Par Guillaume Pakula · Publié le 9 juin 2026 · Mis à jour le 24 octobre 2026
Une requête texte courte coûte de l'ordre de 0,3 Wh (Gemini mesuré à ~0,24 Wh, GPT-4o estimé à ~0,43 Wh avant son retrait de ChatGPT en février 2026, Claude Haiku autour de 0,2 Wh), soit l'équivalent d'une recherche Google. Sur un modèle de raisonnement ou un prompt très long, la consommation grimpe à plusieurs dizaines de Wh. Derrière le chiffre, il y a une requête d'inférence dans un data center, payée en électricité. Le comparatif des 3 IA dit lequel est le plus sobre.
Une requête texte courante à ChatGPT consomme de l'ordre de 0,3 Wh d'électricité, soit ~0,02 g de CO2 si elle est traitée en France. Chaque question tapée déclenche un calcul en direct, une requête d'inférence, c'est-à-dire le moment où un modèle déjà entraîné produit une réponse, sans consulter de page déjà écrite. Ce calcul tourne sur des processeurs spécialisés, dans un data center, et il consomme cette électricité. Cet article explique d'où vient ce chiffre, pourquoi il peut être 100 fois plus élevé, et ce que vous pouvez en faire.
Ce chiffre de 0,3 Wh est un ordre de grandeur, pas une mesure auditée : les éditeurs propriétaires comme OpenAI ne publient presque rien d'officiel. L'article raisonne donc en fourchettes : comment le chiffre se construit, ce qui le fait varier d'un facteur 100, puis le volume mondial que votre requête rejoint. Le convertisseur ci-dessus traduit déjà votre rythme quotidien en équivalents annuels.
Pour une requête texte courte sur un modèle d'usage de masse, l'ordre de grandeur publié converge autour de 0,3 Wh. Google a mesuré une requête médiane à son IA (Gemini) à ~0,24 Wh (arxiv 2508.15734). Sam Altman, patron d'OpenAI, a avancé ~0,34 Wh pour une requête ChatGPT moyenne (The Gentle Singularity). Un benchmark indépendant situait GPT-4o, alors le modèle de masse de ChatGPT, autour de 0,43 Wh (« How Hungry is AI? »). Ces 3 méthodes indépendantes aboutissent à la même zone basse, qui se traduit ainsi en repères concrets :
Le CO2 d'une requête s'obtient en multipliant son énergie par l'intensité carbone du réseau qui alimente le data center. Une requête traitée dans un data center français, branché sur un mix très nucléarisé, émet une fraction de ce qu'émet la même requête aux États-Unis. Pour situer un chiffre de consommation numérique parmi d'autres ordres de grandeur carbone, il faut donc savoir où chaque Wh est consommé. Notre calculateur d'empreinte carbone IA fait ce calcul modèle par modèle, pays du data center compris.
L'électricité n'est d'ailleurs pas la seule ressource en jeu : la même mesure de Google chiffre aussi ~0,26 mL d'eau par requête médiane, soit 5 gouttes, détaillées dans l'empreinte eau d'une requête d'IA.
Le « 0,3 Wh » vaut pour une requête courte sur un modèle optimisé. Changez de modèle, allongez votre prompt, et le chiffre peut être multiplié par 100. 3 variables expliquent l'essentiel de l'écart.
Toute la consommation se mesure en tokens, l'unité de base que l'IA manipule : un fragment de mot, environ 0,75 mot en français. Le modèle lit vos tokens d'entrée, puis fabrique sa réponse un token à la fois, et chaque token produit consomme de l'électricité. L'énergie suit donc le volume de tokens, surtout en sortie : un échange de 1 000 tokens en entrée et 1 000 en sortie consomme environ 3 fois plus qu'un échange de 100 en entrée et 300 en sortie. C'est la longueur cumulée de ce qui entre et sort qui pèse, bien plus que le nombre de questions.
« ChatGPT » est une interface derrière laquelle OpenAI active des modèles très différents. Depuis août 2025, ChatGPT tourne sur la famille GPT-5, avec un mode rapide et un mode réflexion bien plus gourmand en tokens. Les chiffres publics datent de 2025, quand GPT-4o faisait tourner l'essentiel de ChatGPT (0,3 à 0,4 Wh), et OpenAI n'en a publié aucun pour les modèles actuels. Un modèle plus capable mobilise davantage de paramètres, donc plus de calcul par token et plus d'énergie : à tâche égale, passer d'un petit modèle à un gros multiplie déjà la consommation par 10 à 50. L'image est celle d'un moteur : on ne sort pas le V8 pour aller chercher le pain. Le comparatif détaillé par modèle chiffre l'écart marque par marque.
2 situations font exploser le compteur. D'abord les prompts longs : joindre un document de 200 pages (~100 000 tokens) pousse une requête vers ~40 Wh, quel que soit le modèle. Ensuite les modèles de raisonnement : avant de répondre, ils rédigent un monologue interne que vous ne voyez pas, une longue suite de tokens où ils déroulent leur réflexion étape par étape. Ce brouillon caché représente souvent 3 à 15 fois plus de tokens que la réponse finale, ce qui fait bondir la requête à 15-33 Wh (benchmark indépendant).
Entre une requête courte et ce cas extrême, le facteur dépasse 100, alors que le geste, taper une question, paraît identique. Un chiffre « par requête » n'a donc pas de sens sans son contexte. C'est ainsi qu'est né le mythe du « x10 » face à une recherche Google, bâti sur un calcul supposant des réponses 4 fois trop longues.
Une requête coûte peu, mais il s'en envoie des milliards chaque jour, et c'est ce nombre qui pèse. Les 2 faits suivants donnent l'échelle.
Premier fait : l'inférence, c'est-à-dire l'usage, domine désormais l'entraînement. L'entraînement est un coût ponctuel, payé une fois ; l'inférence se répète à chaque requête, sur des centaines de millions d'utilisateurs. Chaque nouvel usage de masse (assistants, agents, recherche augmentée) installe donc un flux d'énergie permanent.
Multipliée par des milliards de requêtes chaque jour, la goutte de 0,3 Wh devient l'un des moteurs du doublement de l'électricité des data centers que l'IEA prévoit d'ici 2030.
Second fait : le volume explose. Le nombre de tokens traités dans le monde est projeté à x24 entre 2026 et 2030 (Goldman Sachs). Selon l'IEA, Energy and AI, l'électricité des data centers fait plus que doubler en 6 ans, de ~415 TWh en 2024 à ~945 TWh en 2030. Ce total représente ~3 % de l'électricité mondiale, un peu plus que le Japon. Cette consommation a déjà crû 4 fois plus vite que la demande électrique totale depuis 2017, au point que, selon l'IEA, 1 projet de data center sur 5 risque d'être retardé faute de raccordement au réseau.
C'est donc en volume qu'il faut intégrer l'IA dans un Bilan Carbone® Scope 3 : dans une organisation, l'IA rejoint le poste numérique de l'entreprise, et le chiffre dépend du volume agrégé d'usage bien plus que de la requête unitaire.
Le repère de 0,3 Wh permet d'abord de relativiser : pour un individu, l'usage de ChatGPT pèse une fraction infime de son empreinte, loin derrière les transports ou l'alimentation. Dans une organisation qui multiplie les usages, quelques réflexes simples réduisent la facture énergétique sans perte de qualité. Le calculateur de cette section chiffre vos propres textes, modèle par modèle.
Aucun de ces réflexes ne coûte un centime ni ne dégrade l'expérience. Inutile de culpabiliser à chaque requête : il s'agit d'adapter l'outil au besoin, surtout quand l'usage se compte en milliers de requêtes par mois.
Le chiffre de 0,3 Wh n'a de sens qu'avec le modèle, le prompt et le pays qui vont avec. Pour aller plus loin, le comparatif ChatGPT, Claude et Gemini donne les chiffres par modèle. Le panorama de l'empreinte carbone de l'IA replace l'ensemble à l'échelle d'une organisation, et la méthode pour compter l'IA dans votre bilan en fait un poste chiffré.
Pour une requête texte courte, l'ordre de grandeur est d'environ 0,3 Wh, l'équivalent d'une recherche Google. Google a mesuré une requête médiane à son IA autour de 0,24 Wh et Sam Altman a cité 0,34 Wh pour ChatGPT. Un benchmark indépendant situait GPT-4o, retiré de ChatGPT en février 2026, vers 0,43 Wh. Sur un modèle de raisonnement ou un prompt long, la consommation peut grimper à 15-40 Wh.
Une requête courte de ~0,3 Wh émet environ 0,02 g de CO2 en France (mix électrique ~55 g/kWh) et environ 0,12 g aux États-Unis (mix ~400 g/kWh). Le CO2 dépend donc moins de la requête elle-même que du pays où se trouve le data center : le même Wh peut émettre jusqu'à 8 fois plus selon l'intensité carbone du réseau.
Beaucoup moins qu'on ne le répète : les 2 restent du même ordre de grandeur. Le seul chiffre officiel de Google (~0,3 Wh, publié en 2009) est même équivalent au coût d'une requête ChatGPT courte actuelle. Le fameux « 10 fois plus » vient d'un vieux calcul qui surestimait ChatGPT à ~3 Wh, invalidé depuis. L'écart ne se creuse vraiment que sur les modèles de raisonnement et les prompts très longs.
Un token est un fragment de mot : en français, environ 0,75 mot ou 4 caractères. Le modèle découpe votre texte en tokens, en lit (entrée) puis en produit (sortie), et chaque token généré consomme de l'électricité. C'est donc le volume de tokens traités, surtout en sortie, et non le nombre de requêtes, qui détermine la consommation d'une requête ChatGPT.
À environ 2,5 milliards de requêtes par jour et 0,34 Wh chacune, ChatGPT consommerait de l'ordre de 0,3 TWh par an, l'électricité d'environ 60 000 foyers français. L'ensemble de l'IA générative pèserait 15 TWh en 2025 selon Schneider Electric, et 347 TWh en 2030. Pour l'ensemble des data centers, l'IEA projette un passage de ~415 TWh en 2024 à ~945 TWh en 2030, environ 3 % de l'électricité mondiale.
À l'échelle d'un individu, non : une requête courte consomme comme une recherche Google et pèse une fraction infime d'une empreinte personnelle, loin derrière les transports ou l'alimentation. Le vrai sujet est l'agrégat : multipliée par des milliards d'usages quotidiens, cette énergie tire la demande électrique des data centers, projetée à ~3 % de l'électricité mondiale en 2030.