Cyberpediapar Brain

Énergie et carbone de l'IA : entraîner ou utiliser

Entraîner un modèle d'IA et l'utiliser consomment de l'énergie à deux moments. Ordres de grandeur issus d'études, et gestes d'usage raisonné.

Sur cette page
  1. 1En 30 secondes
  2. 2De quoi parle-t-on
  3. 3Questions directes
  4. 4Comment ça marche
  5. 5Ce que vous faites
  6. 6Les pièges
  7. 7Sources
  8. 8Citer cet article

En 30 secondes

Où ça arrive
À chaque question posée à un assistant IA[1], et en amont, pendant l'entraînement des modèles, qui demande des ressources de calcul et d'énergie importantes[2].
Ce que les mesures donnent
Le prompt médian de texte de Gemini Apps consomme 0,24 Wh selon Google[1] ; l'entraînement final de BLOOM a émis environ 24,7 tonnes d'équivalent CO2 selon ses auteurs (puissance dynamique seule), et 50,5 tonnes en comptant tous les processus[2].
Le réflexe
Choisir un modèle adapté à la tâche et éviter les requêtes inutiles.

De quoi parle-t-on

Un modèle d'IA consomme de l'énergie à deux moments : quand il est entraîné, puis chaque fois qu'on s'en sert. Le second moment porte un nom, l'inférence : l'usage d'un modèle déjà entraîné pour produire des prédictions, du texte ou des images[1].

Cette fiche donne des ordres de grandeur tirés d'études publiées. Ce sont des estimations, et les chiffres changent beaucoup d'une étude à l'autre. Elle se termine par les gestes qu'un salarié peut adopter au quotidien.

Questions directes

Qu'appelle-t-on entraînement ?

C'est la phase où le modèle est construit. Les auteurs de l'étude sur BLOOM, un modèle de langage de 176 milliards de paramètres, écrivent que l'entraînement des modèles demande des ressources de calcul, d'énergie et de matériaux importantes[2]. Pour BLOOM, ils estiment que l'entraînement final a émis environ 24,7 tonnes d'équivalent CO2 si l'on ne compte que la consommation d'énergie dynamique, et 50,5 tonnes si l'on compte tous les processus, de la fabrication des équipements à la consommation d'énergie[2].

Dès 2019, des chercheurs ont chiffré le coût financier et environnemental approximatif de l'entraînement de plusieurs modèles de traitement du langage. Selon eux, les gains de précision de ces modèles dépendent de ressources de calcul exceptionnelles, qui exigent une consommation d'énergie tout aussi importante[3].

Qu'appelle-t-on inférence ?

C'est le moment où un modèle entraîné répond à une demande[1]. L'étude sur BLOOM examine aussi l'énergie et les émissions de son déploiement : le modèle reçoit des requêtes d'utilisateurs en temps réel via une interface d'accès (API)[2].

Combien consomme une requête ?

Cela dépend de la méthode de mesure, du modèle et de l'entreprise. Google estime que le prompt médian de texte de Gemini Apps consomme 0,24 Wh, émet 0,03 gCO2e et consomme 0,26 mL d'eau, soit environ cinq gouttes[1]. L'énergie par prompt équivaut à moins de neuf secondes de télévision selon Google[1]. Ces chiffres reposent sur une analyse ponctuelle des données de mai 2025 ; Google précise qu'ils ne représentent pas l'impact de tous les prompts de texte de Gemini Apps et ne préjugent pas des performances futures[1].

Une autre équipe a comparé 30 modèles dans des centres de données commerciaux. Elle trouve qu'une requête courte de 0,42 Wh, multipliée par 700 millions de requêtes par jour, atteint une consommation annuelle d'électricité comparable à celle de 35 000 foyers américains[6]. Dans ses résultats, les modèles les plus gourmands dépassent 29 Wh pour un prompt long, soit plus de 65 fois les systèmes les plus efficaces[6].

Pourquoi les chiffres diffèrent-ils autant ?

Quatre facteurs ressortent des études.

  • La méthode de calcul. Google compte la puissance des accélérateurs en activité, mais aussi les machines inactives qui restent prêtes à absorber les pics de trafic, le processeur et la mémoire des serveurs, et la consommation des centres de données (refroidissement, distribution électrique)[1]. En ne comptant que les TPU et les GPU actifs, Google obtient 0,10 Wh pour le prompt médian, et juge ce chiffre optimiste et très sous-estimé par rapport à l'empreinte réelle[1].
  • Le lieu. Pour l'entraînement, la part d'énergie sans carbone et les émissions en équivalent CO2 varient d'un facteur d'environ 5 à 10, même dans un même pays et pour une même organisation[4].
  • Le centre de données et le processeur. Les centres de données du cloud peuvent être environ 1,4 à 2 fois plus efficaces en énergie que les centres de données typiques, et les accélérateurs dédiés au machine learning environ 2 à 5 fois plus efficaces que des systèmes du commerce[4].
  • Le type de modèle. Des réseaux de neurones très grands mais à activation partielle peuvent consommer moins du dixième de l'énergie de réseaux denses, sans perte de précision[4].

Les auteurs de cette dernière étude estiment que le choix du réseau, du centre de données et du processeur peut réduire l'empreinte carbone jusqu'à un facteur d'environ 100 à 1 000[4]. Ils ajoutent que ces écarts rendent difficiles les estimations faites après coup[4].

Comment ça marche

L'empreinte d'une IA ne se limite pas à l'électricité des puces. Des chercheurs ont examiné le cycle de développement des modèles dans des cas d'usage industriels et le cycle de vie du matériel : ils comptent l'empreinte carbone d'exploitation et celle de fabrication[7].

Du côté de l'inférence, Google décrit plusieurs leviers d'efficacité pour Gemini. Les architectures de type Mixture-of-Experts n'activent qu'une petite partie d'un grand modèle pour répondre à une requête, ce qui réduit les calculs et les transferts de données d'un facteur de 10 à 100 selon Google[1]. La distillation crée des modèles plus petits (Gemini Flash et Flash-Lite) à partir de modèles plus grands[1]. Google indique un PUE moyen de 1,09 sur l'ensemble de ses centres de données ; cet indicateur mesure l'énergie consommée par l'infrastructure autour des équipements informatiques[1].

Selon Google, sur douze mois, l'énergie et l'empreinte carbone totale du prompt médian de Gemini Apps ont baissé d'un facteur de 33 et de 44[1]. Google précise que cette comparaison porte sur mai 2024 et mai 2025 et que les données n'ont pas été vérifiées par un tiers indépendant[1].

Ce que vous faites

  • Choisissez le modèle selon la tâche. Dans l'étude sur 30 modèles, l'écart entre les plus gourmands et les plus efficaces dépasse un facteur de 65 pour un prompt long[6]. Google propose lui-même des modèles plus petits pour servir les requêtes[1].
  • Évitez les requêtes inutiles. Une requête courte de 0,42 Wh paraît négligeable, mais multipliée par 700 millions de requêtes par jour, elle représente l'électricité annuelle de 35 000 foyers américains selon cette équipe[6]. Elle décrit un paradoxe : quand l'IA devient moins chère et plus rapide, son adoption mondiale fait consommer des ressources de façon disproportionnée[6].
  • Gardez les ordres de grandeur en tête sans les citer comme des certitudes : ils dépendent de l'étude, du modèle et du lieu.

Les pièges

  • Comparer des chiffres issus de méthodes différentes. Le chiffre de 0,24 Wh de Google inclut les machines inactives et l'énergie des centres de données, ce que beaucoup de calculs actuels ne prennent pas en compte selon Google[1]. Les auteurs de l'étude de Google disent aussi qu'aucune étude n'avait mesuré ces indicateurs d'un service d'IA en environnement de production avant la leur[5].
  • Prendre un chiffre de Google pour une valeur indépendante. Google précise que la comparaison entre mai 2024 et mai 2025 (baisse d'un facteur de 33 et de 44) n'a pas été vérifiée par un tiers indépendant[1].
  • Croire qu'un chiffre vaut pour tous les modèles. Google précise que l'énergie du prompt médian peut changer quand de nouveaux modèles sont ajoutés, quand l'architecture évolue et quand le comportement des utilisateurs change[1].
  • Oublier l'entraînement. Les auteurs de l'étude de 2021 estiment que l'énergie et les émissions devraient figurer parmi les indicateurs d'évaluation des modèles[4].

Sources

  1. Google, « How much energy does Google’s AI use? We did the math », 21 août 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (consulté le 14 novembre 2026)
  2. arXiv, « Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model », 3 novembre 2022. https://arxiv.org/abs/2211.02001 (consulté le 14 novembre 2026)
  3. arXiv, « Energy and Policy Considerations for Deep Learning in NLP », 5 juin 2019. https://arxiv.org/abs/1906.02243 (consulté le 14 novembre 2026)
  4. arXiv, « Carbon Emissions and Large Neural Network Training », 21 avril 2021. https://arxiv.org/abs/2104.10350 (consulté le 14 novembre 2026)
  5. arXiv, « Measuring the environmental impact of delivering AI at Google Scale », 21 août 2025. https://arxiv.org/abs/2508.15734 (consulté le 14 novembre 2026)
  6. arXiv, « How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference », 14 mai 2025. https://arxiv.org/abs/2505.09598 (consulté le 14 novembre 2026)
  7. arXiv, « Sustainable AI: Environmental Implications, Challenges and Opportunities », 30 octobre 2021. https://arxiv.org/abs/2111.00364 (consulté le 14 novembre 2026)