En bref. Une requête d’IA n’a pas un impact environnemental universel. Sa consommation dépend du travail demandé, de la configuration, de l’infrastructure et du nombre de tentatives ; son intérêt environnemental net dépend aussi de ce qui aurait été fait sans IA. Pour agir sans greenwashing, les entreprises doivent mesurer l’ impact d’une tâche professionnelle effectivement acceptée , puis examiner ses effets à l’échelle des usages et sur le cycle de vie du système.
LE REGARD SPOTLAB
Ce qu’il faut retenir
Les comparaisons environnementales doivent partager un périmètre et des hypothèses explicites, et être reliées au travail effectivement réalisé.
Trois décisions pour les dirigeants
- Mesurer plusieurs impacts, pas un seul chiffre de CO₂. Énergie, émissions, eau et équipements ne suivent pas nécessairement la même évolution. Une consommation électrique plus faible ne signifie pas toujours un bilan environnemental global meilleur.
- Comparer un travail fini à une alternative crédible. Le nombre de prompts ne dit rien de la qualité finale, des corrections ni de la tâche qui aurait été réalisée sans IA. Une estimation par requête ne doit pas être présentée comme une analyse de cycle de vie.
- Réduire les opérations inutiles avant d’optimiser le modèle. Éviter une exécution sans utilité, limiter les recherches répétées, réutiliser une information validée et adapter les ressources à la tâche peuvent constituer des leviers — à vérifier par la mesure, sans sacrifier la qualité.
Que sait-on réellement de l’empreinte de l’IA ?
L’Agence internationale de l’énergie (AIE) estime qu’en 2024 les centres de données ont consommé environ 415 TWh d’électricité , soit près de 1,5 % de la consommation mondiale . Dans son scénario central de 2025, cette consommation atteindrait environ 945 TWh en 2030 : il s’agit d’une projection, pour tous les centres de données, pas d’une mesure de la seule IA générative . Son rapport du 14 octobre 2026 approfondit les enjeux de réseaux, d’accessibilité de l’électricité, d’émissions et d’utilisation de l’eau. ( AIE, 2025 ; AIE, 2026 ).
L’ADEME a publié en juillet 2026 un avis couvrant les impacts directs et indirects des IA génératives et agentiques. Sa recherche sur l’analyse de cycle de vie des GPU rappelle aussi que les équipements matériels ont des impacts de fabrication , indépendants de l’électricité nécessaire pendant l’usage. ( ADEME, avis 2026 ; ADEME, étude GPU ).
Ces résultats établissent la matérialité de l’enjeu , pas un facteur d’émission utilisable tel quel pour calculer l’empreinte d’un rapport, d’un dossier de contrôle interne ou d’une proposition commerciale.
Pourquoi les chiffres « par prompt » sont difficiles à comparer
Dans une étude de 2025, Google estime que le prompt texte médian de Gemini Apps représente environ 0,24 Wh dans le périmètre opérationnel mesuré par son infrastructure. Cette mesure est documentée pour un produit, une période, un profil de requêtes et une méthode ; elle n’est pas transférable à n’importe quel modèle, requête longue, agent ou architecture . Elle ne remplace pas non plus un bilan complet du cycle de vie. ( Google, 2025 ).
Comparer deux chiffres demande donc de connaître au minimum : le type de tâche, le modèle et sa version, le volume de tokens et les outils, les serveurs et leur taux d’utilisation, les charges de refroidissement et les facteurs d’émission retenus. Il faut préciser ce qui est mesuré directement , fourni par un opérateur ou estimé . Une étude locale ne doit jamais être présentée comme une moyenne mondiale.
Une unité de comparaison plus utile : la tâche acceptée
L’optimisation d’un système professionnel ne devrait pas commencer par « quel modèle consomme le moins par appel ? », mais par : combien de ressources sont utilisées pour obtenir un résultat métier exploitable ?
Considérons une analyse documentaire. La première configuration mobilise un grand modèle, une recherche documentaire et une validation humaine. La seconde utilise un modèle plus léger, mais nécessite davantage de reprises. Le calcul pertinent inclut toutes les tentatives, les appels d’outils, les vérifications et les échecs . Si la seconde produit davantage de conclusions erronées, elle peut déplacer le travail vers les collaborateurs, sans améliorer le bilan de bout en bout.
Nous proposons de suivre séparément :
| Indicateur | Objet | Précaution de lecture |
|---|---|---|
| Travaux acceptés | Nombre de livrables conformes aux critères métier | Ne pas compter les réponses simplement générées |
| Énergie par travail accepté | Énergie de tous les essais / livrables acceptés | Dépend de données d’infrastructure disponibles |
| Émissions estimées | Énergie et équipements avec facteurs documentés | Publier périmètre, zone, période et incertitude |
| Eau / matériel | Consommation et impacts alloués selon méthode | Éviter d’assimiler eau prélevée et eau consommée |
| Efficacité professionnelle | Temps, coûts, qualité, corrections et utilité | Un coût inférieur ne prouve pas un impact moindre |
Cette grille est une proposition opérationnelle Spotwork.AI , non une méthode normalisée de calcul carbone en elle-même.
La méthode en cinq décisions
1. Définir l’utilité. Identifier les tâches réellement nécessaires, leur destinataire, les critères d’acceptation et l’alternative sans IA. Éliminer les générations sans usage identifié avant toute optimisation technique.
2. Définir le périmètre. Séparer entraînement et inférence, équipements et énergie d’exploitation, impacts directs du service et effets indirects de son adoption. Décrire la méthode d’allocation lorsque le même modèle sert plusieurs usages.
3. Collecter les preuves. Demander au fournisseur ses données d’énergie, d’eau, d’équipements, de localisation et de méthode ; instrumenter les coûts, appels, retries et latences côté application. Les données manquantes doivent rester indiquées comme telles.
4. Comparer des configurations à qualité équivalente. Tester les mêmes scénarios, droits et critères de réussite, y compris cas difficiles et refus corrects. Un incident critique de sécurité ou une dégradation métier substantielle peut rendre une optimisation inacceptable.
5. Décider et surveiller. Mettre en production la variante retenue dans un périmètre défini ; mesurer l’évolution des volumes, la consommation, les reprises et les effets rebond. Une meilleure efficacité unitaire ne garantit pas une baisse de consommation totale si le nombre d’usages augmente.
Exemple illustratif : choisir entre deux workflows
Simulation sans mesures réelles de Spotwork.AI. Une équipe traite un lot de 1 000 demandes . Le workflow A exécute 1 000 appels (1 par demande) et produit 900 livrables acceptés. Le workflow B exécute 1 300 appels (1,3 par demande en moyenne) et produit 950 livrables acceptés. Les acceptations portent sur les demandes traitées, non sur les appels individuels. On observe donc environ 1,11 appel par résultat accepté pour A et 1,37 pour B .
Cette illustration ne permet pas de conclure que A consomme moins d’énergie : les modèles, longueurs des requêtes et infrastructures peuvent différer. Elle montre seulement que le nombre d’appels par tâche acceptée apporte davantage d’information que le coût d’un appel isolé . La meilleure configuration dépend encore des impacts mesurés et du niveau de qualité exigé.
Comment éviter le greenwashing ?
L’UIT a approuvé en février 2026 la recommandation UIT-T L.1801 , fondée sur l’ analyse du cycle de vie (ACV) pour évaluer les systèmes d’IA. Elle prévoit aussi l’examen des effets liés à l’utilisation de l’IA par rapport à des solutions alternatives ; elle ne détermine pas à l’avance si l’IA est bénéfique à l’environnement. L’ ISO/IEC 21031:2024 traite pour sa part de l’intensité carbone d’un système logiciel. Ces deux référentiels ne doivent pas être décrits comme équivalents. ( UIT-T L.1801 ; ISO/IEC 21031 ).
Une communication solide distingue mesure, estimation, hypothèse et bénéfice futur , et ne promet pas de réduction de CO₂ à partir de seules économies financières, d’un nombre de prompts réduit ou d’un hébergement présenté comme « vert » sans comptabilité explicite.
Le rôle de l’architecture professionnelle
Une orchestration raisonnée peut être une piste de sobriété : affecter les modèles aux tâches adaptées, borner les retries, éviter les récupérations inutiles, conserver les résultats validés et suivre qualité et coût. Ce potentiel doit être testé dans l’environnement réel ; aucune économie d’énergie ou de carbone de Spotwork.AI n’est mesurée ni revendiquée dans cet article.
L’objectif est double : employer l’IA lorsqu’elle crée une utilité démontrable , puis rendre l’exécution de cette IA aussi efficiente et contrôlée que possible. Le premier volet relève de la pertinence métier ; le second, de l’ingénierie et de l’évaluation environnementale. Les confondre fragilise les décisions RSE.
Périmètre et sources
Cette publication synthétise des travaux de l’AIE, de l’ADEME, de l’UIT, de l’ISO et de Google. Elle propose un cadre décisionnel, sans bilan carbone propriétaire, audit d’un fournisseur ou certification Spotwork.AI . Le cas numérique est fictif et limité à la comparaison des volumes d’appels.