Une question posée à une IA consomme à peu près autant d’électricité que quelques secondes de télévision. C’est vrai, et c’est pourtant la mauvaise façon de poser le problème. Multipliée par des milliards de requêtes chaque jour, par des usages de plus en plus lourds et par une course mondiale aux data centers, cette petite consommation devient l’un des sujets énergétiques majeurs de la décennie. Voici ce que disent vraiment les chiffres, d’où ils viennent, ceux dont il faut se méfier, et ce qu’une entreprise peut faire concrètement.

Chiffres vérifiés sur les sources citées, mis à jour le 26 octobre 2026. Chaque source est citée au moment où elle est utilisée, et reprise avec son adresse en fin d’article.

Une requête : ce que disent vraiment les mesures

Pendant deux ans, les fournisseurs n’ont rien publié, et la presse reprenait des estimations de chercheurs faites de l’extérieur. Depuis l’été 2025, trois acteurs ont publié leurs propres chiffres. Ils ne mesurent pas la même chose, et c’est la première leçon.

Premier constat : les ordres de grandeur récents convergent. Une requête texte simple se situe autour de 0,3 Wh, ce que l’institut de recherche indépendant Epoch AI avait d’ailleurs estimé de son côté (« How much energy does ChatGPT use? », février 2025). Google le traduit en moins de 9 secondes de télévision.

Deuxième constat : ces chiffres ne se comparent pas entre eux. Google donne une médiane, OpenAI une moyenne. Google compte l’inférence seule, Mistral l’inférence en analyse de cycle de vie, fabrication des serveurs incluse. Pris au pied de la lettre, Mistral semblerait émettre 38 fois plus que Google par réponse. C’est trompeur : Google déduit ses achats d’électricité décarbonée (méthode dite market-based), alors que Mistral compte le mix réel du réseau (méthode location-based). La taille du modèle et la longueur de la réponse diffèrent aussi. Et le plus transparent risque de paraître le plus lourd.

Troisième constat : le progrès est rapide. Selon la même étude de Google, l’énergie de sa requête médiane a été divisée par 33 et son empreinte carbone par 44 entre mai 2024 et mai 2025, grâce à des logiciels plus efficaces et à l’achat d’électricité décarbonée. L’Agence internationale de l’énergie observe, elle, une baisse de l’énergie par tâche d’au moins un ordre de grandeur par an (AIE, « Key Questions on Energy and AI », avril 2026).

L’effet volume : là où le petit devient énorme

Une requête est négligeable. Le système qui la rend possible ne l’est pas.

Le volume d’usage. En juillet 2025, OpenAI a indiqué que ChatGPT recevait 2,5 milliards de requêtes par jour (chiffre communiqué au média Axios et repris par TechCrunch le 21 juillet 2025). En février 2026, l’entreprise revendiquait plus de 900 millions d’utilisateurs chaque semaine (OpenAI, « Scaling AI for everyone », 27 février 2026). Et ce n’est qu’un service parmi d’autres.

Les data centers. Selon l’Agence internationale de l’énergie (AIE, « Key Questions on Energy and AI », avril 2026), les data centers du monde ont consommé 485 TWh en 2025, en hausse de 17 % sur un an. Ceux qui sont spécialisés dans l’IA ont bondi de 50 %, et leur consommation devrait tripler d’ici 2030. L’agence projette environ 950 TWh en 2030, soit près de 3 % de l’électricité mondiale. The Shift Project est plus pessimiste (« Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ? », octobre 2025) : 1 250 à 1 500 TWh en 2030 si la tendance se poursuit, dont environ 800 TWh imputables à l’IA.

Un exemple concret. La consommation d’électricité de Microsoft est passée de 10,8 TWh sur l’exercice 2020 à 37 TWh sur l’exercice 2025, selon ses propres données (Microsoft, « Environmental Data Fact Sheet » 2026). Plus du triple en cinq ans.

Et la France ? L’ADEME a chiffré en janvier 2026 l’électricité consommée par les data centers qui servent les usages des Français : 23,7 TWh en 2024, dont 58 % à l’étranger (ADEME, « Prospective d’évolution des consommations des centres de données en France de 2024 à 2060 », janvier 2026). Dans son scénario tendanciel, ce total serait multiplié par 4,4 d’ici 2035.

Le piège de l’efficacité. On pourrait croire que les progrès par requête règlent le problème. C’est l’inverse qui se produit souvent : quand un service devient moins cher et plus efficace, on l’utilise beaucoup plus. C’est l’effet rebond, ou paradoxe de Jevons, que des chercheurs ont documenté pour l’IA (Luccioni, Strubell et Crawford, « From Efficiency Gains to Rebound Effects », conférence ACM FAccT 2025). L’AIE fait un constat proche en 2026 : les usages se multiplient, et des tâches beaucoup plus gourmandes se diffusent, comme la vidéo, le raisonnement et les agents qui enchaînent les appels.

Un calcul d’ordre de grandeur, à prendre comme tel : 2,5 milliards de requêtes à 0,34 Wh représentent environ 0,3 TWh par an, pour un seul service, en texte simple, à une date donnée. C’est peu à l’échelle des 485 TWh des data centers. L’AIE donne un repère du même ordre : remplacer toutes les recherches web par des requêtes IA simples coûterait moins de 4 TWh par an, soit moins de 1 % de la consommation des data centers. Autrement dit, le problème ne vient pas de votre question courte à ChatGPT. Il vient des usages lourds (raisonnement, image, vidéo, agents, longs documents), de la multiplication des services d’IA et de la construction rapide des infrastructures, entraînement compris.

Tous les usages ne se valent pas

Parler de « la » consommation d’une requête n’a pas grand sens : selon ce que vous demandez, l’écart va de 1 à plusieurs dizaines de milliers.

Source : MIT Technology Review, mai 2025 · mesures sur modèles ouverts (Llama 3.1, CogVideoX), converties de joules en Wh

Les autres travaux vont dans le même sens. Une étude de référence montre que générer une image consomme en moyenne plus de 60 fois plus que générer du texte, sur les modèles testés (Luccioni, Jernite et Strubell, « Power Hungry Processing », conférence ACM FAccT 2024). Un très grand modèle de texte peut toutefois dépasser un petit modèle d’image, comme le montre le graphique. Les modèles qui « raisonnent » consomment en moyenne 30 fois plus que les autres, et de 150 à 700 fois plus quand on active le raisonnement sur un même modèle (Hugging Face, « AI Energy Score » version 2, décembre 2025). Enfin, une requête qui embarque un très long document peut monter autour de 40 Wh, plus de 100 fois une question courte (Epoch AI, février 2025).

La leçon pour une entreprise est simple. L’impact dépend moins du nombre de questions posées que du type d’usage : la taille du modèle, l’image, la vidéo, le raisonnement activé par défaut et les agents qui travaillent en boucle.

Au-delà de l’électricité : eau, matériel et émissions

L’énergie n’est qu’une partie de l’empreinte. Trois autres dimensions pèsent au moins autant.

L’eau. Les data centers consomment de l’eau pour se refroidir, et les centrales qui les alimentent aussi. Une équipe de l’université de Californie à Riverside estime qu’en 2027, l’IA pourrait prélever entre 4,2 et 6,6 milliards de mètres cubes d’eau dans le monde (Li, Yang, Islam et Ren, « Making AI Less Thirsty », version de mars 2025). Les rapports des géants le confirment. La consommation d’eau de Microsoft a doublé entre 2020 et 2025 (Microsoft, « Environmental Data Fact Sheet » 2026). Celle de Google a augmenté de 34 % en une seule année, pour atteindre environ 41 milliards de litres en 2025 (Google, rapport environnemental 2026).

Le matériel. Les puces spécialisées se renouvellent vite. L’IA générative pourrait produire entre 1,2 et 5 millions de tonnes de déchets électroniques cumulés entre 2020 et 2030, et des stratégies d’économie circulaire pourraient réduire ce volume de 16 à 86 % (Wang, Zhang, Tzachor et Chen, revue Nature Computational Science, octobre 2024). En France, c’est un point clé : la fabrication des équipements représente 60 % de l’empreinte carbone du numérique, sur des données 2022 (étude ADEME-Arcep, reprise dans le Guide du numérique des entreprises 2026 de l’Arcep, fiche 25). Avec une électricité très décarbonée comme la nôtre, c’est le matériel qui pèse le plus. Et l’Arcep alerte sur le risque que les fonctions d’IA poussent à renouveler plus vite nos ordinateurs et nos téléphones (Arcep, communiqué du 17 avril 2025).

Les émissions des géants. C’est sans doute l’indicateur le plus parlant. Les émissions totales de Microsoft, en comptabilité market-based, sont passées de 13,1 à 21,1 millions de tonnes de CO₂e entre les exercices 2020 et 2025, soit environ +60 %, alors que l’entreprise vise d’être « carbone négative » en 2030 (Microsoft, « Environmental Data Fact Sheet » 2026). Une partie du saut de 2025 tient à un choix comptable : en février 2025, Microsoft a cessé d’acheter des certificats d’électricité verte à court terme, ce qui a fait passer ses émissions liées à l’électricité de 0,26 à 2,7 millions de tonnes en un an. Google écrit lui-même que ses objectifs climat deviennent de plus en plus difficiles à atteindre (Google, rapport environnemental 2026). Chez Meta, la consommation d’électricité a été multipliée par 2,6 entre 2020 et 2024 (Meta, « Environmental Data Index » 2025). Le constat est le même chez les trois : l’infrastructure de l’IA se construit plus vite que leur électricité ne se décarbone, ce que Google reconnaît lui-même dans son rapport.

Le volet humain : l’autre moitié du « S » de RSE

La responsabilité d’une entreprise ne s’arrête pas au carbone. L’IA a aussi un impact sur le travail, ici et ailleurs.

L’emploi. L’Organisation internationale du travail estime qu’un quart des emplois dans le monde est exposé à l’IA générative, et 34 % dans les pays à revenu élevé (OIT, « Generative AI and jobs: A refined global index of occupational exposure », document de travail n° 140, mai 2025). Seuls 3,3 % sont dans la catégorie la plus exposée, où la part de l’emploi féminin concerné est deux fois plus élevée que celle de l’emploi masculin (4,7 % contre 2,4 %). Pour l’OIT, l’effet le plus probable est la transformation des métiers, pas leur disparition. Le FMI avance une exposition plus large, 60 % des emplois dans les économies avancées, dont environ la moitié pourraient gagner en productivité. Pour l’autre moitié, l’IA pourrait exécuter des tâches clés, réduire la demande de travail, peser sur les salaires et les embauches, voire faire disparaître certains emplois dans les cas extrêmes (Kristalina Georgieva, blog du FMI, 14 janvier 2024).

En France, la Direction générale du Trésor jugeait en juin 2026 l’effet net sur l’emploi encore incertain (Trésor-Éco n° 391, « L’intelligence artificielle : quels effets sur l’emploi ? », 30 juin 2026). Elle relève toutefois de premiers effets sur l’entrée des jeunes dans la vie active, et note, en citant le Baromètre du numérique 2025, que 62 % des Français voient l’IA comme un risque pour l’emploi. Pour une PME, la question RSE est donc très concrète : comment former, accompagner et faire monter en compétences plutôt que subir.

Les travailleurs invisibles. Derrière les modèles, il y a des humains qui annotent les données et filtrent les contenus. En 2023, une enquête du magazine TIME a révélé que des annotateurs kenyans, payés entre 1,32 et 2 dollars de l’heure par un sous-traitant, avaient étiqueté des contenus violents pour entraîner ChatGPT, avec des séquelles psychologiques (Billy Perrigo, TIME, 18 janvier 2023). Le sociologue Antonio Casilli documente ces « travailleurs du clic », jusqu’à Madagascar, y compris pour des donneurs d’ordre français (audition d’Antonio Casilli, mai 2025). Choisir un fournisseur, c’est aussi choisir sa chaîne de valeur.

Le débat : ceux qui relativisent, ceux qui alertent

Sur ce sujet, deux camps sérieux s’opposent. Ils ont tous les deux raison, mais pas à la même échelle.

Ceux qui relativisent. Andy Masley, auteur indépendant qui publie une lettre Substack sur le sujet, a popularisé l’idée que l’usage individuel de ChatGPT n’est pas un problème environnemental (« Using ChatGPT is not bad for the environment », janvier 2025). Son argument : même avec l’ancienne estimation de 3 Wh par requête, l’usage individuel reste marginal face au reste de notre empreinte. Culpabiliser l’utilisateur n’a donc pas de sens, l’enjeu est de décarboner le système électrique. Les publications de Google et de l’AIE sur la baisse rapide de l’énergie par requête vont dans ce sens. L’AIE ajoute que la diffusion des usages de l’IA déjà connus pourrait réduire d’environ 5 % les émissions liées à l’énergie en 2035. C’est un scénario d’adoption massive, dont l’agence précise qu’il n’est aujourd’hui pas engagé : ce serait bien plus que ce qu’émettent les data centers, mais très insuffisant face aux objectifs climat (AIE, « Energy and AI », avril 2025).

Ceux qui alertent. Sasha Luccioni et ses co-auteurs rappellent que les usages lourds explosent : images, vidéos, raisonnement, agents. Ils pointent aussi l’opacité : en mai 2025, 84 % des volumes traités sur la plateforme OpenRouter, qui donne accès à de nombreux modèles, passaient par des modèles sans aucune donnée environnementale publiée (« Misinformation by Omission », étude publiée en juin 2025). The Shift Project estime que la dynamique actuelle rend les objectifs de décarbonation hors d’atteinte (rapport d’octobre 2025). Et l’AIE constate, aux États-Unis, que des promoteurs de data centers lancent des projets de production électrique au gaz directement sur site pour contourner la saturation des réseaux (AIE, « Key Questions on Energy and AI », avril 2026).

Ce que j’en retiens. À l’échelle d’une personne qui pose des questions en texte, l’impact est faible, et le culpabiliser ne sert à rien. À l’échelle du système, la croissance est réelle, rapide et en partie fossile. Les deux sont vrais en même temps. Ce qui compte pour une entreprise, c’est de ne pas se cacher derrière le premier constat pour ignorer le second.

Les chiffres dont il faut se méfier

Sur ce sujet, les chiffres circulent plus vite que leurs sources. Voici les plus répandus, et ce qu’il faut en penser.

Trois réflexes suffisent à trier : qui publie le chiffre, et avec quelle méthode ? Qu’est-ce qui est compté, et qu’est-ce qui ne l’est pas ? S’agit-il d’une médiane, d’une moyenne ou d’un cas extrême ? Un chiffre qui ne répond à aucune de ces questions n’a pas sa place dans une décision d’entreprise, ni dans un reporting RSE.

Ce que dit la réglementation, et ce qu’une PME peut faire

Le cadre. Trois textes comptent pour une entreprise française.

• L’AI Act européen s’applique par étapes. Depuis février 2025, et sous une forme assouplie depuis l’été 2026 (règlement « omnibus numérique » (UE) 2026/1744), les entreprises qui utilisent l’IA doivent prendre des mesures pour développer la maîtrise de ces outils par leurs équipes. Depuis août 2025, les fournisseurs de modèles d’IA à usage général doivent documenter la consommation d’énergie du modèle (règlement européen sur l’IA, annexe XI). L’essentiel du texte s’applique depuis août 2026, et les règles sur les systèmes à haut risque ont été reportées au 2 décembre 2027 et au 2 août 2028 (Commission européenne, cadre réglementaire de l’IA).
• La CSRD, après sa simplification, ne vise plus que les groupes de plus de 1 000 salariés et 450 millions d’euros de chiffre d’affaires (Lefebvre Dalloz, « Directive CSRD : nouveaux seuils, obligations et calendrier actualisé », mars 2026). Ces seuils doivent encore être transposés en droit français, au plus tard le 19 mars 2027. Une PME fournisseur peut toutefois recevoir des questions de ses grands clients : pour les fournisseurs de moins de 1 000 salariés, ces demandes ne peuvent pas aller au-delà du standard volontaire VSME.
• Le référentiel AFNOR Spec 2314 sur l’IA frugale (AFNOR, juin 2024, mis à jour en avril 2025), gratuit, propose 31 fiches de bonnes pratiques. Sa définition est utile : une IA est frugale si l’on a d’abord vérifié qu’elle était nécessaire.

Les leviers concrets. Une PME n’a pas la main sur les data centers. Elle a la main sur ses usages, et ce sont eux qui font les écarts de 1 à 30 000.

1. Choisir le plus petit modèle qui suffit. L’impact est à peu près proportionnel à la taille du modèle (Mistral AI, analyse de cycle de vie, juillet 2025). Pour reformuler un mail, un modèle léger fait l’affaire. Et désactivez les assistants IA intégrés à vos logiciels quand ils ne vous servent pas.
2. Ne pas activer le raisonnement par défaut. Réservez-le aux questions complexes : les modèles qui raisonnent consomment 30 fois plus en moyenne, et activer le raisonnement sur un même modèle peut multiplier la consommation par 150 à 700 (Hugging Face, « AI Energy Score », décembre 2025).
3. Limiter l’image et la vidéo aux vrais besoins. Une illustration générée pour décorer un post n’a pas le même coût qu’une réponse texte (Luccioni et al., 2024).
4. Écrire des demandes ciblées. Envoyer un document de 200 pages pour en extraire une date coûte plus de 100 fois plus qu’une question précise (Epoch AI, 2025).
5. Préférer un hébergement en France ou en Europe. L’électricité française émet environ 20 g de CO₂ par kWh (RTE, Bilan électrique 2025), contre 435 g en moyenne mondiale et environ 170 g dans l’Union européenne (AIE, « Electricity 2026 »). Mais la nationalité du fournisseur ne suffit pas : demandez-lui où le calcul est réellement exécuté, et avec quelle méthode carbone. C’est aussi un atout pour la confidentialité des données, à condition que le fournisseur ne relève pas d’un droit étranger à portée extraterritoriale.
6. Garder ses ordinateurs et téléphones plus longtemps. En France, la fabrication des équipements pèse 60 % de l’empreinte du numérique (ADEME-Arcep). Ne remplacez pas un parc pour une fonction d’IA.
7. Former les équipes. C’est à la fois une attente de l’AI Act, un levier important de sobriété et une réponse directe au risque social : une équipe formée sait quand l’IA est utile, et quand elle ne l’est pas.

En conclusion : ni déni, ni renoncement

L’impact environnemental et humain de l’IA est un vrai sujet, qu’on ne doit ni nier ni sous-estimer. Une requête texte pèse peu. Des milliards de requêtes, des usages de plus en plus lourds et une infrastructure qui se construit plus vite qu’elle ne se décarbone pèsent énormément.

Ma position est simple : ce n’est pas une raison pour ne pas y toucher. C’est une raison pour apprendre à s’en servir de manière raisonnée. Pas pour faire des chats qui font du skateboard, mais pour notre travail, avec le bon outil pour la bonne tâche, des équipes formées et des chiffres vérifiés.

C’est exactement ce que nous construisons en atelier avec les dirigeants et leurs équipes. Pour en parler : techpm.fr/sonIA

Sources

• AIE, « Energy and AI », avril 2025 : https://www.iea.org/reports/energy-and-ai/executive-summary
• AIE, « Key Questions on Energy and AI », avril 2026 : https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
• AIE, « Electricity 2026 », émissions : https://www.iea.org/reports/electricity-2026/emissions
• The Shift Project, « Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ? », octobre 2025 : https://theshiftproject.org/app/uploads/2025/10/Presentation-ppt-PIA.pdf
• ADEME, « Prospective d’évolution des consommations des data centers à court, moyen et long terme de 2024 à 2060 », janvier 2026 : https://librairie.ademe.fr/energies/8910-prospective-d-evolution-des-consommations-des-data-centers-a-court-moyen-et-long-terme-de-2024-a-2060.html
• RTE, Bilan électrique 2025 : https://analysesetdonnees.rte-france.com/bilan-electrique-2025/synthese
• Google, « Measuring the environmental impact of delivering AI at Google scale », août 2025 : https://arxiv.org/abs/2508.15734
• Sam Altman, « The Gentle Singularity », juin 2025 : https://blog.samaltman.com/the-gentle-singularity
• Mistral AI, analyse de cycle de vie de Mistral Large 2, juillet 2025 : https://mistral.ai/fr/news/our-contribution-to-a-global-environmental-standard-for-ai/
• Epoch AI, « How much energy does ChatGPT use? », février 2025 : https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
• Luccioni, Jernite et Strubell, « Power Hungry Processing », 2024 : https://arxiv.org/abs/2311.16863
• Hugging Face, « AI Energy Score » version 2, décembre 2025 : https://huggingface.co/blog/sasha/ai-energy-score-v2
• MIT Technology Review, « We did the math on AI’s energy footprint », mai 2025 (graphique) : https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/
• Luccioni, Strubell et Crawford, « From Efficiency Gains to Rebound Effects », 2025 : https://arxiv.org/abs/2501.16548
• « Misinformation by Omission », juin 2025 : https://arxiv.org/html/2506.15572v1
• TechCrunch, 21 juillet 2025 : https://techcrunch.com/2025/07/21/chatgpt-users-send-2-5-billion-prompts-a-day/
• OpenAI, « Scaling AI for everyone », février 2026 : https://openai.com/index/scaling-ai-for-everyone/
• Li, Yang, Islam et Ren, « Making AI Less Thirsty », 2025 : https://arxiv.org/abs/2304.03271
• Wang et al., Nature Computational Science, octobre 2024 : https://www.nature.com/articles/s43588-024-00712-6
• Arcep, Guide du numérique des entreprises 2026, fiche 25 : https://www.arcep.fr/fileadmin/cru-1774267598/user_upload/demarches-et-services/entreprises/guide-numerique-entreprises-edition-2026/guide-numerique-des-entreprises_edition-2026_Fiche25.pdf
• Arcep, communiqué du 17 avril 2025 : https://www.arcep.fr/actualites/actualites-et-communiques/detail/n/environnement-170425.html
• Microsoft, « Environmental Data Fact Sheet » 2026 : https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf
• Google, rapport environnemental 2026 : https://storage.googleapis.com/gweb-mobius-cdn/sustainability/uploads/7f477eb723fe0c23d03f94b90a08882b9f28187d.pdf
• Meta, « Environmental Data Index » 2025 : https://sustainability.atmeta.com/wp-content/uploads/2025/10/Meta_2025-Environmental-Data-Index.pdf
• Carbone 4, « Empreinte carbone du cloud », 2022 : https://carbone4.com/en/articles/analysis-carbon-footprint-cloud
• Andy Masley, « Using ChatGPT is not bad for the environment », janvier 2025 : https://andymasley.substack.com/p/individual-ai-use-is-not-bad-for
• OIT, « Generative AI and jobs », mai 2025 : https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
• FMI, blog de Kristalina Georgieva, janvier 2024 : https://www.imf.org/en/Blogs/Articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity
• DG Trésor, Trésor-Éco n° 391, juin 2026 : https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi
• TIME, Billy Perrigo, janvier 2023 : https://time.com/6247678/openai-chatgpt-kenya-workers/
• Antonio Casilli, audition de mai 2025 : https://www.casilli.fr/wp-content/uploads/2026/02/Hearing_Casilli_Democracy_Work_Spain_May_2025.pdf
• Règlement (UE) 2024/1689 sur l’IA, texte officiel (annexe XI) : https://eur-lex.europa.eu/eli/reg/2024/1689/oj
• Commission européenne, cadre réglementaire de l’IA : https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
• Lefebvre Dalloz, CSRD, mars 2026 : https://formation.lefebvre-dalloz.fr/actualite/directive-csrd-nouveaux-seuils-obligations-et-calendrier-actualise
• AFNOR, Spec 2314 IA frugale, juin 2024 : https://www.afnor.org/actualites/intelligence-artificielle/referentiel-reduire-impact-environnemental-ia/