologie du futur: elle est déjà intégrée aux pratiques du marketing numérique. Comme l’ordinateur autrefois, elle devient progressivement un outil de travail incontournable. La question n’est donc plus de savoir si nous devons utiliser l’IAG, mais plutôt comment l’utiliser de manière plus réfléchie, efficace et responsable.

Bibliographie

1. SurveyMonkey. (2024). How AI, consumer privacy, and a hot competitive environment will change the face of marketing. https://prod.smassets.net/assets/content/sm/Marketing-trends.pdf ↩︎
2. Search engine market share worldwide | StatCounter Global Stats. (n.d.). StatCounter Global Stats. https://gs.statcounter.com/search-engine-market-share ↩︎
3. Pol, T., & Lindley, A. (2026, February 4). Generative Engine Optimization: the new era of search. Semrush Blog. https://www.semrush.com/blog/generative-engine-optimization/?msockid=36cc91727b916f4f397c82487aaa6e57 ↩︎
4. Duarte, F. (2025, October 29). AI in Marketing: How Marketers Use AI (2025 Statistics). Exploding Topics. https://explodingtopics.com/blog/ai-marketing-statistics ↩︎
5. IEA, Birol, F., Spencer, T., Singh, S., Cozzi, L., IEA, Spencer, T., Singh, S., D’Ambrosio, D., Hopewell, H., Jacamon, V., Martinos, A., Salmon, N., & Wanner, B. (2025). World Energy Outlook Special Report Energy and AI. In IEA [Report]. https://build-up.ec.europa.eu/system/files/2025-04/PChtNmAZVk_11_04_2025_145800.pdf ↩︎
6. Oueslati, Y. (2025, June 28). Quelle est l’empreinte écologique réelle de la fabrication des infrastructures numériques, et comment elle s’est rendue plus intense à l’ère de l’IA générative ? Marketing Numérique | Digital Marketing | HEC Montréal. https://digital.hec.ca/blog/quelle-est-lempreinte-ecologique-reelle-de-la-fabrication-des-infrastructures-numeriques-et-comment-elle-sest-rendue-plus-intense-a-lere-de-lia-generative/ ↩︎
7. Wong, Y., & Gergs, L. (2026, March 3). How many data centers are there and where are they being built? https://www.abiresearch.com ↩︎
8. Gabbatiss, J. (2025b, September 17). AI: Five charts that put data-centre energy use – and emissions – into context. Carbon Brief. https://www.carbonbrief.org ↩︎
9. Explained: Generative AI’s environmental impact. (2025, January 17). MIT News | Massachusetts Institute of Technology. https://news.mit.edu/2025/explained-generative-ai-environmental-impact
   ↩︎
10. Montpetit, J., & Brend, Y. (2025, October 22). AI-related data centres use vast amounts of water. But gauging how much is a murky business. CBC. https://www.cbc.ca/news/ai-data-centre-canada-water-use-9.6939684 ↩︎
11. Prompt Engineering Guide – Nextra. (n.d.). https://www.promptingguide.ai/fr ↩︎
12. Mendes, N. (2025, September 9). The ultimate guide to writing effective AI prompts – Work Life by Atlassian. Work Life by Atlassian. https://www.atlassian.com/blog/artificial-intelligence/ultimate-guide-writing-ai-prompts ↩︎