Le son devient une image

Le principe tient en une phrase. Le téléphone enregistre le chant. Il le transforme en image, une sorte de partition qui montre les sons dans le temps [1]. Un programme entraîné à reconnaître des formes lit cette image. Il procède comme un logiciel qui repère un visage sur une photo [1].

Ce programme a appris à force d’exemples. Des milliers d’enregistrements, captés par des passionnés et des experts, classés espèce par espèce [1]. À chaque écoute, il a retenu un peu mieux la signature sonore de chaque oiseau. Il ne rend jamais une certitude. Il donne une probabilité, et laisse la personne confirmer [2].

Un filtre optionnel resserre la liste avant même d’écouter. Il tient compte du lieu et de la saison [3]. En France, au printemps, il écarte d’emblée les espèces qui ne s’y trouvent pas. La liste des candidats devient plus courte, et le tri plus sûr.

Sur l’appareil, pas sur un serveur

C’est là que se joue le « sans connexion ». Pour l’application Merlin, éditée par un laboratoire d’ornithologie américain, tout le calcul se fait dans le téléphone [1]. « Sound ID runs on your device, without requiring a network connection », écrit l’éditeur : l’identification tourne sur l’appareil, sans réseau [1]. Rien n’a besoin de partir vers un serveur.

Une nuance, pour être exact. Il faut d’abord une préparation connectée. La première fois qu’on vise un endroit, l’application télécharge les données des espèces de la zone [2]. Ensuite, elle se passe du réseau.

Toutes les applications ne se valent pas sur ce point, et c’est le piège du sujet. Une application nommée BirdNET, très répandue, envoie au contraire le son à des serveurs pour l’analyser [4]. Une autre, BirdNET Live, du même laboratoire, fonctionne comme Merlin, sur l’appareil, et son code est ouvert à qui veut le vérifier [5]. Sous une même idée, « l’appli gratuite qui reconnaît les oiseaux », se cachent des outils différents.

Un savoir d’expert dans la poche

Reconnaître un oiseau à l’oreille demandait des années de pratique. L’application met ce savoir dans n’importe quelle poche, sans connaissance préalable. Elle est gratuite et sans publicité [6]. Elle affiche le nom en temps réel, même quand plusieurs oiseaux chantent en même temps [6].

Elle couvre aujourd’hui 2 066 espèces [7]. Les oiseaux les plus communs de France en font partie : rougegorge, merle noir, chardonneret, rossignol, pigeon ramier [7]. L’outil propose, la personne confirme en comparant à des enregistrements de référence [2].

Pour certains, ce n’est pas qu’un plaisir de balade. Une personne aveugle ou malvoyante peut identifier un oiseau à l’oreille, l’application lue à voix haute par le téléphone [8]. Des fiches d’usage et des sorties « à l’oreille » existent déjà pour cela [8]. Un savoir longtemps réservé aux voyants aguerris devient accessible autrement.

Ce qu’elle sait faire, et ce qu’elle ne sait pas

Une identification reste une suggestion. Utile, mais faillible, et l’honnêteté commande de le dire. Les mesures le confirment. Sur l’ensemble des études, la justesse tourne entre 72 et 85 % [9]. La part des oiseaux réellement retrouvés varie bien plus, de 33 à 84 % selon les conditions [9].

La distance change tout. Une expérience de terrain l’a chiffré. À moins de 50 mètres, l’application retrouve 92 % des chants diffusés. Au-delà, à peine 35 % [10]. Un oiseau lointain passe souvent inaperçu.

L’outil est aussi meilleur là où les gens enregistrent beaucoup, en Europe et dans les Amériques. Il l’est moins ailleurs, en Afrique et en Asie [3]. L’éditeur le reconnaît lui-même : « Merlin may not be as precise in remote regions » [2]. La raison est simple. Le programme a appris sur les enregistrements disponibles, et ils viennent surtout de l’hémisphère Nord [3].

Reste la question du micro, car un micro capte aussi des voix. Pour Merlin, les enregistrements restent sur le téléphone et ne partent jamais seuls vers le laboratoire [2]. Pour l’application BirdNET classique, c’est l’inverse : le son est conservé sur des serveurs, et l’éditeur conseille lui-même de ne pas envoyer d’audio qu’on jugerait privé [11].

De la balade au comptage des oiseaux

Identifier un oiseau au chant n’est pas qu’un loisir. C’est le geste de base du suivi scientifique. En France, des bénévoles écoutent depuis plus de trente ans, sur des milliers de points, et notent ce qu’ils entendent [12]. C’est ce comptage patient qui mesure l’état des oiseaux.

Et cet état préoccupe. En Europe, environ 800 millions d’oiseaux ont disparu depuis 1980 [13]. En France, les oiseaux des champs ont reculé d’environ 30 % en trente ans [14]. La cause principale documentée est l’agriculture intensive [13]. Moins d’oiseaux, c’est un signal sur les milieux où l’on vit, pas seulement une perte pour les amateurs.

C’est là que l’application dépasse le gadget. Elle apprend à des milliers de gens à reconnaître les oiseaux. Le même moteur sert déjà aux chercheurs : une étude française et européenne l’a testé sur 629 enregistrements et 194 sites, et le juge utile, à condition de bien le régler [15]. Chaque personne qui sait écouter est une oreille de plus pour observer.

Les observations que les utilisateurs choisissent de partager nourrissent une base mondiale. Elle a dépassé 2 milliards de signalements, selon le laboratoire qui la gère [16]. Un chiffre à prendre pour ce qu’il est, celui d’un acteur qui compte son propre programme, mais qui dit l’ampleur du mouvement.

Aller plus loin : le jardin qui s’écoute

Pour les bricoleurs, un prolongement existe. Un petit ordinateur, un micro, et le jardin s’écoute tout seul, jour et nuit, en local [17]. Le matériel coûte environ 100 à 125 dollars [18]. Le logiciel s’installe facilement, mais l’assemblage demande un vrai savoir-faire [18]. Ce n’est plus une application de téléphone, c’est un projet.

Reste le geste simple du début. Un chant dans une haie, un nom sur l’écran, gratuit et sans réseau. Un savoir qui demandait des années tient maintenant dans une main. Et chaque oreille en plus est une chance de plus de voir ce qui, dans le ciel, est en train de changer.

Sources

1. Behind the Scenes of Sound ID in Merlin. Macaulay Library, Cornell Lab of Ornithology (2021-06-22)
2. Sound ID et Merlin Bird ID FAQs (centre d'aide eBird). Cornell Lab of Ornithology / eBird (2026-07-28)
3. Creating Your Own Species List (documentation BirdNET-Analyzer, GeoModel). BirdNET-Analyzer (Cornell Lab / Chemnitz University of Technology) (2026-07-28)
4. The machine learning-powered BirdNET App reduces barriers to global bird research by enabling citizen science participation. PLOS Biology (2022-06-28)
5. BirdNET Live (page officielle). Cornell Lab of Ornithology (2026-07-28)
6. Merlin Bird ID app identifies more than 450 bird species by sound. Cornell Chronicle (2022-04-12)
7. Merlin Sound ID (page officielle). Cornell Lab of Ornithology (2026-07-28)
8. Listening with Merlin Bird ID: community and connection. Birdability (2026-07-28)
9. BirdNET: applications, performance, pitfalls and future opportunities. Ibis (British Ornithologists' Union), synthèse via le blog officiel BOU (2023)
10. A first assessment of BirdNET performance at varying distances: a playback experiment. Ardeola 70(2) (2023)
11. BirdNET App Privacy Policy. Cornell Lab of Ornithology (2026-07-28)
12. STOC, 30 ans de surveillance de l'état de santé des oiseaux communs. Vigie-Nature, Muséum national d'histoire naturelle (2021-04-01)
13. Agricultural intensification is driving the decline of bird populations across Europe (étude Rigal et al., PNAS). CNRS (2023-05-15)
14. Près de 30 % d'oiseaux en moins en 30 ans dans les villes et les campagnes françaises (bilan STOC 1989-2019). Muséum national d'histoire naturelle (2021-05-31)
15. Évaluer BirdNET pour reconstituer les communautés d'oiseaux européennes (Funosas et al., Ecological Informatics 2024). Ecological Informatics (preprint bioRxiv) (2023-12-06)
16. Cornell Lab of Ornithology hits 2 billion bird sightings, 3 million recordings. Cornell Chronicle (2025-08)
17. BirdNET-Pi (dépôt du fork actif Nachtzuster). GitHub, projet Nachtzuster (2026-07-28)
18. Building a BirdNET-Pi (détail de coût matériel). Anne & Jim Ancona (2026-07-28)

Le courant : une hausse réelle, pas un raz-de-marée

Les centres de données ont consommé environ 415 térawattheures en 2024. C’est à peu près 1,5 % de l’électricité mondiale [1]. La croissance est rapide. Environ 12 % par an depuis cinq ans, plus de quatre fois le rythme de la demande totale [1]. L’IA en est le moteur principal.

Le scénario central de l’agence de référence voit cette consommation plus que doubler d’ici 2030. Autour de 945 térawattheures, un peu moins de 3 % du total mondial [1]. C’est une projection, pas un fait acquis. La fourchette va presque du simple au double selon les hypothèses.

Un chiffre remet les proportions en place. D’ici 2030, les centres de données pèseront moins de 10 % de la hausse de la demande électrique mondiale [1]. Loin derrière l’industrie, la climatisation et les voitures électriques. Le « l’IA va tout engloutir » force le trait. Le « c’est négligeable » aussi.

Tout tient dans un mot : la concentration. L’effet est lourd par endroits, léger en moyenne. Près de la moitié de la hausse américaine vient des centres de données [1]. En Irlande, ils captent déjà 22 % de l’électricité du pays, plus que tous les foyers des villes réunis [9]. Ailleurs, l’aiguille bouge à peine.

L’eau : deux robinets, et un mot qui change tout

L’IA boit de l’eau de deux façons. D’abord sur place, pour refroidir les serveurs. Ensuite, plus discrètement, à travers l’eau des centrales qui fabriquent son électricité. Ce second robinet est souvent le plus gros, trois à cinq fois le premier [2].

Ici, un mot commande tout.

Prélevée, elle est pompée puis en partie rendue à la rivière. Consommée, elle s’évapore et ne revient pas. Gonfler avec l’une ou minimiser avec l’autre, c’est le premier tour de passe-passe possible, dans les deux sens.

Les chiffres qui circulent sont presque tous des estimations. Entraîner une version connue de ces modèles aurait évaporé environ 700 000 litres sur site [2]. Une conversation type « boirait » à peu près un demi-litre pour dix à cinquante échanges, eau indirecte comprise [2, 3]. Ces ordres de grandeur portent sur un modèle précis et varient énormément selon le lieu et la saison. Ce ne sont pas des constantes universelles.

Les seuls faits durs sont des relevés de compteurs municipaux. L’Iowa en 2022 [3]. Et The Dalles, dans l’Oregon, où les centres de Google ont utilisé près d’un tiers de l’eau de la ville en 2021 [12]. Pour obtenir ce chiffre, un journal a dû affronter un procès. La municipalité voulait garder les volumes secrets, avec l’appui financier du géant [12]. Elle a abandonné après treize mois.

Une boîte noire, et des progrès

Combien consomme exactement une requête ? Personne ne peut le dire de l’extérieur avec certitude. Les fabricants des modèles fermés forment « une boîte noire totale » [16]. Le chiffre le plus cité, environ 0,34 wattheure par requête, vient d’un billet de blog du patron d’OpenAI, sans la moindre méthode publiée [16]. Même l’agence de l’énergie écrit que ce manque de données empêche toute évaluation solide [1].

Les estimations sérieuses vont de 0,3 à plus de 2 wattheures par requête texte, et grimpent fort pour l’image et la vidéo [15, 16]. L’écart n’est pas une contradiction. C’est de l’incertitude, faute de transparence.

Une chose n’est pas cachée, en revanche. Les émissions des géants montent, et ils le reconnaissent eux-mêmes. Google admet une hausse de 48 % depuis 2019 [13]. Microsoft, environ 25 % sur la seule année 2025 [14]. Le chiffre de Microsoft est en partie comptable. Il vient aussi de l’arrêt de certificats renouvelables qui abaissaient le bilan déclaré, pas seulement d’émissions nouvelles [14]. Les deux disent leurs objectifs climatiques 2030 menacés par la course à l’IA [13, 14]. L’aveu reste crédible : une entreprise ne se noircit pas par plaisir.

Reste que l’efficacité progresse aussi. Une estimation d’énergie par requête a été divisée par dix en une seule révision [15]. Des centres passent au refroidissement par air pour économiser l’eau. Le volume total continue de monter, car les usages explosent. Mais figer la consommation d’une requête à son pire niveau serait aussi faux que de la nier.

Qui règle l’addition

C’est le cœur de la question. Et la réponse la plus documentée vient des États-Unis. Là-bas, une partie du coût des réseaux électriques bâtis pour ces centres retombe sur le grand public. Le mécanisme s’appelle la socialisation des coûts. Il est établi sur pièces.

Une étude juridique de Harvard a passé en revue près de cinquante procédures officielles.

L’opérateur du plus grand marché électrique américain répond qu’un réseau neuf profite à tous [7]. Le partage n’est pas tranché. Mais les chiffres d’allocation, eux, sont réels. À la dernière enchère de capacité de ce marché, les centres de données ont pesé 40 % des coûts. Soit 6,5 milliards de dollars [8]. Le surveillant indépendant du marché en fait « la principale raison » des prix élevés [8]. Dans le Maryland, deux tiers des coûts de transport tombent en moyenne sur les foyers [7].

À côté du kilowattheure, il y a l’impôt. Pour attirer ces centres, au moins 36 États américains renoncent à des taxes. Le Texas et la Virginie y laissent chacun environ un milliard de dollars par an [10]. C’est le contribuable qui comble ce manque, pas le voisin sur sa facture. Deux coûts bien réels, mais distincts.

Reste un chiffre qui a beaucoup tourné. Les factures américaines auraient bondi de 267 % à cause des centres de données. C’est largement faux [11]. Le calcul confond le prix de gros et la facture finale. Les factures résidentielles ont bien grimpé, d’environ 42 % en cinq ans, et les centres y contribuent par endroits [11]. Mais l’équipement, un réseau vieillissant et la transition énergétique pèsent aussi. Attribuer toute la hausse à l’IA est un raccourci.

Et en France

Le cas français est à part, et le contraste mérite d’être posé net. Aujourd’hui, les centres de données consomment environ 10 térawattheures par an. À peu près 2 % de l’électricité nationale [4]. Huit gros sites en service, pour 800 mégawatts [4]. C’est modéré.

Ce qui explose, c’est l’annonce. Près de 18 gigawatts de capacité étaient réservés en mai 2026, contre 5 fin 2024 [4]. Et 109 milliards d’euros d’investissements privés ont été annoncés au sommet de Paris sur l’IA, début 2025 [6]. Deux précautions s’imposent. Une réservation n’est pas une consommation. Il faut dix à quinze ans pour atteindre le gros de la puissance réservée. Et des projets tomberont en route [4]. Et 109 milliards annoncés ne sont pas 109 milliards dépensés [6].

Surtout, le report de la note sur les ménages, prouvé aux États-Unis, n’est pas établi en France. Le marché n’a rien de comparable. Un gestionnaire de réseau unique, un tarif fixé par le régulateur, un mix électrique nucléaire. Aucune source sérieuse ne documente, à ce jour, une hausse de facture française due à l’IA. Affirmer l’inverse reviendrait à inventer.

Le mix décarboné est même un atout. À consommation égale, un centre installé en France émet bien moins de CO2 qu’ailleurs, grâce au nucléaire et au renouvelable [5]. L’avantage est réel. Il a une limite. L’électricité bas-carbone reste une ressource finie, que se disputent aussi les transports, l’industrie, l’hydrogène [5]. Et le carbone n’est pas le seul impact. L’eau, le foncier, la chaleur restent posés. Près de Marseille, aux Pennes-Mirabeau, un projet a déjà déclenché recours et inquiétudes de riverains, sans qu’aucun chiffre d’eau du site n’ait été rendu public [17].

Voilà où en sont les faits. L’IA consomme des ressources bien réelles, et en hausse. L’essentiel ne se lit pas dans la moyenne planétaire, mais dans quelques régions, quelques villes, quelques compteurs. Et dans une addition dont une part, aux États-Unis, tombe déjà sur des ménages qui ne décident de rien.

Sources

1. Energy and AI (World Energy Outlook Special Report). Agence internationale de l'énergie (AIE) (avril 2025)
2. Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models. Li, Yang, Islam, Ren (arXiv, accepté par Communications of the ACM) (2023)
3. Artificial intelligence technology behind ChatGPT was built in Iowa, with a lot of water. Associated Press (2023)
4. L'essor des data centers en France (chiffres clés). RTE (2026)
5. Actualisation 2025 de l'empreinte environnementale du numérique en France (données 2022). ADEME-ARCEP (janvier 2025)
6. Sommet pour l'action sur l'IA (Paris) : 109 milliards d'euros annoncés. info.gouv.fr (février 2025)
7. Extracting Profits from the Public: How Utility Ratepayers Are Paying for Big Tech's Power. Harvard Electricity Law Initiative (mars 2025)
8. Data centers were 40% of PJM capacity costs in last auction: market monitor. Utility Dive (d'après Monitoring Analytics) (janvier 2026)
9. Data Centres Metered Electricity Consumption 2024. Central Statistics Office (Irlande) (juin 2025)
10. Cloudy Data, Costly Deals: How Poorly States Disclose Data Center Subsidies. Good Jobs First (2025)
11. Fact-check : Did data centers cause US electricity bills to rise 267% over five years?. WRAL / PolitiFact (juin 2025)
12. We now know how much water Google's Oregon data centers use, after city drops lawsuit against journalists. Data Center Dynamics (décembre 2022)
13. Google emissions grow 48% in five years owing to large-scale AI deployment. Earth.org (d'après le rapport environnemental Google) (juillet 2024)
14. Microsoft's carbon emissions rose 25% in 2025 as data centers grow. Fortune (d'après le rapport de durabilité Microsoft) (juillet 2026)
15. How much energy does ChatGPT use?. Epoch AI (février 2025)
16. We did the math on AI's energy footprint. MIT Technology Review (mai 2025)
17. Un projet de data center déclenche la résistance d'élus et de riverains aux Pennes-Mirabeau. France 3 Provence-Alpes-Côte d'Azur (2026)