De trois à trente fois plus, selon ce qu'on mesure exactement. Le régulateur français relève +92 % d'énergie en moyenne sur 22 modèles ouverts, avec des pointes à +849 % sur de la génération de code. Le classement de Hugging Face relève 30 fois plus en moyenne entre modèles, et jusqu'à 700 fois pour un même modèle avec et sans raisonnement.
Ces chiffres mesurent des objets différents. Et près de la moitié des tokens de raisonnement produits sont supprimables sans perte mesurable de justesse.
Raisonner, c'est produire plus de texte
Un modèle applique exactement le même nombre d'opérations à chaque token qu'il produit. Pas de boucle interne ni de récursion : le modèle ne « réfléchit pas plus longtemps » sur un cas donné. Le calcul par token vaut deux fois le nombre de paramètres actifs, en FLOP, et rien d'autre.
On dépense ce calcul pendant la réponse, plutôt que pendant l'entraînement. Comme le budget par token est fixe, la seule façon d'en allouer davantage à un problème est de produire davantage de tokens.
Pour un bilan carbone, la conséquence est directe : la chaîne de pensée constitue du volume de sortie supplémentaire, facturé et consommé comme tel.
Jusqu'en 2024, la chaîne de pensée était une astuce de prompt. Depuis o1 et R1, c'est un comportement appris par renforcement, avec une récompense vérifiable sur du code et des mathématiques. Le modèle apprend à produire de longs brouillons parce que cela améliore sa note.
Six mesures, six périmètres
| Multiplicateur | Ce qui est comparé | Périmètre |
|---|---|---|
| +92 % en moyenne, jusqu'à +849 % | mode raisonnement activé contre désactivé, en énergie | 22 modèles ouverts de 3 à 123 milliards de paramètres, supercalculateur Jean Zay, outil CEEMS, GPU seul (PEReN pour l'Arcep, mai 2026) |
| ×3,5 à ×4,5 | tokens générés, QwQ-32B contre Llama-3.3-70B | ASDIV, GSM8K et MATH500 (Chen et al., arXiv:2412.21187, décembre 2024) |
| ×30 en moyenne, ×150 à ×700 pour un même modèle | avec et sans raisonnement, Wh pour 1 000 requêtes | H100, GPU seul, sans regroupement de requêtes (AI Energy Score v2, décembre 2025) |
| ×25 | conversation contre résolution de problème, 184 J contre 4 625 J par réponse | B200, moteur de service vLLM, GPU seul (ML.Energy v3.0, janvier 2026) |
| ×13 | régime traditionnel contre test-time scaling, 0,31 contre 3,91 Wh médians | modèles de plus de 200 milliards de paramètres, nœud complet plus rendement du bâtiment, simulation Monte-Carlo (Oviedo et al., Joule 2026) |
| ×4 à ×6 | modes raisonnement contre texte seul, en émissions | 14 modèles ouverts, A100, mesure Perun (Dauner et Socher, Frontiers in Communication, juin 2025) |
Le ×30 est une moyenne entre modèles, mesurée sans regroupement de requêtes. Le ×13 vient d'une médiane en conditions de production simulées, quand le +92 % mesure les seuls GPU sur des modèles ouverts de taille moyenne. Empiler ces chiffres ou en prendre la moyenne produirait un nombre qui ne correspond à aucun périmètre réel.
L'ordre de grandeur défendable en clientèle : un modèle de raisonnement génère 3 à 5 fois plus de tokens de sortie qu'un modèle direct sur la même tâche, et l'énergie suit un facteur du même ordre, avec des queues de distribution à plusieurs centaines.
La dispersion elle-même instruit. Sur les contrôles d'AI Energy Score v2 : SmolLM3-3B multiplie par 697, Phi-4-reasoning-plus par 514, DeepSeek-R1-Distill-Llama-70B par 154, et Qwen3-235B-A22B ne bouge quasiment pas, de 306 à 301 Wh pour mille requêtes. Une moyenne de 30 masque trois ordres de grandeur. Un facteur d'émission unique pour « les modèles de raisonnement » n'a donc aucun sens.
Une bonne partie de ces tokens ne sert à rien
Chen et al. documentent ce qu'ils appellent la sur-réflexion. Sur l'addition « 2+3 », QwQ-32B-Preview génère 13 solutions distinctes pour un total de 901 tokens. Leur mesure globale : les modèles de type o1 consomment 1 953 % de tokens en plus que les modèles classiques pour arriver à la même réponse.
Tokens moyens générés, même tâche, deux modèles :
| Jeu de données | Llama-3.3-70B, direct | QwQ-32B, raisonnement | Multiplicateur |
|---|---|---|---|
| ASDIV | 166,4 | 741,8 | ×4,5 |
| GSM8K | 220,3 | 772,8 | ×3,5 |
| MATH500 | 553,4 | 2 407,9 | ×4,3 |
Leur méthode de réduction ramène MATH500 de 2 407,9 à 1 330,7 tokens, soit −44,8 %, pour une justesse de 92,8 % contre 93,0 % à l'origine. On perd deux dixièmes de point de qualité et on économise près de la moitié des tokens.
Le régulateur français dit la même chose autrement : le mode raisonnement coûte +92 % d'énergie « pour un gain de performance inégal selon les tâches ».
L'arbitrage est réglable, et on le mesure. Une équipe de Carnegie Mellon a plafonné la longueur de sortie de Qwen3-8B sur le jeu MATH-500 : à 64 tokens, 26 % de justesse pour 316,8 J ; à 1 024 tokens, 68,8 % pour 2 351,2 J. Le budget de génération domine tout le reste, et on le choisit.
Question
Une équipe active le mode raisonnement par défaut sur toutes ses routes, y compris la reformulation de tickets clients. Quel argument porte le mieux pour le désactiver sur cette route ?
Choisissez une réponse pour voir l'explication.
Le réglage existe, son effet chiffré n'est publié par personne
Les trois grands fournisseurs exposent un curseur.
| Fournisseur | Paramètre | Valeurs |
|---|---|---|
| Anthropic | output_config.effort | low, medium, high par défaut, xhigh, max |
thinking_level | minimal, low, medium, high, selon les modèles | |
| OpenAI | reasoning_effort | valeurs non extraites de la page tarifaire publique |
La documentation d'Anthropic précise le périmètre du réglage : il affecte tous les tokens de la réponse, texte, appels d'outils et raisonnement compris, et constitue « un signal de comportement, pas un budget strict de tokens ».
Aucun fournisseur ne publie l'effet chiffré d'un niveau d'effort sur le nombre de tokens produits. La documentation reste qualitative, du type « attendez-vous à une consommation nettement supérieure ». La donnée manque, et elle est mesurable en une après-midi : lancez le même jeu de tâches aux différents niveaux et lisez le champ output_tokens renvoyé par l'API. C'est ce chiffre qu'il faut retenir, il porte sur les tâches réelles du client.
Ce que vous payez sans toujours le voir
Les tokens de raisonnement sont facturés au tarif de sortie, même quand le texte n'est pas rendu. Anthropic l'écrit : « the tokens Claude spends reasoning are billed as output tokens, even when the thinking text isn't returned to you ». Google aussi : « Pricing is based on the full thought tokens the model needs to generate, despite only the summary being output from the API ».
Sur les modèles récents d'Anthropic, l'API conserve par défaut les blocs de raisonnement des tours précédents, et ils comptent dans la fenêtre de contexte comme n'importe quel token d'entrée.
Un token de raisonnement est donc facturé une première fois au tarif de sortie quand il est produit, puis au tarif d'entrée à chaque tour suivant de la conversation. Sur les générations antérieures, ces blocs étaient supprimés de l'historique.
Ce mécanisme amplifie la croissance du coût d'une conversation, sujet du chapitre suivant.
Dernier point à connaître pour ne pas se tromper de phase : en conférence ENS/OBVIA, en juillet 2026, Emma Strubell chiffre que les modèles de raisonnement consomment jusqu'à 17 fois plus d'énergie à l'entraînement que les modèles classiques, parce qu'ils ajoutent une phase d'apprentissage à produire de longues chaînes. On ne paie pas le surcoût du raisonnement qu'à l'usage.
Ce chiffre vient d'une intervention orale, sans publication ni périmètre écrit derrière. Reprenez-le comme un ordre de grandeur avancé par une chercheuse du domaine, jamais comme une mesure.
FAQ
Le mode raisonnement d'un LLM consomme-t-il beaucoup plus d'énergie ?
Oui, dans un rapport de 3 à 30 selon le périmètre de mesure. L'étude du PEReN pour l'Arcep, menée sur 22 modèles ouverts au supercalculateur Jean Zay en mai 2026, mesure +92 % d'énergie en moyenne avec des pointes à +849 % sur de la génération de code. Le classement AI Energy Score de Hugging Face, mesuré sans regroupement de requêtes, relève un facteur 30 en moyenne entre modèles.
Pourquoi un modèle qui raisonne consomme-t-il davantage ?
Parce qu'un modèle applique le même nombre d'opérations à chaque token produit, sans boucle interne possible. La seule façon d'allouer plus de calcul à un problème est donc d'écrire plus de tokens. La chaîne de pensée est un brouillon, et chaque ligne de ce brouillon coûte autant qu'une ligne de réponse finale, en énergie comme en facturation.
Les tokens de raisonnement sont-ils facturés même quand ils ne sont pas affichés ?
Oui, au tarif des tokens de sortie chez les trois grands fournisseurs. Anthropic indique que les tokens dépensés à raisonner sont facturés comme des tokens de sortie même lorsque le texte n'est pas renvoyé. Google précise que le prix porte sur l'intégralité des tokens de réflexion produits, alors que seul un résumé sort de l'API.
Peut-on réduire le coût du raisonnement sans perdre en qualité ?
Largement, sur beaucoup de tâches. Chen et al. montrent qu'une méthode de réduction ramène la longueur des chaînes de 2 407,9 à 1 330,7 tokens sur le jeu MATH500, soit une baisse de 44,8 %, pour une justesse de 92,8 % contre 93,0 % à l'origine. Sur les tâches où le raisonnement n'apporte rien, le désactiver supprime un surcoût sans contrepartie.
Comment mesurer l'effet du niveau d'effort sur ma propre consommation ?
Aucun fournisseur ne publie cet effet chiffré, la documentation reste qualitative. La mesure se fait en interne : lancez le même jeu de tâches représentatives à chaque niveau d'effort disponible, puis lisez le nombre de tokens de sortie renvoyé par l'API dans le champ d'usage. L'opération prend une après-midi et donne le chiffre à retenir, celui de vos tâches réelles.