# Comment choisir une région cloud bas carbone ?

> Choisissez une région cloud moins carbonée pour l'IA : comparez l'intensité carbone du réseau et l'énergie décarbonée par région, puis la latence, les règles et le coût.

Source: https://greenai.guide/fr/comment/comment-choisir-une-region-cloud-bas-carbone/  
Updated: 2026-11-19

## En bref

Comparez les régions selon l'intensité carbone du réseau et la part d'énergie décarbonée, à l'aide des données régionales publiées par votre fournisseur ou d'une source comme Electricity Maps, puis tenez compte de la latence, des règles de localisation des données et du coût. Le travail par lots, comme l'entraînement, le fine-tuning et le traitement de nuit, est le plus facile à déplacer ; l'inférence destinée aux utilisateurs doit généralement rester proche d'eux.

## Steps

1. Listez les charges de travail qui peuvent s'exécuter n'importe où, en commençant par l'entraînement, le fine-tuning et les traitements par lots.
2. Comparez les régions candidates selon l'intensité carbone du réseau et la part d'énergie décarbonée.
3. Vérifiez pour chaque candidate les contraintes de localisation des données, de latence et de coût.
4. Tenez compte de l'énergie et du coût du transfert des données vers la nouvelle région.
5. Réexaminez ce choix chaque année, car les réseaux et les données des fournisseurs évoluent.

**Le choix de la région peut multiplier ou diviser plusieurs fois le carbone d'une même tâche, sans rien changer au
code.** L'électricité derrière un kilowattheure varie beaucoup d'un réseau à l'autre.

## Où trouver les données par région ? {#where-do-i-find-region-data}

- **Google Cloud** publie, pour chaque région, la part moyenne horaire d'énergie décarbonée et l'intensité carbone du
  réseau en gCO₂e/kWh. Sa console signale par la mention « Low CO2 » les régions où l'énergie décarbonée atteint au
  moins 75 % ou, à défaut de cette donnée, où l'intensité du réseau ne dépasse pas 200 gCO₂e/kWh.
- **Electricity Maps** fournit l'intensité carbone en temps réel, prévisionnelle et historique pour plus de
  350 zones, ce qui est utile quel que soit le fournisseur.
- Les pages durabilité et les tableaux de bord carbone des autres fournisseurs ; consultez
  [les données carbone de votre fournisseur de cloud](/fr/comment/comment-trouver-les-donnees-carbone-de-mon-fournisseur-de-cloud/).

## Quelles charges de travail déplacer ? {#which-workloads-should-move}

Le pattern de la Green Software Foundation pour les charges de travail d'IA suggère d'exécuter l'entraînement, le
fine-tuning et le travail par lots dans des régions bas carbone lorsque la latence est moins critique. Le guide Azure
Well-Architected de Microsoft conseille de mettre en balance l'intensité carbone, la latence et la résilience lors du
choix des régions.

## Erreurs fréquentes {#common-mistakes}

- **Éloigner des utilisateurs l'inférence sensible à la latence,** ce qui peut dégrader l'expérience et ajouter du
  trafic réseau.
- **Ignorer le transfert des données.** Copier de gros jeux de données d'une région à l'autre a son propre coût.
- **S'appuyer sur des certificats.** Qu'un fournisseur achète des certificats d'énergie renouvelable ne rend pas bas
  carbone un réseau très carboné ; consultez
  [savoir si votre IA fonctionne à l'énergie renouvelable](/fr/comment/comment-savoir-si-mon-ia-fonctionne-a-l-energie-renouvelable/).
- **Considérer le choix de la région comme un substitut à l'efficacité.** Il réduit le carbone, pas l'énergie.

Pour aller plus loin, consultez [l'hébergement et les centres de données](/fr/bonnes-pratiques/hebergement-et-centres-de-donnees-pour-une-ia-verte/).

## Sources

- [Carbon free energy for Google Cloud regions](https://cloud.google.com/sustainability/region-carbon), Google Cloud (2025)
- [Electricity Maps data](https://www.electricitymaps.com/data), Electricity Maps (2026)
- [Use carbon-aware scheduling and region selection for AI workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/operations/carbon-aware-ai-scheduling.md), Green Software Foundation, Green Software Patterns (2025)
- [Reliability recommendations for sustainable workloads on Azure](https://learn.microsoft.com/en-us/azure/well-architected/sustainability/sustainability-reliability-recommendations), Microsoft Azure Well-Architected Framework (2026)
