IA générative : l'empreinte environnementale au-delà de la requête

Comme nous le mentionnions dans notre article Green IT, les enjeux écologiques deviennent un sujet majeur du domaine du numérique et l’essor de l’IA conforte et accentue cette tendance.

Plus de 10 ans après les accords de Paris sur le climat, l’IA est-elle compatible avec les objectifs annoncés ? Sa démocratisation fulgurante de ces dernières années et ses perspectives à court et moyen termes peuvent-elles s’inscrire dans une démarche soutenable ? En d’autres termes, une IA verte est-elle possible ?

Dans cet article, nous proposons une exploration des impacts environnementaux de l’IA, en particulier de l’IA générative. Notre point de départ sera de donner une estimation de la consommation énergétique du traitement d’une requête par un LLM (Large Language Model). Nous nous intéresserons ensuite aux problématiques actuelles et futures en termes de production d’électricité, d’infrastructure et d’environnement. Enfin, nous achèverons en proposant quelques recommandations pour une IA soutenable.

‍

Un LLM consomme finalement peu

0,3 Wh

En juin 2025, Sam Altman (CEO d’OpenAI) annonçait qu’une requête moyenne ChatGPT consommait 0,34 Wh. Des chiffres similaires ou en tout cas dans le même ordre de grandeur ont été fournis par Google pour Gemini (0,24 Wh) et par d’autres analyses indépendantes pour les LLM en général^{1 2}.

Apportons d’emblée une précision : les principaux acteurs de l’IA sont globalement peu transparents quant aux questions d’énergie et d’environnement associées à leurs modèles. Ainsi, ce chiffre de 0.34 Wh d’OpenAI a été donné sans précision quant à la méthodologie utilisée. La plupart des valeurs que nous donnerons par la suite sont ainsi issues d’études indépendantes.

Pour notre analyse, nous prendrons la valeur référence de 0,3 Wh/requête pour des LLM comme ChatGPT ou Gemini, valeur qui doit être prise comme un ordre de grandeur.

Mais concrètement, ça représente quoi 0,3 Wh ?

‍

ChatGPT vs plat de pâtes

Comme beaucoup d’articles en ligne, nous pourrions être tenté de comparer ce chiffre à la consommation énergétique d’une requête d’un moteur de recherche comme Google. On trouve d’ailleurs souvent la valeur de 0,3 Wh/recherche mais ce chiffre date de 2009 et n’est plus représentatif du Google actuel. Il convient donc de rester prudent quant aux comparaisons et nous n’avancerons pas de valeur de consommation d’une recherche web.

Essayons donc plutôt de comparer à d’autres usages qui nous sont familiers : Si on prend les puissances moyennes brutes de nos appareils électriques, 0,3 Wh correspond à environ :

• 1 seconde de micro-onde ou de grille-pain ;

• 10 secondes de télévision ;

• 3 minutes d’une ampoule LED allumée.

Ainsi, une requête LLM ne consomme en moyenne que très peu au regard de nos usages quotidiens.

On peut même retourner la comparaison : il vaut mieux demander à ChatGPT combien de temps il faut pour réchauffer le plat de pâtes de la veille au micro-onde pour optimiser l’énergie consommée, que de prendre le risque de le surchauffer même seulement 10 secondes de trop…

‍

‍

Bon voilà, on a donc répondu à la problématique : utiliser les LLM au quotidien est marginal en termes de consommation d’énergie et l'impact de l’IA est donc négligeable d’un point de vue environnemental. Merci de votre attention.

‍

Oui mais c'est plus complexe que ça...

Pas si vite...

Tous les points abordés dans la section précédente sont avérés mais nous avons fait quelques simplifications.

‍

Vision d'ensemble

Nous avons par exemple considéré des requêtes “moyennes”, mais cela cache une grande diversité de situations. En effet, certaines estimations avancent le chiffre de 40 Wh pour une requête maximale (à savoir une requête dont la taille du contexte est à la limite de ce qui est supporté par les plus gros modèles, environ 75000 mots). C’est sans doute peu représentatif de l’usage général, mais cela permet d’illustrer qu’on peut avoir facilement 1 voire 2 ordres de grandeur entre une requête classique et une requête avancée. Une autre approche donne un facteur 50 entre une petite requête de 100 tokens (0,03 Wh) et une plus grosse requête de 5000 tokens (1,6 Wh).

Par ailleurs, nous avons jusqu’ici présenté des chiffres de consommation de l’inférence (les réponses aux requêtes) en négligeant la partie entraînement des modèles. Or, entraîner un modèle de zéro demande énormément de ressources. Il est par exemple estimé que les entraînements de GPT-4 et GPT-5 ont consommé environ 50 GWh chacun², soit l’équivalent de toute l’électricité moyenne produite en France en 1h.

Entraîner un modèle aussi lourd que GPT-5 est donc extrêmement énergivore et très coûteux globalement. Mais cet entraînement est ensuite mutualisé au travers de tous les utilisateurs du modèle une fois déployé. La part de la consommation énergétique de la phase d’entraînement dans le bilan global est donc très variable selon la popularité et l’utilisation du modèle.

‍

Du texte et pas que

Du reste, en plus de la génération de texte, les assistants IA intègrent également de plus en plus de fonctionnalités, telles que :

• la transcription audio ;

• la génération d’image ;

• la recherche web ;

• du raisonnement…

Pour rappel, les modèles de raisonnement, apparus à partir de fin 2024 et généralisés en 2025 utilisent ce qu’on appelle des Chains of Thought (chaînes de pensée) qui forcent le modèle à la décomposition du problème initial en étapes successives. Une étude d’HuggingFace comparant la consommation énergétique de certains modèles avec ou sans la partie raisonnement est sans appel : ils constatent des écarts de plusieurs ordres de grandeur avec, en moyenne, une augmentation d’un facteur 30 lorsque le raisonnement est activé.

Cette énorme différence de consommation énergétique des modèles de raisonnement comparativement aux modèles LLM standard s’explique principalement par une augmentation massive du nombre de tokens générés pendant ces fameuses étapes de décomposition du problème.

Côté multimédia, en incluant aussi la vidéo, les valeurs de consommation énergétique de génération sont très variables d’un modèle à un autre, d’une étude à une autre et en fonction de la qualité souhaitée. Les ordres de grandeur actuellement considérés sont :

• entre 1 et 10 Wh pour générer un audio de 10 secondes³ ;

• entre 0,5 et 3 Wh pour générer une image à partir de texte⁴ ;

• entre 60 et 600 Wh pour générer une vidéo de 3 secondes de qualité correct⁵.

‍

‍

L’intégration progressive de ces fonctionnalités multimédia, d’outils de recherche web ou de raisonnement au sein des assistants IA s’inscrivent dans une tendance plus globale d’évolution. Plus que de simples modèles LLM, ils sont devenus (et ont même en fait toujours été) de véritables produits à part entière, dont le modèle utilisé est progressivement passé au second plan.

‍

Évolution de l'usage de l'IA

Du modèle au produit

Ainsi, si la métrique de consommation énergétique modèle/requête que nous avons analysée jusqu’ici reste très intéressante et permet de fournir des ordres de grandeur pertinents et parlants, elle est de plus en plus difficile à estimer. D’autant que les derniers modèles utilisés par ChatGPT par exemple (GPT 5.5 à l’heure d’écrire ces lignes) sont des modèles de raisonnement dont le niveau de raisonnement - et donc la consommation énergétique - s’ajuste automatiquement en fonction de la tâche demandée. Il convient donc d’élargir la réflexion et de la compléter par la métrique produit/usage.

En effet, la consommation d’énergie d’une utilisation d’un assistant IA dépendra énormément de ce qui est demandé :

• la taille du contexte donné en entrée ;

• la complexité de la requête ;

• les outils utilisés ;

• le nombre d’itérations ;

• l’utilisation de la génération multimédia.

Et de fait, il peut facilement y avoir un facteur 50 de consommation énergétique entre deux utilisations d’un produit comme ChatGPT. Donnons comme exemple le graphique ci-dessous présentant une demande simple et une plus avancée :

‍

‍

Par ailleurs, les assistants IA côtoient désormais d’autres produits qui intègrent des LLM comme les outils d’automatisation, de vibe-coding ou ceux intégrés directement dans des services et logiciels pré-existants.

‍

L'effet rebond de l'IA

Ainsi, l’essor de l’IA générative nous invite à repenser nos usages du quotidien. La technologie devenant plus efficace et abordable (pour l’instant), elle est donc de plus en plus utilisée pour des tâches de plus en plus variées : c’est ce qu’on appelle l’effet rebond.

Prenons un exemple : S’il y a encore quelques années, traiter un mail revenait à le lire ou à l’écrire (merci Captain Obvious), aujourd’hui l’IA peut le rédiger à notre place en proposant plusieurs versions, le corriger ou le reformuler, le traduire ou le résumer, y intégrer rapidement des images ou des GIF générés, sans parler de l’automatisation rendue possible avec l’IA agentique.

Autre exemple : créer des illustrations demandait jusqu’à récemment pas mal de temps même pour quelqu’un de compétent. On en produisait donc assez peu et on essayait généralement de clarifier l’attendu en amont de manière précise pour éviter de réaliser des illustrations hors-sujet et donc de gaspiller du temps. Aujourd’hui, on peut générer 50 images en quelques minutes simplement pour tester sans avoir besoin de disposer de logiciels avancés ni de compétence spécifique.

Ainsi, les nouvelles capacités de l’IA permettent de nouveaux usages dont la démocratisation entraîne une incitation à accélérer les investissements et les développements. Cette course aux nouveaux services et produits IA crée une demande énergétique forte, ce qui n’est pas sans provoquer des tensions en termes de capacité de production d’électricité et d’infrastructure.

‍

Enjeux d'énergie et d'infrastructure

Les data-centers au centre du jeu

En effet, pour fonctionner, les modèles IA ont besoin de capacités de calcul (compute) importantes et donc de data-centers dédiés comme les hyperscalers. Il est estimé que la part de ces data-centers spécialisés pour l’IA recouvre actuellement une surface d’environ 3 millions de m² sur l’ensemble du globe, soit un peu plus que la superficie de Monaco.

Rien qu’aux Etats-Unis, la consommation électrique de ces data-centers en 2024 a été estimée à environ 60 TWh du fait notamment de l’entraînement massif de modèles et de leur démocratisation. Soit de quoi réchauffer son plat de pâtes au micro-onde pendant environ 7 millions d’années…

Et les prévisions à court et moyen termes concernant les data-centers sont tirées principalement par l’IA⁶ et sont faramineuses :

• une multiplication de la surface installée dans le monde entre 3 et 7 entre 2025 et 2030¹¹ ;

• une consommation électrique qui pourrait doubler à l’horizon 2030 au niveau mondial et peut-être même tripler dans certains pays^{12 13} ;

• en France, des demandes de raccordement au réseau électrique, en général pour des puissances équivalentes à la consommation de villes de taille moyenne¹⁴.

De tels volumes en projection ne sont pas sans conséquences en termes de production d’électricité et de réseau électrique. D’autant qu’on ne peut pas construire les data-centers n’importe où. Ils ont notamment besoin¹⁵ :

• d’un raccordement électrique de haute tension ;

• d’un raccordement internet rapide et avec une faible latence, donc idéalement proche des hubs internet.

Il ne suffit donc pas de brancher sur secteur quelques prises et d’installer une box internet : cela demande de la planification et du temps.

‍

Tensions énergétiques

Ces perspectives créent d’ores et déjà une forte tension concernant la capacité des pays à produire suffisamment d’énergie et à être capable de l’acheminer aux data-centers. Ainsi, même en France qui est pourtant aujourd’hui en mesure de produire l’électricité nécessaire, certains acteurs se plaignent des délais de raccordement électrique annoncés à plusieurs années¹⁶.

Du côté des Etats-Unis, certaines entreprises majeures comme Meta, X ou OpenAI contournent ces problématiques en créant des data-centers hors réseau électrique^{17 18}.

Le dernier exemple en date est celui du plus grand projet de data-center au monde : The Stratos Project qui prendra place en plein désert de l’Utah. Tout juste officiellement approuvé, il devrait à terme couvrir une surface équivalente à 1,5 fois celle de Paris pour une consommation d’énergie estimée à 9 GW à l’horizon 2030-2035¹⁹.

Et ces data-centers hors réseau sont majoritairement alimentés sur site directement par leurs propres centrales au gaz, ce qui génère des impacts environnementaux, tant localement que globalement.

‍

Impacts environnementaux

Des impacts locaux

Ainsi à Memphis, aux Etats-Unis, la centrale thermique du méga data-center de ce type construit par X (Twitter) rejette massivement des gaz toxiques comme des oxydes d’azote ou des formaldéhydes, ce qui fait craindre aux autorités et populations locales une forte augmentation des maladies respiratoires et cardiovasculaires dans les quartiers touchés par ces émissions²⁰.

Par ailleurs, une étude récente montre une hausse de température moyenne de 2°C à proximité et sur plusieurs kilomètres autour des data-centers. Ce phénomène pourrait ainsi déjà perturber le quotidien de 340 millions de personnes au niveau mondial.

‍

Des impacts globaux multiples

Plus globalement, environ 70% de l’empreinte environnementale de l’IA sont liés à la consommation d’énergie par les GPU des data-centers pendant l’entraînement des modèles et l’inférence. Et les principaux impacts de l’IA relevés par l’étude du collectif Green IT sont :

• la contribution au réchauffement climatique via l’émission de gaz à effet de serre, par exemple lorsque les centrales thermiques à gaz sont utilisées pour alimenter des data-centers géants ;

• l’épuisement des ressources (métaux et minéraux), en particulier pour fabriquer les différents composants électroniques ;

• l’émission de particules fines lors de la combustion des énergies fossiles pour produire de l’électricité ; 

• l’eutrophisation, c’est-à-dire le déséquilibre des milieux aquatiques en eau douce, liée principalement à la production d’électricité.

‍

Une croissance démesurée

De fait, ces impacts s’accroissent à une vitesse démesurée. La même étude estime que l’IA représentait seulement 2% de l’empreinte écologique totale du numérique en 2025, mais ce chiffre pourrait grimper à 20% dès 2030.

Le graphique suivant montre les perspectives d’évolution des différents impacts de l’IA dans le monde exprimés en nombre de budgets soutenables pour un pays comme la France. Ainsi une valeur de 1 dans une catégorie d’impact indique que celui-ci est équivalent à l’impact maximal que la France devrait respecter compte tenu de sa population et des limites planétaires.

‍

‍

On constate que le principal impact est celui de la contribution au réchauffement climatique via l’émission de gaz à effet de serre, qui pourrait très vite représenter mondialement 4 fois ce que la France devrait émettre de façon globale. Et cette tendance à la hausse à un rythme démesuré devrait se poursuivre au cours de la prochaine décennie notamment car la plupart des data-centers programmés aujourd’hui seront 100 % opérationnels à partir de 2030, sans compter les projets encore en gestation.

Alors que l’objectif de limiter le réchauffement climatique de nature anthropique à 1,5 °C de l’accord de Paris de 2015 invitait notamment états et entreprises privées à opérer une transition bas-carbone, la frénésie de la course à l’IA rend la trajectoire aujourd’hui insoutenable²¹. La vraie question désormais est de savoir dans quelles proportions et à quelle vitesse.

Et les enjeux stratégiques, économiques et financiers autour de l’IA sont trop importants pour imaginer un fléchissement volontaire de son développement à court terme. En revanche, certaines solutions existent pour tenter de concilier IA et enjeux écologiques au travers de certaines recommandations.

‍

Recommandations

Des comportements individuels salvateurs ?

Tout un chacun peut utiliser l’IA de manière plus raisonnée en veillant par exemple à :

• utiliser les services avec des modèles LLM de manière adaptée au besoin ;

• ne pas abuser de la génération d’images et éviter de générer des vidéos ;

• utiliser les outils d’automatisation pour des besoins avérés.

Du reste, réduire l’empreinte de la filière IA ne pourra se contenter d’initiatives individuelles mais nécessitera des choix forts à la fois techniques, sociétaux et politiques et devra impliquer les états et les entreprises.

‍

Vers une IA plus sobre

Ainsi, un premier levier consiste pour les grands acteurs de l’IA à concevoir des modèles plus frugaux en améliorant l’efficience des algorithmes et en réduisant les impacts de fabrication et de consommation des composants tels que les GPU.

Par ailleurs, comme décrit précédemment, ce sont surtout les data-centers et leur consommation d’électricité qui concentrent la majeure partie des impacts environnementaux. Un premier axe d’amélioration les concernant serait de :

• les installer dans des pays ou régions dans lesquels l’électricité est fortement décarbonée comme la Suède ou la France²² ;

• autoriser l’installation des data-centers hors réseau sous condition d’utilisation d’énergie renouvelable.

Le think-tank The Shift Project recommande également de mettre en place un suivi public des data-centers et de définir un plafond de consommation et d’émission de gaz à effet de serre. Il insiste également sur l’adaptation des modèles utilisés et de leurs déploiements aux besoins et aux critères environnementaux afin d’éviter un tout-IA désastreux pour l’environnement. Autrement dit : bien caractériser les besoins d’abord et évaluer ensuite si des solutions IA seraient pertinentes pour y répondre.

De son côté, le collectif Green IT abonde en proposant également la création d’un plan de sobriété IA et d’une filière d’excellence afin de former aux règles d’éco-conception des IA dès la formation initiale.

De fait, ces recommandations passent clairement au second plan lors des sommets et salons dédiés à l’IA. Il paraît pourtant essentiel de placer les enjeux environnementaux au centre des discussions afin de rendre la trajectoire de l’IA soutenable.

‍

Conclusion

Si une utilisation standard d’un LLM est assez négligeable au regard de notre empreinte environnementale quotidienne, le problème n’est pas tant la consommation d’une requête, mais la transformation du numérique provoquée par les nouveaux usages associés à l’IA générative.

Et les perspectives de l’IA pour les prochaines années créent déjà des tensions autour de la question énergétique, mais aussi en termes de fabrication et d’approvisionnement des composants électroniques comme les GPU ou la RAM. Par ailleurs, la trajectoire actuelle semble incompatible avec les enjeux écologiques et le rêve d’une IA verte est pour l’instant… un rêve.

Du reste, d’autres facteurs essentiels sont également à prendre en compte pour imaginer l’IA de demain, tels que sa gouvernance ou les enjeux éthiques.

Pour finir sur une note positive, en 1999, un article du Forbes titrait : “Minez davantage de charbon, les PCs arrivent”²³ arguant qu’il faudrait une augmentation massive de production d’énergie pour suivre le déploiement des ordinateurs individuels et d’Internet à l’échelle mondiale. Et s’il est vrai que la demande énergétique a augmenté dans les années suivantes, elle est restée beaucoup plus modérée que ce que Forbes envisageait grâce à des gains importants d’efficience énergétique.

Espérons qu’une tendance similaire permettra de limiter l’empreinte environnementale de l’IA dans les prochaines années et peut-être même un jour de faire de l’IA verte une réalité.

PS : Pour des raisons écologiques, cet article est une production 100% humaine.

‍

Sources

¹ Article de blog Science étonnante sur la consommation des LLM : https://scienceetonnante.substack.com/p/combien-consomme-une-requete-a-chatgpt

² Comparaison de la consommation énergétique de plusieurs modèles LLM : https://ml.energy/leaderboard/

³ Étude du MIT portant sur l’impact écologique de l’IA : https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/

⁴ Article de blog Medium portant sur la consommation énergétique des LLM : https://siba-brahma.medium.com/energy-needs-for-training-and-inferencing-llms-24ddcf862dc5⁴³ Étude sur la consommation énergétique de modèles text-to-audio : https://arxiv.org/html/2505.07615v2

⁵ Étude sur la consommation énergétique de modèles text-to-audio : https://arxiv.org/html/2505.07615v2

⁶ Étude du MIT portant sur l’impact écologique de l’IA : https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/

⁷ Étude portant sur la consommation énergétique de différents outils IA : https://dl.acm.org/doi/epdf/10.1145/3630106.3658542

⁸ Étude portant spécifiquement sur la consommation de la génération de vidéo : https://arxiv.org/pdf/2509.19222

⁹ Étude du MIT portant sur l’impact écologique de l’IA : https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/

¹⁰ Rapport d’étude du collectif Shift Project : https://theshiftproject.org/app/uploads/2025/09/RF-PIA-1.pdf

¹¹ Rapport d’étude du collectif Green IT : https://www.greenit.fr/wp-content/uploads/2025/12/202510-rapport-etude-impacts-environnementaux-intelligence-artificielle-dans-le-monde-association-green-it-compressed.pdf

¹² Article de l’IEA sur la demande électrique liée aux data-centers : https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works

¹³ Rapport de l’ADEME sur l’évolution de la consommation énergétique des data-centers : https://librairie.ademe.fr/energies/8910-prospective-d-evolution-des-consommations-des-data-centers-a-court-moyen-et-long-terme-de-2024-a-2060.html

¹⁴ Données de RTE sur la consommation d’électricité : https://www.rte-france.com/bases-electricite/consommation-electricite/essor-data-centers-france

¹⁵ Vidéo explicative autour des data-centers : https://www.youtube.com/watch?v=k6rQgAXqaAE

¹⁶ Article de l’Usine Nouvelle concernant les délais de raccordement au réseau électrique : https://www.usinenouvelle.com/editorial/datacenters-le-coup-de-gueule-du-patron-de-dataone-sur-les-delais-de-raccordement-en-france.N2237845

¹⁷ Article du Washington Post concernant les data-centers hors réseau : https://www.washingtonpost.com/business/2026/02/19/data-centers-power-grid-ai/

¹⁸ Article sur le data-center de X à Memphis : https://www.datacenterdynamics.com/en/news/xai-doubles-number-of-onsite-gas-turbines-at-memphis-data-center-in-violation-of-permit-limits/

¹⁹ Peu avant la diffusion de cet article et suite à la contestation portées par des associations locales, Kevin O’Leary, un des principaux investisseurs du projet, a annoncé vouloir réduire de près de moitié la capacité du data-center : https://www.nbcnews.com/tech/tech-news/kevin-oleary-utah-data-center-project-stratos-ai-shrink-hayley-rcna348430

²⁰ Article sur la pollution générée par le data-center de X à Memphis : https://tennesseelookout.com/2025/07/07/a-billionaire-an-ai-supercomputer-toxic-emissions-and-a-memphis-community-that-did-nothing-wrong/

²¹ Rapport d’étude du collectif Shift Project : https://theshiftproject.org/app/uploads/2025/09/RF-PIA-1.pdf

²² Note de synthèse de l’étude du collectif Green IT : https://www.greenit.fr/2025/10/21/quels-sont-les-impacts-environnementaux-et-sanitaires-de-lia/

²³ Article de blog d’Hannah Ritchie sur l’énergie pour les besoins de l’IA : https://hannahritchie.substack.co2m/p/ai-energy-demand

‍

Autres sources pour aller plus loin :

Article du média indépendant Bon Pote sur le coût environnemental de l’IA : https://bonpote.com/intelligence-artificielle-le-vrai-cout-environnemental-de-la-course-a-lia/

Blog d’Hannah Ritchie qui traite en particulier de la consommation énergétique des LLM : https://hannahritchie.substack.com/

Les informations données par Mistral AI sur les impacts de leurs modèles : https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai