État de l'art

Revue de littérature du 12 novembre 2026.

Cette page situe notre méthodologie par rapport aux travaux publiés. Elle reprend la revue de littérature que nous avons mise à jour le 12 novembre 2026, puis relue à la source le lendemain : ce qui a bougé dans les sources que nous citons, ce qui manque à notre méthode, et les points où un autre travail arrive à un chiffre différent du nôtre. Aucun facteur de la méthode n'a changé à la suite de cette revue. Plusieurs chiffres cités ont été corrigés, et la méthodologie décrit maintenant les travaux présentés ici. Un changement passe par une nouvelle version, listée dans l'historique des versions.

Comment la revue a été faite

Les versions et les licences des papiers arXiv ont été relevées sur arXiv le 12 novembre 2026, celles d'EcoLogits et de BoaviztAPI sur GitHub. La première passe s'était arrêtée au résumé pour plusieurs papiers. Le 13 novembre, nous avons relu dans le texte ceux dont la méthodologie reprend un chiffre. Deux lectures restent partielles : il manque la fin d'une annexe de Librarian, et les annexes de l'étude de Weinberger et Hozez. Le cadre de Watershed a été lu par sections. Aucun chiffre lu seulement en résumé n'entre dans la méthode.

Ce qui n'a pas bougé

La version 6 de Jegham et al., du 24 novembre 2025, reste la dernière. C'est la source de nos facteurs d'énergie pour les modèles Claude. EcoLogits, dont nous rejouons le modèle pour OpenAI, Google et Mistral, n'a pas publié de version après la 0.11.3. Ember a publié ses données 2025 le 3 novembre 2026, et la méthode les utilise déjà.

Ce qui a bougé depuis août

SourceCe qui a changéCe que cela touche chez nous
Llopisversion 2 le 15 octobre 2026, version 3 le 3 novembre 2026, version 4 le 18 novembre 2026, publiée dans la revue Sustainable Production and Consumption (volume 70, 2026), jeu de données publiéle papier donne maintenant un facteur par million de tokens, comparé au nôtre plus bas. Les chiffres que nous en citons sont les mêmes dans la version publiée
Power Cappingversion 2 le 29 octobre 2026, acceptée à la conférence PPAM 2026le chiffre que cite notre réserve sur le contexte long n'est plus dans le texte de la version 2, où il ne reste que dans une figure : la citation est rattachée à la version 1
Bai et al.version 3 le 2 octobre 2026deux chiffres que citaient nos profils d'usage ne figurent dans aucune des trois versions du papier : ils sont retirés de la méthodologie
Mooncakeversion 5 le 8 octobre 2026relue dans le tableau du papier, la plage de taux de cache va de 34 à 55 % selon la capacité du cache ; nous écrivions 30 à 50 %
GORGOversion 3 le 29 juillet 2026pas encore relue
BoaviztAPI2.5.0 le 20 octobre 2026, 2.6.0 le 5 novembre 2026 : l'allocation des impacts des serveurs à GPU changele serveur hôte de notre terme de fabrication a été rejoué sur la 2.6.0, voir plus bas

La relecture a aussi trouvé une erreur chez nous, corrigée depuis : la méthodologie attribuait TraceLab à « Zhu J. », alors que son premier auteur est Kan Zhu.

Les points ouverts

L'incertitude sur l'énergie par token

Notre fourchette fait varier le cache, le mix électrique et la fabrication. Depuis novembre, elle fait aussi varier l'énergie par token de Haiku, de 0,07 à 0,57 fois celle de Sonnet, la seule plage d'énergie par token que la méthodologie publie. Pour les autres modèles, l'énergie par token reste fixe, alors qu'elle porte la plus grosse incertitude. Llopis présente son facteur comme le bas d'une plage : il le multiplie par 2,8 pour un service moins efficace, et par 1,5 à 2,9 quand le périmètre inclut le développement des modèles. Jegham et al. font un tirage Monte Carlo par requête, que nous ne propageons pas jusqu'à nos chiffres. La littérature ne donne pas la loi des paramètres qui manquent pour le faire, et cette propagation reste à construire.

L'entraînement

Nous excluons l'entraînement des modèles, et la méthodologie le dit. Les deux cadres d'entreprise publiés en 2026 le comptent, chacun sur une ligne séparée du reste.

Watershed amortit l'entraînement sur les tokens servis pendant la vie du modèle. Dans son exemple, une entreprise qui dépense 100 000 $ par an en API d'un modèle de pointe, l'entraînement ajoute 1,8 tCO₂e aux 5,4 t du calcul par les tokens. Le cadre donne une part de 32 à 56 % de l'empreinte selon le volume de tokens supposé. Llopis ajoute 2,93 g de CO₂e par million de tokens facturés pour sa classe de modèles moyenne, et précise lui-même que ce terme est biaisé vers le bas.

Le dénominateur du calcul, c'est-à-dire les tokens servis sur toute la vie d'un modèle, n'est publié par aucun fournisseur. Appliqué à notre profil d'agent de code sur Sonnet, le terme de Llopis ajouterait environ 29 % au résultat. Nous ne publions pas de chiffre majoré, parce qu'aucune de ces hypothèses de volume n'est une donnée d'Anthropic. Un rapport TokenClimate se compare donc à la ligne hors entraînement de ces deux cadres.

Le poids du cache et de l'entrée

Notre équation compte un token relu depuis le cache à 0,08 fois un token d'entrée. La valeur vient d'Irminsul, qui mesure à 4 000 tokens de contexte, loin des contextes d'un agent de code. Llopis retient d'autres poids, rapportés au token de sortie. Il compte un token d'entrée non caché à 0,30, d'après sa lecture d'une expérience de ML.ENERGY, et un token caché à 0,05, en reconnaissant qu'aucune mesure ne fonde ce second chiffre. Sur notre profil d'agent de code (2,34 milliards de tokens d'entrée non cachés, écritures de cache comprises, 26,13 milliards lus en cache et 96,9 millions de sortie), ces poids donnent une énergie égale à 21,7 fois celle des seuls tokens de sortie : (2 335,8 × 0,30 + 26 134,2 × 0,05 + 96,9) / 96,9. Avec nos facteurs sur Sonnet, où un token d'entrée compte pour 119 / 2 525 d'un token de sortie et un token lu en cache pour 0,08 fois un token d'entrée, le même profil donne 3,15 fois. Le résultat serait donc multiplié par 6,9. Une mesure existe maintenant dans le régime d'un agent de code. Librarian relie l'énergie GPU de chaque tour d'agent à trois classes de tokens, sur des tâches de développement logiciel et des contextes de plusieurs dizaines de milliers de tokens. Selon le modèle et le GPU, un token lu en cache y coûte de 4,5 à 8,4 % d'un token d'entrée non caché. Ces trois rapports encadrent notre 0,08 par le bas. Nous gardons la valeur et Librarian vient en appui, parce que la mesure a ses limites : des modèles de 27 à 35 milliards de paramètres sur un seul GPU, l'énergie du GPU seule, et un coefficient de cache que la régression identifie mal. Les auteurs écrivent qu'ils ne savent pas si leurs résultats tiennent pour des modèles beaucoup plus gros.

Ce paramètre pèse plus que tous les autres sur le chiffre d'un usage agentique. Entre la lecture de Llopis et la mesure de Librarian, les travaux publiés ne le tranchent pas.

Le contexte long

Notre énergie par token de sortie est la même quelle que soit la longueur du contexte, ce que la méthodologie signale comme une limite. Power Capping mesure, dans sa première version, une énergie de décodage par token qui passe de 107 à 242 mJ entre 4 000 et 16 000 tokens de contexte. Chen et al. arrivent au même sens par le calcul, sans mesure nouvelle : pour un modèle ouvert de 70 milliards de paramètres sur un GPU H100, les tokens produits par watt passent de 17,6 à 1,50 quand la fenêtre de contexte passe de 4 000 à 64 000 tokens. Les deux travaux indiquent que notre chiffre sous-estime un usage agentique. Aucun ne donne un facteur que nous pourrions reprendre.

L'énergie des modèles fermés

Aucun travail publié ne mesure un modèle Claude. Nous avons lu Krupp et al. pour savoir si le temps de réponse d'une API permet d'estimer l'énergie d'un modèle fermé. Le papier ne teste que deux petits modèles de Mistral, sur un seul GPU et une requête à la fois, et ses estimations par la puissance nominale tombent 38 à 40 % sous ses propres mesures. Nous n'en reprenons aucune valeur. L'énergie de Fable reste donc estimée à partir de son prix.

L'écart entre le coût reconstruit et le coût facturé

Notre coût est reconstruit à partir de quatre classes de tokens. Weinberger et Hozez comparent la même reconstruction au coût que Claude Code rend en fin d'exécution, sur 2 848 exécutions : 8,7 % du coût ne se rattachent à aucune des quatre classes. L'écart médian par exécution est proche de zéro, il se concentre donc sur une minorité d'exécutions. Leur référence est le coût affiché par l'outil et non une facture. Nous ne majorons pas nos coûts de ce résidu, mesuré sur trois modèles et un seul outil. Pour une organisation qui paie Claude Code à l'API, un coût TokenClimate inférieur d'environ 9 % à la facture reste dans l'ordre de grandeur attendu.

Où ranger nos chiffres dans les cadres d'entreprise

Watershed et Llopis classent une estimation selon la donnée d'activité dont elle part : la dépense, les tokens ou un chiffre du fournisseur. La méthodologie donne maintenant la correspondance entre nos niveaux de donnée et leurs tiers. Des tokens mesurés par modèle se rangent dans le tier d'activité de Watershed.

Le facteur par million de tokens

Llopis publie 0,039 kgCO₂e par million de tokens facturés pour sa classe moyenne, au mix électrique mondial, entraînement final et construction des centres de données compris. Au 12 novembre 2026, notre profil d'agent de code sur Sonnet donne environ 0,010 kg par million de tokens facturés, soit à peu près quatre fois moins. L'écart vient à la fois du mix électrique (mondial chez lui, régions d'AWS chez nous), du périmètre et des poids par classe de token décrits plus haut. Nous ne l'avons pas encore décomposé poste par poste.

La fabrication du matériel

Notre terme de fabrication vaut 49 gCO₂e par kWh, et 72 % de cette valeur viennent d'un serveur hôte chiffré avec BoaviztAPI. Les versions 2.5.0 et 2.6.0 changent la façon dont l'outil répartit les impacts des serveurs à GPU. Nous avons rejoué le calcul sur la 2.6.0 le 13 novembre 2026, pour l'instance p5.48xlarge d'AWS : l'outil rend 5 733 kgCO₂e hors GPU, contre 5 700 dans notre dérivation. Le terme reste à 49 g par kWh.

Les normes

ISO/IEC 21031 en est toujours à sa première édition, de mars 2024. La spécification SCI for AI a été ratifiée par la Green Software Foundation en décembre 2025, et une soumission à l'ISO est annoncée. Nous n'avons trouvé aucune révision de l'AFNOR Spec 2314.

Des chiffres à relire dans leur source d'origine

La revue avait listé sept chiffres cités sans avoir été relus dans le document d'origine. Six sont réglés. Les trois du tableau plus haut ont été relus dans le texte des papiers. La répartition de l'empreinte carbone du numérique entre terminaux, réseaux et centres de données est rattachée au rapport de l'étude ADEME-Arcep. La comparaison de dépenses d'Epoch AI et le gain d'efficacité entre deux versions d'un serveur d'inférence mesuré par ML.ENERGY sont maintenant cités avec la page qui les porte.

Deux points restent ouverts :

  • une consommation d'eau de 1,8 L par kWh souvent attribuée à Grubert et Sanders : le résumé de l'article ne la donne pas, le texte complet est payant, et la méthodologie signale que nous ne l'avons pas vérifiée ;
  • la version 3 de GORGO, qui n'est pas encore relue.

Ce que cette page ne couvre pas

Cette page ne cite que les sources de notre registre, celles que la méthodologie utilise et dont nous suivons les nouvelles versions. La revue a aussi lu des travaux que nous n'avons pas retenus, ou pas encore relus en entier. Ils entreront au registre avant d'être cités ici.

Pour une entrée plus simple dans le sujet, l'empreinte carbone de l'IA explique ce qui se compte et pourquoi deux chiffres publiés ne se comparent pas toujours.

Sources citées

Une erreur ou une source qui manque : gaetan@tokenclimate.com.