En bref
Estimez l'empreinte propre de l'IA (entraînement ou fine-tuning, plus son fonctionnement pendant sa durée de vie prévue) et mettez-la en regard du bénéfice, mesuré sur la même période. Comparez-la avec l'option sans IA la plus simple, pas avec l'inaction. Si le projet doit économiser de l'énergie ou des émissions, l'économie doit nettement dépasser le coût propre de l'IA, sinon le bilan est négatif.
Étapes
- Notez le bénéfice attendu et la manière dont vous le mesurerez.
- Estimez l'empreinte de l'IA sur sa durée de vie prévue, y compris l'entraînement, l'inférence et les nouvelles tentatives.
- Comparez-la avec la méthode sans IA la plus simple capable de faire le travail.
- Décidez à l'avance quel résultat vous ferait arrêter ou réduire le projet.
- Revérifiez avec des chiffres mesurés une fois le système en service.
Comptez l'empreinte propre de l'IA et mettez-la en regard du bénéfice sur la même période. Les projets qui utilisent l'IA pour optimiser quelque chose, y compris les projets d'« IA au service de l'environnement », comptent rarement l'énergie de l'IA elle-même, et sans ce chiffre, un projet peut avoir un bilan négatif.
Comment estimer la part de l'IA ?
- L'entraînement ou le fine-tuning, si vous en faites.
- L'inférence : requêtes par jour × énergie par requête × jours de service. L'estimation d'Epoch AI, environ 0,3 Wh pour une requête ChatGPT typique, est un point de départ pour le texte, mais les entrées longues la font fortement augmenter : utilisez donc vos propres nombres de tokens ; consultez estimer l'énergie des appels d'API d'IA.
- Les nouvelles tentatives et les exécutions ratées, faciles à oublier.
À quoi dois-je le comparer ?
À l'option sans IA la plus simple, pas à l'inaction. L'IA n'est pas gratuite même quand elle fait gagner du temps : une étude de 2025 comparant le codage manuel et le codage assisté par IA sur 12 tâches de programmation a montré que l'approche assistée par IA avait en moyenne une empreinte carbone environ 33 fois supérieure à celle de l'approche manuelle. Cela ne veut pas dire qu'il ne faut jamais utiliser l'IA ; cela veut dire qu'il faut vérifier qu'elle est rentable.
GreenCode, un projet de recherche ITEA, publie un argumentaire climatique qui met en regard sa propre empreinte d'IA et l'économie d'énergie qu'il vise : c'est un modèle utile à reprendre.
Ce qui fait la plus grande différence
Fixer la condition d'arrêt avant de commencer. Notez le résultat qui vous ferait réduire le projet, pour que la décision ne soit pas dictée par l'élan.
Erreurs fréquentes
- Compter le bénéfice sur dix ans et le coût de l'IA sur un mois.
- Ignorer la croissance de l'usage une fois l'outil devenu populaire.
- Considérer l'incertitude comme nulle. Donnez une fourchette.
Lisez l'efficacité ne suffit pas pour une vue d'ensemble.
Sources
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
Voir aussi
Comment savoir si j'ai vraiment besoin de l'IA pour une tâche ?
Un test rapide pour savoir si une tâche exige l'IA générative, ou si une recherche, une calculatrice, un modèle de document ou une règle simple ferait mieux et plus sobrement.
Comment éviter que les gains d'efficacité de l'IA soient annulés par un usage accru ?
Éviter que les économies d'efficacité soient absorbées par l'usage : suivre les totaux, plafonner, libérer la capacité, interroger le besoin.
Comment estimer l'énergie de mes appels d'API d'IA ?
Impossible de mesurer une API d'IA hébergée, mais vous pouvez estimer l'énergie par appel à partir des tokens avec EcoLogits, et l'enregistrer à côté du coût.
L'efficacité n'est pas la sobriété : l'effet rebond dans l'IA
Pourquoi une IA plus efficace ne consomme pas forcément moins d'énergie au total, ce qu'est l'effet rebond ou de Jevons, et comment garder des économies réelles.