En bref
La plupart des chiffres sur l'énergie de l'IA sont soit déclarés par les entreprises elles-mêmes, selon des méthodes qui ne sont pas publiées en entier, soit estimés à partir d'hypothèses plutôt que mesurés sur du matériel réel. Les études placent aussi la limite du « système » à des endroits différents. Tant que la mesure ne sera pas cohérente, les affirmations sur l'IA verte resteront difficiles à vérifier et les comparaisons entre modèles ou fournisseurs pourront induire en erreur.
Points clés
- Les chiffres par prompt les plus connus viennent des fournisseurs eux-mêmes et reposent sur des méthodes différentes ; on ne peut donc pas les comparer directement.
- Changer le périmètre de mesure peut plus que doubler un résultat ; le chiffre de Google pour un prompt Gemini passe de 0,24 Wh à 0,10 Wh si l'on ne compte que les puces d'IA.
- De nombreux outils estiment l'énergie à partir des spécifications du matériel et de moyennes du réseau électrique, au lieu de la mesurer.
- La transparence sur les coûts environnementaux de l'IA recule au lieu de progresser, selon une analyse de 2025.
- Un bon chiffre indique ce qui a été mesuré, comment, sur quel périmètre, sur quel matériel et pour quelle tâche.
On ne peut pas gérer ce que l'on ne mesure pas, et la consommation d'énergie de l'IA reste mal mesurée. Ce n'est pas un détail : cela décide si les affirmations sur l'IA verte peuvent être vérifiées, si les acheteurs peuvent comparer les produits et si les politiques publiques peuvent viser les bonnes cibles. Sans chiffres fiables, toute affirmation verte n'est qu'un communiqué de presse.
Pourquoi les chiffres d'énergie de l'IA sont-ils difficiles à croire ?
Parce que la plupart viennent des entreprises qui vendent l'IA, reposent sur des méthodes qui ne sont pas entièrement publiées et ne peuvent pas être vérifiés de façon indépendante. Cela ne les rend pas faux, mais cela les rend difficiles à comparer.
Les deux chiffres les plus cités pour un prompt textuel sont tous deux autodéclarés :
| Chiffre | Qui | Ce que l'on sait de la méthode |
|---|---|---|
| 0,24 Wh pour un prompt textuel médian dans les applications Gemini | Google, 2025 | Un article publié décrit la méthode, y compris les frais généraux du centre de données et la capacité inactive. Données de mai 2025, non vérifiées de façon indépendante. |
| Environ 0,34 Wh pour une requête ChatGPT moyenne | Le directeur général d'OpenAI, 2025 | Un billet de blog ; aucune méthodologie publiée. |
| Environ 0,3 Wh pour une requête GPT-4o typique | Epoch AI, 2025 | Une estimation indépendante fondée sur des informations publiques sur le matériel et la taille du modèle. |
Les chiffres se ressemblent, mais ils ne sont pas comparables terme à terme : une médiane n'est pas une moyenne, et les périmètres diffèrent. Ils ne couvrent en outre que de courts prompts textuels, pas la génération d'images ou de vidéos, le raisonnement long ni les agents.
Quelle est l'importance du périmètre ?
Elle est considérable. L'article de Google le montre lui-même. Ne compter que les accélérateurs d'IA actifs (TPU et GPU) donne 0,10 Wh par prompt médian. Ajouter les serveurs hôtes, la capacité inactive gardée prête pour la demande et les frais généraux du centre de données, comme le refroidissement, donne 0,24 Wh, soit plus du double.
L'endroit où l'on trace la limite décide de la réponse. Un périmètre complet pour un service d'IA pourrait inclure :
- Les puces d'IA qui font le travail.
- Le reste du serveur : processeurs, mémoire, stockage.
- La capacité inactive et de réserve conservée pour les pics.
- Le refroidissement du centre de données et la conversion de l'électricité.
- Le réseau qui transporte les requêtes et les réponses.
- L'appareil de l'utilisateur.
- L'entraînement du modèle, réparti entre ses usages.
- La fabrication du matériel (carbone incorporé).
Il en va de même pour les comparaisons audacieuses. Affirmer que l'IA consomme beaucoup plus, ou beaucoup moins, d'énergie qu'une personne effectuant la même tâche dépend de ce que l'on compte de chaque côté : l'ordinateur et le temps de la personne, l'entraînement du modèle, le travail nécessaire pour vérifier et corriger le résultat de l'IA. Un « sandpit » britannique sur l'IA verte réuni en 2026, rassemblant mathématiciens, informaticiens et industriels, a souligné que les périmètres du système doivent être précisés avant qu'une telle comparaison ait le moindre sens.
Quelle différence entre estimer et mesurer au compteur ?
La mesure au compteur relève la puissance réelle sur le matériel pendant que le travail s'exécute ; l'estimation la calcule à partir d'hypothèses. Les deux ont leur place, mais on les confond souvent.
- La mesure au compteur utilise des compteurs matériels (comme ceux intégrés aux processeurs et GPU modernes), des wattmètres sur les serveurs ou les compteurs du centre de données. Elle est précise pour ce qu'elle couvre, mais exige un accès au matériel.
- L'estimation multiplie des puissances nominales supposées par la durée d'exécution et le taux d'utilisation, puis par une intensité carbone moyenne du réseau électrique. Des outils comme CodeCarbon estiment la puissance des processeurs, des GPU et de la mémoire et appliquent l'intensité carbone régionale du réseau. Ils sont faciles à utiliser, mais ce sont des estimateurs, pas des compteurs.
Les estimations peuvent être très éloignées de la réalité, surtout sur du matériel cloud partagé où l'on ne voit pas ce qui tourne par ailleurs. Les règles empiriques simples sont aussi risquées : Mytton, Lundén et Malmodin ont montré en 2024 que l'énergie du réseau est surtout une base fixe, si bien que les facteurs en « kilowattheures par gigaoctet » déforment l'effet de l'envoi d'une quantité plus ou moins grande de données.
Le rapport 2025 de l'Union internationale des télécommunications sur la mesure de l'impact environnemental de l'IA a désigné comme un problème urgent le recours massif à des estimations indirectes, sans mesure empirique.
La transparence s'améliore-t-elle ?
Pas selon la plupart des indicateurs. Luccioni, Gamazaychikov, Alves da Costa et Strubell ont analysé en 2025 la publication d'informations environnementales sur les modèles d'IA et ont conclu que la transparence sur les coûts et les impacts de ces modèles a diminué, alors même que leur usage a augmenté.
La réglementation commence à pousser dans l'autre sens. En vertu de l'AI Act de l'UE, les fournisseurs de modèles d'IA à usage général doivent documenter la consommation d'énergie connue ou estimée de leurs modèles (annexe XI). Cette documentation est destinée aux autorités de régulation et aux fournisseurs en aval, pas au public, et les estimations sont admises lorsque la mesure n'est pas disponible.
À quoi ressemblerait une bonne mesure ?
À un chiffre reproductible : ce qui a été mesuré, comment, sur quel périmètre, sur quel matériel et pour quelle tâche. Des briques utiles existent déjà :
- Des benchmarks ouverts, comme le ML.ENERGY Leaderboard, qui mesure l'énergie d'inférence de modèles ouverts sur du matériel connu, et les étiquettes énergétiques et benchmarks qui émergent aujourd'hui.
- Des normes, comme l'ISO/IEC 21031:2024, la spécification Software Carbon Intensity, qui définit un taux de carbone par unité fonctionnelle à partir de l'énergie, de l'intensité carbone du réseau et des émissions incorporées.
- La précision aux côtés de l'énergie. Une réponse bon marché mais fausse n'est pas efficace. Les chiffres d'énergie devraient être publiés avec la qualité du résultat et la quantité de reprises nécessaires.
La mesure doit aussi descendre à des niveaux plus fins que « le centre de données » : une requête, un modèle ou une ligne de code. C'est ce type d'attribution qui permet aux ingénieurs de trouver et de corriger les parties coûteuses.
Que faire ensuite ?
- Face à un chiffre sur l'énergie de l'IA, demandez : qui l'a mesuré, sur quel périmètre, et a-t-il été mesuré au compteur ou estimé ?
- Mesurez vos propres charges de travail sur le matériel que vous utilisez ; voir mesurer l'énergie de l'IA.
- Indiquez le périmètre et la méthode avec tout chiffre que vous publiez ; voir formuler des allégations vertes honnêtes.
- Demandez aux fournisseurs l'énergie mesurée par tâche, pas des ratios marketing ; voir achats d'IA durables.
- Cherchez des outils utiles dans l'annuaire des produits et une aide experte dans l'annuaire des consultants.
Questions fréquentes
Pourquoi ne puis-je pas comparer l'énergie de ChatGPT et celle de Gemini ?
Parce que les chiffres publiés sont autodéclarés, ne couvrent pas les mêmes choses et reposent sur des méthodes qui ne sont pas entièrement publiées. L'un peut inclure les frais généraux du centre de données et la capacité inactive, l'autre non. Tant que les deux ne seront pas mesurés de la même façon, une comparaison directe ne sera pas fiable.
Quelle différence entre estimer et mesurer l'énergie de l'IA ?
Mesurer, c'est relever la puissance sur des capteurs ou des compteurs pendant que le travail s'exécute. Estimer, c'est calculer l'énergie à partir d'hypothèses comme la puissance nominale des puces, leur taux d'utilisation et la durée d'exécution. Les estimations sont utiles quand la mesure est impossible, mais elles peuvent être très éloignées de la réalité.
Qu'est-ce qu'un périmètre de système ?
La limite qui décide de ce qui est compté. Un périmètre étroit ne compte que la puce d'IA ; un périmètre plus large ajoute le serveur, le refroidissement, la capacité inactive, le réseau, l'appareil de l'utilisateur et la fabrication du matériel.
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)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
Voir aussi
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.
Étiquettes énergétiques et bancs d'essai pour l'IA
Où en sont les notations énergétiques de l'IA en 2026 : AI Energy Score, MLPerf Power, AI Act, notation des centres de données, et ce qu'une étiquette peut montrer.
Des allégations vertes honnêtes sur l'IA
Éviter l'écoblanchiment sur l'IA : ce que l'on peut affirmer ou non, effets rebond, reporting honnête, et règles britanniques, européennes et américaines.
Pourquoi l'IA verte compte maintenant
L'IA fait croître vite la demande d'électricité des centres de données, sous tension pour les réseaux. Ampleur, énergie, coûts et politiques en 2026.