Une question revient sans cesse dans les discussions sur l'intelligence artificielle : « combien coûte, en électricité et en carbone, le fait de poser une question à un assistant conversationnel ? ». La réponse honnête est double. Prise isolément, une requête à un grand modèle de langage consomme une quantité d'énergie modeste — de l'ordre de la fraction de watt-heure, comparable à quelques minutes d'ampoule LED. Multipliée par les centaines de millions de requêtes quotidiennes que reçoivent les principaux services, et additionnée au coût, bien plus lourd, de l'entraînement des modèles, l'affaire change d'échelle. Entre ces deux vérités, il y a de la place pour une évaluation sereine, chiffrée, et surtout actionnable.
Cet article rassemble ce que les études techniques disponibles permettent d'affirmer sur l'empreinte environnementale de l'IA générative : l'énergie et le carbone associés à l'entraînement d'un grand modèle, le coût d'une requête d'inférence, la question moins connue de l'eau, le rôle déterminant du mix électrique du pays où tourne le calcul, et enfin les leviers concrets — à la portée de n'importe quel utilisateur ou équipe technique — pour alléger son usage sans renoncer aux bénéfices de ces outils.
Le sujet mérite d'être traité avec la même rigueur que n'importe quel autre poste de consommation numérique. Ni minimisé, ni dramatisé : mesuré. C'est en cela que la recherche en « IA sobre » rejoint une tradition plus ancienne, celle de l'écoconception numérique, appliquée à une technologie encore jeune mais déjà scrutée par des dizaines d'équipes de recherche indépendantes.
Une question qui mérite mieux qu'une réponse à l'emporte-pièce
Poser la question « combien ça coûte, en carbone, de discuter avec une IA ? » revient à poser une question aussi vaste que « combien coûte, en carbone, un trajet en voiture ? ». Tout dépend du véhicule, de la distance, du carburant, du nombre de passagers. Pour l'IA générative, les variables équivalentes sont la taille du modèle interrogé, la longueur de la question et de la réponse, le type de matériel qui exécute le calcul, l'endroit où se trouve le centre de données, et le mix électrique local à l'instant T.
Cette complexité explique pourquoi les premiers chiffres qui ont circulé dans la presse grand public, au tournant des années 2019-2023, étaient à la fois exacts dans leur ordre de grandeur et trompeurs dans leur généralisation. Un chiffre marquant, souvent répété, provient d'une étude de 2019 menée par la chercheuse Emma Strubell et ses collègues de l'université du Massachusetts à Amherst : la procédure de recherche d'architecture neuronale (« neural architecture search ») ayant permis de découvrir le modèle Evolved Transformer aurait généré environ 284 tonnes équivalent CO2 — l'équivalent des émissions cumulées de cinq voitures américaines sur toute leur durée de vie. Le modèle BERT, plus modeste, affichait environ 650 kilogrammes de CO2 pour son entraînement, soit à peu près l'équivalent d'un vol transcontinental aller-retour pour une personne. Ce chiffre de 284 tonnes a marqué les esprits, et à raison : il a ouvert un champ de recherche qui n'a cessé de s'étoffer depuis — au point d'être lui-même réexaminé : une réévaluation publiée en 2022 par le chercheur David Patterson (Google Research / UC Berkeley, déjà cité plus loin pour ses travaux sur GPT-3) l'a ramené à environ 3,2 tonnes équivalent CO2, soit 88 fois moins, l'estimation de 2019 reposant sur un matériel moins efficace que celui réellement utilisé et sur un volume de calcul surestimé.
« Ces gains de précision dépendent de ressources de calcul exceptionnellement importantes, qui exigent une consommation d'énergie tout aussi considérable. » — Emma Strubell, Ananya Ganesh et Andrew McCallum, « Energy and Policy Considerations for Deep Learning in NLP », 2019.
Mais un chiffre isolé, sorti de son contexte, raconte rarement toute l'histoire. Ce que les six années de recherche qui ont suivi ont permis de préciser, c'est la distinction essentielle entre deux moments très différents dans la vie d'un modèle d'IA : son entraînement, qui a lieu une seule fois et mobilise un poste de calcul massif et concentré dans le temps, et son inférence, c'est-à-dire chaque réponse individuelle qu'il produit ensuite, potentiellement des milliards de fois, pour un coût unitaire beaucoup plus faible mais qui s'additionne à grande échelle. Comprendre cette distinction est la clé pour lire correctement n'importe quel chiffre sur le sujet.
Entraînement et inférence : deux échelles, deux logiques
L'entraînement d'un grand modèle de langage consiste à ajuster ses milliards de paramètres en lui faisant ingérer d'immenses quantités de texte, image ou code, sur des grappes de plusieurs milliers de processeurs graphiques (GPU) fonctionnant en continu pendant des semaines, voire des mois. C'est une opération ponctuelle — on n'entraîne pas un modèle donné à chaque requête — mais dont le coût énergétique brut est considérable, car elle mobilise un parc matériel colossal à pleine puissance sur une durée longue.
L'inférence, à l'inverse, désigne l'utilisation du modèle une fois qu'il est entraîné : c'est ce qui se passe quand un utilisateur pose une question et reçoit une réponse. Chaque inférence est individuellement bien moins coûteuse qu'une seconde d'entraînement, mais elle se répète à une échelle qui n'a pas d'équivalent : des centaines de millions de fois par jour pour les services les plus utilisés. C'est la loi des grands nombres appliquée à l'informatique — un coût unitaire minuscule, multiplié par un usage massif, redevient un poste significatif à l'échelle globale.
Cette distinction a une conséquence pratique importante pour qui cherche à comprendre où se situe réellement le levier d'action. Réduire l'empreinte de l'entraînement relève presque exclusivement des laboratoires qui conçoivent les modèles : choix d'architecture, efficacité des centres de données, mix électrique du site d'entraînement. Réduire l'empreinte de l'inférence, en revanche, dépend aussi des choix de chaque utilisateur et de chaque développeur d'application : quel modèle choisir pour quelle tâche, quelle longueur de conversation, quelle fréquence de sollicitation. C'est sur ce second levier que ce dossier s'attarde le plus, car c'est celui sur lequel chacun peut agir directement.
Un seul entraînement équivaut, en énergie, à plusieurs milliards de requêtes ordinaires — d'où la nécessité de toujours distinguer ces deux échelles dans un bilan environnemental.
Combien pèse une requête, concrètement ?
C'est la question la plus commentée, et longtemps la plus mal mesurée. Les premières estimations, qui circulaient depuis 2023, évaluaient une requête à un grand modèle conversationnel à environ 3 watt-heures — un chiffre repris dans de nombreux articles de vulgarisation, mais dont la méthodologie reposait sur des hypothèses approximatives et anciennes, faute d'accès aux données réelles d'exploitation des fournisseurs.
Une analyse plus récente et plus rigoureuse, publiée en février 2025 par le centre de recherche Epoch AI, a revu ce chiffre nettement à la baisse. En croisant les caractéristiques connues des modèles de la génération GPT-4o (une centaine de milliards de paramètres actifs), la puissance des accélérateurs Nvidia H100 utilisés en production (environ 1500 watts par unité), un taux d'utilisation réaliste des GPU et une longueur moyenne de réponse d'environ 500 tokens, les chercheurs concluent qu'une requête typique consomme environ 0,3 watt-heure — dix fois moins que l'estimation de 3 Wh largement diffusée jusque-là.
« Nous estimons que les requêtes typiques à ChatGPT utilisant GPT-4o consomment environ 0,3 watt-heure, soit dix fois moins que l'ancienne estimation. » — Epoch AI, « How much energy does ChatGPT use? », février 2025.
À retenir. Une requête typique à un modèle conversationnel de la génération GPT-4o consomme environ 0,3 watt-heure — soit dix fois moins que l'estimation de 3 Wh longtemps diffusée. C'est l'équivalent de quelques minutes d'ampoule LED. La nuance importante : ce chiffre grimpe avec la longueur du contexte (voir ci-dessous).
Pour donner un repère tangible à ce chiffre : 0,3 Wh, c'est moins que ce que consomme une ampoule LED ou un ordinateur portable en quelques minutes de fonctionnement. Un foyer américain moyen consomme environ 10 500 kilowattheures par an, soit plus de 28 000 watt-heures par jour — l'équivalent, en une seule journée de vie domestique ordinaire, de dizaines de milliers de requêtes conversationnelles. Cette mise en perspective ne vise pas à minimiser le sujet, mais à le situer correctement : une requête isolée et courte reste, unitairement, un geste numérique léger.
Ce chiffre varie cependant fortement selon deux paramètres que l'étude prend soin de détailler. D'abord, la longueur de la conversation : un envoi de 10 000 tokens en entrée (l'équivalent d'un document de plusieurs pages) fait grimper la consommation à environ 2,5 Wh, et un document de 100 000 tokens — un rapport volumineux ou un livre — peut atteindre environ 40 Wh, soit plus de cent fois le coût d'une question courte. Ensuite, le type de modèle sollicité : les modèles dits « de raisonnement », qui déroulent de longues chaînes de réflexion internes avant de répondre, consomment nettement plus qu'un modèle conversationnel standard répondant directement, précisément parce qu'ils génèrent, en coulisses, un nombre de tokens intermédiaires bien supérieur à la réponse finale affichée.
Ce que cette variabilité enseigne
La leçon pratique de ces travaux est simple : la longueur compte plus que la nature de la question. Un utilisateur qui colle un document de cinquante pages pour en demander un résumé consomme, en une seule requête, l'équivalent énergétique de centaines d'échanges conversationnels courts. Ce n'est pas une raison pour s'interdire ce type d'usage — c'est souvent là que l'IA apporte le plus de valeur, en synthétisant en quelques secondes ce qu'une lecture humaine complète prendrait des heures — mais c'est une information utile pour calibrer ses attentes, et pour comprendre pourquoi les fournisseurs de modèles investissent autant dans la compression du contexte et l'optimisation des longues séquences.
La longueur du contexte, plus que la nature de la question, fait grimper la consommation : un facteur supérieur à cent entre une question courte et un document de 100 000 tokens.
Estimez l'empreinte d'une requête
Faites varier la longueur du contexte et le type de modèle pour visualiser l'effet sur l'énergie consommée et les émissions de CO₂, selon le mix électrique.
Modèle simplifié fondé sur les trois points de référence d'Epoch AI (février 2025) — 500 tokens ≈ 0,3 Wh ; 10 000 ≈ 2,5 Wh ; 100 000 ≈ 40 Wh — interpolés linéairement. Le facteur ×3 pour les modèles de raisonnement est un ordre de grandeur, ces modèles générant en coulisses bien plus de tokens que la réponse affichée. Estimations, non mesures directes.
Le vrai poste de dépense : l'entraînement
Si l'inférence unitaire est un coût mineur, l'entraînement d'un grand modèle reste, lui, un événement énergétique majeur — et c'est là que se concentre l'essentiel des travaux de mesure publiés depuis 2019. Trois études servent aujourd'hui de références dans la littérature technique.
La première, déjà citée, est celle d'Emma Strubell et ses coauteurs en 2019, qui a le mérite d'avoir ouvert le débat en chiffrant, pour la première fois avec une méthodologie publique, le coût carbone de l'entraînement de plusieurs modèles de traitement du langage alors récents.
La deuxième est celle de David Patterson (Google Research et UC Berkeley) et son équipe, publiée en 2021 sous le titre « Carbon Emissions and Large Neural Network Training ». Cette étude, plus détaillée, chiffre l'entraînement de GPT-3 (175 milliards de paramètres, la génération de modèles qui a précédé l'essor grand public des assistants conversationnels) à environ 1 287 mégawattheures d'électricité consommée, soit environ 552 tonnes équivalent CO2 selon le mix électrique retenu pour le calcul. L'étude souligne aussi un point rassurant pour l'avenir de la discipline : les architectures « éparses » (qui n'activent qu'une fraction de leurs paramètres à chaque calcul, comme les modèles à mélange d'experts) peuvent consommer moins d'un dixième de l'énergie d'un modèle dense équivalent, à précision comparable — une piste d'efficacité que l'industrie a largement explorée depuis.
La troisième référence est l'étude de Sasha Luccioni, Sylvain Viguier et Anne-Laure Ligozat, publiée fin 2022, qui a eu l'originalité de mesurer directement — et non plus par estimation rétrospective — l'empreinte carbone du modèle ouvert BLOOM (176 milliards de paramètres), du fait de l'accès privilégié des chercheurs à l'infrastructure d'entraînement elle-même. Résultat : environ 24,7 tonnes équivalent CO2 pour la seule consommation dynamique du calcul d'entraînement, et jusqu'à 50,5 tonnes en intégrant l'ensemble du cycle, de la fabrication du matériel à l'exploitation. Un apport majeur de cette étude a été de documenter, avec la même rigueur, la phase de déploiement du modèle une fois mis en service — confirmant empiriquement que l'inférence cumulée, sur la durée de vie d'un modèle largement utilisé, peut représenter une part substantielle de son empreinte totale, aux côtés de l'entraînement initial.
Trois études, trois ordres de grandeur
Le tableau suivant synthétise ces trois références. Les méthodologies diffèrent légèrement — certaines n'intègrent que la consommation dynamique du calcul, d'autres élargissent au cycle de vie du matériel — ce qui explique les écarts ; l'intérêt du tableau est de donner un ordre de grandeur comparable plutôt qu'une équivalence stricte.
| Modèle / étude | Taille | Énergie ou CO2 estimé | Équivalent parlant |
|---|---|---|---|
| NAS (recherche d'architecture), Strubell et al. 2019 (révisé à ~3,2 tCO2eq par Patterson et al. 2022) | — | ~284 tCO2eq | 5 voitures américaines sur toute leur durée de vie |
| BERT (base), Strubell et al. 2019 | 110 M paramètres | ~650 kg CO2eq | 1 vol transcontinental aller-retour (1 passager) |
| GPT-3, Patterson et al. 2021 | 175 Md paramètres | 1 287 MWh / ~552 tCO2eq | Consommation annuelle d'une centaine de foyers américains |
| BLOOM, Luccioni et al. 2022 | 176 Md paramètres | 24,7 à 50,5 tCO2eq (entraînement) | Émissions annuelles de 5 à 10 foyers français |
Un enseignement transparaît de cette comparaison : l'écart entre BERT (650 kg) et GPT-3 (552 tonnes) — un facteur proche de 850 — reflète moins une explosion incontrôlée qu'une évolution attendue de la taille des modèles sur la période. Ce qui compte pour l'avenir, ce n'est donc pas seulement la taille brute d'un modèle, mais le rapport entre sa taille, son efficacité architecturale et l'utilité qu'il apporte réellement — un rapport que les équipes de recherche cherchent activement à améliorer, notamment via les architectures à mélange d'experts évoquées plus haut, qui permettent de disposer de modèles très capables sans activer l'intégralité de leurs paramètres à chaque calcul.
L'eau, angle mort de l'empreinte environnementale
Le carbone n'est pas la seule ressource mobilisée par l'IA. Les centres de données consomment aussi de l'eau, pour le refroidissement de leurs serveurs — un aspect longtemps resté hors des radars du grand public, jusqu'à une étude qui a fait date.
Publiée en avril 2023 par une équipe de l'université de Californie à Riverside, dirigée par le chercheur Shaolei Ren, l'étude « Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI Models » a établi une méthodologie pour estimer la consommation d'eau directe — celle qui s'évapore réellement dans les tours de refroidissement, par opposition à l'eau utilisée indirectement pour produire l'électricité. Son résultat le plus cité : l'entraînement de GPT-3 dans les centres de données américains de dernière génération de Microsoft aurait pu évaporer directement environ 700 000 litres d'eau douce — et ce chiffre aurait pu tripler si l'entraînement avait eu lieu dans certains centres de données situés en Asie, où le mix de refroidissement diffère.
« Décider quand et où faire tourner un grand modèle d'IA peut réduire de façon significative son empreinte hydrique. » — Pengfei Li, Jianyi Yang, Mohammad A. Islam et Shaolei Ren, « Making AI Less Thirsty », 2023.
L'étude va plus loin en projetant la trajectoire d'ensemble du secteur : la demande mondiale en eau associée à l'IA pourrait, à l'horizon 2027, représenter entre 4,2 et 6,6 milliards de mètres cubes de prélèvement — soit, selon les auteurs, quatre à six fois le prélèvement annuel total du Danemark, ou l'équivalent de la moitié de celui du Royaume-Uni. Ce chiffre reste une projection, à prendre avec la prudence qui s'impose pour toute extrapolation à cinq ans, mais il a eu le mérite de mettre l'eau au centre du débat sur la sobriété numérique, aux côtés du carbone.
L'apport le plus utile de cette étude, sur le plan pratique, est sa conclusion opérationnelle : contrairement au carbone, dont l'intensité varie surtout avec le mix électrique, l'empreinte hydrique varie surtout avec le climat local et la technologie de refroidissement du centre de données. Un centre situé dans une région fraîche et humide, utilisant du refroidissement par air plutôt que par évaporation, peut avoir une empreinte hydrique directe très inférieure à un centre situé dans une région chaude et sèche — un paramètre que les opérateurs de centres de données intègrent de plus en plus dans leurs choix d'implantation.
Le mix électrique change toute l'équation
Un même calcul, exécuté avec la même puissance électrique, ne produit pas la même quantité de CO2 selon l'endroit où il a lieu. C'est le paramètre le plus déterminant, et le plus souvent oublié dans les discussions grand public, qui se concentrent sur l'énergie consommée en oubliant de préciser d'où elle vient.
Selon le rapport Global Electricity Review 2024 publié par le centre de recherche indépendant Ember, l'intensité carbone moyenne de l'électricité produite dans le monde s'établissait à environ 480 grammes de CO2 par kilowattheure en 2023 — un chiffre qui recouvre des réalités nationales très contrastées, allant de moins de 50 g/kWh dans les pays à forte part d'hydroélectricité ou de nucléaire, à plus de 700-800 g/kWh dans les régions dont la production repose majoritairement sur le charbon.
La France, un cas d'école
La France illustre bien cet écart. Selon le Bilan électrique 2023 publié par RTE (Réseau de transport d'électricité) en février 2024, l'intensité carbone de la production électrique française s'est établie à seulement 32 grammes équivalent CO2 par kilowattheure en 2023 — un niveau historiquement bas, en baisse de près de 40 % par rapport à 2022 (54 g/kWh), porté par une production nucléaire redressée après les difficultés de 2022 et une contribution croissante de l'éolien et du solaire. Ce chiffre place la France environ dix fois en dessous de l'intensité carbone de l'électricité allemande, et plus de huit fois en dessous de celle de l'Italie, selon les données publiées par RTE.
Le tableau ci-dessous met ces trois repères en regard, pour donner une idée concrète de l'écart que représente le lieu d'exécution d'un même calcul.
| Zone géographique / mix électrique | Intensité carbone approximative | Source |
|---|---|---|
| France (2023) | ~32 gCO2eq/kWh | RTE, Bilan électrique 2023 (février 2024) |
| Moyenne mondiale (2023) | ~480 gCO2eq/kWh | Ember, Global Electricity Review 2024 |
| Réseau à forte dominante charbon | ~700 à 800+ gCO2eq/kWh | Ordre de grandeur agrégé, littérature sur l'intensité carbone des réseaux électriques |
Le lieu d'exécution du calcul pèse plus que l'efficacité du matériel : un facteur 25 sépare le mix français d'un réseau à dominante charbon, pour strictement le même calcul.
Cette variabilité explique pourquoi les grands opérateurs de centres de données cherchent activement à localiser leurs infrastructures dans des zones à faible intensité carbone, ou à décaler certaines charges de calcul non urgentes vers les moments où la part d'énergie renouvelable est la plus forte sur le réseau local. C'est aussi ce paramètre — et non uniquement l'efficacité du matériel — qui explique une bonne part des écarts observés entre différentes estimations de l'empreinte d'un même modèle selon l'endroit où il est exécuté.
Data centers : une croissance déjà engagée
Au-delà du coût d'une requête individuelle, la question qui structure le débat public porte sur la trajectoire d'ensemble : la demande électrique des centres de données, tirée par l'essor de l'IA, croît-elle plus vite que la capacité à la décarboner ?
Le rapport Electricity 2024 de l'Agence internationale de l'énergie (AIE), publié en janvier 2024, a fourni l'un des cadrages les plus cités sur cette trajectoire. Selon ce rapport, la consommation électrique mondiale des centres de données, de l'intelligence artificielle et du secteur des cryptomonnaies pourrait doubler entre 2022 et 2026, pour dépasser les 1 000 térawattheures — un volume comparable à la consommation électrique totale annuelle d'un pays comme le Japon. L'agence précisait alors des projections différenciées par région : autour de 260 TWh pour les États-Unis en 2026, environ 150 TWh pour l'Europe, la Chine se situant dans une fourchette intermédiaire. Dans son rapport Energy and AI (avril 2025), l'agence estime la consommation des centres de données à environ 415 TWh en 2024 (environ 1,5 % de l'électricité mondiale) et projette environ 945 TWh en 2030.
Ce rythme de croissance — de l'ordre de 12 % par an en moyenne sur les dernières années selon les données de l'AIE — dépasse nettement celui de la consommation électrique globale, qui progresse d'environ 3 % par an. C'est cet écart de rythme, plus que le volume absolu, qui justifie une attention soutenue portée au secteur : un poste de consommation qui croît plus vite que l'ensemble du système électrique finit, mécaniquement, par occuper une part croissante du bilan.
Cette tendance se lit aussi dans les rapports environnementaux des grandes entreprises technologiques elles-mêmes. Dans son rapport environnemental 2024 (portant sur les données de l'année 2023), Google a publié des émissions de gaz à effet de serre supérieures de 48 % à leur niveau de 2019 — une hausse que l'entreprise attribue explicitement à la croissance de la consommation énergétique de ses centres de données, largement portée par le déploiement de l'IA, ainsi qu'aux émissions liées à sa chaîne d'approvisionnement. Le mérite de cette transparence — Google ayant fait le choix de publier ce chiffre en toutes lettres plutôt que de le diluer — est de donner à l'ensemble du secteur un repère concret et vérifiable, plutôt qu'une estimation externe approximative.
« Alors que nous intégrons davantage l'IA dans nos produits, réduire nos émissions pourrait s'avérer complexe, en raison des besoins de calcul croissants de l'IA et de l'ampleur des investissements attendus dans notre infrastructure technique. » — Google, Rapport environnemental 2024.
Cette honnêteté comptable a une valeur pédagogique : elle montre qu'un acteur qui investit massivement, en parallèle, dans les énergies renouvelables et l'efficacité de ses centres de données — Google indiquait alors que ses installations produisaient plus de six fois plus de calcul par unité d'électricité qu'il y a cinq ans — peut malgré tout voir ses émissions brutes progresser, tant que la croissance de la demande dépasse celle des gains d'efficacité. C'est précisément la course que le secteur cherche à inverser : plus d'efficacité par calcul, pour compenser, puis dépasser, la croissance du volume de calcul.
Le numérique et l'IA, remis à l'échelle française
Il est utile de replacer ces chiffres mondiaux dans un cadre national. L'ADEME (Agence de la transition écologique) et l'Arcep (autorité de régulation des télécommunications) ont publié en janvier 2025 une actualisation de leur étude de référence sur l'impact environnemental du numérique en France. Ses conclusions principales : le numérique représente environ 4,4 % de l'empreinte carbone nationale française, et le numérique consomme environ 51,5 TWh d'électricité en France, soit 11 % de la consommation nationale, et environ 65 TWh si l'on ajoute les centres de données situés à l'étranger qui servent des usages français.
Ce cadrage national a un intérêt particulier pour les acteurs qui déploient de l'IA depuis la France ou pour des usages français : la faible intensité carbone du mix électrique français — les fameux 32 g/kWh de RTE évoqués plus haut — signifie que, à volume de calcul identique, l'empreinte carbone d'un service hébergé et exécuté sur le territoire français est structurellement plus faible que la moyenne mondiale, uniquement du fait de la composition du mix électrique local, largement décarboné grâce au nucléaire et, en proportion croissante, aux énergies renouvelables. C'est un facteur sur lequel les utilisateurs individuels n'ont pas de prise directe, mais qui pèse lourd dans le bilan global d'un service numérique, bien au-delà des choix d'usage individuels.
À retenir. À volume de calcul identique, un service exécuté sur le territoire français émet environ quinze fois moins de CO₂ que la moyenne mondiale, et vingt à vingt-cinq fois moins qu'un réseau à dominante charbon. Cet écart ne dépend ni de l'utilisateur ni du modèle — uniquement du mix électrique local.
Mesurer avant d'agir : les outils disponibles
La bonne nouvelle, pour qui souhaite agir plutôt que spéculer, est qu'il existe déjà des outils ouverts et en accès libre pour estimer l'empreinte carbone d'un usage de l'IA — à l'échelle d'un développeur, d'une équipe technique, ou d'un modèle publié.
CodeCarbon est une bibliothèque Python open source, développée notamment par des chercheurs de l'institut Mila et la communauté Data For Good, qui mesure en temps réel la consommation du processeur, du GPU et de la mémoire vive d'un programme, puis la combine avec les données d'intensité carbone régionale pour estimer les émissions associées à une exécution de code — que ce soit l'entraînement d'un modèle ou son utilisation en production. L'outil s'intègre directement dans les principales bibliothèques d'apprentissage automatique, dont la populaire bibliothèque Transformers de Hugging Face, ce qui permet à n'importe quelle équipe d'obtenir, en quelques lignes de configuration, un rapport d'émissions pour ses propres entraînements de modèles.
La plateforme Hugging Face, qui héberge plus de deux millions de modèles ouverts (2026), a par ailleurs intégré un champ dédié aux émissions de CO2 dans les fiches descriptives des modèles (les « model cards »), encourageant les équipes qui publient un modèle à documenter son empreinte d'entraînement — sur le modèle de ce qu'a fait l'équipe de BLOOM, dont l'étude de 2022 a servi de référence méthodologique pour l'ensemble de l'écosystème.
Ces outils partagent une même philosophie : rendre visible ce qui, par défaut, reste invisible pour l'utilisateur final. On ne sait pas, en interrogeant un service commercial fermé, quelle est l'intensité carbone exacte du centre de données qui a traité la requête, ni la taille précise du modèle sollicité. Pour les modèles ouverts et les infrastructures que l'on maîtrise, en revanche, la mesure devient possible — et c'est un premier pas nécessaire avant toute optimisation sérieuse, car on ne réduit durablement que ce que l'on sait mesurer.
Green AI : une discipline de recherche à part entière
La prise de conscience sur le coût environnemental de l'IA ne s'est pas traduite uniquement par des études de mesure ponctuelles : elle a donné naissance à un courant de recherche structuré, baptisé « Green AI », par opposition à ce que les auteurs appellent la « Red AI » — une course à la performance obtenue uniquement par l'augmentation brute de la puissance de calcul, sans considération pour son coût.
L'article fondateur, publié en 2019 par Roy Schwartz, Jesse Dodge, Noah A. Smith et Oren Etzioni (Allen Institute for AI), dresse un constat qui a orienté une partie de la recherche depuis : entre 2012 et 2018, la puissance de calcul mobilisée par les projets de recherche en apprentissage profond les plus en pointe a été multipliée par environ 300 000 — un rythme de croissance sans commune mesure avec les gains d'efficacité matérielle sur la même période. Les auteurs proposent une réponse simple mais structurante : faire de l'efficacité un critère d'évaluation scientifique à part entière, au même titre que la précision d'un modèle, et systématiser la publication du « prix » — en temps de calcul, en énergie, en émissions — de chaque avancée revendiquée.
« Nous préconisons de faire de l'efficacité un critère d'évaluation important, aux côtés de la précision et des mesures associées, pour les travaux de recherche en intelligence artificielle. » — Roy Schwartz, Jesse Dodge, Noah A. Smith et Oren Etzioni, « Green AI », 2019.
Ce plaidoyer a trouvé un écho concret dans les années qui ont suivi. Les architectures à mélange d'experts, qui n'activent qu'une fraction de leurs paramètres par calcul et permettent de disposer d'un grand modèle sans en payer le coût de calcul intégral à chaque requête, en sont une illustration directe. La distillation de modèles — la pratique consistant à transférer les capacités d'un grand modèle vers une version beaucoup plus compacte et rapide à exécuter — en est une autre : elle permet de démocratiser l'accès à des capacités avancées sur du matériel bien plus modeste, réduisant d'autant le coût énergétique par utilisation. La quantification, qui consiste à réduire la précision numérique des calculs (passer par exemple de 32 à 8 bits de précision) sans perte significative de qualité perçue, participe de la même logique d'efficacité : faire davantage avec moins de ressources, plutôt que de systématiquement recourir à plus de puissance brute.
Alléger son usage, sans culpabiliser
Une fois ces repères posés, la question la plus utile devient : que peut-on concrètement faire, à son échelle, sans renoncer aux bénéfices réels de ces outils ? Plusieurs leviers, documentés par la littérature technique évoquée plus haut, sont à la portée de tout utilisateur ou toute équipe de développement.
À retenir. Cinq leviers sont à la portée de tout utilisateur ou équipe technique : choisir le bon modèle pour la bonne tâche, raccourcir prompts et documents, profiter des architectures efficaces, privilégier les infrastructures décarbonées, et mesurer avant d'optimiser. Aucun n'impose de renoncer à l'IA — seulement de mieux l'armer.
Choisir la bonne taille de modèle pour la bonne tâche
C'est le levier le plus efficace et le moins connu du grand public. Un modèle plus petit, correctement choisi pour une tâche bien définie — extraction d'information, classification, résumé de texte court — consomme une fraction de l'énergie d'un modèle généraliste massif, pour un résultat souvent équivalent sur cette tâche précise. La distillation de modèles, évoquée plus haut, a précisément pour objectif de rendre ce choix possible : disposer de versions compactes qui héritent d'une bonne partie des capacités du modèle d'origine, pour un coût d'exécution très inférieur. La bonne question à se poser n'est donc pas « quel est le modèle le plus puissant disponible ? » mais « quel est le plus petit modèle capable de traiter correctement ma tâche ? ».
Raccourcir les prompts et documents inutilement longs
Les chiffres d'Epoch AI l'ont montré sans ambiguïté : c'est la longueur du contexte, bien plus que la nature de la question, qui fait grimper la consommation d'une requête — d'un facteur supérieur à cent entre une question courte et un document de cent mille tokens. Éviter de coller des documents entiers quand un extrait pertinent suffirait, ou de reformuler plusieurs fois une même requête faute d'une consigne claire dès le départ, réduit directement l'empreinte de chaque échange.
Profiter des architectures efficaces plutôt que de la seule taille
Les innovations d'architecture documentées par la recherche — mélange d'experts, mécanismes d'attention optimisés pour réduire l'empreinte mémoire, quantification — permettent aujourd'hui d'obtenir des performances comparables à celles d'anciens modèles bien plus gourmands, pour une fraction de leur coût de calcul. Ce n'est pas un levier que l'utilisateur final actionne directement, mais c'est une raison factuelle d'aborder le sujet avec optimisme : l'efficacité énergétique par unité de capacité progresse, en parallèle de la puissance brute des modèles, et pas uniquement grâce aux compensations carbone ou aux achats d'énergie renouvelable — qui restent, eux, des leviers complémentaires et non substituables.
Privilégier, quand c'est possible, les infrastructures à faible intensité carbone
Pour les équipes qui développent leurs propres applications d'IA et choisissent où héberger leur calcul, l'écart d'intensité carbone entre régions — documenté plus haut, avec un facteur supérieur à dix entre la France et une région à forte dominante charbon — constitue un levier d'optimisation à la fois simple et puissant, souvent plus déterminant que l'optimisation fine du code lui-même. C'est un des messages centraux des outils comme CodeCarbon, qui suggèrent explicitement des régions d'hébergement à plus faible impact pour une même charge de calcul.
Mesurer avant d'optimiser
Enfin, pour toute équipe technique qui manipule des modèles à l'échelle, la première étape reste la mesure elle-même. Intégrer un outil comme CodeCarbon dans un pipeline d'entraînement ou de déploiement ne coûte que quelques lignes de configuration, et transforme une question abstraite (« est-ce que notre usage de l'IA est raisonnable ? ») en donnée concrète et suivie dans le temps, sur laquelle il devient possible d'agir avec méthode plutôt que par intuition.
Ce que ces chiffres ne disent pas encore
Il serait malhonnête de refermer ce dossier sans mentionner les limites de l'exercice de mesure. D'abord, la plupart des estimations disponibles reposent sur des hypothèses publiques — architecture supposée, taux d'utilisation matériel estimé — faute d'un accès direct aux données d'exploitation des fournisseurs commerciaux fermés, qui ne publient pas systématiquement le détail de leur infrastructure. Les chercheurs d'Epoch AI le rappellent eux-mêmes : leurs estimations sont des ordres de grandeur raisonnables, pas des mesures directes certifiées.
Ensuite, les comparaisons entre études doivent être lues avec prudence, car les périmètres de calcul diffèrent : certaines n'intègrent que la consommation dynamique du calcul (l'électricité directement utilisée pendant l'exécution), d'autres élargissent au cycle de vie complet du matériel, incluant sa fabrication et son transport — ce qui explique une bonne partie des écarts observés, par exemple entre les 24,7 et les 50,5 tonnes équivalent CO2 avancées pour BLOOM dans une même étude.
Enfin, il faut résister à la tentation de réduire un bilan environnemental à son seul volet carbone. L'eau, la fabrication des puces elles-mêmes — qui mobilise des ressources minérales et une chaîne industrielle à l'empreinte propre, largement documentée par ailleurs pour l'ensemble de l'électronique — et la fin de vie du matériel constituent des postes additionnels que la recherche continue d'explorer, avec une maturité méthodologique encore inégale selon les dimensions étudiées. C'est un champ de recherche jeune, actif, et qui progresse vite : la révision à la baisse d'un facteur dix du chiffre de référence sur le coût d'une requête, en l'espace de moins de deux ans, illustre à quel point la précision des estimations s'améliore à mesure que la méthodologie mûrit.
Ce qu'il faut retenir
L'empreinte environnementale de l'IA générative n'est ni négligeable, ni disproportionnée par rapport aux enjeux plus larges de la transition numérique : c'est un poste de consommation réel, mesurable, et pour une part significative pilotable. Une requête isolée à un modèle conversationnel représente, selon les meilleures estimations disponibles, une fraction de watt-heure — un geste numérique léger, comparable à quelques minutes d'usage d'un objet électronique ordinaire. C'est l'entraînement des modèles, opération ponctuelle mais massive, et la multiplication des requêtes à l'échelle de centaines de millions d'utilisateurs, qui font de l'IA un sujet à part entière dans les bilans énergétiques des grandes entreprises technologiques.
Le point le plus rassurant, à l'examen des données disponibles, est que ce sujet est pris au sérieux par une communauté de recherche structurée depuis 2019, qui a produit des méthodologies de mesure de plus en plus fines, des outils ouverts et accessibles, et des pistes d'optimisation — architectures efficaces, distillation, quantification, choix du bon modèle pour la bonne tâche — qui progressent année après année. La révision à la baisse du coût estimé d'une requête, documentée par Epoch AI début 2025, en est l'illustration la plus nette : mieux mesurer, c'est déjà commencer à mieux gérer.
Pour l'utilisateur ou l'équipe technique qui souhaite agir, la bonne posture n'est donc ni le renoncement ni l'indifférence, mais une forme de sobriété informée : choisir le bon outil pour le bon usage, raccourcir ce qui peut l'être, mesurer ce qui peut l'être, et suivre avec intérêt les progrès d'efficacité d'une industrie qui a, sur ce sujet précis, largement fait le choix de la transparence plutôt que du silence.
Sources
Cet article s'appuie sur des études techniques publiques et vérifiables :
- Emma Strubell, Ananya Ganesh, Andrew McCallum, « Energy and Policy Considerations for Deep Learning in NLP » — ACL Anthology, P19-1355 (2019).
- David Patterson et al., « Carbon Emissions and Large Neural Network Training » — arXiv 2104.10350 (2021).
- David Patterson et al., « The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink » — arXiv 2204.05149 (2022) — réévaluation à la baisse (facteur 88) du coût carbone de la recherche d'architecture neuronale chiffré par Strubell et al. (2019).
- Roy Schwartz, Jesse Dodge, Noah A. Smith, Oren Etzioni, « Green AI » — arXiv 1907.10597 (2019).
- Alexandra Sasha Luccioni, Sylvain Viguier, Anne-Laure Ligozat, « Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model » — arXiv 2211.02001 (2022).
- Pengfei Li, Jianyi Yang, Mohammad A. Islam, Shaolei Ren, « Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models » — arXiv 2304.03271 (2023).
- Epoch AI, « How much energy does ChatGPT use? » — epoch.ai (février 2025).
- Agence internationale de l'énergie, « Electricity 2024 » — iea.org (janvier 2024).
- Google, Rapport environnemental 2024 — blog.google (juillet 2024).
- ADEME & Arcep, « Évaluation de l'impact environnemental du numérique en France » — ademe.fr (janvier 2025).
- RTE, « Bilan électrique 2023 » — analysesetdonnees.rte-france.com (février 2024).
- Ember, « Global Electricity Review 2024 » — ember-energy.org (2024).
- CodeCarbon, documentation et méthodologie — codecarbon.io.
- Hugging Face, « CO2 Emissions and the Hub: Leading the Charge » — huggingface.co.
