« Une question à une IA consomme autant que… » : on lit beaucoup de comparaisons de ce type. Elles sont souvent séduisantes, mais rarement faciles à vérifier. Voici ce que l’on peut dire avec prudence, et pourquoi certains chiffres circulent sans contexte.
Entraînement et inférence : deux étapes différentes
- L’entraînement regroupe les calculs utilisés pour apprendre les paramètres d’un modèle à partir de grandes quantités de données. Le préentraînement a lieu avant la mise à disposition, mais des modèles peuvent aussi être affinés ou mis à jour ensuite.
- L’inférence est l’usage : chaque fois qu’un modèle traite une demande et génère une réponse. Pour une personne, c’est peu visible, mais cette opération est répétée à grande échelle.
Ces deux étapes pèsent différemment selon le modèle, le matériel et le nombre d’utilisateurs. On ne peut pas résumer l’empreinte de l’IA à l’une seule d’entre elles.
De quoi dépend l’empreinte ?
Il n’existe pas de valeur unique « par requête ». Le résultat dépend notamment :
- du modèle utilisé (architecture, longueur de l’entrée et de la réponse) ;
- du matériel qui fait tourner le calcul ;
- de la source d’énergie qui alimente le centre de données ;
- du volume d’usage ;
- du périmètre retenu : électricité seule, ou aussi eau, fabrication des équipements, refroidissement, etc.
Deux chiffres calculés avec des périmètres différents ne sont donc pas comparables. Avant de reprendre une valeur « par prompt », vérifiez la méthode, le modèle, la date et ce qui est comptabilisé.
Les données publiques les plus solides : les centres de données
Les informations les mieux documentées concernent l’ensemble des centres de données plutôt qu’une requête isolée. Dans son rapport de 2025 Energy and AI, l’Agence internationale de l’énergie (IEA) indique que les centres de données représentaient environ 1,5 % de la consommation mondiale d’électricité en 2024.
L’IA n’est qu’une partie de ce que font ces centres de données : ils hébergent aussi le stockage, les sites web, la vidéo en ligne ou les services d’entreprise. L’IEA n’a pas mesuré la consommation d’un prompt ChatGPT. Son analyse porte sur les centres de données et le système électrique, pas sur l’usage d’un assistant en particulier.
Des projections, avec des incertitudes
Le rapport présente aussi des perspectives sur l’évolution de cette demande d’électricité. Comme le résume son résumé exécutif, ces projections s’accompagnent d’incertitudes, et l’IA pourrait aussi permettre des gains dans le secteur de l’énergie. Il faut donc éviter deux excès : dire que l’IA n’a aucun impact, ou annoncer un chiffre définitif.
Comment lire un chiffre sur l’IA et l’environnement
- Qui a mesuré ? Cherchez une source primaire (agence, étude publiée, rapport d’entreprise) plutôt qu’un graphique repartagé.
- Quoi exactement ? Entraînement, inférence, centre de données entier ? Électricité, eau, carbone ?
- Quel modèle, quelle année ? Les modèles et les machines changent vite : un chiffre ancien peut ne plus s’appliquer.
- Quelle comparaison ? Comparer à une recherche web, à une vidéo ou à un trajet suppose les mêmes hypothèses des deux côtés.
Que faire à notre échelle ?
Sans promettre d’effet précis, quelques réflexes raisonnables : choisir l’outil adapté à la tâche (un modèle plus petit peut suffire), éviter de régénérer des contenus inutilement et poser des questions aux fournisseurs sur leur transparence. Ces gestes ne remplacent pas les décisions de fond, qui relèvent des entreprises qui conçoivent les modèles et des opérateurs des centres de données.
À retenir : l’empreinte de l’IA générative est un sujet réel, mais les chiffres fiables sont surtout globaux. Méfiez-vous des valeurs « par requête » présentées sans méthode.