Comment mesurer le coût environnemental de l’IA sans slogans
Pour obtenir une estimation utile du coût environnemental de l’IA, demandez-vous d’abord quelle activité est mesurée, où commence et s’arrête la mesure, et quelle unité est rapportée. L’entraînement d’un modèle et le traitement d’une requête sont des charges de travail différentes ; la consommation d’électricité n’est pas équivalente aux émissions ; et un chiffre pour une seule requête ne peut représenter la demande totale d’un centre de données. Une comparaison rigoureuse prend acte de ces distinctions avant d’en tirer des conclusions.
Commencez par distinguer l’entraînement de l’inférence
L’entraînement correspond aux calculs utilisés pour créer ou mettre à jour un modèle. L’inférence, également appelée serving (ou mise à disposition), désigne les calculs nécessaires pour générer une réponse après le déploiement. Un seul cycle d’entraînement peut consommer une énergie considérable sur une période définie, tandis que l’inférence se répète à travers les utilisateurs et les requêtes. Avec le temps, le total cumulé de l’inférence répétée peut devenir significatif par rapport à l’entraînement, mais les parts relatives dépendent du modèle, de l’utilisation et de la période comptabilisée. Les deux doivent être mesurés et rapportés séparément avant qu’un total combiné ne soit présenté. L’Agence internationale de l’énergie qualifie à la fois l’entraînement et le déploiement d’activités de centres de données, et une étude technique de Google mesure spécifiquement l’inférence tout en excluant l’entraînement du modèle de son périmètre. AIE, « Energy demand from AI » et Elsworth et al., « Measuring the environmental impact of delivering AI at Google Scale »
Pour l’entraînement, un rapport utile précise la durée du traitement, l’énergie consommée, le matériel utilisé et si le chiffre couvre uniquement les accélérateurs principaux ou l’ensemble du système informatique. Pour l’inférence, définissez le service et la tâche : par exemple, la génération de texte pour un assistant donné pendant une période de mesure précisée. Indiquez si l’unité rapportée est par requête, par jeton (token), par résultat généré ou l’énergie totale du service. Ces dénominateurs répondent à des questions différentes. Une valeur par requête peut varier selon la longueur de la consigne et de la réponse, le routage du modèle et les conditions de charge de travail ; une valeur par jeton peut masquer des frais généraux qui ne varient pas proportionnellement aux jetons.
Vérifiez le périmètre avant de comparer les chiffres
Le périmètre de mesure détermine quels équipements et quelles activités sont pris en compte. Une estimation restreinte peut ne comptabiliser que l’électricité consommée par les GPU actifs ou d’autres accélérateurs d’IA. Une estimation de service plus large peut également inclure les processeurs hôtes (CPU) et la mémoire, les machines inactives réservées pour la disponibilité, la conversion d’énergie, le refroidissement et les autres frais généraux du centre de données. Certains périmètres excluent le réseau en dehors de l’infrastructure, les appareils des utilisateurs finaux, l’entraînement des modèles ou le stockage des données. Une estimation peut être rigoureusement valide en interne tout en étant inadaptée à une comparaison avec une autre qui prend en compte des parties plus nombreuses — ou différentes — du système.
L’estimation publiée par Google pour les applications Gemini illustre bien l’importance du périmètre. Son estimation de mai 2025 pour une requête textuelle médiane s’élevait à 0,24 watt-heure (Wh) selon sa méthode de service globale ; une méthode plus restrictive issue de la même étude, qui excluait le processeur hôte, la mémoire, les machines inactives et les frais généraux de l’infrastructure, donnait 0,10 Wh. Il s’agit là de résultats valables pour un produit, une date, un indicateur et un périmètre comptable précis, et non de valeurs universelles pour une requête d’IA. L’étude exclut également l’entraînement et les terminaux des utilisateurs finaux. Google Cloud, « Measuring the environmental impact of AI inference » et le document technique d’accompagnement
En découvrant un chiffre par tâche, cherchez une brève description du périmètre. Elle doit préciser si le total concerne uniquement les accélérateurs ou l’ensemble de la pile (« full-stack »), si les frais généraux du centre de données sont inclus, et si l’entraînement ainsi que les activités hors centre de données sont intégrés. Si ces informations font défaut, considérez le chiffre comme incomplet pour toute comparaison. N’ajoutez pas implicitement un multiplicateur de frais généraux provenant d’une autre source : l’efficacité des installations et les conditions de charge de travail varient.
Gardez les unités associées à l’affirmation
L’électricité est couramment exprimée en watt-heures (Wh) pour une tâche minime, en kilowatt-heures (kWh) pour des totaux plus importants, et en mégawatt-heures ou térawatt-heures pour les totaux à l’échelle d’un site ou d’une région. Un kWh équivaut à 1 000 Wh. La puissance, mesurée en watts (W) ou en kilowatts (kW), est un flux instantané ou sur un intervalle donné ; l’énergie en Wh ou kWh est une quantité cumulée dans le temps. Une déclaration sur la puissance nominale d’un centre de données n’indique donc pas, à elle seule, la quantité d’électricité qu’il a consommée au cours d’une année.
Les émissions sont généralement exprimées en masse d’équivalent dioxyde de carbone, par exemple en grammes d’éq. CO₂ par tâche ou en tonnes d’éq. CO₂ par an. Pour estimer les émissions liées à l’électricité, la consommation d’énergie est associée à un facteur d’émission de l’électricité, dont la valeur varie selon le réseau, la période et la méthode de comptabilisation. Les émissions intrinsèques (ou énergie grise) issues de la fabrication des équipements constituent une composante distincte et peuvent être réparties sur la durée de vie du matériel ou son utilisation selon la méthode choisie. Considérez l’énergie et les émissions comme des résultats distincts : un chiffre d’émissions plus bas peut traduire un approvisionnement en électricité moins carboné, et non une consommation électrique moindre. L’utilisation de l’eau constitue un autre indicateur distinct qui requiert son propre périmètre et sa propre unité.
Considérez l’efficacité matérielle comme une donnée d’entrée, pas comme le résultat global
L’efficacité matérielle peut être exprimée en calcul utile par unité d’énergie, ou en énergie par unité de travail utile. Mais la performance maximale d’une puce par watt ne correspond pas à l’énergie nécessaire pour accomplir une tâche de service réelle. Les résultats en conditions réelles dépendent également du taux d’utilisation, de la conception des logiciels et des modèles, de la taille de la charge de travail, du traitement par lots (batching), des équipements de soutien du système et de l’infrastructure globale. L’AIE souligne que les serveurs représentent en moyenne une part importante de l’électricité des centres de données, tandis que les parts attribuées au refroidissement et aux autres composants varient considérablement selon le type d’installation. AIE, « Energy demand from AI »
Pour une comparaison personnelle, privilégiez une tâche identique définie sur un même service et sur une même période, en vous appuyant si possible sur l’énergie par tâche mesurée par le fournisseur. Si vous comparez deux modèles ou services, vérifiez que la tâche, la longueur de la réponse, le périmètre de mesure et la prise en compte de la capacité inactive sont comparables. Une fiche technique de matériel ou un banc d’essai (benchmark) peut aider à comprendre le potentiel d’efficacité, mais ne suffit pas à déterminer la consommation d’énergie en production.
Utilisez les totaux des centres de données pour appréhender l’échelle, non pour la précision par requête
Le total d’une installation ou d’un pays répond à une question différente de celle d’une estimation par requête. La consommation électrique totale reflète l’ensemble des charges de travail traitées, les équipements de l’infrastructure et les variations de la demande sur un intervalle choisi. Diviser un tel total par un nombre estimé de requêtes ne fournit qu’une moyenne approximative, et ce uniquement si le numérateur et le dénominateur couvrent les mêmes services, emplacements et périodes. Les infrastructures partagées prennent également en charge des tâches qui ne relèvent pas de l’IA ; attribuer l’intégralité de l’électricité du site à l’IA surestimerait donc sa part réelle, à moins que la méthode de répartition ne le justifie expressément.
Le rapport 2024 du Lawrence Berkeley National Laboratory pour le département de l’Énergie des États-Unis estime la consommation historique d’électricité des centres de données américains et propose différents scénarios de demande future jusqu’en 2028. Il s’agit d’une analyse des centres de données à l’échelle nationale, et non d’une mesure directe de l’énergie nécessaire pour une requête individuelle d’IA. Son approche par scénarios et son ordre de grandeur permettent de comprendre l’incertitude pesant sur la demande globale, tandis que la télémétrie opérationnelle au niveau d’un produit est plus adaptée à une tâche d’inférence précisément circonscrite. Lawrence Berkeley National Laboratory, « 2024 United States Data Center Energy Usage Report »
Exposez l’incertitude au lieu de la dissimuler
L’incertitude peut découler d’un accès incomplet aux données opérationnelles, de charges de travail estimées plutôt que mesurées, d’hypothèses sur la capacité inactive, de variations dans l’utilisation du matériel et des méthodes de répartition des équipements partagés. Les émissions introduisent une variabilité supplémentaire liée à la localisation et au calendrier de la consommation électrique, aux facteurs d’émission et au traitement comptable de l’électricité achetée. Les données globales des centres de données reposent elles aussi sur des estimations et des scénarios lorsque des relevés exhaustifs ne sont pas disponibles. L’AIE souligne explicitement l’incertitude considérable qui entoure la consommation électrique actuelle et future des centres de données. AIE, « Energy demand from AI »
Un rapport pertinent indique par conséquent sa période d’observation, décrit le périmètre retenu, précise si les chiffres sont directement mesurés ou modélisés, et énonce les hypothèses clés. Lorsque les estimations dépendent de scénarios ou de choix de répartition, indiquez une fourchette ou expliquez l’incidence de ces choix sur le résultat. Évitez d’afficher de nombreuses décimales si la précision de la mesure sous-jacente ne le justifie pas. Une tâche médiane, moyenne ou représentative doit également être désignée avec exactitude : chacune résume différemment la distribution d’une charge de travail, et aucune ne reflète l’ensemble des requêtes.
Une liste de contrôle pratique pour évaluer une affirmation
Avant de reprendre ou de comparer un chiffre relatif à l’impact environnemental de l’IA, posez-vous les questions suivantes :
S’agit-il de l’entraînement, de l’inférence ou d’un total combiné ?
Quels sont le service, la charge de travail, la période et l’unité fonctionnelle décrits ?
Le calcul prend-il uniquement en compte les accélérateurs, ou intègre-t-il également les hôtes, la capacité inactive et les frais généraux de l’infrastructure ?
La valeur correspond-elle à l’énergie, la puissance, les émissions ou l’eau — et quelles sont les unités utilisées ?
Pour les émissions, quels ont été le facteur d’émission de l’électricité, la localisation, la référence temporelle et le traitement appliqué aux émissions intrinsèques ?
Le résultat est-il mesuré, estimé ou fondé sur des scénarios, et quelles sont les exclusions ou incertitudes majeures restantes ?
Pour les choix quotidiens individuels, cette liste de contrôle est plus utile qu’un chiffre décontextualisé sur « l’énergie par requête de chat ». Elle permet de distinguer une mesure concrète pour un service défini d’une affirmation d’ordre général sur l’IA, et elle met en évidence les données manquantes qui rendraient toute comparaison trompeuse.