Comment calculer l’empreinte environnementale de l’IA

Thibault MonteiroPublié le 28/07/2026 à 09h00

Un prompt texte médian sur Gemini consomme 0,26 millilitre d’eau, selon Google. Une conversation avec un assistant IA en consomme 10 à 25, selon les chercheurs de l’université de Californie à Riverside. Les deux chiffres sont publics, documentés, et aucun des deux ne ment.

L’écart, de l’ordre d’un facteur 30, tient entièrement au périmètre retenu, pas à un désaccord scientifique. Calculer l’empreinte environnementale de l’IA commence donc par une question ennuyeuse mais décisive : qu’est-ce qu’on compte, exactement ? Voici la grille de lecture, indépendante du modèle et de l’année.

Pourquoi deux chiffres honnêtes divergent d’un facteur 30

Le chiffre de 0,26 millilitre mesure l’eau évaporée par le refroidissement du data center, sur site, pour une requête. Celui de 10 à 25 millilitres couvre une conversation entière et ajoute l’eau consommée en amont par les centrales qui produisent l’électricité. Deux unités différentes, deux frontières différentes.

Aucune des deux mesures n’est militante. Elles répondent à des questions distinctes : combien ce site prélève-t-il localement ? Et combien ce service coûte-t-il au système énergétique dans son ensemble ? Les confondre revient à comparer la consommation d’essence d’une voiture au bilan de la raffinerie.

D’où une règle qui survivra à tous les rapports à venir : un chiffre d’empreinte sans périmètre explicite n’est pas une donnée, c’est un argument.

Les trois périmètres à nommer avant toute comparaison

Le vocabulaire existe déjà. Il vient de la comptabilité carbone du GHG Protocol et se transpose à l’eau sans difficulté.

• Direct, ou scope 1 : ce que le site consomme et évapore lui-même. Groupes électrogènes, fluides frigorigènes, eau injectée dans les tours de refroidissement.
• Énergie achetée, ou scope 2 : l’électricité qui alimente les serveurs, et par ricochet le carbone et l’eau mobilisés pour la produire.
• Chaîne de valeur, ou scope 3 : la fabrication des puces, la construction du bâtiment, le transport, la fin de vie. Le poste le plus lourd à documenter, donc le plus souvent absent des communications.

Un détail change tout dans le scope 2 : il se calcule de deux façons. En location-based, on applique le mix électrique réel du réseau qui alimente le site. En market-based, on applique les contrats d’achat d’électricité renouvelable signés par l’opérateur. La seconde méthode peut afficher un bilan proche de zéro là où la première reste très carbonée, pour le même bâtiment, la même heure, la même requête.

Les deux méthodes sont prévues par le standard. Mais si une annonce ne précise pas laquelle elle utilise, vous ne savez pas ce que vous lisez.

Le contraste entre éditeurs est parlant : Mistral a publié avec Carbone 4 et l’ADEME une analyse de cycle de vie complète de ses modèles, qui descend jusqu’à 45 millilitres d’eau pour une réponse de 400 tokens de son assistant Le Chat, quand Sam Altman s’en est tenu à un ordre de grandeur par requête sur son blog, sans préciser ce qu’il englobait.

PUE, WUE, CUE : les trois ratios qui décident du résultat

Trois indicateurs standardisés suffisent à reconstituer l’essentiel d’un calcul, et surtout à repérer celui qui manque.

• PUE (Power Usage Effectiveness) : énergie totale du site divisée par l’énergie utile des serveurs. Un PUE de 1,1 signifie 10 % d’énergie dépensée pour refroidir, éclairer et sécuriser. Un PUE de 1,5 fait grimper cette part à 50 %.
• WUE (Water Usage Effectiveness) : litres d’eau consommés par kilowattheure informatique. C’est le ratio qui traduit une facture électrique en volume d’eau évaporé sur place.
• CUE (Carbon Usage Effectiveness) : kilogrammes de CO2 équivalent par kilowattheure informatique. Il dépend surtout du mix électrique local, donc de la géographie et de l’heure.

Ces ratios ont une limite qu’il faut connaître : ce sont des moyennes annuelles de site. Une requête servie un soir d’août dans une région chaude et sèche n’a pas le profil d’une requête servie une nuit d’hiver en Scandinavie. La moyenne lisse exactement ce qui crée la tension locale sur la ressource.

Calculer l’empreinte environnementale de vos usages de l’IA, étape par étape

La chaîne de calcul tient en cinq opérations. Elle vaut pour une requête isolée comme pour un mois d’utilisation en équipe ou un produit entier.

• Partez de l’énergie informatique : les watt-heures consommés pendant l’inférence par les accélérateurs, ces puces spécialisées qui font tourner le modèle. C’est la seule grandeur physique du calcul, tout le reste en découle.
• Multipliez par le PUE pour passer du serveur au bâtiment.
• Multipliez ce total par le facteur carbone du réseau qui alimente le site, à l’endroit et à l’heure concernés, pour obtenir les émissions.
• Multipliez le même total par le WUE pour l’eau évaporée sur site, puis ajoutez l’eau mobilisée par la production électrique si vous visez le périmètre complet.
• Ajoutez la part amortie de l’entraînement et du matériel. Et quand vous ne pouvez pas la chiffrer, dites-le au lieu de la mettre à zéro par défaut.

Entraînement ou inférence : tout se joue sur l’amortissement

L’entraînement d’un grand modèle est un coût unique, massif, concentré sur quelques semaines. L’inférence est un coût minuscule, répété des milliards de fois. Les comparer en valeur absolue ne veut rien dire : il faut amortir l’entraînement sur le nombre de requêtes que le modèle servira pendant sa vie utile.

L’arithmétique est impitoyable pour les raisonnements pressés. Un modèle massivement utilisé dilue son entraînement au point de le rendre marginal par requête. Un modèle entraîné puis peu servi le concentre sur une poignée d’usages. Le même entraînement peut donc être négligeable ou dominant selon le succès commercial du produit, une variable inconnue au moment où le chiffre est publié.

Les quelques leviers à votre portée

À l’échelle d’un utilisateur ou d’une équipe, les leviers sont modestes mais bien réels. Ils ont l’avantage d’être aussi des leviers de coût et de latence, ce qui les rend faciles à défendre en interne.

• Calibrer le modèle sur la tâche : un petit modèle qui répond correctement bat un grand modèle qui répond mieux pour rien.
• Éviter la relance en boucle. Un prompt travaillé une fois coûte moins cher que cinq reformulations approximatives.
• Limiter la longueur de sortie demandée : chaque token généré se paie à l’unité, alors que le prompt d’entrée est traité en une seule passe.
• Mettre en cache ce qui est stable plutôt que de régénérer les mêmes réponses.
• Quand vous pilotez le déploiement, choisir la région. Le facteur carbone varie davantage d’un réseau électrique à l’autre que d’un modèle à l’autre.

Cinq questions à poser à toute annonce de sobriété

Les rapports d’éditeurs sont des documents utiles, souvent les seuls disponibles. Ce sont aussi des documents de communication. Cinq questions suffisent à en extraire la substance.

• Quel périmètre ? Direct seul, ou direct plus indirect ? L’écart se compte en multiples, pas en pourcentage.
• Quelle unité ? Par requête, par conversation, par utilisateur, par mois ? Une conversation vaut plusieurs requêtes, et le chiffre monte mécaniquement.
• Moyenne ou médiane ? Une médiane écarte les requêtes les plus lourdes, qui sont précisément celles qui pèsent sur l’infrastructure.
• Consommé ou compensé ? Google indique avoir réapprovisionné 7,7 milliards de gallons d’eau, soit environ 29 milliards de litres et près de 78 % de sa consommation d’eau douce 2025. Réapprovisionner un bassin versant n’est pas s’abstenir de prélever dans un autre : la compensation se juge à la géographie.
• Intensité ou volume total ? C’est le piège le plus fréquent. Un même rapport peut annoncer une efficacité par requête en progression et une consommation électrique totale en forte hausse, parce que le volume d’usage croît plus vite que l’efficacité.

Cette dernière ligne est la plus instructive. L’Agence internationale de l’énergie situe la consommation des data centers autour de 485 TWh en 2025 et projette environ 950 TWh en 2030, avec une progression de l’ordre de 50 % sur la seule année 2025 pour les sites dédiés à l’IA. L’efficacité unitaire progresse vraiment. Le total aussi.

Rien de tout cela ne tranche la question de la soutenabilité de l’IA, et ce n’est pas le rôle d’une méthode de calcul. Ce qu’elle permet, c’est de sortir du duel stérile entre le millilitre rassurant et le litre accusateur, qui mesurent deux choses différentes et servent deux discours opposés.

Le seul chiffre qui vieillira bien est celui que vous saurez reconstruire : périmètre, unité, ratios, part amortie. Le prochain rapport arrivera avec de nouvelles valeurs et, très probablement, le même angle mort. Vous saurez où le chercher.