L'empreinte d'une IA générative vient d'abord de l'électricité. Chaque requête fait tourner des serveurs dans un centre de données, et cette électricité se convertit en CO₂e selon le réseau qui l'alimente et en eau selon le refroidissement. S'y ajoute une part de la fabrication du matériel. Cette page fait le tour du sujet et renvoie, pour chaque question, au guide qui la traite en détail.
Ce qui se compte
Trois grandeurs reviennent dans les publications sérieuses. L'énergie, en Wh, est celle dont les deux autres découlent. Le CO₂e s'obtient en multipliant cette énergie par l'intensité carbone du réseau électrique, majorée des pertes du centre de données, puis en ajoutant la fabrication du matériel, amortie sur sa durée de service. L'eau additionne celle que le centre évapore pour se refroidir et celle qu'a demandée la production de l'électricité. Les équations et leurs paramètres sont dans calculer l'empreinte carbone d'un LLM.
Notre calcul s'arrête au centre de données, en inférence. Il laisse de côté l'entraînement des modèles, que les fournisseurs ne répartissent pas sur les requêtes servies, ainsi que les terminaux et les réseaux côté utilisateur. Un chiffre qui inclut ces postes et un chiffre qui les exclut ne se comparent pas. Le périmètre retenu est écrit dans la méthodologie, et le chapitre entraînement ou inférence du cours explique ce que change chaque choix.
Pourquoi deux chiffres par requête ne se comparent pas
Google a mesuré en août 2025 un prompt texte médian de Gemini à 0,24 Wh, 0,03 gCO₂e et 0,26 mL d'eau. Mistral a publié en juillet 2025, avec Carbone 4 et l'ADEME, une analyse de cycle de vie qui chiffre une réponse de 400 tokens de Mistral Large 2 à 1,14 gCO₂e et 45 mL. On ne peut pas en conclure qu'un modèle émet quarante fois plus que l'autre. Google compte en market-based, sur un prompt dont la longueur n'est pas publiée, et ne retient que l'eau évaporée sur site. Mistral compte un cycle de vie, sur une réponse de longueur donnée, eau de l'électricité comprise.
Anthropic ne publie aucun chiffre d'énergie ni de CO₂e. OpenAI n'a donné qu'un chiffre d'énergie par requête, dans un billet de blog, sans méthode ni périmètre. Pour ces deux fournisseurs, tout ce qui circule est une estimation tierce. Les nôtres sont détaillées dans l'empreinte carbone de Claude, modèle par modèle et dans l'empreinte carbone de ChatGPT. Le chapitre ce que couvre un chiffre par requête reprend les périmètres un par un.
Ce qui fait varier le résultat
Le modèle vient en premier. Sur les facteurs de notre registre public, l'énergie par token change d'un modèle à l'autre bien plus qu'aucun réglage d'usage ne peut le rattraper. La façon de trancher entre deux modèles est dans quel modèle d'IA choisir.
Le deuxième facteur est le volume de tokens, que le nombre de requêtes ne reflète pas. Un agent de code relit son contexte à chaque tour : sur notre session Claude Code type, une hypothèse TokenClimate, la lecture de cache fait 91 % du volume de tokens. Les tokens générés n'en font que 0,9 %, et ils pèsent pourtant 57 % de l'énergie. Le détail est dans l'empreinte carbone de Claude Code.
Le lieu de l'inférence et la convention carbone comptent aussi. Pour 2024, Google publie 94 gCO₂e par kWh en market-based et 345 en location-based, soit la même électricité comptée de deux façons. Nous affichons le location-based par défaut. Le chapitre choisir un facteur électrique compare les options, et eau et PUE d'un data center IA fait le même travail pour l'eau.
Trois façons de chiffrer son propre usage
La plus rapide part de la facture et lui applique un facteur d'émission monétaire. Un article paru en 2026 la place à 1,7 à 12,3 fois le chiffre d'un calcul physique. Le prix d'un token ne suit pas son énergie, et la facture ne dit rien du modèle utilisé. La deuxième multiplie un nombre de requêtes par une moyenne publiée, avec les problèmes de périmètre décrits plus haut. La troisième compte les tokens réels, modèle par modèle, et leur applique des facteurs sourcés. C'est la seule qui suit le modèle utilisé et la longueur des échanges. Les trois sont comparées dans mesurer la consommation IA de son entreprise.
Pour une personne qui code avec Claude, un plugin open source affiche le CO₂e de la session en cours. Pour une équipe, il faut l'export d'usage du fournisseur. Le choix de l'outil selon le périmètre est dans mesurer le CO₂ de Claude Code. Le calculateur donne un premier ordre de grandeur à partir d'un volume de tokens.
Ce que valent ces chiffres
Tous les facteurs d'énergie par token publiés aujourd'hui, les nôtres compris, sont des estimations. Les nôtres portent un niveau de confiance par modèle, et la méthode qui les produit est publique et versionnée. Nous tenons aussi un état de l'art qui dit où cette méthode s'écarte des travaux publiés et ce qui reste à trancher.
De la mesure au pilotage
Le relevé de tokens par modèle et par équipe sert deux fois. Côté carbone, il donne la donnée d'activité d'un poste IA : bilan carbone de l'IA en entreprise décrit le livrable et les cadres où il se déclare. Côté budget, c'est le même relevé qui permet de suivre la dépense et l'effet d'un réglage, comme l'explique piloter sa consommation de tokens. Pour partir de vos données d'usage, l'état des lieux produit les deux lectures, et la démo les montre sur une organisation type.
FAQ
Quelle est l'empreinte carbone d'une requête à une IA ?
Il n'y a pas de chiffre unique. Google publie 0,03 gCO₂e pour un prompt texte médian de Gemini, en market-based. Mistral publie 1,14 gCO₂e pour une réponse de 400 tokens de Mistral Large 2, en cycle de vie. Les deux valeurs ne couvrent pas le même périmètre et ne se comparent pas directement.
L'empreinte de l'IA se limite-t-elle au carbone ?
Non. Le CO₂e est un indicateur parmi d'autres. La fiche d'achat responsable de solutions d'IA publiée par la MiNumEco en novembre 2025 recommande de mesurer l'impact sur le climat, sur l'eau et sur l'énergie. Nos calculs donnent les trois à partir du même volume de tokens.
Faut-il compter l'entraînement des modèles ?
Cela dépend de ce que vous produisez. Un inventaire d'usage porte sur l'inférence, une analyse de cycle de vie ajoute une part d'entraînement amortie. Les fournisseurs ne publient presque jamais cette part par requête. Dans les deux cas, écrivez le périmètre retenu à côté du chiffre.
Comment réduire l'empreinte de son usage de l'IA ?
En commençant par le modèle, puis par la longueur des contextes. Le chapitre les dix leviers, par impact du cours les classe, et les réglages qui jouent aussi sur la facture sont dans réduire la facture Claude Code.
Sources
- Elsworth et al., mesure par prompt Gemini et intensités 2024 de Google, arXiv 2508.15734
- ACV de Mistral Large 2, Mistral AI avec Carbone 4 et l'ADEME (juillet 2025)
- Llopis-Garcia G., comptabilisation de l'inférence IA achetée dans les inventaires GES des entreprises, Sustainable Production and Consumption 70 (2026)
- Fiche pratique pour l'achat responsable de solutions d'IA (MiNumEco/DINUM, Ecolab/CGDD, DAE, novembre 2025)
- Méthodologie TokenClimate : équation, périmètre, paramètres et niveaux de confiance
- Registre public des modèles : énergie, CO₂e et eau par million de tokens