Introduction : pourquoi l'impact environnemental du Cloud est un sujet pressant
À l’heure où l’utilisation du cloud public ne cesse de croître en raison de la demande en IA générative, il est essentiel de comprendre ses impacts environnementaux. Le sixième rapport du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC) confirme le rôle décisif de l’humanité dans ces crises. Sept des neuf limites planétaires ont déjà été franchies, notamment l’acidification des océans en 2025.
Le secteur des technologies de l’information et de la communication (TIC) y contribue de manière significative, représentant entre 1,8 % et 2,8 % des émissions de gaz à effet de serre (GES) en 2020. En 2023, ce secteur a consommé 27 % du budget carbone associé à la limite planétaire relative au changement climatique et 18 % de la limite relative à l’utilisation des ressources minérales et métalliques.
Si l’empreinte environnementale directe des TIC englobe les équipements des utilisateurs, les réseaux et les centres de données, ces derniers représentent une part substantielle, estimée entre 20 et 30 % de l’impact total des TIC.
De plus, cette part est en augmentation, principalement sous l’effet de la demande croissante de services cloud et d’applications d’intelligence artificielle générative (GenAI).
Définis comme des ressources informatiques fournies via Internet par des prestataires tiers, les services de Cloud public permettent aux utilisateurs d’accéder à des ressources partagées sans posséder d’équipement physique. Ce modèle englobe différentes couches de services, de l’infrastructure en tant que service (IaaS) au logiciel en tant que service (SaaS), et favorise l’optimisation du matériel ainsi que les économies d’échelle, alimentant ainsi un marché dont la croissance annuelle devrait atteindre 15 % jusqu’en 2030.
Cependant, cette expansion prévue s’accompagne d’un coût énergétique important. L’Agence internationale de l’énergie (AIE) estime que la consommation électrique mondiale des centres de données va plus que doubler, passant d’environ 415 TWh en 2024 à 950 TWh d’ici 2030, une trajectoire considérablement accélérée par des applications très gourmandes en énergie telles que la GenAI.
Malgré l’urgence d’atténuer davantage ces impacts environnementaux, l’évaluation de l’empreinte carbone des services Cloud reste une tâche complexe dans l’écosystème actuel.
Les principaux fournisseurs, tels qu’AWS, Google et Microsoft, utilisent des méthodologies variées et opaques, rendant leurs déclarations en matière d’émissions de carbone incomparables. Les initiatives de normalisation ne sont ni suffisamment prescriptives ni exhaustives pour couvrir la diversité des services et fournir des résultats comparables.
Les outils tiers tels que BoaviztAPI et Cloud Carbon Footprint, offrent une certaine transparence, mais il leur manque jusqu’à présent des paramètres d’infrastructure essentiels.
Un autre défi majeur dans l’évaluation de l’impact environnemental des services Cloud réside dans la manière dont ces services sont fournis. Par définition, le cloud public fonctionne comme une « boîte noire » : les utilisateurs délèguent la gestion de l’infrastructure sous-jacente, ce qui rend impossible toute mesure physique directe, et oblige à s’appuyer sur des modèles et des hypothèses.
De plus, la mutualisation des équipements entre différents clients et services nécessite la définition de clés de répartition pour répartir les impacts environnementaux, ce qui introduit une incertitude supplémentaire significative dans les évaluations d’impact.
L'innovation : un modèle en couches pour une évaluation comparable et transparente de l’impact du Cloud
La publication récompensée par le prix du meilleur article lors de la conférence «HotCarbon 2026 , intitulée «Unveiling the Cloud’s Black Box: a layered model for comparable environmental impact assessment» et rédigée par Marie Reinbigler, Thibault Simon et Louise Aubet de Resilio, propose une nouvelle approche de modélisation des services cloud qui prend explicitement en compte les abstractions sous-jacentes aux couches du cloud, du « Bare Metal-as-a-Service » (BMaaS) au « Function-as-a-Service » (FaaS), ainsi qu’une liste plus exhaustive de caractéristiques de l’infrastructure, telles que les taux de charge, les surcoûts liés à la virtualisation ou les orchestrateurs d’instances.
Cette publication fournit également une analyse détaillée de l’influence de ces paramètres sur l’empreinte environnementale multi-critères qui en résulte.
En démontrant à quel point la modification de ces hypothèses modifie radicalement les résultats, les auteurs soulignent le besoin urgent d’une méthodologie plus standardisée et transparente, fondée sur des données physiquement représentatives, afin de garantir que les allégations environnementales concernant les services cloud reflètent la réalité complexe des infrastructures partagées.
Principales conclusions : comment les paramètres d’infrastructure modifient radicalement les résultats
L’analyse de sensibilité présentée dans cet article démontre que les paramètres d’infrastructure influencent de manière déterminante les résultats.
Impact des caractéristiques de l’infrastructure
Lorsqu’on modélise le taux de charge, le taux de réserve et les frais généraux, par opposition à leur omission, la différence d’impact est significative.
Par exemple, avec les paramètres par défaut, l'impact des instances CaaS peut plus que doubler.
- +45,6 % d’impact supplémentaire au niveau de la couche BMaaS
- +80,5 % d'impact supplémentaire au niveau de la couche IaaS
- +111,1 % d'impact supplémentaire au niveau de la couche CaaS
Autre exemple :
Prenons deux serveurs : un serveur à un seul socket et un serveur à deux sockets disposant d’une capacité deux fois supérieure en termes de CPU, de RAM et de disque (figures 1 et 2). Bien qu’il offre deux fois plus de ressources, le serveur à deux sockets a un impact inférieur au double au niveau du BMaaS pour les indicateurs GWP et ADPe, ce qui se traduit par des impacts moindres pour des instances IaaS, CaaS et FaaS équivalentes. Cela met en évidence à quel point la configuration de l’infrastructure physique sous-jacente influe considérablement sur les impacts environnementaux des couches supérieures.
Par conséquent, il est essentiel d’intégrer ces paramètres avec des valeurs représentatives pour estimer avec précision l’impact des services Cloud.
Validation du modèle
Afin de valider l’approche de modélisation, les auteurs ont comparé les résultats relatifs au potentiel de réchauffement global (PRG) obtenus à l’aide de deux outils : BoaviztAPI et Tailpipe.
Le modèle aboutit à des impacts plus élevés car il prend en compte un champ d’application plus large englobant le taux de charge, les frais généraux, le taux de réserve, l’environnement technique du centre de données et l’infrastructure d’orchestration.
Si ces paramètres ne sont pas modélisés, la méthodologie fournit des résultats du même ordre de grandeur que les autres outils pour les services BMaaS et IaaS.
La seule exception concerne l’impact lié à l’utilisation de l’instance AWS c6gd.medium.
En effet, les résultats obtenus sans modélisation des paramètres d’infrastructure restent entre 2 et 3,5 fois supérieurs à ceux de BoaviztAPI et Tailpipe. Cette différence s’explique principalement par l’absence de l’indicateur d’efficacité énergétique (PUE) dans le calcul de BoaviztAPI et par une différence dans l’estimation de la consommation électrique de l’instance. La différence plus marquée avec le résultat de Tailpipe s’explique principalement par un rapport de près de 2 entre les valeurs du mix électrique prises en compte pour le Royaume-Uni
Pourquoi cette publication a gagné le prix 'HotCarbon' 2026
Le comité du prix « HotCarbon 2026 nous a récompensés pour les raisons suivantes :
🏆 La recherche prend l’initiative de normaliser l’évaluation de l’impact du cloud dans un domaine dépourvu de norme contraignante, avec une unité fonctionnelle bien choisie, susceptible de susciter des discussions lors de l’atelier et de donner lieu à des travaux de suivi
🏆 L’allocation récursive par couches, du BMaaS au FaaS, est novatrice, et le modèle prend explicitement en compte des facteurs d’infrastructure souvent négligés (PUE, taux de charge, surcoût de virtualisation, taux de réserve, environnement technique du centre de données).
🏆 L’analyse de sensibilité est rigoureuse et les écarts importants observés aux couches supérieures constituent une information précieuse pour les professionnels.
Comment mettre en pratique ces enseignements dès aujourd’hui
Le modèle décrit est déjà déployé en production dans Resilio Database pour permettre à nos utilisateur.ice.s d’estimer, de comparer et d’optimiser leur utilisation du cloud en termes d’impacts environnementaux.
Conclusion : une nouvelle ère pour la durabilité du Cloud
Le modèle à plusieurs couches proposé par les auteur.ices offre une approche transparente et standardisée pour évaluer l’empreinte environnementale des services cloud, en tenant compte des couches d’abstraction, des taux de charge, des surcoûts et des paramètres d’infrastructure.
Ces travaux permettent :
✅ Davantage de comparaisons, indépendamment des fournisseurs
✅ Des optimisations fondées sur les données
✅ Éco-conception des services basés sur le cloud.
✅ Compatibilité avec une extension des ressources GPU grâce à une allocation par unités.
Enfin, cela permet de vérifier l’affirmation des fournisseurs de cloud selon laquelle le cloud public est plus écologique que les centres de données sur site.
Et ensuite ?
Les auteur.ices travaillent déjà à la prochaine amélioration de la modélisation, avec l’intégration des GPU (Graphic Processing Unit), ce qui ouvrira la voie à une éco-conception des solutions SaaS et permettra d’estimer les impacts environnementaux des serveurs d’IA.
Suivez-nous pour en savoir plus sur la suite de nos travaux !
🔗 Lire l'article complet en anglais : Télécharger ici (PDF)
🔗 Découvrez Resilio Database : lien
👉 Contactez nos experts ici
Cet article a été co-rédigé par Vanessa Decostaire et Marie Reinbigler