Sur cette page
Répondez de tête, puis ouvrez. Ce qu'est un modèle de langage
1Un assistant répond avec assurance. Qu'est-ce que cela dit de sa réponse ?
Rien sur sa justesse. Un modèle écrit la suite la plus probable d'un texte ; une réponse fausse peut être aussi bien écrite qu'une juste.
2D'où vient ce que sait un modèle quand vous lui posez une question ?
De ce qu'il a lu pendant son entraînement, arrêté à une date, et de ce qu'on met sous ses yeux dans la conversation.
- Une demande texte simple consomme de l'ordre de 0,3 Wh : 0,24 Wh pour la demande médiane à Gemini, selon Google ; environ 0,3 Wh pour ChatGPT, selon Epoch AI.
- Le raisonnement, les longs documents et la vidéo changent tout : le même modèle consomme 150 à 700 fois plus quand il raisonne ; une vidéo de cinq secondes, environ 944 Wh.
- Les centres de données ont consommé 485 TWh en 2025, et l'AIE en prévoit 950 en 2030, environ 3 % de l'électricité mondiale ; ceux qui servent l'IA ont augmenté de 50 % en 2025.
- Le lieu compte : un kilowattheure émet environ 41 g de CO₂ en France, 384 g aux États-Unis, d'après Ember ; deux tiers des usages numériques français tournent dans des centres à l'étranger.
- Pour une PME, le premier levier est l'usage : un modèle de la bonne taille, pas de raisonnement quand il ne sert pas, des réponses courtes.
Problème
Les chiffres qui circulent se contredisent. Le plus cité, 3 Wh par demande à ChatGPT, vient d'une estimation de 2023 sur du matériel ancien, qu'Epoch AI juge trop haute ; dans un échantillon de cent articles, 53 % le reprenaient, et 75 % donnaient un chiffre sans source ni marge d'erreur. À l'inverse, les éditeurs publient peu : en mai 2025, 84 % des tokens consommés passaient par des modèles sans aucune information environnementale.
Un dirigeant ne sait donc pas si son équipe consomme peu ou beaucoup, ni ce qu'il peut y faire.
Principe
Une demande, c'est du calcul sur des cartes graphiques, dans un centre de données qui les alimente et les refroidit. Trois choses en décident : la taille du modèle, puisque Mistral trouve un impact à peu près proportionnel à sa taille ; le nombre de tokens lus et écrits ; et l'efficacité du centre. Le carbone dépend ensuite de l'électricité du lieu, l'eau du refroidissement.
D'où des écarts : Google donne 0,24 Wh pour sa demande médiane en comptant tout le centre, 0,10 Wh en ne comptant que les cartes de calcul. Les deux sont justes ; ils ne mesurent pas la même chose.
L'électricité d'une demande, selon ce qu'on demande
Voir en tableau
| Demande | Énergie | Source |
|---|---|---|
| Un modèle moyen, sans raisonnement | 0,05 Wh | AIE, cartes de calcul seules |
| Une demande texte médiane à Gemini | 0,24 Wh | Google, tout compris |
| Une demande type à ChatGPT | 0,3 Wh | estimation d'Epoch AI |
| Une image de 1 024 pixels | 0,63 Wh | mesure, Stable Diffusion 3 |
| Une réponse de GPT-5, raisonnement minimal | 2,3 Wh | estimation de Jegham et al. |
| Le même modèle moyen, en raisonnant | 7,6 Wh | AIE, cartes de calcul seules |
| Une réponse de GPT-5, raisonnement poussé | 17 Wh | estimation de Jegham et al. |
| Un document de 100 000 tokens en entrée | 40 Wh | estimation d'Epoch AI |
| Un agent qui raisonne | 50 Wh | AIE, ordre de grandeur |
| Une vidéo de cinq secondes | 944 Wh | mesure, CogVideoX |
Fonctionnement
Le raisonnement multiplie les tokens. Un modèle qui raisonne écrit d'abord un long brouillon : 300 à 800 fois plus de tokens en sortie, et, pour le même modèle, 150 à 700 fois plus d'énergie, d'après les mesures de Hugging Face.
Un long document se paie à l'entrée. 10 000 tokens lus portent une demande à environ 2,5 Wh, 100 000 à près de 40 Wh, selon Epoch AI ; la lecture se paie une fois par conversation.
Les images et la vidéo changent d'ordre de grandeur. Une image de 1 024 pixels demande environ 2 300 joules, une vidéo de cinq secondes 3,4 millions, plus de 700 fois plus.
Le même modèle, ailleurs, consomme autrement. DeepSeek R1 sur les serveurs de son éditeur : environ 29 Wh pour une longue demande ; sur Azure, 7,4 Wh, d'après Jegham et al.
Le lieu fait le carbone. Le même kilowattheure émet environ neuf fois plus aux États-Unis qu'en France.
Le carbone d'un kilowattheure, selon le pays, en 2025
- Norvège28
- Suède35
- France41
- Union européenne210
- Irlande257
- Allemagne330
- États-Unis384
- Monde458
- Chine525
Exemple détaillé
Une équipe de dix personnes, sur un an. Calcul de Meridal, en ordre de grandeur, sur une hypothèse fabriquée : trente demandes par personne et par jour, 220 jours, soit 66 000 demandes ; les wattheures du graphique ; le carbone d'Ember pour la France et les États-Unis.
| Hypothèse | Électricité par an | Carbone, centre en France | Carbone, centre aux États-Unis |
|---|---|---|---|
| Demandes texte simples, 0,3 Wh | 19,8 kWh | 0,8 kg | 7,6 kg |
| Un modèle moyen qui raisonne, 7,6 Wh | 502 kWh | 21 kg | 193 kg |
| Une vidéo de cinq secondes par jour, en plus, 944 Wh | 208 kWh | 8,6 kg | 80 kg |
Ce qu'on lit : la même équipe, avec les mêmes demandes, consomme vingt-cinq fois plus si elle raisonne par défaut, et émet environ neuf fois plus si le calcul se fait aux États-Unis. Le choix de l'usage et du lieu pèse plus que le nombre de demandes.
Risques
Mise en place
- Choisir la taille du modèle par tâche : sur beaucoup de tâches courantes, un modèle classé A ou B par Compar:IA répond aussi bien qu'un modèle classé E, pour une fraction de l'énergie.
- Couper le raisonnement quand la tâche n'a pas d'étapes : un résumé, une reformulation, une traduction.
- Demander court : des demandes précises, des réponses courtes et groupées, comme le recommande Mistral.
- Ne pas relire un long document à chaque question : un projet ou une base de fiches plutôt que tout le dossier collé à chaque fois (une base de fiches).
- Préférer un calcul en France ou dans un pays à électricité peu carbonée, ce que l'ADEME recommande aussi (les modèles sur un cloud européen).
- S'appuyer sur un cadre : le référentiel de l'AFNOR pour une IA frugale propose 31 fiches de bonnes pratiques.
Exercice
Où sont ses trois plus gros postes de consommation, et que lui conseillez-vous ?
Une agence de communication de quinze personnes a pris l'abonnement le plus complet de son assistant, raisonnement activé par défaut. Elle génère chaque jour une vingtaine de courtes vidéos pour ses clients, et colle le dossier de chaque client, soixante pages, au début de chaque conversation.
Ouvrir la correction
La vidéoPlus de mille fois une demande texte par clip : la garder pour les livrables, pas pour les essais.
Le raisonnement par défaut150 à 700 fois l'énergie d'une réponse directe pour le même modèle : le couper pour la rédaction et la reformulation.
Le dossier recolléSoixante pages relues à chaque conversation : les ranger dans un projet ou une fiche par client, et ne joindre que ce qui sert.
Vérification
1ComprendrePourquoi deux chiffres publiés pour une même demande peuvent-ils différer du simple au double, voire plus ?
Parce qu'ils ne comptent pas la même chose : les seules cartes de calcul ou tout le centre de données, une demande courte ou longue, un modèle qui raisonne ou non. Google donne 0,10 Wh ou 0,24 Wh pour la même demande selon le périmètre.
2ComprendreQu'est-ce qui fait le plus monter la consommation d'un usage ?
Le raisonnement, les longs documents en entrée, et la génération d'images ou de vidéos ; le lieu du calcul fait ensuite le carbone.
3AppliquerVotre équipe veut réduire l'empreinte de son usage de l'IA sans s'en priver. Par quoi commencez-vous ?
Couper le raisonnement là où il ne sert pas, choisir un modèle plus petit pour les tâches courantes, ne plus recoller de longs documents, et préférer un calcul en France ou en Europe à faible carbone.
Lectures suivantes
Rien avant : c'est un point de départ.
Énergie et empreinte de l'IA
Rien avant : c'est un point de départ.
Les pages qui renvoient ici
Limites et sources
Les chiffres viennent de méthodes différentes : mesures, estimations, déclarations d'éditeurs sans méthode ; aucun éditeur fermé ne publie la consommation de ses modèles de raisonnement, ni de ses vidéos.
Anthropic ne publie aucun chiffre par demande ; OpenAI, un seul, sans méthode.
L'exemple de l'équipe de dix personnes est un calcul de Meridal sur une hypothèse fabriquée.
- Google, l'impact d'une demande ; Epoch AI ; AIE, Key Questions on Energy and AI, 2026 ; Hugging Face, AI Energy Score ; Mistral, analyse de cycle de vie ; ADEME, avis sur l'IA générative.
- Le relevé :
apprendre/recherches/2026-10-09-energie.json, 133 faits.
Écrit par Meridal, avec l'aide de l'IA ; chaque fait vérifié à sa source et relu avant publication. Texte et schémas sous licence CC BY 4.0 : reprenez-les en citant Meridal. Le code sous licence MIT.
Choisir un outil ou un abonnement
275 € à 850 €