greenai.guide

Accueil › Bonnes pratiques › Comment mesurer l'énergie et le carbone de l'IA

Bonnes pratiques

Comment mesurer l'énergie et le carbone de l'IA

Mis à jour · 7 min de lecture

En bref

Mesurez l'énergie de l'IA en instrumentant le matériel que vous maîtrisez et en estimant les services que vous ne maîtrisez pas, puis convertissez les deux en carbone à l'aide de données de réseau locales et alignées dans le temps. Consignez le périmètre, la méthode et l'incertitude avec chaque chiffre, et rapportez-le par unité de travail utile, pas seulement en total.

Points clés

  • Mesurez là où vous le pouvez (compteurs matériels, télémétrie GPU, prises, journaux de l'ordonnanceur) et estimez là où vous ne le pouvez pas (API hébergées, cloud public).
  • Chaque chiffre doit indiquer son périmètre : ce qui est inclus, ce qui est exclu, et pourquoi.
  • Rapportez l'énergie par unité de travail utile, par exemple par requête ou par document, pour que l'efficacité reste visible à mesure que l'usage augmente.
  • Utilisez l'intensité carbone du réseau fondée sur la localisation, pour la région et l'heure où le travail s'est exécuté ; les certificats ne la modifient pas.
  • Répétez les mesures et donnez une fourchette. Une seule paire avant-après peut n'être que du bruit.

Pourquoi mesurer ?

On ne peut ni réduire, ni comparer, ni revendiquer honnêtement ce que l'on n'a pas mesuré. La mesure transforme « l'IA consomme beaucoup d'énergie » en chiffres exploitables : quelle fonctionnalité, quel modèle ou quelle tâche coûte le plus, et si une modification a été utile.

Lors du « sandpit » britannique de 2026 sur l'IA verte, qui réunissait mathématiciens, informaticiens et industriels, la mesure est revenue sans cesse comme le goulet d'étranglement. Beaucoup de chiffres publiés sont des estimations, les méthodes sont souvent non documentées, et un même travail peut produire des chiffres très différents selon ce que l'on compte. Ce guide propose une méthode solide.

Faut-il mesurer ou estimer ?

Mesurez le matériel que vous maîtrisez ; estimez les services que vous ne maîtrisez pas. Les deux sont valables, à condition que chaque chiffre indique de quel cas il s'agit.

Situation Approche Outils courants
Votre ordinateur portable, poste de travail ou serveur Mesure par compteurs matériels perf ou powercap (compteurs RAPL Intel/AMD), PowerJoular, Scaphandre
Vos propres GPU Mesure par la télémétrie du fabricant, échantillonnée dans le temps nvidia-smi ou NVML, CodeCarbon
Un cluster de recherche Lecture de la comptabilité énergétique de l'ordonnanceur Slurm sacct (champ ConsumedEnergy), lorsqu'il est activé
Machines virtuelles de cloud public Estimation à partir du taux d'utilisation et de la facturation Cloud Carbon Footprint, tableaux de bord carbone des fournisseurs
API d'IA hébergées Estimation à partir des tokens et d'hypothèses sur le modèle EcoLogits
Comparer des modèles ouverts avant de choisir Utilisation d'un banc d'essai standard Hugging Face AI Energy Score

Les recommandations de CodeCarbon tracent la même ligne : utilisez CodeCarbon pour le code exécuté sur du matériel que vous gérez, et EcoLogits pour les appels à des services d'IA générative distants, dont vous n'avez pas accès au matériel.

Connaître les limites de votre instrument de mesure

  • La télémétrie GPU échantillonne, elle n'observe pas en continu. Des chercheurs ont constaté que sur les GPU A100 et H100, nvidia-smi n'échantillonne la puissance que sur environ 25 % du temps d'exécution, ce qui peut entraîner de fortes sous-estimations ou surestimations pour les tâches courtes. Échantillonnez sur toute la durée de la tâche, faites-la durer assez longtemps pour couvrir de nombreux intervalles d'échantillonnage, et intégrez dans le temps.
  • Les mesures logicielles sont des modèles. Vérifiez-en une par rapport à un wattmètre sur prise (une prise connectée avec mesure suffit), une fois par plateforme.
  • Les chiffres du cloud sont des estimations. Les compteurs matériels sont généralement inaccessibles sur les machines virtuelles de cloud public : indiquez que les chiffres du cloud sont estimés.

Que doit inclure le périmètre du système ?

Tracez un périmètre assez large pour inclure tout ce qui est significatif, et notez-le. Un chiffre sans périmètre ne peut être comparé à rien.

L'article de Google de 2025 sur Gemini en est une bonne illustration. Il indique 0,24 Wh pour un prompt texte médian lorsqu'il compte les accélérateurs, les machines hôtes, la capacité inactive et les besoins annexes du centre de données, et 0,10 Wh lorsqu'il ne compte que l'utilisation active des TPU et GPU. Les deux sont honnêtes ; ils répondent à des questions différentes. Le périmètre de Google exclut aussi le réseau externe, les appareils des utilisateurs et l'entraînement du modèle, et les chiffres n'ont pas été vérifiés de manière indépendante.

Passez en revue ces couches et décidez, pour chacune, si elle est incluse ou exclue :

  1. L'accélérateur (GPU, TPU) qui effectue les calculs.
  2. Le reste du serveur : CPU, mémoire, stockage.
  3. La capacité inactive et réservée maintenue prête pour votre travail.
  4. Les besoins annexes du centre de données : refroidissement et conversion électrique, mesurés par le PUE.
  5. Le réseau entre les utilisateurs et le service.
  6. Les appareils des utilisateurs.
  7. Les émissions intrinsèques : la part de la fabrication du matériel imputable à votre usage.
  8. L'entraînement et l'ajustement (fine-tuning), répartis sur la durée de vie utile du modèle.
  9. Le processus environnant : nouvelles tentatives, exécutions échouées, temps de relecture humaine.

Le sandpit a formulé la même remarque à propos d'affirmations comme « l'IA coûte trente fois plus que de le faire à la main » : la réponse dépend de ce que l'on compte, le temps de travail de la personne, son équipement et tout ce qui l'entoure. Définissez le périmètre avant de comparer.

Que faut-il consigner ?

Consignez suffisamment d'éléments pour que quelqu'un d'autre puisse répéter la mesure et obtenir un chiffre proche. Pour chaque chiffre, conservez :

  • Ce qui a été mesuré : modèle et version, tâche, jeu de données ou ensemble de prompts, nombre de tokens en entrée et en sortie.
  • Où et quand : matériel, région, date et heure (nécessaires pour l'intensité carbone).
  • Comment : outil et version, fréquence d'échantillonnage, mesuré ou estimé, consommation au repos incluse ou exclue.
  • Le périmètre : lesquelles des couches ci-dessus sont incluses.
  • La règle de répartition : comment l'énergie partagée ou inactive a été répartie entre utilisateurs ou services.
  • La dispersion : nombre d'exécutions, moyenne et fourchette.
  • La qualité : la précision ou le taux de réussite de la tâche au moment de la mesure. Une mauvaise réponse bon marché n'est pas une économie.

Comment convertir l'énergie en carbone ?

Multipliez l'énergie par l'intensité carbone du réseau là où et au moment où le travail s'est exécuté, et ajoutez les émissions intrinsèques si elles sont dans votre périmètre. La spécification Software Carbon Intensity (SCI) de la Green Software Foundation, publiée sous la référence ISO/IEC 21031:2024, l'exprime sous forme de taux :

SCI = ((E × I) + M) par R

où E est l'énergie, I l'intensité carbone du réseau fondée sur la localisation, M les émissions intrinsèques et R l'unité fonctionnelle. La spécification utilise des chiffres de réseau fondés sur la localisation et ne permet pas aux mesures fondées sur le marché, comme les certificats renouvelables, les contrats d'achat d'électricité ou la compensation, de réduire le score.

  • Utilisez des données régionales et alignées dans le temps lorsque c'est possible. En Grande-Bretagne, la Carbon Intensity API du National Energy System Operator fournit des prévisions et des estimations régionales ; Electricity Maps couvre de nombreux autres pays.
  • Ne recourez aux moyennes nationales annuelles que lorsqu'il n'existe rien de plus fin, et dites-le.

Quels indicateurs par tâche fonctionnent le mieux ?

Choisissez une unité fonctionnelle qui correspond à la valeur que produit votre IA, et rapportez vos chiffres à cette unité. Les totaux augmentent avec la croissance et masquent l'efficacité ; les chiffres par unité la révèlent.

Bonnes unités fonctionnelles pour l'IA :

  • par requête, par réponse ou par conversation
  • par document résumé, ticket classé ou image produite
  • par tâche réussie (encore mieux, car les tentatives échouées sont comptées)
  • par exécution d'entraînement ou par modèle ajusté, pour le travail de développement

Suivez ensuite côte à côte l'énergie par unité, le carbone par unité, la qualité par unité et le total. Si l'énergie par unité baisse tandis que le total augmente, l'efficacité s'améliore mais l'usage croît plus vite : c'est l'effet rebond, et vos rapports doivent le montrer.

Comment gérer l'incertitude ?

Répétez, donnez une fourchette et ne revendiquez que les changements supérieurs au bruit. Les relevés varient selon la température, les processus en arrière-plan et la modulation de fréquence.

  • Mesurez d'abord la consommation au repos sur la même machine.
  • Exécutez chaque test plusieurs fois ; indiquez la moyenne et la dispersion.
  • Changez une seule chose à la fois et remesurez avec la même configuration et la même charge.
  • Pour les estimations, listez chaque hypothèse (taille du modèle, matériel, taux d'utilisation, PUE) et donnez des cas bas et haut.
  • Remplacez les estimations par des chiffres mesurés ou communiqués par les fournisseurs dès qu'ils sont disponibles.

Les chiffres publiés par prompt sont un contexte utile, pas un substitut à vos propres chiffres. L'estimation ascendante d'Epoch AI, environ 0,3 Wh pour une requête ChatGPT typique, passe à environ 2,5 Wh avec une entrée de 10 000 tokens et à près de 40 Wh avec une entrée de 100 000 tokens. Votre mode d'utilisation compte davantage que n'importe quelle moyenne mise en avant.

Liste de contrôle

  • [ ] Chaque chiffre est indiqué comme mesuré ou estimé, avec l'outil et sa version
  • [ ] Périmètre noté, y compris ce qui a été exclu et pourquoi
  • [ ] Consommation au repos consignée ; règle de répartition de l'énergie partagée précisée
  • [ ] Puissance GPU échantillonnée sur toute la durée de la tâche, pas par instantané
  • [ ] Énergie rapportée par unité fonctionnelle, avec le total et la qualité
  • [ ] Carbone calculé avec des données de réseau fondées sur la localisation et alignées dans le temps
  • [ ] Plusieurs exécutions ; moyenne et fourchette indiquées
  • [ ] Méthode conservée avec les résultats pour que d'autres puissent la reproduire

Et ensuite ?

  1. Choisissez une fonctionnalité ou une charge de travail d'IA et définissez son unité fonctionnelle.
  2. Ajoutez CodeCarbon à un script d'entraînement ou d'inférence locale, ou EcoLogits à votre client d'API d'IA, et journalisez l'énergie à chaque requête ou exécution.
  3. Rédigez une méthode de mesure d'une page : périmètre, outils, règle de répartition, source des données carbone.
  4. Évaluez les modèles candidats avant d'en choisir un ; voir choisir le bon modèle.
  5. Avant de publier un chiffre, vérifiez-le à l'aide de des allégations écologiques honnêtes.
  6. Lisez pourquoi la mesure est le goulet d'étranglement, et trouvez des outils de mesure dans l'annuaire des produits ou de l'aide auprès de consultants.

Questions fréquentes

Combien d'énergie consomme un prompt d'IA ?

Les chiffres publiés pour un prompt texte typique sont une fraction de wattheure : Google indique 0,24 Wh pour un prompt texte Gemini médian, et Epoch AI estime environ 0,3 Wh pour une requête ChatGPT typique. Les entrées longues, le raisonnement et la génération d'images ou de vidéos peuvent coûter bien davantage.

Puis-je mesurer l'énergie d'un service d'IA hébergé comme ChatGPT ?

Pas directement. Vous pouvez l'estimer à partir du nombre de tokens et d'hypothèses sur le modèle avec un outil comme EcoLogits, et demander au fournisseur ses propres chiffres et sa méthode.

Le temps d'exécution est-il un bon indicateur de l'énergie ?

Non. La vitesse et l'énergie évoluent souvent ensemble, mais pas toujours : mesurez directement l'énergie et rapportez les deux.

Qu'est-ce qu'un périmètre du système ?

C'est la liste de ce que votre chiffre inclut : par exemple le GPU seul, le serveur entier, les besoins annexes du centre de données, le réseau, les appareils des utilisateurs et la fabrication du matériel. Deux chiffres honnêtes peuvent différer d'un facteur dix parce que leurs périmètres diffèrent.

Sources

  1. Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
  2. How much energy does ChatGPT use?, Epoch AI (2025)
  3. Part-time power measurements: nvidia-smi's lack of attention, Yang et al. (arXiv 2312.02741) (2023)
  4. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  5. ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO (2024)
  6. When to use CodeCarbon, CodeCarbon (2025)
  7. EcoLogits documentation, EcoLogits (2025)
  8. AI Energy Score, Hugging Face (2025)
  9. Carbon Intensity API, National Energy System Operator (2025)
  10. Slurm sacct manual (ConsumedEnergy), SchedMD (2025)

Rejoignez-nous

Aidez à réduire l’impact de l’IA sur la planète

Recevez par e-mail, environ une fois par mois, les nouveaux guides, appels à financement et fiches des annuaires. Ou ajoutez votre produit, cours, thèse ou recherche aux annuaires.

Aucun suivi. Désinscription en un clic. Autres façons de participer · Confidentialité