L’empreinte carbone de l’IA : l’angle mort de votre bilan

Les métiers de la RSE utilisent autant l’IA que le reste. Devenu un réflexe quotidien pour gagner en efficacité et rester compétitif, l’outil s’impose dans tous les secteurs y compris chez ceux qui sont censés en mesurer l’empreinte. Comment limiter son impact et sa dissonance cognitive à l’ère de l’IA ?

50 fois. C'est l'écart de consommation énergétique entre une requête sur un modèle standard et la même requête sur un modèle dit « de raisonnement ». Même prompt. Même réponse à l'écran. Mais derrière, une facture carbone qui n'a plus rien à voir.

Dans Changer le monde (2011), Jean-Marc Jancovici pose une équation qui dérange : un Français qui voudrait remplacer par du travail humain les 60 000 kWh qu'il consomme chaque année se retrouverait à la tête de plusieurs centaines voire de plusieurs milliers d'esclaves. L'énergie fossile est invisible, bon marché, et c'est exactement pour cette raison qu'on la dilapide sans compter.

L'IA reproduit ce mécanisme à grande vitesse. Et les professionnels du carbone, qui passent leurs journées à mesurer, réduire, justifier, sont en train de laisser passer sous leur nez l'un des angles morts les plus évidents du moment.

Le token : une unité trompeuse

Le token est l'unité de base des modèles de langage : environ trois quarts d'un mot. C'est l'unité qu'on utilise pour parler de prix, de volume, de performance. Sauf qu'elle ne dit rien de ce qui se passe derrière.

Un token produit par Mistral 7B et un token produit par o1 d'OpenAI n'ont strictement rien en commun sur le plan énergétique. Le second repose sur un modèle dit « de raisonnement » qui, avant de vous répondre, génère des milliers de tokens cachés, une chaîne de pensée interne, invisible pour vous, mais intégralement calculée par des serveurs. Résultat : des études récentes estiment que ces modèles consomment entre 50 et 100 fois plus d'énergie par requête qu'un modèle standard pour une tâche comparable.

Ce n'est pas une nuance technique. C'est un ordre de grandeur. Demander à o1 de reformuler un email, c'est l'équivalent carbone de 50 requêtes classiques. On croit faire du numérique sobre, on utilise un marteau-piqueur pour planter un clou.

Ce que l'industrie ne vous dit pas

OpenAI, Anthropic, Google, Meta : aucun de ces acteurs ne publie de données précises sur la consommation énergétique par modèle et par requête. On travaille avec des estimations. Et visiblement, personne n'est pressé de changer ça.

Ce qu'on sait malgré tout : la localisation du datacenter change tout. Un modèle hébergé en France émet jusqu'à 7,5 fois moins de CO₂ que le même modèle hébergé aux États-Unis, grâce au mix électrique nucléaire. Un token à Paris ne pèse pas le même carbone qu'un token à Dallas.

Et surtout : plus de 80 % de la consommation électrique de l'IA vient aujourd'hui de l'usage, l'inférence, pas de l'entraînement. Le vrai sujet carbone de l'IA, c'est ce qui se passe quand des millions d'utilisateurs s'en servent chaque jour. Le Shift Project l'a chiffré sans ambiguïté : les trajectoires actuelles de déploiement sont incompatibles avec les objectifs de décarbonation.

Le bon réflexe : adapter le modèle à la tâche

Ce qui est intéressant, c'est que contrairement à la plupart des leviers carbone, celui-ci est à portée de main. Immédiatement. Sans budget. Sans validation du COMEX.

Résumer un document, reformuler un email, répondre à une FAQ ? Un modèle léger suffit amplement. Réservez les modèles complexes aux tâches qui les méritent vraiment : analyse contractuelle, code avancé, raisonnement multi-étapes. Groupez vos questions en une seule requête bien construite plutôt que de multiplier les petits échanges. Et interrogez vous, avant tout, sur le besoin réel.

Pour les entreprises qui intègrent l'IA à grande échelle dans leurs outils métiers, le choix du modèle devrait figurer dans la politique achats RSE, au même titre que le choix d'un fournisseur d'énergie verte. Ce n'est pas une question IT. C'est une question carbone.

L'IA est le nouveau litre d'essence : invisible, sous-évalué, consommé sans compter parce que le prix affiché ne reflète pas le vrai coût. Jancovici posait cette question pour les fossiles il y a quinze ans. Elle se pose aujourd'hui pour chaque prompt.

Alors, que faire concrètement ?

Formez-vous et formez vos équipes. Un·e expert·e carbone qui utilise l'IA sans connaître les ordres de grandeur énergétiques des modèles, c'est comme faire un bilan carbone sans facteurs d'émission.

Rapprochez-vous de la DSI. C'est là que se décident les outils déployés à grande échelle. C'est là que se jouent les vrais volumes. Le sujet carbone doit y entrer.

Ayez un discours audible. Pas « l'IA c'est mauvais pour la planète ». Mais : « ce modèle consomme 50 fois plus que celui-là pour le même résultat ». Ça, ça se comprend en réunion.

Les chiffres sont là. Les leviers aussi. Ce qu'il reste à faire, c'est les intégrer concrètement dans la pratique du bilan carbone : dans les outils qu'on choisit, les modèles qu'on interroge, et les recommandations qu'on formule. C'est le travail quotidien des expert·e·s carbone indépendant·e·s qui, mission après mission, font rentrer ces réflexes dans la pratique réelle.

Auteur : Adrien P., expert People4Impact

Ingénieur de formation, Adrien accompagne les entreprises de toute taille vers une stratégie climat, de la décarbonation à l'adaptation.
 

Sources :

Jean-Marc Jancovici, « Changer le monde. Tout un programme ! », Calmann-Lévy, 2011

MIT Technology Review, « We did the math on AI's energy footprint », mai 2025

Frontiers in Communication, « Energy costs of communicating with AI », avril 2025

The Shift Project, « Intelligence artificielle, données, calculs : rapport final », 2024

Carbone 4, « L'IA Générative… du changement climatique ! », 2025