Quelle est l'empreinte carbone de l'IA générative ?

Très variable selon modèle et usage. Entraîner un grand modèle de langue comme GPT-4 ou Claude consomme entre 30 et 200 MWh (équivalent à 15 à 100 tCO2e selon mix électrique). L'inférence représente la majeure partie de l'empreinte totale sur le cycle de vie (jusqu'à 90 pourcents) car elle se répète à chaque requête utilisateur. Une requête à un chatbot type ChatGPT consomme typiquement 1 à 5 Wh selon longueur de réponse, équivalent à 0.5 à 2 g CO2e par requête en France. À volume mondial (milliards de requêtes par jour), le total devient significatif.

Comment mesurer l'empreinte carbone de l'IA dans une entreprise ?

Trois approches selon maturité. Première : utiliser les facteurs d'émission publiés par les fournisseurs cloud (AWS Carbon Tool, Azure Carbon Calculator, Google Cloud Carbon Footprint) qui donnent l'empreinte des services consommés. Couvre l'inférence cloud mais pas l'entraînement. Deuxième : utiliser des outils dédiés (CodeCarbon, ML CO2 Impact, Eco2AI) qui mesurent en temps réel la consommation des GPU/TPU lors de l'entraînement ou inférence locale. Précision élevée. Troisième : calculer manuellement via PUE datacenter et facteurs d'émission Base Empreinte ADEME. Approche universelle mais demande une bonne instrumentation.

L'entraînement ou l'inférence pèse-t-il plus ?

L'inférence pour les modèles déployés à grande échelle. Un modèle de fondation entraîné une fois et utilisé par millions d'utilisateurs aura une empreinte inférence qui domine vite. Exemple : GPT-4 entraînement estimé 50 à 100 tCO2e une fois pour toutes ; inférence cumulée sur deux ans estimée 50 à 200 fois supérieure. Pour des modèles spécialisés utilisés moins fréquemment, le ratio peut s'inverser. Pour une entreprise qui n'entraîne pas ses propres modèles mais utilise des API LLM, 100 pourcents de l'empreinte est dans l'inférence. Pour une entreprise qui développe ses propres modèles, l'entraînement peut peser plus selon le ratio développement/déploiement.

Le mix électrique du datacenter change-t-il l'empreinte ?

De façon majeure. Une même requête a un impact carbone très différent selon le pays du datacenter. En France métropolitaine (mix nucléaire-renouvelable à 0.055 kgCO2e/kWh en 2024), l'empreinte est faible. Aux États-Unis (mix carboné à 0.35 kgCO2e/kWh), elle est 6 fois supérieure. En Allemagne (transition en cours, 0.35 kgCO2e/kWh), idem. Les datacenters Google, Azure et AWS communiquent désormais sur leurs régions vertes (Suède, Finlande, France) qui réduisent l'empreinte de l'IA de 5 à 10 fois par rapport à des régions carbonées. Choisir la région d'hébergement est l'un des leviers les plus puissants.

Quels sont les leviers pour réduire l'empreinte IA ?

Six leviers structurels. Premier : choisir des régions cloud à mix électrique décarboné (France, Suède, Norvège, Brésil), gain 5 à 10 fois. Deuxième : utiliser des modèles plus petits adaptés à l'usage (modèles spécialisés 7B paramètres vs modèles de fondation 175B+), gain 10 à 100 fois en inférence. Troisième : optimiser les prompts (réponses concises, prompts efficaces), gain 20 à 40 pourcents. Quatrième : cache et déduplication des requêtes répétées, gain 20 à 60 pourcents. Cinquième : quantization et distillation de modèles, gain 4 à 8 fois en mémoire et calcul. Sixième : programmation horaire (workload nocturne sur mix vert), gain 10 à 25 pourcents.

L'IA générative consomme-t-elle plus d'eau ou d'électricité ?

Les deux, en lien. L'électricité consommée par les GPU/TPU dans les datacenters génère de la chaleur, refroidie majoritairement à l'eau. Pour 1 kWh consommé, un datacenter type consomme 1.8 litres d'eau (refroidissement plus eau-pour-électricité amont). Une session ChatGPT de 50 prompts peut consommer 500 mL d'eau dans le datacenter. Microsoft a publié en 2023 un rapport montrant que sa consommation d'eau avait augmenté de 34 pourcents en 2022, attribuable principalement à l'IA. Les datacenters dans des zones de stress hydrique (Texas, Arizona, Espagne) posent un enjeu particulier. La métrique WUE (Water Usage Effectiveness) complète le PUE (Power Usage Effectiveness).

Quel impact pour une PME qui utilise ChatGPT ou Claude ?

Marginal en absolu mais à intégrer dans le BC scope 3 catégorie 1 (achats services numériques). Pour une PME de 30 salariés utilisant ChatGPT Pro à 20 dollars/mois/utilisateur, et un usage modéré (50 prompts/jour/utilisateur), l'empreinte annuelle se situe entre 0.5 et 3 tCO2e selon mix électrique du fournisseur. Marginal vs autres postes BC. Pour une entreprise tech qui utilise massivement l'IA pour développement (Copilot, Claude Code, etc.), peut atteindre 5 à 20 tCO2e/an. Pour une plateforme produit qui intègre des LLM dans son service, peut devenir le poste numérique principal.

Faut-il renoncer à l'IA pour des raisons climat ?

Non, mais pratiquer un usage éclairé. Le gain de productivité et de valeur permis par l'IA peut largement compenser son empreinte si l'usage est calibré. La question pertinente n'est pas oui ou non à l'IA, mais quel usage, quel modèle, quel hébergeur, quelle optimisation. Pour la R&D climat elle-même, l'IA est un accélérateur majeur (modélisation climat, optimisation énergétique, design de matériaux bas carbone, planification trajectoires de réduction). Le bilan net est très probablement favorable au climat, à condition de piloter l'empreinte. La doctrine ADEME recommande sobriété numérique et IA frugale.

Empreinte carbone de l'IA : combien coûte une requête ChatGPT et combien ça pèse dans un bilan carbone

Q: Combien consomme vraiment une requête ChatGPT ?

Environ 0,3 Wh pour une requête texte courte. L'estimation longtemps répandue (2-3 Wh, soit 10 fois une recherche Google) a été divisée par environ 10 par les analyses récentes : Google mesure une requête Gemini médiane à ~0,24 Wh, Sam Altman avance ~0,34 Wh pour ChatGPT. Une requête IA et une recherche Google sont aujourd'hui du même ordre de grandeur.

Q: L'IA est-elle un poste prioritaire dans un bilan carbone ?

Non, pas pour la majorité des entreprises. Les postes prioritaires restent les achats (scope 3), l'énergie et les déplacements. L'IA représente < 1 % du bilan dans la plupart des cas. C'est un poste à intégrer et à surveiller, pas une urgence.

Une requête ChatGPT coûte autour de ~0,3 Wh, le même ordre de grandeur qu'une recherche Google : le fameux « 10 fois plus » reposait sur un chiffre périmé, divisé par 10 par les mesures récentes. Et pour une PME de 200 salariés, l'IA représente moins de 1 % du Bilan Carbone®. Le vrai poste numérique, c'est la fabrication des équipements : allonger la durée de vie d'un parc de PC de 4 à 6 ans réduit l'empreinte numérique de 30 à 50 %.

Google a publié son rapport environnemental 2024 : ses émissions ont augmenté de 48 % en 5 ans, principalement à cause des data centers nécessaires à l'IA générative. C'est le paradoxe le plus visible de la tech actuelle. Mais qu'est-ce que ça veut dire pour votre entreprise ?

Spoiler : probablement beaucoup moins que ce que les gros titres laissent penser. L'empreinte carbone de l'IA en entreprise est un sujet qu'il faut regarder avec des ordres de grandeur plutôt qu'avec des slogans.

Une requête IA consomme à peu près autant qu'une recherche Google

On a longtemps répété qu'une requête à un modèle d'IA consommait 2 à 3 Wh, soit 10 à 15 fois une recherche Google. Ce chiffre est désormais périmé. Les analyses récentes l'ont divisé par environ 10 : selon Epoch AI, l'ancienne estimation était « ~10 fois trop élevée ». Pour le détail modèle par modèle, le comparatif ChatGPT, Claude, Gemini classe les chiffres 2026.

Le réel pour une requête texte courte (ChatGPT, Gemini, Claude) tourne autour de ~0,3 Wh : Google a mesuré une requête Gemini médiane à ~0,24 Wh (étude arXiv 2508.15734), Sam Altman avance ~0,34 Wh pour ChatGPT, et un benchmark de GPT-4o donne ~0,43 Wh. Autrement dit, une requête IA et une recherche Google sont du même ordre de grandeur : on est loin du facteur 10. Pour le détail de cette comparaison, voir requête ChatGPT vs recherche Google.

Requête IA générative (texte court) : ~0,3 Wh (et non 2-3 Wh comme on le lisait avant)
Recherche Google classique : même ordre de grandeur, ~0,3 Wh
Entraînement d'un grand modèle : de plusieurs milliers à plusieurs dizaines de milliers de tonnes de CO₂ (ex : 20 400 tCO₂e pour la LCA de Mistral Large 2), ponctuel, une fois par version
Data centers mondiaux : ~1,5 % de l'électricité mondiale en 2024, projeté à ~3 % en 2030 (cas de base IEA)

Ce que ça pèse réellement dans un bilan carbone de PME

Pour une PME de 200 salariés qui utilise intensivement des outils d'IA (100 requêtes par salarié et par jour, ce qui est déjà beaucoup), l'empreinte annuelle reste inférieure à une tonne de CO₂. C'est faible comparé aux postes majeurs :

Achats et sous-traitance (scope 3) : souvent 40-70 % du bilan total
Énergie des bâtiments : 10-20 % en moyenne
Déplacements professionnels : 5-15 % pour le CODIR seul
Équipements informatiques (fabrication) : 70-80 % de l'empreinte numérique
IA et cloud : < 1 % pour la majorité des PME

Le vrai enjeu : la trajectoire, pas le niveau actuel

Si l'usage de l'IA double chaque année (c'est le cas dans beaucoup d'entreprises) et si les gains d'efficience des modèles ne compensent pas la croissance (pour l'instant ils ne compensent pas - les gains sont absorbés par l'augmentation de la taille des modèles), le poste numérique pourrait devenir significatif d'ici 5 à 10 ans.

L'intégrer dès maintenant dans votre Bilan Carbone® vous donne une base de référence pour mesurer cette évolution. Les méthodologies existent (référentiel ADEME numérique, base de données Boavizta) même si elles sont encore jeunes.

Quatre leviers pour réduire l'empreinte numérique de votre entreprise

Par ordre d'impact décroissant :

Allonger la durée de vie des équipements de 4 à 6 ans : -30 à -50 % d'empreinte numérique. C'est le levier n°1 et il génère des économies
Intégrer le reconditionné dans la politique d'achat IT : un PC reconditionné émet ~70 % de moins qu'un neuf
Choisir un hébergeur cloud en France ou en Scandinavie : facteur 5 à 10 sur les émissions par rapport à un data center américain alimenté au gaz naturel
Utiliser l'IA de façon ciblée : un chatbot qui répond à des questions que la FAQ couvre déjà, c'est de l'énergie dépensée pour rien. Réserver l'IA aux tâches à forte valeur ajoutée
Choisir des modèles plus légers quand la tâche le permet : un modèle small consomme 5-10x moins qu'un modèle frontier pour des tâches simples

Ce qu'il faut retenir

L'IA a un coût carbone réel mais encore marginal pour la plupart des organisations. Le vrai enjeu numérique est la fabrication des équipements, pas l'usage des services cloud. Surveillez la trajectoire, pas le niveau actuel.

Une requête IA ≈ une recherche Google en énergie (~0,3 Wh chacune) : l'ancien facteur 10 a été divisé par 10. Et ça reste marginal à l'échelle d'un bilan carbone d'entreprise
< 1 % du bilan total pour la majorité des PME, même avec un usage intensif d'outils IA
Le vrai levier numérique : allonger la durée de vie des équipements (4→6 ans = -30 à -50 %)
Le choix du data center compte : hébergement France/Scandinavie vs USA = facteur 5-10 en émissions (en analyse de cycle de vie)
Google +48 % en 5 ans : le sujet est réel à l'échelle macro, mais pas (encore) la priorité pour une PME

Questions fréquemment posées

Combien consomme vraiment une requête ChatGPT ?

Environ 0,3 Wh pour une requête texte courte. L'estimation longtemps répandue (2-3 Wh, soit 10 fois une recherche Google) a été divisée par environ 10 par les analyses récentes : Google mesure une requête Gemini médiane à ~0,24 Wh, Sam Altman avance ~0,34 Wh pour ChatGPT. Une requête IA et une recherche Google sont aujourd'hui du même ordre de grandeur.

L'IA est-elle un poste prioritaire dans un bilan carbone ?

Non, pas pour la majorité des entreprises. Les postes prioritaires restent les achats (scope 3), l'énergie et les déplacements. L'IA représente < 1 % du bilan dans la plupart des cas. C'est un poste à intégrer et à surveiller, pas une urgence.

Comment calculer l'empreinte de mes outils IA ?

Le référentiel ADEME numérique et la base de données Boavizta fournissent des facteurs d'émission par type de service cloud. En pratique, votre fournisseur cloud (AWS, Azure, GCP) publie aussi des données d'émissions par service. On les intègre dans le Bilan Carbone® au poste services numériques du scope 3.

Faut-il arrêter d'utiliser l'IA pour des raisons climatiques ?

Non. L'enjeu est d'utiliser l'IA de façon ciblée plutôt que systématique, et de choisir des hébergeurs avec un mix électrique bas carbone. Arrêter l'IA pour gagner 1 tonne quand les déplacements du CODIR en émettent 24 serait un mauvais arbitrage.

Un data center en France émet-il moins qu'aux États-Unis ?

Oui, 5 à 10 fois moins en analyse de cycle de vie, grâce au mix électrique français (90 % décarboné, principalement nucléaire). C'est un levier simple et rarement exploité : choisir un hébergeur qui utilise des data centers en France ou en Scandinavie.

L'IA peut-elle aider à réduire les émissions de mon entreprise ?

Oui, si elle est utilisée à bon escient : optimisation logistique, analyse de données de consommation, modélisation de scénarios de réduction. L'IA est un outil, pas une fin en soi. Son bilan net dépend de ce qu'elle permet d'économiser vs ce qu'elle consomme.