# Qu'est-ce que l'empreinte carbone de l'IA ? Définition et enjeux pour l'entreprise > L'empreinte carbone de l'IA est l'ensemble des émissions de gaz à effet de serre liées à son cycle de vie : entraînement des modèles, fabrication des composants, fonctionnement des data centres et inférence à l'usage. Elle devient un poste de consommation significatif à l'échelle mondiale. ## Définition L'empreinte carbone de l'IA se décompose en quatre postes principaux. La fabrication du matériel : production des GPU, serveurs, refroidisseurs, dont l'empreinte amont est rarement comptabilisée. L'entraînement des modèles : opération à coût énergétique élevé, ponctuelle mais répétée à chaque nouvelle génération. L'entraînement de GPT-3 a consommé environ 1 287 MWh et émis 552 tonnes d'équivalent CO2 (Patterson et al., 2021). Le fonctionnement des data centres : poste continu, dominant en cumulé. Selon l'IEA, les data centres mondiaux ont consommé 415 TWh en 2024 (1,5 % de l'électricité mondiale), avec une projection à environ 950 TWh en 2030. L'inférence à l'usage : opération unitaire faible mais multipliée par des milliards d'appels quotidiens. Selon l'IEA, la consommation des data centres dédiés à l'IA a crû de 50 % en 2025. ## Exemple Prenons une entreprise européenne qui déploie un assistant IA pour 500 salariés, à raison de 20 requêtes par jour sur 220 jours ouvrés : 2,2 millions de requêtes par an. Google mesure 0,24 Wh pour une requête texte médiane sur Gemini, data centre compris. La consommation directe serait donc d'environ 530 kWh par an. Avec l'intensité carbone moyenne de l'électricité produite dans l'UE en 2024 (environ 183 g de CO2e par kWh selon l'Agence européenne pour l'environnement), cela représente de l'ordre de 100 kg de CO2e par an. Le résultat varie fortement d'un pays à l'autre selon le mix électrique. C'est modeste rapporté au bilan carbone d'une PME. Mais le ratio change pour les usages intensifs : génération vidéo, modèles de raisonnement multi-étapes, agents autonomes. L'IEA estime que ces tâches peuvent consommer des centaines, voire des milliers de fois plus d'énergie par requête qu'une simple génération de texte. Le choix entre un modèle léger optimisé et un modèle de pointe a un impact direct sur l'empreinte. ## Pour un dirigeant L'empreinte carbone de l'IA n'est plus une externalité négligeable. Trois implications pour le dirigeant. Premièrement, la sobriété d'usage est un double dividende : elle réduit la facture (coût d'inférence proportionnel aux tokens) et l'empreinte (consommation énergétique proportionnelle). Les deux logiques convergent, ce qui aligne discipline économique et discipline environnementale. Deuxièmement, le choix de modèle doit intégrer un critère énergétique explicite : à tâche égale, un petit modèle consomme nettement moins qu'un modèle de pointe. Demandez aux fournisseurs leurs mesures de consommation par requête : Google, par exemple, publie la sienne pour Gemini. Troisièmement, depuis le 2 août 2025, l'AI Act européen impose à tous les fournisseurs de modèles d'IA à usage général de documenter la consommation d'énergie connue ou estimée de leurs modèles (annexe XI). La Commission peut sanctionner ces obligations depuis le 2 août 2026. Ce premier socle préfigure des reportings plus contraignants. ## Questions fréquentes **Qu'est-ce que l'empreinte carbone de l'IA ?** C'est l'ensemble des émissions de gaz à effet de serre liées à son cycle de vie : fabrication des composants, entraînement des modèles, fonctionnement des data centres et inférence à l'usage. Elle devient un poste de consommation significatif à l'échelle mondiale. **Quels sont les principaux postes d'émission ?** Quatre. La fabrication du matériel (GPU, serveurs, refroidisseurs), dont l'empreinte amont est rarement comptabilisée. L'entraînement des modèles : celui de GPT-3 a consommé environ 1 287 MWh et émis 552 tonnes de CO2e. Le fonctionnement des data centres, poste continu et dominant en cumulé : selon l'IEA, les data centres mondiaux ont consommé 415 TWh en 2024. L'inférence à l'usage, faible à l'unité mais multipliée par des milliards d'appels quotidiens. **Quel ordre de grandeur pour une entreprise ?** Pour un assistant utilisé par 500 salariés à 20 requêtes par jour sur 220 jours, soit 2,2 millions de requêtes par an, la consommation directe serait d'environ 530 kWh, soit de l'ordre de 100 kg de CO2e par an avec le mix électrique moyen de l'UE en 2024. C'est modeste, mais le ratio change fortement pour les usages intensifs (vidéo, raisonnement multi-étapes, agents), qui peuvent consommer des centaines, voire des milliers de fois plus d'énergie par requête qu'une simple génération de texte. **Comment réduire cette empreinte ?** Par la sobriété d'usage, qui est un double dividende : elle réduit la facture (coût d'inférence proportionnel aux tokens) et l'empreinte (consommation énergétique proportionnelle). Le choix du modèle doit intégrer un critère énergétique explicite, car à tâche égale un petit modèle consomme nettement moins qu'un modèle de pointe. Demandez aux fournisseurs leurs mesures de consommation par requête. **Y a-t-il une obligation réglementaire ?** Oui. Depuis le 2 août 2025, l'AI Act européen impose aux fournisseurs de modèles à usage général de documenter la consommation d'énergie connue ou estimée de leurs modèles (annexe XI). La Commission peut sanctionner ces obligations depuis le 2 août 2026. Ce premier socle préfigure des reportings plus contraignants. ## À lire aussi - [Inférence](https://wyp.agency/glossaire/inference/) - [Paramètre](https://wyp.agency/glossaire/parametre/) - [Modèle de fondation](https://wyp.agency/glossaire/modele-de-fondation/) - [AI Act](https://wyp.agency/glossaire/ai-act/) - [Souveraineté numérique](https://wyp.agency/glossaire/souverainete-numerique/) - [IA frugale](https://wyp.agency/glossaire/ia-frugale/) ## Sources - Energy and AI, International Energy Agency, executive summary, 2025 (https://www.iea.org/reports/energy-and-ai/executive-summary) - Key Questions on Energy and AI, International Energy Agency, executive summary, 2026 (https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary) - Carbon Emissions and Large Neural Network Training, Patterson et al., arXiv:2104.10350, 2021 (https://arxiv.org/abs/2104.10350) - Measuring the environmental impact of delivering AI at Google Scale, Google, arXiv:2508.15734, 2025 (https://arxiv.org/abs/2508.15734) - Intensité des émissions de GES de la production d'électricité en Europe, Agence européenne pour l'environnement, 2026 (https://www.eea.europa.eu/en/analysis/indicators/greenhouse-gas-emission-intensity-of-1) - Règlement (UE) 2024/1689 (AI Act), article 53, annexe XI et article 113 (https://eur-lex.europa.eu/eli/reg/2024/1689/oj) --- Fiche du glossaire IA de WYP.agency · https://wyp.agency/glossaire/empreinte-carbone-ia/ · Dernière mise à jour : 2026-10-14