Ce qu'il faut retenir
- La plupart des entreprises ne mesurent rien. L'Arcep pointe un « manque de transparence des acteurs » : sur 754 modèles analysés, 84 % ne font l'objet d'aucune information environnementale. Sans méthode, le sujet reste une opinion, pas une donnée.
- « La fabrication domine » est vrai pour vos ordinateurs, faux pour vos GPU d'IA. Sur un terminal peu sollicité, la fabrication pèse le plus. Sur une carte graphique qui tourne en continu, la phase d'usage représente 70 à 90 % de l'impact carbone du cycle de vie (ADEME, citée par l'Arcep).
- L'inférence finit par dépasser l'entraînement, non par requête mais par volume. Un prompt coûte peu ; 912,5 milliards de requêtes par an revendiquées par OpenAI en juillet 2025 changent l'échelle du problème.
- Les leviers efficaces sont chiffrés. Une architecture « mélange d'experts » consomme 45 % de moins qu'un modèle dense équivalent, la quantification fait gagner 39 % en moyenne, et héberger en France plutôt qu'en Pologne divise le contenu carbone de l'électricité par 17,6.
- Ces chiffres alimentent votre reporting. Rapport de durabilité VSME, CSRD, questionnaires RSE de vos donneurs d'ordre : la mesure devient une donnée commerciale, pas seulement un geste écologique.
Pourquoi l'empreinte environnementale de l'IA arrive sur le bureau des directions
Le sujet a changé de nature en deux ans : il ne s'agit plus d'un débat de spécialistes mais d'une question d'infrastructure et de reporting. Selon l'Agence internationale de l'énergie, les centres de données ont consommé environ 415 TWh d'électricité en 2024, soit 1,5 % de la consommation électrique mondiale, et cette consommation devrait plus que doubler pour atteindre environ 945 TWh en 2030. L'IA est identifiée comme le premier moteur de cette croissance.
Côté usage, l'adoption est massive : l'Arcep relève que 48 % des Français utilisaient déjà l'IA générative en 2025, soit 28 points de plus en deux ans. En mai 2026, le régulateur a publié avec le Pôle d'expertise de la régulation numérique (PEReN) un rapport apportant des mesures inédites sur la phase d'usage. C'est la source la plus solide disponible en français, et elle sert de colonne vertébrale à cet article.
Pour situer l'ordre de grandeur national : le numérique représente 4,4 % de l'empreinte carbone de la France en 2022, soit 29,5 MtCO2e, répartis entre les terminaux (50 %), les centres de données (46 %) et les réseaux (4 %). Le numérique n'est donc pas le premier poste d'émissions d'une PME française — mais c'est souvent le seul dont elle ne connaît absolument rien.
Fabrication ou usage : qu'est-ce qui pèse vraiment dans l'empreinte carbone de l'IA ?
C'est le point où circulent le plus d'affirmations approximatives. La réponse honnête est : cela dépend du taux d'utilisation du matériel, et la règle s'inverse entre deux familles d'équipements.
Pour vos terminaux, la fabrication domine largement
Un ordinateur portable ou un smartphone passe la majeure partie de sa vie éteint ou au repos. Sur l'ensemble du cycle de vie, l'ADEME établit que la fabrication est l'étape dont l'impact environnemental est le plus fort. Son étude sur les produits reconditionnés le confirme : acquérir un smartphone reconditionné plutôt que neuf réduit l'impact environnemental annuel de 77 % à 91 % selon les catégories d'impact, et évite l'extraction d'environ 82 kg de matières premières par année d'utilisation.
La logique est celle d'une voiture dont on aurait déjà payé toute l'énergie de construction : chaque année supplémentaire d'usage amortit une facture déjà réglée. C'est pour cette raison que nous achetons du matériel reconditionné plutôt que neuf — sur un parc de postes de travail, c'est le levier qui déplace le plus le bilan, avant toute optimisation logicielle.
Pour vos GPU d'IA, l'usage reprend la main
L'intuition s'inverse dès que le matériel tourne en continu. Une étude récente de l'ADEME, citée par l'Arcep, a analysé la composition de cartes graphiques utilisées pour l'IA : la phase d'utilisation représente 70 à 90 % de l'impact carbone total du cycle de vie d'un entraînement ou d'une inférence. Les travaux de Schneider et al. réalisés pour Google vont dans le même sens.
Cela ne rend pas la fabrication négligeable pour autant. Le démontage d'une carte Nvidia A100 SXM 40 Go conduit Falk et al. à estimer l'empreinte carbone de sa fabrication à 150 kgCO2e — un coût embarqué payé une fois, qu'un achat reconditionné évite intégralement, et qui pèse lourd sur l'épuisement des ressources abiotiques. La demande en métaux pour le numérique pourrait d'ailleurs augmenter de 179 % entre 2020 et 2050.
La conclusion opérationnelle explique nos propres choix : sur les GPU, ce qui compte d'abord, c'est l'électricité qui les alimente et le rendement du code qui tourne dessus. C'est pourquoi nous exploitons nos serveurs GPU en propre, en colocation en France plutôt que de louer de la capacité au hasard des régions cloud. En moyenne en 2024, le mix électrique polonais présentait un contenu carbone 17,6 fois plus élevé que le mix français. Le même modèle, sur le même matériel, avec la même charge, émet donc dans un rapport de 1 à 17 selon l'endroit où il s'exécute. Ce recoupement entre hébergement souverain et sobriété est rarement mis en avant, alors qu'il s'agit du même arbitrage technique.
Entraînement ou inférence : quelle phase consomme le plus ?
L'entraînement reste l'événement le plus visible, parce qu'il est concentré dans le temps. L'évaluation du modèle ouvert BLOOM (176 milliards de paramètres) donne un ordre de grandeur documenté : 348 GPU A100 mobilisés pendant 118 jours, 433 MWh consommés, et environ 124 tCO2e au total en intégrant la fabrication des équipements — un chiffre contenu, notamment grâce au mix électrique français.
L'inférence, elle, coûte peu à l'unité. Mistral évalue une réponse de 400 tokens de son agent conversationnel à 1,14 gCO2e et 45 mL d'eau. Google évalue une requête textuelle médiane sur Gemini à 0,24 Wh et 0,03 gCO2e. Pour son calcul d'ordre de grandeur, l'Arcep retient une fourchette allant de 0,34 Wh par prompt (hypothèse d'OpenAI pour GPT-4) à 4 Wh (hypothèse d'OpenAI pour GPT-3, recoupée par d'autres travaux).
Mais l'unité n'est pas la bonne échelle. En juillet 2025, OpenAI revendiquait 912,5 milliards de requêtes par an. Sur cette base, l'Arcep estime la consommation annuelle associée entre 310 GWh et 3 650 GWh, soit entre 138 000 et 1 600 000 tCO2e. Rapporté aux 124 tCO2e de l'entraînement de BLOOM, l'écart d'échelle parle de lui-même : ce que l'entraînement paie une fois, l'inférence le repaie à chaque requête, indéfiniment.
Pour une entreprise, la traduction est directe. Un cas d'usage qui tourne mille fois par jour pendant trois ans pèse davantage que le choix du modèle lui-même. L'Arcep le formule prudemment — les impacts de l'inférence « pourraient devenir un enjeu significatif en raison de la croissance des usages » — mais la direction est claire.
Comment mesurer la consommation énergétique de l'IA dans votre entreprise ?
Voici une méthode praticable, sans outillage exotique, qui produit des chiffres défendables devant un auditeur.
1. Inventoriez les charges, pas les outils. Listez chaque traitement IA en production avec son volume réel : appels par jour, taille moyenne des entrées et sorties en tokens, modèle utilisé, mode raisonnement activé ou non. C'est ce tableau, et non le nom du fournisseur, qui détermine votre consommation.
2. Mesurez ce que vous hébergez, estimez ce que vous louez. Sur vos propres serveurs, la consommation GPU se mesure directement — les tests du PEReN ont été menés avec l'outil ouvert CEEMS. Sur une API tierce, vous n'avez pas accès au compteur : appuyez-vous sur les facteurs publiés par le fournisseur en documentant leur origine. Attention au piège de périmètre : le PEReN note qu'exclure les CPU réduit d'environ un tiers l'énergie totale mesurée d'une inférence.
3. Convertissez avec le bon facteur d'émission. Multipliez les kWh par le contenu carbone du mix électrique du pays où tourne la machine, pas celui de votre siège social. C'est là que se joue le facteur 17,6 évoqué plus haut.
4. Instrumentez le code, pas seulement l'infrastructure. C'est le volet le plus négligé. Nous utilisons des librairies de mesure des complexités algorithmiques pour identifier ce qui coûte cher sans rien apporter : un appel de modèle là où une requête SQL suffirait, un réembedding complet à chaque exécution, un contexte rechargé inutilement. Nous avons également publié JustCarbon, une extension Chrome gratuite et entièrement locale qui mesure l'empreinte carbone de la navigation web, sur la base du modèle 1byte du Shift Project et de facteurs d'émission ADEME et IEA.
Pour cadrer la démarche, le Référentiel général de l'écoconception des services numériques (RGESN), défini par l'Arcep et l'Arcom en lien avec l'ADEME au titre de la loi REEN, consacre sept critères à l'algorithmie — de la nécessité même d'un entraînement (critère 9.1) à la stratégie d'inférence optimisée (critère 9.7). C'est un point de départ gratuit et opposable.
Quels leviers réduisent réellement l'empreinte carbone de l'IA ?
Les tests du PEReN portent sur 22 modèles à poids ouverts, de 3 à 123 milliards de paramètres, publiés entre juin 2024 et septembre 2025, évalués à matériel constant. Ils permettent enfin de chiffrer des leviers au lieu de les invoquer.
| Levier | Effet mesuré | Portée |
|---|---|---|
| Architecture « mélange d'experts » plutôt que modèle dense de taille équivalente | −45 % en moyenne | Choix du modèle |
| Quantification du modèle en 8 ou 4 bits | −39 % en moyenne | Déploiement |
| Activation du mode raisonnement | jusqu'à +92 % en moyenne, et jusqu'à +849 % sur une tâche de génération de code | Paramétrage par cas d'usage |
| Hébergement en France plutôt qu'en Pologne | contenu carbone 17,6 fois inférieur | Infrastructure |
| Matériel reconditionné plutôt que neuf (étude smartphone) | −77 % à −91 % d'impact annuel | Achats |
Le résultat le plus utile du PEReN est contre-intuitif : limiter la consommation n'impose pas de sacrifier la performance. Les plus grands modèles sont toujours les plus consommateurs, mais certains modèles sobres répondent aussi pertinemment que des modèles lourds. Le réflexe « je prends le plus gros modèle disponible » est donc presque toujours un mauvais arbitrage — techniquement comme économiquement.
C'est exactement ce que recouvre notre travail d'optimisation de l'inférence et de conception logicielle : choisir le plus petit modèle qui passe le test métier, le quantifier, n'activer le raisonnement que là où il change le résultat, et supprimer les appels superflus.
Green IT et numérique responsable : ce que ça change pour une PME ou une ETI
Trois conséquences concrètes, dans l'ordre où elles vous atteindront.
Vos donneurs d'ordre vont vous poser la question. Les grands comptes soumis à la CSRD doivent documenter leur chaîne de valeur. Pour éviter que cette charge ne se déverse sans limite sur leurs fournisseurs, la Commission européenne a recommandé le 30 juillet 2025 la norme VSME (recommandation (UE) 2025/1710), organisée en un module de base et un module complet, puis l'a établie comme norme volontaire européenne par l'acte délégué C(2026) 5011 du 3 juillet 2026, sur le fondement de l'article 29ca de la directive comptable. Ce texte instaure un « value chain cap » : une entreprise soumise au reporting obligatoire ne pourra pas exiger, d'un partenaire de sa chaîne de valeur ne dépassant pas 1 000 salariés en moyenne, des informations allant au-delà de cette norme — pour les exercices ouverts à compter du 1er janvier 2027. La VSME reste volontaire pour votre PME, mais elle devient de fait le format attendu dans les appels d'offres — et une consommation IA documentée y devient une réponse, non un point faible.
La sobriété rejoint le coût. Diviser par deux la consommation d'un traitement, c'est aussi diviser par deux sa facture d'inférence. Les leviers du tableau ci-dessus sont, sans exception, des leviers d'économies. C'est pourquoi nous traitons ce sujet dans le cadre d'une stratégie IA et non comme un exercice RSE séparé : les deux arbitrages se prennent au même moment, sur les mêmes critères.
La mesure se décide avant le développement, pas après. Réinstrumenter un système en production coûte plusieurs fois son instrumentation initiale. Quand nous livrons un logiciel sur mesure en production en quatre semaines, à partir de 20 000 € HT puis un abonnement mensuel, le comptage de la consommation fait partie du périmètre dès la première itération. Ces arbitrages sont enfin des compétences internes : savoir choisir un modèle proportionné à un besoin s'apprend, et c'est l'un des sujets que nous traitons en formation.
Les limites : ce que la mesure ne dit pas encore
Il faut être clair sur ce qui reste hors de portée.
Les données des grands fournisseurs ne sont pas contre-expertisables. L'Arcep le dit sans détour : l'absence de méthodologie détaillée et de données primaires limite la portée des évaluations publiées par les acteurs. Les chiffres de Mistral et de Google cités plus haut sont parmi les mieux documentés du marché, et ils restent invérifiables de l'extérieur.
Il n'existe pas de référentiel harmonisé. Deux entreprises mesurant honnêtement le même usage peuvent publier des chiffres très écartés, simplement parce qu'elles n'incluent pas le même périmètre. C'est la première recommandation de l'Arcep : imposer des méthodologies internationalement standardisées.
Les tests du PEReN ont un périmètre assumé. Ils portent sur des modèles à poids ouverts de moins de 125 milliards de paramètres. Ni les très grands modèles, ni les services grand public les plus utilisés — ChatGPT au premier chef — n'y figurent. Les gains de 45 % et 39 % sont robustes sur le périmètre testé ; ils ne se transposent pas mécaniquement à tous les déploiements.
Enfin, l'effet net reste inconnu. Un traitement IA qui supprime un déplacement ou évite un rebut industriel peut être bénéfique au bilan global. Personne ne sait aujourd'hui mesurer proprement ces effets de substitution, ni les effets rebond qui les compensent. Quiconque vous affirme que l'IA est globalement bonne ou globalement mauvaise pour le climat dépasse ce que les données permettent d'établir.
Conclusion : mesurer d'abord, sur le bon périmètre, avant d'optimiser
L'empreinte environnementale de l'IA n'est pas un sujet où il faut choisir un camp. C'est un sujet de comptabilité technique, où presque toutes les erreurs viennent d'un périmètre mal défini : confondre le bilan d'un ordinateur portable avec celui d'un GPU en charge, raisonner par requête quand le problème est le volume, ou comparer deux chiffres qui n'incluent pas les mêmes composants.
La bonne nouvelle est que les leviers sont désormais chiffrés, qu'ils sont sous votre contrôle — modèle, quantification, paramétrage, lieu d'hébergement, politique d'achat — et qu'ils réduisent la facture en même temps que les émissions. Commencez par l'inventaire de vos charges réelles : c'est ce qui manque à la quasi-totalité des entreprises qui déploient de l'IA aujourd'hui.
Lire aussi : IA souveraine : pourquoi la France mise sur Mistral et le cloud souverain
Sources
- Arcep et PEReN — Intelligence artificielle générative : quels défis environnementaux ? (mai 2026)
- Arcep et PEReN — Rapport complet « IA et environnement » (PDF, 91 pages) (21 mai 2026)
- Agence internationale de l'énergie — Energy and AI, résumé exécutif (10 avril 2025)
- Mission numérique écoresponsable (DINUM) — Actualisation des chiffres de l'impact du numérique en France, d'après l'étude ADEME-Arcep (9 janvier 2025)
- ADEME — Évaluation de l'impact environnemental d'un ensemble de produits reconditionnés (2022)
- Laboratoire de la société numérique — Impact environnemental des smartphones : quels bénéfices du reconditionnement par rapport au neuf ? (19 octobre 2022)
- Arcep et Arcom — Référentiel général de l'écoconception des services numériques (RGESN) (2024)
- Portail RSE (DGE) — Norme volontaire de durabilité VSME, recommandation (UE) 2025/1710 (30 juillet 2025)
- Commission européenne — Règlement délégué C(2026) 5011 final établissant la norme de reporting volontaire pour les entreprises protégées par le « value chain cap » (3 juillet 2026, article 29ca de la directive comptable, plafond à 1 000 salariés, application aux exercices ouverts à compter du 01/01/2027)
Savez-vous ce que consomment réellement les traitements IA que vous avez mis en production ? Sauriez-vous répondre à un donneur d'ordre qui vous demande ces chiffres dans un appel d'offres ? Parlons-en — nous vous aidons à définir votre stratégie IA en intégrant la mesure d'impact dès la conception, et à prototyper vos cas d'usage sur une infrastructure hébergée en France.
