# Quels sont les coûts environnementaux de l’IA?

Date: 2026-04-17 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/couts-environnementaux-de-l-ia/

**Answer:** L’IA consomme de l’électricité, de l’eau pour le refroidissement, ainsi que les matériaux et les émissions liés à la fabrication des puces et des centres de données, à la fois quand un modèle est entraîné et chaque fois qu’il répond. Les chiffres publiés situent une réponse texte entre une fraction de wattheure et de quelques gouttes à quelques cuillerées à soupe d’eau, mais des milliards de requêtes, des modèles plus gros et la croissance rapide des centres de données rendent le total important.

Chaque réponse d’IA tourne sur des ordinateurs dans un **centre de données**, un bâtiment rempli de serveurs qui consomment de l’électricité et doivent être refroidis. Le coût environnemental se présente en deux phases. L’**entraînement**, quand un modèle apprend à partir d’énormes quantités de texte pendant des semaines ou des mois, est un coût ponctuel important. L’**inférence**, chaque fois que le modèle terminé répond à quelqu’un, est faible par requête, mais se répète des milliards de fois. À l’électricité s’ajoute l’eau, souvent utilisée pour refroidir les machines, ainsi que les émissions et les minéraux liés à la fabrication des puces et des serveurs.

Mesurer tout cela est difficile, et seules quelques entreprises publient des chiffres détaillés. Voici ce que disent les principales divulgations, et ce que chacune laisse de côté.

## Ce qui a été mesuré

**Google, par prompt.** En août 2025, des chercheurs de Google ont publié une étude sur l’exploitation de l’assistant Gemini en production. Ils ont compté les puces d’IA, les ordinateurs hôtes qui les entourent, les machines inactives gardées prêtes et les frais généraux du bâtiment, comme le refroidissement. Leur résultat : le prompt texte médian dans les applications Gemini a consommé 0,24 wattheure d’électricité et 0,26 millilitre d’eau. Ils l’ont traduit en termes de tous les jours : moins d’énergie que regarder la télévision pendant neuf secondes, et environ cinq gouttes d’eau. Ils rapportent aussi que le travail d’efficacité et les achats d’énergie propre ont réduit en un an l’énergie par prompt médian d’un facteur 33, et son empreinte carbone d’un facteur 44.

**Mistral, sur toute la vie d’un modèle.** En juillet 2025, l’entreprise française Mistral AI a publié une **analyse du cycle de vie**, une méthode qui additionne les impacts de la fabrication jusqu’à l’utilisation, réalisée avec le cabinet-conseil Carbone 4 et l’agence française de l’environnement ADEME. L’entraînement de Mistral Large 2 et ses 18 premiers mois d’utilisation ont représenté 20,4 kilotonnes d’équivalent CO₂ et 281 000 mètres cubes d’eau. Pour une réponse de 400 **jetons** de son assistant Le Chat (un jeton est un mot ou un morceau de mot), elle rapporte 1,14 gramme d’équivalent CO₂ et 45 millilitres d’eau, soit environ trois cuillerées à soupe. Ces chiffres incluent les impacts en amont, comme la fabrication des serveurs.

**Les centres de données dans leur ensemble.** Un rapport du Lawrence Berkeley National Laboratory, publié par le département de l’Énergie des États-Unis en décembre 2024, a établi que les centres de données ont consommé environ 4,4 % de l’électricité américaine en 2023, une hausse de 58 à 176 térawattheures depuis 2014. Il prévoit de 6,7 % à 12 % d’ici 2028. Tout cela n’est pas de l’IA, mais le département nomme l’IA comme l’un des moteurs de cette hausse.

## Pourquoi les chiffres diffèrent, et leurs limites

Les chiffres de Google et de Mistral ne peuvent pas être comparés directement. Google a mesuré l’énergie et l’eau nécessaires pour servir un prompt; Mistral a compté un cycle de vie plus large qui inclut la fabrication, et a mesuré un modèle différent et une longueur de réponse différente. Aucun de ces chiffres ne couvre ce que consomme votre propre téléphone ou ordinateur portable.

Chacun a ses limites. Le chiffre de Google est une **médiane**, la valeur du milieu, pour les prompts texte dans une seule application; les longues réponses de raisonnement, les images et la vidéo coûtent probablement plus, et l’étude a été faite par l’entreprise elle-même. Mistral qualifie sa propre étude de première approximation, parce qu’aucune norme de l’industrie n’existe et qu’il a fallu estimer l’impact de la fabrication des GPU, les puces qui font tourner l’IA. Et les chiffres par prompt ne disent rien de l’entraînement, ni de la vitesse à laquelle la demande totale augmente.

Une tendance se confirme toutefois d’une divulgation à l’autre : la taille compte. Mistral rapporte que les impacts augmentent à peu près en proportion de la taille du modèle, de sorte qu’un modèle dix fois plus gros a une empreinte environ dix fois plus grande pour le même résultat.

## Un exemple concret : votre propre usage

En prenant la médiane de Google comme repère approximatif, voici une estimation à titre d’exemple. Elle ne s’applique qu’aux courts prompts texte sur un système semblable.

| Habitude quotidienne | Prompts par jour | Énergie par jour | Énergie par année |
|---|---|---|---|
| Usage léger | 10 | 2,4 Wh | environ 0,9 kWh |
| Usage régulier | 30 | 7,2 Wh | environ 2,6 kWh |
| Usage intensif | 100 | 24 Wh | environ 8,8 kWh |

*Calcul à titre d’exemple : prompts × 0,24 Wh × 365 jours.* Pour une personne qui clavarde en mode texte, l’empreinte est modeste. Les impacts plus importants viennent de l’échelle, des tâches plus lourdes et des choix des entreprises en matière de modèles, de matériel et de sources d’énergie.

> **À essayer :** pendant une journée, comptez vos requêtes d’IA en trois colonnes : questions courtes, longues tâches de raisonnement ou de recherche, et images ou vidéo. Le lendemain, voyez quels éléments de la première colonne un moteur de recherche ou vos propres notes auraient pu régler, et quelles longues tâches un modèle plus petit pourrait prendre en charge.

## Comment utiliser l’IA avec une empreinte plus légère?

Commencez par le levier le plus puissant : la taille du modèle. Beaucoup de services offrent un petit modèle rapide à côté d’un gros. Utilisez le petit pour le travail courant, comme reformuler, faire de courts résumés ou répondre à des questions simples, et gardez les plus gros modèles ou les modes de « réflexion » pour les problèmes qui en ont besoin. Le rapport de Mistral recommande exactement cela : adapter le modèle à la tâche.

Ensuite, posez moins de questions, mais de meilleures. Un prompt clair qui inclut le contexte donne souvent une réponse utilisable en un essai au lieu de cinq. Mistral suggère aussi de regrouper les requêtes : un seul message qui demande trois choses utilise moins de calcul que trois conversations séparées.

Troisièmement, soyez réfléchi avec les images et la vidéo. Générez quelques ébauches plutôt que des dizaines de variantes, et réutilisez ce qui fonctionne.

Enfin, faites entendre votre voix de client. Privilégiez les fournisseurs qui publient des chiffres mesurés et leurs méthodes, et interrogez ceux qui ne le font pas. Ce sont des divulgations comparables qui permettront à tout le monde, des utilisateurs individuels aux acheteurs publics, de choisir l’option la moins gaspilleuse.

## Sources

- Measuring the environmental impact of delivering AI at Google Scale: https://arxiv.org/abs/2508.15734
- Our contribution to a global environmental standard for AI: https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai
- DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers: https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers