IA & Environnement_
L'empreinte physique de l'IA
croît plus vite que ses gains d'efficacité.
De l'électricité aux tokens · la chaîne de l'IA
Ce qu'il faut pour fabriquer une réponse d'IA. Les chiffres 2030 sont
des projections.
Entrée
Électricité
448 → 945 TWh
2025 → 2030
Datacenters mondiaux. De 1,5 % à ~3 % de l'électricité de la
planète.
alimente
La machine
Data centers
Ils engloutissent des ressources et rejettent, de 2025 à 2030 :
4 500 → 9 300
Md L d'eau/an
6 900 → 14 500
km² de sol
189 Mt CO2e
en 2025
2,5 Mt/an
d'e-waste, d'ici 2030
L'IA : 20 % de leur conso en 2025, 40 % en 2030.
produisent
Sortie
Tokens & intelligence
2,5 milliards
de prompts/jour · ChatGPT, 2025
En sortent réponses, code, images, vidéos.
Et si les datacenters étaient un pays : 11e consommateur
d'électricité mondial en 2025 (~ la France), 6e dès 2030 (~ le
Japon).
Ce que coûte une requête
0,24 à 4 Wh
Une requête texte, selon le modèle.
2,9 Wh
Une image (+29 mL d'eau). ~12x une réponse texte.
115 à 415 Wh
Une vidéo de 6 secondes, selon la résolution.
1,14 gCO2e
Le Chat (Mistral) pour 400 tokens, +45 mL d'eau.
80 à 90 %
La conso vient de l'inférence, pas de l'entraînement.
×60
Une IA agentique pèse jusqu'à 60x un service génératif simple.
0,06 à 3 426 Wh
Pour 1000 requêtes, du modèle le plus sobre au plus gourmand.
Impact de la géographie
33 vs 581
gCO2e/kWh France vs Pologne. Même modèle, ×17,6.
445
gCO2e/kWh, moyenne mondiale. Irlande 352, Finlande 80.
22 %
Part des datacenters dans l'électricité irlandaise (2024). ~30 %
en 2028.
2,7 TWh
Datacenters de colocation français en 2024 (+12 % vs 2023).
178 000 tCO2e
Émissions des DC français en 2024 (+23 % vs 2023). Eau : 6,5 M
m³ (+8 %).
Fabriquer un modèle
552 tCO2e
GPT-3 (2020) : 1,3 GWh. Entraînement seul.
25 000 tCO2e
GPT-4 (2023), estimation : 50 à 70 GWh, 600 M L d'eau.
42 000 tCO2e
GPT-5, projection : 100 GWh, 1 milliard de litres.
40 à 55x
L'énergie d'entraînement de GPT-4 face à GPT-3.
20 400 tCO2e
Mistral Large 2 : ACV complète sur 18 mois, revue par des
tiers. Seule publiée par un labo.
Faire baisser la conso
-90 %
d'énergie max avec un petit modèle (SLM) sur une tâche précise.
2 à 3x
Le bon modèle pour la tâche : un gros modèle consomme 2 à 3x
plus qu'un moyen, inutile pour une question simple.
-50 %
avec un prompt court et une réponse concise.
-57 %
de tokens sur les opérations dev avec le proxy RTK. Mesure
perso, 6 600 commandes.
~×2
L'énergie quand on active le raisonnement. Presque ×10 sur du
code.
La face cachée
1 à 2 ans
La vraie vie d'un GPU sous charge IA (vs 5 à 7 annoncés).
9 → 61 M
Équivalents GPU en service, 2025 → 2030. Un facteur 6,7.
×2 /an
La puissance électrique pour entraîner les modèles double chaque
année (Epoch AI). Les gains d'efficacité sont rattrapés.
~90 GW
Centrales à gaz en projet aux USA pour les datacenters (GEM,
2026).
+179 %
La demande mondiale en métaux du numérique, de 2020 à 2050
(ADEME).
5 → 34 /j
Décès liés aux particules fines de l'IA, 2025 → 2030 (estimation
modélisée).
16 vs 24 Mt
CO2 de Microsoft (2023) : market-based vs location-based (GHG
Protocol).
84 %
de l'usage des LLM sans aucune donnée environnementale publiée.
10 → 62 %
Part de l'IA dans le budget GES soutenable de l'UE, 2025 → 2030.
Côté perso
J'ai branché un compteur sur mon propre usage
claude-carbon compte le CO2 de mes sessions de code en direct, en
inférence seule.
claude-carbon
·
www.tokenclimate.com
821,8 kg
CO2e sur les 6 premiers mois de 2026. ~1,6 t/an,
~18 % de l'empreinte d'un Français.
~18 % de l'empreinte d'un Français.
Sources UNU-INWEH 2026 · ARCEP / PEReN 2026 · AIE ·
Green IT 2025 (ACV ISO) · Luccioni et al. 2023-2025 · Patterson et al.
2021 · Mistral AI (ACV 2025) · UNESCO / UCL 2025 · Wang et al. 2024
(Nature Comp. Sci.) · Electricity Maps · Global Energy Monitor · ADEME
· Epoch AI · AI Energy Score (SAIG) · Microsoft · mesures perso
claude-carbon et RTK. Chiffres 2030 = projections.
Gaëtan Wittebolle
www.tokenclimate.com
