En bref
Une courte requête textuelle typique adressée à un chatbot comme ChatGPT ou Gemini consomme environ 0,2 à 0,4 wattheure d'électricité, selon les chiffres des fournisseurs eux-mêmes et des estimations indépendantes : à peu près ce qu'un téléviseur consomme en quelques secondes. La consommation d'énergie de l'IA augmente fortement pour les longues entrées, les modèles de raisonnement, les images, la vidéo et les agents de code, qui peuvent consommer des dizaines à des milliers de fois plus par tâche. Au total, les centres de données ont consommé environ 485 TWh d'électricité en 2025, selon l'AIE, et l'IA est la principale raison de la hausse de ce chiffre.
Points clés
- Google indique 0,24 Wh pour une requête textuelle Gemini médiane en mai 2025 ; le directeur général d'OpenAI a avancé environ 0,34 Wh pour une requête ChatGPT moyenne. Les deux chiffres sont autodéclarés.
- Epoch AI estime une requête GPT-4o typique à environ 0,3 Wh, puis environ 2,5 Wh avec une entrée de 10 000 tokens et près de 40 Wh avec une entrée de 100 000 tokens.
- Les tests AI Energy Score de Hugging Face ont montré que les modèles de raisonnement consommaient en moyenne 30 fois plus d'énergie que les modèles standard.
- Dans des tests de modèles ouverts, générer une image consommait environ 2,9 Wh en moyenne, et une courte vidéo d'IA environ 90 Wh.
- Une analyse d'un usage intensif d'un agent de code estime environ 150 Wh par prompt saisi, soit à peu près 600 fois une requête de chat médiane.
- L'AIE estime que les centres de données ont consommé environ 485 TWh en 2025, en hausse de 17 % en un an, et prévoit environ 950 TWh d'ici 2030.
Combien d'énergie consomme l'IA ? Pour une courte question posée à un chatbot, très peu : une fraction de wattheure. Pour de longs documents, les modes de raisonnement, les images, la vidéo et les agents de code, beaucoup plus. Et à l'échelle de milliards de requêtes quotidiennes, la consommation d'énergie de l'IA est désormais assez importante pour peser sur la planification électrique. Cette page rassemble les meilleurs chiffres publics, indique d'où vient chacun et explique pourquoi ils diffèrent.
Combien d'énergie consomme une requête ChatGPT ou Gemini ?
Une courte requête textuelle adressée à un grand chatbot consomme environ 0,2 à 0,4 wattheure (Wh), selon les meilleurs chiffres actuels. Un wattheure est l'énergie qu'un appareil de 1 watt consomme en une heure.
Les chiffres les plus cités viennent des fournisseurs eux-mêmes :
- Google a indiqué en 2025 qu'une requête textuelle médiane dans les applications Gemini consommait 0,24 Wh. Son article compare cela au fait de regarder la télévision pendant moins de neuf secondes.
- Le directeur général d'OpenAI a écrit en 2025 qu'une requête ChatGPT moyenne consomme environ 0,34 Wh. Aucune méthode n'a été publiée.
- Epoch AI, un groupe de recherche indépendant, a estimé environ 0,3 Wh pour une requête GPT-4o typique, à partir d'informations publiques sur le matériel et la taille du modèle.
Ces chiffres sont proches, mais ils ne sont pas strictement comparables : une médiane n'est pas une moyenne, et chacun place à un endroit différent la limite de ce qui est compté. Ils ne couvrent en outre que de courtes requêtes textuelles.
Énergie par tâche : les chiffres comparés
L'énergie par tâche d'IA varie d'un facteur supérieur à mille, de moins d'un wattheure pour une courte requête à des centaines de wattheures pour une session d'agent. Le tableau présente les principaux chiffres publiés. Les chiffres autodéclarés viennent de l'entreprise qui exploite le service ; les estimations et les mesures viennent de chercheurs indépendants.
| Tâche | Énergie | Source et année | Type |
|---|---|---|---|
| Requête textuelle Gemini médiane | 0,24 Wh | Google, 2025 | Autodéclaré, méthode publiée |
| Requête ChatGPT moyenne | environ 0,34 Wh | Directeur général d'OpenAI, 2025 | Autodéclaré, sans méthode |
| Requête GPT-4o typique | environ 0,3 Wh | Epoch AI, 2025 | Estimation indépendante |
| GPT-4o, prompt court (100 tokens en entrée, 300 en sortie) | 0,42 Wh | Jegham et al., 2025 | Estimation indépendante |
| Requête de type GPT-4o avec une entrée de 10 000 tokens | environ 2,5 Wh | Epoch AI, 2025 | Estimation indépendante |
| Requête de type GPT-4o avec une entrée de 100 000 tokens | près de 40 Wh | Epoch AI, 2025 | Estimation indépendante |
| Prompt long (10 000 en entrée, 1 500 en sortie) : Llama 3.1 8B contre DeepSeek-R1 | environ 0,44 Wh contre environ 29 Wh | Jegham et al., 2025 | Estimation indépendante |
| Modèles de raisonnement contre modèles standard | 30 fois plus en moyenne | Hugging Face AI Energy Score, 2025 | Mesuré, modèles ouverts |
| Une image générée | environ 2,9 Wh (2,9 kWh pour 1 000) | Luccioni, Jernite et Strubell, 2024 | Mesuré, modèles ouverts |
| Une courte vidéo générée | environ 90 Wh pour un modèle ; de 0,14 Wh à plus de 415 Wh selon les modèles | Delavande, Pierrard et Luccioni, 2025 | Mesuré, modèles ouverts |
| Session médiane d'un agent de code | environ 41 Wh | Couch, 2026 | Estimation indépendante |
| Agent de code, par prompt saisi (usage intensif) | environ 150 Wh (fourchette 60–290 Wh) | Hausfather, 2026 | Estimation indépendante |
Un token est un fragment de texte, environ les trois quarts d'un mot anglais. Les chiffres pour les images et la vidéo proviennent de modèles ouverts exécutés sur du matériel de recherche ; les services commerciaux peuvent être plus ou moins efficaces, et la plupart ne publient pas de chiffres.
Pourquoi les modèles de raisonnement, les images et les agents consomment-ils plus ?
Parce qu'ils effectuent beaucoup plus de calculs par requête. L'énergie augmente avec le nombre de tokens qu'un modèle lit et écrit, et avec la taille du modèle.
- Les modèles de raisonnement rédigent de longues chaînes de raisonnement cachées avant de répondre. L'équipe AI Energy Score de Hugging Face a constaté que, avec le raisonnement activé, un même modèle consommait entre 150 et 700 fois plus d'énergie que sans, et écrivait 300 à 800 fois plus de tokens.
- Les longues entrées doivent être traitées en entier. Les estimations d'Epoch AI passent d'environ 0,3 Wh à près de 40 Wh lorsque l'entrée atteint 100 000 tokens, la taille d'un très long document collé.
- Les images et la vidéo sont générées en de nombreuses étapes sur de nombreux pixels. Delavande, Pierrard et Luccioni ont constaté que l'énergie de la vidéo augmentait de façon quadratique avec la résolution et la durée, et ont estimé un court clip à environ 2 000 fois une réponse textuelle.
- Les agents appellent le modèle encore et encore, en relisant à chaque fois leur contexte croissant. Anthropic a indiqué que ses agents utilisaient en général environ quatre fois plus de tokens qu'un chat, et les systèmes multi-agents environ quinze fois plus.
Combien d'énergie consomme un agent de code IA ?
Les estimations vont de quelques dizaines de wattheures pour une session typique à plus d'un kilowattheure pour une journée d'usage intensif. Aucune entreprise d'IA ne publie de chiffres d'énergie pour ses agents de code : les meilleurs chiffres disponibles sont donc des estimations indépendantes soigneuses fondées sur le nombre de tokens.
Simon Couch a estimé une session médiane de Claude Code, avec 24 appels de modèle et environ 590 000 tokens, à environ 41 Wh. Le climatologue Zeke Hausfather a consigné huit semaines de son propre usage intensif : 1 138 prompts saisis ont déclenché plus de 14 000 appels de modèle et 3,2 milliards de tokens, dont 96 % de relectures de contexte mis en cache. Il a estimé environ 170 kWh au total (fourchette 70–330 kWh), environ 150 Wh par prompt et une session médiane d'environ 0,6 kWh, qu'il compare à environ 50 recharges de téléphone. Voir l'IA agentique et le gaspillage de tokens.
Qu'est-ce qui coûte le plus : l'entraînement ou l'inférence ?
Pour un modèle largement utilisé, le faire fonctionner (l'inférence) l'emporte généralement sur son entraînement. L'entraînement est un coût ponctuel important ; l'inférence coûte peu par requête, mais se répète des milliards de fois.
Les chiffres d'entraînement publiés donnent l'échelle :
- GPT-3 (2020) : Patterson et ses collègues de Google ont estimé que l'entraînement avait consommé 1 287 MWh d'électricité.
- Llama 3.1 (2024) : la fiche du modèle de Meta indique 39,3 millions d'heures-GPU sur des puces H100 pour ses trois tailles de modèle, dont 30,84 millions pour le plus grand, de 405 milliards de paramètres.
De l'autre côté, Patterson et ses collègues citent des estimations de NVIDIA selon lesquelles 80–90 % de la charge de travail d'apprentissage automatique est de l'inférence, et l'affirmation d'Amazon Web Services selon laquelle 90 % de la demande d'apprentissage automatique dans son cloud est de l'inférence. Cet équilibre explique pourquoi la baisse de l'énergie par requête compte autant, et aussi pourquoi elle ne suffit pas à elle seule : l'usage croît plus vite. Voir l'efficacité n'est pas la sobriété.
Combien d'électricité les centres de données et l'IA consomment-ils au total ?
L'Agence internationale de l'énergie (AIE) estime que les centres de données ont consommé environ 485 TWh en 2025, et prévoit environ 950 TWh d'ici 2030, soit environ 3 % de l'électricité mondiale. Un térawattheure (TWh) équivaut à un milliard de kilowattheures.
- L'AIE a estimé la consommation des centres de données à environ 415 TWh en 2024, soit environ 1,5 % de l'électricité mondiale. Sa mise à jour d'avril 2026 indiquait 485 TWh en 2025, en hausse de 17 % en un an, et une hausse de 50 % de l'électricité consommée par les centres de données dédiés à l'IA.
- Elle prévoit que les États-Unis et la Chine représenteront près de 80 % de la croissance d'ici 2030, et que les serveurs accélérés, surtout destinés à l'IA, porteront près de la moitié de l'augmentation.
- Aux États-Unis, le Lawrence Berkeley National Laboratory a estimé que les centres de données avaient consommé environ 178 TWh en 2023, soit 4,4 % de l'électricité nationale, et pourraient atteindre 6,7–12 % d'ici 2028.
Il n'existe pas de chiffre mondial fiable pour l'IA seule, car les centres de données ne mesurent pas séparément le travail d'IA. Les rapports des entreprises montrent la tendance : la consommation d'électricité de Microsoft est passée d'environ 10,8 TWh pour son exercice 2020 à environ 37,0 TWh en 2025, et Google a fait état d'une hausse de 37 % de sa demande d'électricité en 2025, la plus forte de son histoire. Voir pourquoi l'IA verte compte maintenant.
Pourquoi les chiffres sur l'énergie de l'IA varient-ils autant ?
Parce que les études comptent des choses différentes, sur du matériel différent, pour des modèles et des tâches différents. Quatre facteurs expliquent l'essentiel de l'écart.
- Périmètre du système. L'article de Google lui-même montre que ne compter que les puces d'IA actives donne 0,10 Wh par requête médiane ; ajouter les processeurs hôtes et la mémoire, la capacité inactive gardée prête pour la demande et le refroidissement du centre de données donne 0,24 Wh, plus du double. Voir la mesure est le goulot d'étranglement.
- Matériel et taux d'utilisation. Les puces récentes effectuent plus de travail par watt, et un serveur chargé répartit ses coûts fixes sur plus de requêtes qu'un serveur peu sollicité.
- Taille du modèle. Dans les estimations de Jegham et ses collègues, un prompt long coûtait environ 0,44 Wh sur le petit modèle Llama 3.1 8B et environ 29 Wh sur DeepSeek-R1, un grand modèle de raisonnement.
- Tokens. Des entrées plus longues, des réponses plus longues, le raisonnement caché et les étapes répétées des agents ajoutent tous des tokens, et l'énergie augmente avec eux.
Deux précautions supplémentaires. Les chiffres vieillissent vite : Google a fait état d'une division par 33 de l'énergie par requête médiane en un an. Et les chiffres autodéclarés ne peuvent pas être vérifiés de façon indépendante. Face à un chiffre, demandez ce qui a été mesuré, sur quel périmètre et quand. Voir comment vérifier une affirmation sur la consommation d'énergie de l'IA.
Comment l'énergie de l'IA se compare-t-elle aux choses du quotidien ?
Une courte requête textuelle est modeste face à la plupart des usages domestiques de l'électricité ; un usage intensif d'agents ou de vidéo ne l'est pas. Ces comparaisons sont celles des sources elles-mêmes :
- Google compare sa requête Gemini médiane de 0,24 Wh au fait de regarder la télévision pendant moins de neuf secondes.
- Hausfather compare une session médiane d'agent de code dans son usage intensif (environ 0,6 kWh) à environ 50 recharges de téléphone, et une journée moyenne de cet usage (environ 3 kWh) au fonctionnement de plus de deux réfrigérateurs.
- Couch compare une journée médiane de son usage d'agent de code (environ 1 300 Wh) à un cycle de lave-vaisselle supplémentaire chaque jour.
- Google indiquait en 2009 qu'une recherche web moyenne consommait environ 0,3 Wh, un ordre de grandeur comparable à celui des courtes requêtes textuelles d'aujourd'hui. Ces chiffres sont très éloignés dans le temps et par la méthode.
L'enjeu n'est pas qu'une requête isolée soit importante. C'est que les habitudes comptent : choisir un modèle de raisonnement, coller de longs documents, générer des séries d'images ou laisser tourner un agent peut chacun multiplier plusieurs fois l'énergie d'une tâche. Voir mettre ma consommation d'énergie liée à l'IA en perspective.
Que pouvez-vous faire pour réduire la consommation d'énergie de l'IA ?
Utilisez le plus petit outil qui fait l'affaire, et demandez-lui moins. Les plus grosses économies viennent du travail inutile évité, pas d'un changement de fournisseur.
- Demandez-vous si la tâche nécessite l'IA : voir décider si j'ai besoin de l'IA pour une tâche.
- Choisissez un modèle plus petit ou plus rapide pour les questions courantes : voir choisir un modèle d'IA plus petit et choisir le bon modèle.
- Désactivez le raisonnement quand vous n'en avez pas besoin : voir n'utiliser les modes de raisonnement qu'en cas de besoin.
- Gardez des conversations courtes et ouvrez un nouveau chat pour un nouveau sujet : voir garder les longs chats d'IA efficaces.
- Générez moins d'images et de vidéos : voir réduire l'impact de la génération d'images et de vidéos par IA.
- Fixez des limites aux agents : voir empêcher les agents d'IA de gaspiller des tokens et utiliser un assistant de code IA à plus faible empreinte.
Pour les organisations, le point de départ est la mesure : voir mesurer l'énergie de l'IA, estimer l'énergie des appels d'API d'IA et utiliser l'IA efficacement.
Et ensuite ?
- Lisez quelle est l'empreinte carbone de l'IA ? pour convertir l'énergie en émissions.
- Lisez quelle quantité d'eau l'IA consomme-t-elle ? pour le volet eau.
- Essayez réduire l'énergie de mon usage de ChatGPT pour les habitudes du quotidien.
- Demandez à votre fournisseur d'IA des chiffres d'énergie par tâche : voir demander des chiffres d'énergie à une entreprise d'IA.
- Comparez des modèles ouverts selon leur énergie mesurée avec l'AI Energy Score.
Questions fréquentes
Combien d'énergie consomme une requête ChatGPT ?
Le directeur général d'OpenAI a déclaré en 2025 qu'une requête ChatGPT moyenne consomme environ 0,34 wattheure, et Epoch AI a estimé de façon indépendante environ 0,3 Wh pour une requête GPT-4o typique. Les longues entrées, les modes de raisonnement et la génération d'images consomment beaucoup plus.
Combien d'énergie l'IA consomme-t-elle par requête ?
Pour une courte requête textuelle, les chiffres publiés se situent autour de 0,2 à 0,4 Wh : Google indique 0,24 Wh pour une requête Gemini médiane. Les estimations indépendantes pour de grands modèles avec de longs prompts atteignent environ 29 Wh, et les sessions de code agentiques peuvent consommer des centaines de wattheures.
L'IA consomme-t-elle plus d'énergie qu'une recherche Google ?
Pas pour une courte requête textuelle, d'après les chiffres publiés. Google indiquait en 2009 qu'une recherche moyenne consommait environ 0,3 Wh ; il annonce aujourd'hui 0,24 Wh pour une requête textuelle Gemini médiane. Ces chiffres ont 16 ans d'écart et sont mesurés différemment : considérez-les comme un ordre de grandeur. Les tâches longues, de raisonnement, d'image et d'agent consomment bien plus.
Combien d'électricité l'IA consomme-t-elle au total ?
Il n'existe pas de chiffre fiable pour l'IA seule. L'Agence internationale de l'énergie estime que l'ensemble des centres de données a consommé environ 485 TWh en 2025, en hausse de 17 % en un an, que la consommation des centres de données dédiés à l'IA a augmenté de 50 %, et que le total atteindra environ 950 TWh, soit environ 3 % de l'électricité mondiale, d'ici 2030.
Qu'est-ce qui consomme le plus d'énergie : entraîner l'IA ou l'utiliser ?
Entraîner un grand modèle représente un coût ponctuel important, par exemple environ 1 287 MWh estimés pour GPT-3. Mais un modèle populaire est utilisé des milliards de fois, et des estimations du secteur citées par des chercheurs de Google situent l'inférence à 80–90 % des charges de travail d'apprentissage automatique.
Pourquoi les estimations de la consommation d'énergie de l'IA varient-elles autant ?
Parce qu'elles ne comptent pas les mêmes choses. Inclure le refroidissement du centre de données, les serveurs inactifs et les ordinateurs hôtes a plus que doublé le chiffre de Google lui-même, de 0,10 Wh à 0,24 Wh. La taille du modèle, le matériel, la longueur du prompt et le nombre de tokens générés changent aussi la réponse.
Combien d'énergie consomme la génération d'images par IA ?
Dans des tests de modèles ouverts menés par Luccioni, Jernite et Strubell, la génération d'images consommait en moyenne environ 2,9 kWh pour 1 000 images, soit environ 2,9 Wh chacune, plus de mille fois ce que demande la classification d'un texte.
Comment réduire l'énergie consommée par mon usage de l'IA ?
Utilisez un modèle plus petit ou plus rapide pour les tâches simples, gardez des prompts et des conversations courts, désactivez les modes de raisonnement quand vous n'en avez pas besoin, et générez moins d'images et de vidéos. Se demander si la tâche nécessite vraiment l'IA est ce qui économise le plus.
Sources
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference, Jegham et al. (arXiv 2505.09598, v6) (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Luccioni and Gamazaychikov, Hugging Face (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (arXiv 2509.19222) (2025)
- The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
- Electricity use of AI coding agents, Simon P. Couch (2026)
- How we built our multi-agent research system, Anthropic (2025)
- Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
- Powering a Google search (Italian edition: Dare energia alle ricerche su Google), Google (2009)
- Llama 3.1 8B model card, Meta (2024)
- Energy and AI, International Energy Agency (2025)
- Key questions on energy and AI, International Energy Agency (2026)
- 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
- 2026 environmental data fact sheet, Microsoft (2026)
- Read our 11th annual Environmental Report, Google (2026)
Voir aussi
Quelle est l'empreinte carbone de l'IA ?
L'empreinte carbone de l'IA expliquée : émissions par requête et d'entraînement, carbone intrinsèque, effet du réseau et tendances des géants du numérique.
Quelle quantité d'eau l'IA consomme-t-elle ?
Consommation d'eau de l'IA : eau par requête et par modèle, eau des centres de données, WUE, chiffres des entreprises, stress hydrique local et inconnues.
La mesure, goulot d'étranglement de l'IA verte
Pourquoi les chiffres d'énergie de l'IA sont difficiles à croire et à comparer : chiffres autodéclarés, estimations, périmètres différents, et bonnes pratiques.
Comment mesurer l'énergie et le carbone de l'IA
Guide pratique pour mesurer ou estimer l'énergie et le carbone de l'IA : outils, périmètre du système, indicateurs par tâche et incertitude assumée.