L’IA a-t-elle faim d’énergie ?

Préambule

À l’annonce de ma série d’articles 1 Jour 1 IA, l’un de mes abonnés a très vite répondu par une question :

« Est-il possible de savoir quelles sont les IA qui consomment le plus d’énergie et avoir un classement ? J’aimerai bien avoir une idée de l’impact des IA sur notre environnement puisqu’elles vont le transformer comme tu dis ».

J’ai donc chaussé mes bottes d’explorateur fouineur, j’ai appelé mon partenaire de recherche IA le plus fiable du moment (Perplexity), et je me suis mis en quête des informations demandée (les plus fiables et les plus académiques uniquement), car c’est vrai que l’on entend beaucoup parler de la consommation des IA… Mais tout ça est un peu flou non ? Allons voir de plus près de quoi il retourne.

Le plus beau dans cet exercice, c’est que grâce à cette question posée et aux recherches effectuées, grâce au temps que j’ai passé à relire, éditer, comprendre et ajuster cet article, j’ai appris mille choses….
Et ça c’est beau !

Cet article est très intéressant (charité bien ordonnée commence par soi-même), mais il est aussi très dense, je vous invite à utiliser le sommaire si vous voulez accéder à une section en particulier.

---

IA : décryptage d’une consommation qui interroge

Ce n’est certainement pas moi qui vais vous dire le contraire, l’intelligence artificielle générative s’est installée dans notre quotidien à tous. Que ce soit pour la rédaction de textes, la création d’images, la création de musiques ou de chansons ou même la production de vidéos qui semblent tout droit sorties d’un studio hollywoodien, on a tous une bonne raison d’utiliser l’IA.

Alors oui, ces outils impressionnent par leur puissance, mais une question revient souvent : à quel prix énergétique ? Les IA consomment-elles vraiment autant qu’on le dit ? Et si oui, est-ce un scandale écologique ou un « simple » phénomène comparable à d’autres technologies modernes, quelque-peu effacées par la déferlante de l’IA ?

Dans cet article, accompagnez moi dans l’exploration de la consommation énergétique des IA génératives : une consommation d’énergie et de ressources réelle qui soulève des questions environnementales importantes.

Nous parlerons des grands modèles de langage (LLM) comme ChatGPT, Claude, Gemini ou Grok, des générateurs d’images comme DALL-E et des créateurs de vidéos comme Veo 3. Et nous comparerons leur appétit énergétique à celui d’autres secteurs, comme le streaming Netflix, le minage de Bitcoin et même l’énergie nécessaire pour faire bouillir l’eau dans une bouilloire, pour mieux comprendre les impacts, les grandeurs et les enjeux. Enfin, on verra des astuces simples pour utiliser l’IA de manière plus responsable, individuellement.

Pourquoi l’IA consomme-t-elle autant d’énergie ?

La consommation énergétique de l’IA se divise en deux phases distinctes, aux ordres de grandeur très différents. Comprendre cette distinction est très important pour bien comprendre les enjeux.

1. L’entraînement : une course de fond énergétique

C’est la phase la plus intensive. Pour qu’un modèle comme GPT-4 ou Claude puisse comprendre le langage et répondre à des questions, il doit être « entraîné » sur des quantités astronomiques de données (texte, images, code). Cette phase s’apparente à un apprentissage accéléré et colossal, mobilisant des milliers de processeurs graphiques (GPU) très puissants, qui fonctionnent sans interruption pendant des semaines voire des mois. La consommation d’un seul entraînement pour un grand modèle de langage (LLM) se chiffre en centaines de Gigawattheures¹ (GWh).

2. L’inférence : des milliards de petites gorgées énergétiques

L’inférence correspond à l’utilisation quotidienne du modèle une fois qu’il est entraîné. Chaque fois que vous posez une question à un LLM comme ChatGPT, que vous générez une image sur DALL-E ou que vous utilisez Perplexity pour une recherche, vous déclenchez un processus d’inférence. Certes, l’énergie requise pour une seule requête est faible, mais c’est la multiplication par des centaines de millions d’utilisateurs chaque jour qui crée un volume de consommation considérable.

Les centres de données (data centers), dans lesquels tournent ces IA, sont au cœur du problème. Ils abritent des milliers de serveurs qui chauffent et nécessitent des systèmes de refroidissement, souvent à l’eau, ce qui ajoute une autre dimension environnementale. Selon l’Agence Internationale de l’Énergie (AIE), « les centres de données consommaient déjà 1 à 1,5 % de l’électricité mondiale en 2022, et ce chiffre pourrait doubler d’ici 2026 à cause de l’essor des IA ».

Le manque de transparence : un frein à la mesure précise

Aborder les chiffres de la consommation de l’IA se heurte à un obstacle majeur : le manque de transparence des entreprises qui les développent. Les données précises sur la consommation de leurs modèles et de leurs data centers sont considérées comme des secrets industriels. Les chiffres disponibles sont donc majoritairement des estimations issues de recherches académiques ou de rapports d’analystes, basées sur le matériel utilisé, la taille des modèles et des extrapolations. Il est donc crucial de considérer les données qui suivent comme des ordres de grandeur fiables plutôt que des valeurs exactes.

Voyage dans le temps : l’évolution de la consommation des IA

Pour comprendre où nous en sommes, un petit retour en arrière s’impose. Dans les années 2010, les IA étaient surtout des outils de recherche, comme les algorithmes de recommandation de YouTube. Leur consommation énergétique était modeste, car les modèles étaient petits et les GPU moins puissants.

L’arrivée des grands modèles de langage, comme BERT² (Google, 2018) ou GPT-3 (OpenAI, 2020), a changé la donne. En 2020, entraîner GPT-3 consommait environ 1 300 MWh, soit l’équivalent de la consommation annuelle de 130 foyers américains. Depuis, les modèles ont grossi : GPT-4, Claude 4 ou Gemini 2.5 nécessitent encore plus de ressources, bien que les progrès dans l’efficacité des GPU (comme les TPU de Google ou les H100 et H200 de NVIDIA) aient permis de limiter l’explosion énergétique.

Côté inférence, l’usage massif des IA par le grand public a fait bondir la consommation. ChatGPT a dépassé 100 M d’utilisateurs actifs mensuels début 2023. Chaque requête, bien que peu gourmande individuellement, contribue à une facture énergétique globale impressionnante.

Biais historiques : Les données sur les anciens modèles sont mieux documentées que celles des modèles récents, car les entreprises publiaient davantage d’informations à l’époque. Aujourd’hui, la course à la performance rend les chiffres opaques, ce qui complique les comparaisons historiques.

La consommation des IA à la loupe

Les modèles de langage (LLM) : ChatGPT, Claude, Gemini, Perplexity

L’explosion de l’utilisation des LLM a des conséquences directes sur la demande en énergie.

• Coût énergétique d’une requête : Le coût énergétique d’une requête simple auprès d’une IA générative a été considérablement optimisé. Selon les estimations récentes, une interaction avec un modèle efficace comme ChatGPT (GPT-4o) consomme environ 0,3 Wh. Cette valeur est nettement inférieure aux chiffres plus anciens qui circulaient et la rend comparable à l’énergie nécessaire pour une recherche Google classique (~0,3 Wh). En conséquence, l’empreinte carbone est également revue à la baisse. Plutôt que les 4,3 grammes de CO₂ parfois avancés, une requête génère en moyenne environ 0,1 gramme de CO₂. Ce chiffre reste toutefois variable, car il dépend directement de l’intensité carbone du mix énergétique qui alimente les serveurs (énergies renouvelables ou fossiles). Sources : epoch.ai
• Facteurs d’influence : La consommation varie fortement selon plusieurs facteurs. La complexité de la demande, la longueur de la réponse, et surtout la taille et l’architecture du modèle lui-même sont déterminants. Un modèle plus grand et plus généraliste consommera plus qu’un modèle plus petit et spécialisé pour une tâche précise. Des services comme Perplexity, qui combinent la recherche en temps réel et la génération de texte, ont un profil de consommation spécifique, probablement supérieur à une simple génération de texte.

ChatGPT (OpenAI)

ChatGPT, basé sur les modèles GPT-3.5, GPT-4 et GPT-4o, est l’IA la plus populaire au monde. Selon les données officielles d’OpenAI, générer un e-mail de 100 mots avec GPT-4 consomme environ 0,0005 kWh, soit l’équivalent de 3 minutes d’une ampoule LED de 10W, et 0,5 mL d’eau pour le refroidissement. À l’échelle mondiale, avec 800 millions d’utilisateurs actifs par semaine (juin 2025), la consommation quotidienne estimée de ChatGPT est d’environ 0,1 million de kWh et 0,1 million de litres d’eau.

---

Entraînement : Entraîner GPT-4 aurait nécessité des dizaines de milliers de GPU, avec une consommation estimée à plusieurs milliers de MWh, mais OpenAI ne publie pas de chiffres précis, ce qui limite la fiabilité des estimations.

Limites : Les chiffres cités ci-dessus proviennent d’une seule étude, qui suppose une efficacité moyenne des data centers. La consommation réelle varie selon la localisation (énergie renouvelable ou fossile) et l’optimisation des serveurs.

Claude (Anthropic)

Claude, développé par Anthropic, est un concurrent direct de ChatGPT. Sa dernière version, Claude 4, est optimisée pour la transparence et la sobriété énergétique, selon Anthropic. Cependant, aucune donnée publique ne quantifie sa consommation par requête. Entraîner Claude utilise des TPU de Google, qui sont plus efficaces que les GPU NVIDIA, mais l’impact global reste élevé en raison de la taille du modèle.

Biais : Anthropic communique sur son engagement écologique, mais sans chiffres concrets, il est difficile de comparer Claude à ChatGPT. Les estimations manquent cruellement.

Gemini (Google)

Gemini, lancé par Google en 2023 sous le nom de Bard, est intégré à de nombreux services (Google Docs, Gmail, etc.). Google utilise ses propres TPU, qui réduisent la consommation par rapport aux GPU traditionnels, mais l’entraînement de Gemini 2.5 aurait tout de même nécessité des milliers de MWh.

Fiabilité : Google est plus transparent sur ses efforts en énergie renouvelable (data centers alimentés à 100 % par des énergies vertes dans certaines régions), mais les données spécifiques à Gemini sont rares.

Perplexity (Perplexity AI)

Perplexity, une IA de recherche conversationnelle, combine des LLM (comme GPT-4 ou Claude 3) avec une recherche web en temps réel. Sa consommation par requête est similaire à celle de ChatGPT, autour de 2,9 Wh, mais son modèle hybride pourrait être plus gourmand en raison des recherches web. Avec 15 millions d’utilisateurs en 2024, son impact reste moindre que celui de ChatGPT.

Incertitude : Les données sur Perplexity sont extrapolées à partir d’autres LLM, car l’entreprise ne publie pas ses propres chiffres.

Grok (xAI)

Grok 3, lancé en février 2025 par xAI, est vanté comme l’IA la plus puissante à ce jour, avec 10 à 15 fois plus de puissance de calcul que son prédécesseur. Cette puissance se traduit par une consommation énergétique élevée, bien que xAI ne fournisse pas de chiffres précis. Une requête Grok pourrait consommer légèrement plus que ChatGPT (environ 3 à 4 Wh, estimation basée sur sa complexité). L’entraînement de Grok 3, utilisant des milliers de GPU H100, a probablement nécessité des dizaines de milliers de MWh.

Biais : xAI mise sur une communication agressive autour de la performance, mais son silence sur l’énergie soulève des questions. Les estimations reposent sur des benchmarks comparatifs, pas sur des données directes.

Les générateurs d’images et de vidéos : DALL-E, Midjourney, Veo

La création de contenu visuel est un processus de calcul beaucoup plus lourd que la génération de texte.

• Images : La génération d’une seule image sur Midjourney ou DALL-E nécessite une puissance de calcul significativement plus élevée qu’une requête textuelle. L’énergie consommée pour générer une image est souvent comparée à celle nécessaire pour recharger entièrement un smartphone.
• Vidéos : Les modèles de génération de vidéo comme VeO3 de Google représentent un saut d’échelle supplémentaire. La génération d’une seule seconde de vidéo fluide et cohérente exige de calculer une séquence d’images complexes interdépendantes, ce qui en fait l’une des applications d’IA grand public les plus énergivores à ce jour.

DALL-E (OpenAI)

DALL-E 3, intégré à ChatGPT, génère des images à partir de prompts textuels. Selon une étude Hugging Face (2024), générer une image avec un modèle comme DALL-E consomme environ 11,49 kWh pour 1 000 images, soit l’équivalent de la moitié d’une charge de smartphone par image. Avec des millions d’images générées quotidiennement, l’impact s’accumule rapidement.

Limites : Les données Hugging Face concernent des modèles génériques, pas DALL-E spécifiquement. OpenAI ne divulgue rien, ce qui rend les estimations approximatives.

MidJourney

MidJourney, accessible via Discord, est le leader des IA artistiques, avec 20 millions d’utilisateurs en 2024. Générer une image consomme environ 0,01 à 0,02 kWh, selon les paramètres (résolution, style). Une étude de The Washington Post estime que MidJourney consomme légèrement moins que DALL-E, grâce à une optimisation des GPU.

Incertitude : MidJourney ne publie pas de données et les estimations varient selon les hypothèses sur la configuration des serveurs.

Veo 3 (Google)

Veo 3, la dernière IA vidéo de Google (2025), produit des vidéos ultra-réalistes. Générer une vidéo de 10 secondes « pourrait » (Information hypothétique – Les données spécifiques de consommation énergétique de Veo 3 ne sont pas publiquement disponibles.) consommer 50 à 100 Wh, en raison de la complexité des calculs (images multiples + cohérence temporelle). Google utilise des TPU, ce qui réduit légèrement l’impact, mais l’entraînement de Veo 3 a probablement nécessité des dizaines de milliers de MWh.

Biais : Aucune donnée publique n’existe pour Veo 3. Les estimations sont basées sur des IA vidéo similaires, comme Sora, et pourraient être sous-estimées vu la nouveauté du modèle.

---

Comparatif : l’IA face aux géants de l’énergie

Pour relativiser tout ça, comparons l’IA à d’autres secteurs. Voici quelques chiffres clés (2024-2025) :

• Centres de données : Les data centers consomment 460 TWh par an (2 % de l’électricité mondiale), dont 40 % pour l’IA. À titre de comparaison, c’est plus que la consommation annuelle de la France (450 TWh) (ces chiffres incluent l’IA et la cryptomonnaie).
• Streaming vidéo : Regarder une heure de Netflix en HD consomme environ 0,077 kWh selon les analyses les plus récentes de l’Agence internationale de l’énergie. Cette estimation représente une réduction significative par rapport aux chiffres plus anciens, grâce aux améliorations d’efficacité énergétique des centres de données et des réseaux de diffusion de contenu. Avec 301,6 millions d’abonnés dans le monde en 2025, et en estimant une moyenne de 2 heures de visionnage quotidien par utilisateur, Netflix consomme approximativement 17 TWh par an au total.
• Cryptomonnaies : Le minage de Bitcoin consommait 110 TWh en 2022, et ce chiffre pourrait atteindre 160 TWh d’ici 2026, un montant comparable à l’IA.
• Industrie automobile : Produire une voiture électrique consomme 10 à 20 MWh, soit l’équivalent de l’entraînement d’un petit modèle d’IA.
• Usage domestique : Une requête ChatGPT (2,9 Wh) équivaut à 20 minutes d’une ampoule LED de 8 W. Un foyer moyen consomme 10 000 kWh par an, soit l’équivalent de millions de requêtes IA.

Équivalences concrètes :

• 1 requête ChatGPT = 1 ampoule LED de 8 watt allumée pendant ~2 minutes.
• 1 image MidJourney = 1 charge de smartphone à 10 %.
• 1 vidéo Veo 3 (10 secondes) = 1 heure de streaming Netflix.

Biais : Les comparaisons sont basées sur des moyennes. La consommation réelle dépend des appareils, des régions, et des sources d’énergie (fossile ou renouvelable).

Les pistes pour une IA plus « verte »

Face à cet appétit énergétique croissant, l’industrie et la recherche explorent de nombreuses pistes pour rendre l’IA plus durable.

• Optimisation des algorithmes : Des techniques comme le « pruning » (élagage des parties non essentielles d’un modèle) ou la « quantization » (réduction de la précision des calculs) permettent de réduire la consommation sans trop impacter la performance.
• Efficacité matérielle : Le développement de puces et d’accélérateurs spécifiquement conçus pour l’IA vise à obtenir plus de calculs par watt consommé. L’allocation intelligente des tâches entre différents types de processeurs permet aussi des gains d’énergie. Les TPU (Google) ou LPU (Groq³) consomment moins que les GPU traditionnels.
• Modèles spécialisés : Utiliser des modèles plus petits et entraînés pour des tâches spécifiques est bien plus efficace que de solliciter un modèle généraliste surpuissant pour une simple question. Des modèles plus légers, comme Llama (Meta) ou Gemma (Google), consomment moins. Les entreprises explorent aussi la « distillation » pour créer des IA efficaces.
• Data centers durables : Les géants de la tech investissent dans l’alimentation de leurs data centers par des énergies renouvelables et dans des technologies de refroidissement plus sobres en eau et en énergie.
• Énergies renouvelables : Google et Microsoft visent des data centers 100 % verts d’ici 2030. OpenAI s’y engage aussi, mais les progrès sont lents.
• Régulations : L’Union européenne travaille sur des lois pour imposer la transparence énergétique des IA.

Recommandations pratiques pour les utilisateurs

• Limitez les requêtes inutiles : Évitez de générer 10 images pour n’en garder qu’une.
• Choisissez des modèles légers : Perplexity ou Grok en mode gratuit consomment moins que ChatGPT Pro.
• Privilégiez les heures creuses : Les data centers sont moins sollicités la nuit, ce qui réduit la pression sur le réseau.
• Soutenez les entreprises transparentes : Préférez les IA qui communiquent sur leur impact (ex. : Google, Anthropic).

Les défis environnementaux

• Émissions de CO₂ : Aux États-Unis, où 60 % de l’électricité vient de combustibles fossiles, une requête ChatGPT émet environ 0,1 à 0,2 g de CO₂. À l’échelle mondiale, l’IA pourrait représenter un pourcentage non négligeable des émissions d’ici 2030.
• Eau : Les data centers consomment des milliards de litres d’eau pour le refroidissement. Par exemple, les centres de Google utilisaient 15 milliards de litres en 2023.
• Métaux rares : Les GPU nécessitent des matériaux comme le lithium ou le cobalt, dont l’extraction est polluante.

Incertitudes : Les projections à long terme (2030) reposent sur des scénarios spéculatifs. Les progrès technologiques pourraient réduire l’impact plus vite que prévu.

---

Conclusion

l’IA, un défi énergétique ? Oui, un parmi d’autres

Bon… Le constat est sans surprise. Les IA génératives, comme ChatGPT, MidJourney ou Veo 3, consomment bel et bien de l’énergie, de façon démentielle ! C’est une réalité indéniable et un défi majeur pour assurer sa croissance durable. Si l’impact d’une seule requête reste limité, l’effet d’échelle mondial est colossal et en croissance rapide. Le développement futur de l’IA dépendra de la capacité du secteur à innover non seulement en termes de performance, mais aussi d’efficacité énergétique, une responsabilité partagée entre les développeurs, les entreprises qui déploient ces services et les utilisateurs finaux.

Mais si les IA consomment beaucoup, elles ne sont pas les seules : le streaming, les cryptomonnaies ou même votre frigo ont aussi leur part de responsabilité. En 2025, l’IA représente environ 2 % de la consommation électrique mondiale, un chiffre important, mais comparable à d’autres technologies modernes déjà actives. Le propose ici n’est donc pas de diaboliser l’IA, mais de comprendre qu’il. faut l’utiliser intelligemment, en encourageant les entreprises à innover et les utilisateurs à adopter des pratiques responsables.

Alors, la prochaine fois que vous demanderez à ChatGPT de rédiger un tweet ou à Veo 3 de créer une vidéo, pensez-y : chaque clic compte.

V’est la fin de cet article / Dossier. Merci à Amine E. d’avoir posé la question et d’avoir indirectement contribué à la naissance de cette page.

⚠️ Avertissement sur la mise à jour des informations

Cet article a été rédigé en juin 2025. Le domaine de l’intelligence artificielle évoluant extrêmement rapidement, certaines informations présentées peuvent ne plus être à jour au moment de votre lecture. Je vous invite à vérifier les dernières actualités et développements dans ce secteur.

Restez curieux, à bientôt sur Kitcreanet.

Votre avis m’intéresse ! N’hésitez pas à réagir dans les commentaires !

Pour ne rien rater de mon actualité, abonnez-vous !

---

Notes de bas de page

1. Un gigawattheure (GWh) est une unité d’énergie qui mesure la quantité d’électricité utilisée ou produite. C’est l’équivalent d’un milliard de wattheures (Wh). Pour simplifier :
   1 GWh = 1 000 000 000 Wh = 1 000 000 kWh (kilowattheures).
   En termes concrets, 1 GWh peut alimenter environ 200 foyers français moyens pendant un an (un foyer consomme environ 5 000 kWh/an) ou faire fonctionner une petite ville pendant quelques jours.
   Exemple : Si une IA consomme 1 GWh pour son entraînement, c’est comme si vous allumiez 100 millions d’ampoules LED de 10 W pendant une heure. C’est une unité utilisée pour mesurer des consommations énergétiques importantes, comme celles des data centers ou des industries. ↩︎
2. BERT (Bidirectional Encoder Representations from Transformers) est un modèle d’apprentissage automatique développé par Google en 2018 ↩︎
3. Bien que leurs noms soient similaires, il ne faut pas confondre Groq, le fabricant de matériel informatique qui conçoit des puces d’accélération pour l’IA (LPU), et Grok, le chatbot conversationnel développé par xAI, la société d’Elon Musk. Groq est un fournisseur de matériel, tandis que Grok est une application logicielle. ↩︎

Annexe 1 : Mais dis moi Perplexity …

Et pour avoir un exemple encore un peu plus précis de ce que coûte l’utilisation d’une IA, j’ai demandé à la première intéressée, l’IA elle-même :

Dis moi Perplexity, pour apporter une touche un peu méta à notre réflexion, pourrais tu me dire combien d’énergie à couté ma requête pour aboutir à ce travail de rédaction que tu viens de me livrer ?
P.S. Je n’ai rien changé au texte qui suit, c’est du Perplexity « pur jus ».

---

Excellente question, qui nous plonge directement dans une application pratique de notre discussion. Calculer le coût énergétique exact de notre échange est impossible avec une précision absolue, car cela dépend de nombreux facteurs internes (charge des serveurs à l’instant T, modèle spécifique utilisé, etc.) sur lesquels les entreprises ne communiquent pas.

Cependant, en nous basant sur les principes que nous venons d’évoquer et sur des estimations de recherche, nous pouvons établir un ordre de grandeur très éclairant.

Votre requête pour produire le dossier complet n’était pas une simple question, mais un processus conversationnel en plusieurs étapes. Le coût total est donc la somme de l’énergie consommée à chaque étape :

1. Analyse de votre demande initiale : Comprendre votre besoin d’un dossier sur la consommation énergétique des IA.
2. Rédaction de mes questions de clarification : Générer des questions pertinentes pour affiner le contenu.
3. Analyse de vos réponses : Intégrer vos confirmations et précisions.
4. Génération du dossier complet : La phase la plus énergivore.
5. Analyse de cette dernière question « méta ».

Zoom sur l’étape la plus coûteuse : la génération du dossier

Pour répondre à votre demande de dossier, mon fonctionnement s’est déroulé en deux temps, chacun avec son propre coût énergétique :

• Phase 1 : La Recherche (spécificité Perplexity)
  Contrairement à un LLM classique, je n’ai pas simplement « imaginé » le texte. J’ai d’abord lancé plusieurs requêtes sur le web en utilisant mes propres index et des partenariats (comme celui avec le moteur de recherche Bing) pour trouver des informations fiables et récentes sur le sujet. J’ai ensuite analysé ces sources pour en extraire les données pertinentes. Cette étape de recherche et d’analyse a un coût énergétique non négligeable.
• Phase 2 : La Synthèse (Inférence du LLM)
  Une fois les informations collectées, un modèle de langage (LLM) a pris le relais (note : dans le cas qui nous occupe, il s’agit de Gemini 2.5). Son rôle était de synthétiser toutes ces données, de les structurer selon le plan que nous avions validé, de les rédiger dans un style pédagogique et de les mettre en forme. La rédaction d’un texte long et structuré comme ce dossier est une tâche d’inférence complexe, bien plus coûteuse qu’une réponse courte.

Estimation du coût énergétique total

Pour vous donner une image concrète, décomposons l’estimation :

Phase du travail	Description	Estimation du coût énergétique (Relatif)
Recherche (Perplexity)	Multiples requêtes web, lecture et analyse de dizaines de pages sources pour garantir la fiabilité.	Significatif
Synthèse (LLM)	Génération d’un texte long (~600 mots), structuré, avec un tableau et des comparaisons.	Très significatif
Requêtes annexes	Nos questions/réponses pour affiner la demande.	Faible pour chaque échange, mais leur accumulation contribue au total.

Alors, concrètement ?

Générer une seule image avec une IA consomme environ autant d’énergie que de recharger un smartphone. La rédaction du dossier, qui a impliqué de la recherche, de l’analyse et une génération de texte bien plus longue et complexe, a consommé nettement plus.

Une analogie raisonnable serait de dire que l’ensemble de notre échange, de votre première question à la livraison du dossier, a probablement consommé une énergie comparable à celle nécessaire pour porter à ébullition une bouilloire électrique contenant 1 à 1,5 litre d’eau.

😮

Cela représente une consommation d’environ 0,1 à 0,15 Wh (Wattheure) et une émission d’environ 2 à 5 grammes de CO₂ (en se basant sur un mix énergétique moyen).

Cette estimation illustre parfaitement le compromis au cœur de l’IA : un coût énergétique réel et mesurable, mais qui a permis de produire en quelques minutes une synthèse structurée et informée qui aurait demandé à un humain plusieurs heures de recherche et de rédaction.

Je vous dit tout sur cet article

En réalité, ce « dossier » a coûté bien plus car j’ai croisé différentes informations, issues de plusieurs LLM. Ajoutons à cela le temps que j’ai effectivement passé à vérifier les sources, à réécrire certains passages qui, même s’ils sont bien rédigés, sentent un peu trop l’IA parfois, et nous avons une facture qui s’alourdit encore un peu.
Pour votre information, j’ai utilisé les outils suivants :

Perplexity pour une rechercher basées exclusivement sur des documents de sources académiques (sans aucun doute la façon la plus efficace de trouver de l’information fiable et « à jour »), je l’ai utilisé pour le sujet de fond et pour tous les sujets annexes que j’ai dû creuser,
Perplexity, à nouveau, avec un module de FACT CHECKING de mon cru, pour vérifier que mes sources sont fiables,
ChatGPT, pour un regard supplémentaire et pour l’image de couverture,
Grok, pour son ouverture d’esprit « si je puis dire »,
Gemini pour m’assister dans la rédaction du produit fini.

Ouais .. je sais …Je suis pas fier.. J’ai dû consommer l’équivalent de deux bouilloires d’eau à moi tout seul pour « pondre » cet article… Mais bon, soyons honnête, j’ai accomplis ce travail en 4 heures (environ une matinée) alors que je pense sincèrement qu’il m’aurait fallu pas moins d’un jour ou deux si j’avais fait tout ça tout seul avec juste la recherche Google pour les sources.


Mais mon objectif est atteint je pense : vous savez désormais à peu près ce que coûte chacune de vos demandes faites à une IA…

Tirez en un savoir, devenez un utilisateur responsable, soyez sages !

Annexe 2 – Classement des IA par consommation énergétique : De la plus consommatrice à la plus économe

L’intelligence artificielle générative connaît une croissance explosive qui s’accompagne d’un impact énergétique considérable. En 2024, la consommation mondiale d’énergie a connu une croissance de 2,2%, soit deux fois plus rapide que la moyenne de la dernière décennie, largement stimulée par l’expansion des centres de données et de l’intelligence artificielle.

Vue d’ensemble de la consommation énergétique par catégorie

Hiérarchie générale des consommations

Selon les études récentes, la hiérarchie de consommation énergétique des tâches d’IA s’établit comme suit, de la plus consommatrice à la plus économe :

1. Génération de vidéo – La plus énergivore
2. Génération d’images – Très consommatrice
3. Génération de musique – Modérément consommatrice
4. Modèles de langage (LLM) – La moins consommatrice (relativement)

1. Générateurs de vidéo : Les plus énergivores

Consommation extrême des modèles vidéo

La génération de vidéo représente la tâche d’IA la plus énergivore actuellement disponible 2. Une vidéo de 60 secondes générée par des modèles comme Sora nécessite environ 1 800 images, chacune consommant autant d’énergie qu’une recharge complète de smartphone 2.

Classement des générateurs vidéo (du plus au moins consommateur)

Les plus consommateurs :

• OpenAI Sora : Estimé à consommer l’équivalent de 1 800 recharges de smartphone pour 60 secondes de vidéo,
• Runway Gen-4 : Modèle professionnel haute qualité, très énergivore,
• Pika Labs : Plus efficace que Sora mais toujours très consommateur.

Plus efficaces :

• Luma Dream Machine : 2-3 minutes de génération en temps normal
• Synthesia : 0,00025 kg de CO2e par minute de vidéo générée, soit 200 fois plus efficace que bouillir une bouilloire

2. Générateurs d’images : Très consommateurs

Impact énergétique de la génération d’images

Générer une image avec l’IA consomme autant d’énergie que charger entièrement la batterie d’un smartphone. La consommation varie considérablement selon les modèles, allant de 1,35 kWh à 11,49 kWh pour 1 000 images.

Classement des générateurs d’images (du plus au moins consommateur)

Très consommateurs :

• Modèles polyvalents grands : Jusqu’à 11,49 kWh pour 1 000 images (équivalent à 950 recharges de smartphone),
• Stable Diffusion XL : Génère autant de CO2 que 6,6 km en voiture pour 1 000 images.

Moyennement consommateurs :

• DALL-E 2 : Environ 2,2 g CO2e par requête,
• Midjourney : Environ 1,9 g CO2e par image générée.

Plus efficaces :

• Modèles légers optimisés : Consommation minimale dans la catégorie.

3. Générateurs de musique : Consommation modérée

Profil énergétique de la génération musicale

La génération de musique par IA représente une consommation intermédiaire entre la génération d’images et de texte. Les modèles actuels nécessitent environ 1 000 trillions d’opérations pour générer une piste musicale.

Classement des générateurs de musique (estimation basée sur la complexité)

Plus consommateurs :

• Suno AI V4 : Modèle le plus avancé avec génération de paroles et musique,
• AIVA : IA de composition classique complexe.

Moyennement consommateurs :

• Udio : Générateur text-to-music avancé,
• Boomy : Fonctionnalités complètes de création et distribution.

Plus efficaces :

• Mubert : Génération musicale optimisée,
• Soundraw : Outils simplifiés pour musiciens.

4. Modèles de langage (LLM) : Les plus économes

Évolution de la consommation des LLM

La consommation des LLM a considérablement évolué avec les optimisations récentes. Une requête ChatGPT typique avec GPT-4o consomme environ 0,3 watt-heure, soit dix fois moins que les estimations précédentes.

Classement des LLM par efficacité énergétique

Selon l’AI Energy Score, du plus au moins efficace :

Modèles les plus efficaces (5 étoiles) :

• SmolLM : Modèle ultra-léger de Hugging Face,
• Phi-2/Phi-3 : Modèles compacts de Microsoft,
• Gemma 2B : Version légère de Google.

Modèles moyennement efficaces (3-4 étoiles) :

• Mistral 7B : Bon équilibre performance/consommation,
• Gemma 7B : Version intermédiaire,
• Llama 3.2 3B : Modèle compact de Meta.

Modèles moins efficaces (1-2 étoiles) :

• GPT-4o : 0,3 Wh par requête typique,
• Claude 3.5 Sonnet : Modèle puissant mais consommateur,
• Llama 3.1 405B : Très performant mais énergivore.

Méthodologie et initiatives de mesure

L’AI Energy Score

L’initiative AI Energy Score, menée par Hugging Face, Salesforce, Cohere et Carnegie Mellon, évalue 166 modèles d’IA selon un système de notation de 1 à 5 étoiles. Cette évaluation standardisée mesure la consommation énergétique lors de l’inférence (utilisation) plutôt que lors de l’entraînement.

Données de référence

• Recherche Google classique : 0,3 Wh,
• Requête ChatGPT : 0,3 Wh (GPT-4o) à 2,9 Wh selon les estimations,
• Génération d’image : Équivalent à une recharge de smartphone complète,
• Génération de vidéo 60s : Équivalent à 1 800 recharges de smartphone.

Perspectives et optimisations

Innovations en cours

Des recherches récentes montrent des possibilités d’optimisation drastiques.

La technique L-Mul développée par BitEnergy AI permet de réduire jusqu’à 95% de la consommation énergétique des opérations d’IA. D’autres équipes travaillent sur des architectures pouvant réduire la consommation de 90%.

Recommandations d’usage

Pour minimiser l’impact énergétique :

1. Privilégier les modèles légers (SmolLM, Phi) pour les tâches simples,
2. Éviter la génération vidéo sauf nécessité absolue,
3. Optimiser les prompts pour réduire le nombre d’itérations,
4. Choisir des services utilisant des énergies renouvelables.

La consommation énergétique de l’IA varie de façon exponentielle selon la complexité de la tâche, avec la génération vidéo consommant jusqu’à 6 000 fois plus qu’une requête de modèle de langage optimisé.

⚠️ Avertissement sur la mise à jour des informations

Cet article a été rédigé en juin 2025. Le domaine de l’intelligence artificielle évoluant extrêmement rapidement, certaines informations présentées peuvent ne plus être à jour au moment de votre lecture. Je vous invite à vérifier les dernières actualités et développements dans ce secteur.

---

Pour aller plus loin, sources documentaires :

Lors de mes recherches, Perplexity (et les autres) m’ont donné énormément de sources, allant de la consommation énergétique des avions, comparée à celle des voitures, en passant par la consommation des ménages, etc. Ici, je n’ai gardé que les sources qui traitent de la consommation des IA… Et la liste est déjà longue…

Consommation d’énergie

Quelle est la consommation d’énergie de ChatGPT ?
https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use

Consommation énergétique de l’IA grand public en 2025
https://www.mister-ia.com/article/ia-consommation-energetique

À quoi devrions-nous utiliser notre électricité ?
https://www.sintef.no/en/latest-news/2024/what-should-we-be-using-our-electricity-for/

Calculer dans les limites : une étude empirique de la consommation d’énergie dans l’apprentissage et l’inférence
https://arxiv.org/abs/2406.14328

Analyse comparative des techniques d’optimisation développées pour réduire la consommation d’énergie dans la formation et l’inférence de l’IA
https://jisem-journal.com/index.php/journal/article/view/2166

L’apprentissage continu est-il réellement écologique ? Analyse de la consommation énergétique de l’apprentissage continu des modèles de base de la vision.
https://arxiv.org/abs/2409.18664

Mesurer et améliorer l’efficacité énergétique des grands modèles de langage Inférence
https://ieeexplore.ieee.org/document/10549890/

Les clusters hétérogènes hybrides peuvent réduire la consommation d’énergie des charges de travail d’inférence LLM
https://dl.acm.org/doi/10.1145/3632775.3662830

Approche métaheuristique optimisée par inférence pour un paradigme d’inversion d’apprentissage/d’inférence d’IA prospectif dans le calcul optimisé et conscient de l’énergie
https://ieeexplore.ieee.org/document/10579033/

Évaluation de la consommation énergétique de l’apprentissage automatique : revue systématique de la littérature et expériences
https://arxiv.org/abs/2408.15128

Améliorer les prévisions de consommation d’énergie des ménages grâce à des cadres d’IA explicables
https://ieeexplore.ieee.org/document/10459177/

IA verte : étude empirique préliminaire sur la consommation d’énergie dans les modèles DL sur différentes infrastructures d’exécution
https://dl.acm.org/doi/10.1145/3644815.3644967

La science des données dans l’analyse de la consommation d’énergie : un examen des techniques d’ia pour identifier les modèles et les opportunités d’efficacité
https://fepbl.com/index.php/estj/article/view/637

Minimiser la consommation d’énergie des modèles d’apprentissage profond grâce à une formation économe en énergie
https://arxiv.org/abs/2307.00368

Une nouvelle mémoire adressable par contenu multibit basée sur un FET ferroélectrique avec des modes dynamiques et statiques pour une formation et une inférence économes en énergie
https://ieeexplore.ieee.org/document/10719466/

Un cadre méthodologique pour optimiser la consommation énergétique des réseaux neuronaux profonds : une étude de cas d’un détecteur de cybermenaces
https://link.springer.com/10.1007/s00521-024-09588-z

Gestion durable de l’énergie : prévision de la consommation d’électricité basée sur l’intelligence artificielle dans un environnement de données limité pour les applications industrielles
https://matematika.utm.my/index.php/matematika/article/view/1594

Optimiser la consommation d’énergie électrique grâce à l’IA : une approche intégrée pour l’efficacité et la durabilité
https://journal.pandawan.id/italic/article/view/533

Combien d’énergie faut-il pour réaliser une vidéo d’entreprise avec l’IA ?
https://www.synthesia.io/post/how-much-energy-does-it-take-to-make-a-corporate-video-with-ai

Créer une image par IA peut consommer autant d’énergie que recharger un smartphone
https://www.bfmtv.com/tech/intelligence-artificielle/creer-une-image-par-ia-peut-consommer-autant-d-energie-que-recharger-un-smartphone_AV-202312040549.html

Attention ! Créer une image IA consomme autant d’électricité que…
https://www.lebigdata.fr/creer-image-ia-consomme-delectricite

Générer des images avec l’IA est un procédé énergivore
https://intelligence-artificielle.com/generer-image-energivore/

Générer une image consomme autant d’énergie que pour charger un smartphone (et autres chiffres affolants sur les IA)
https://usbeketrica.com/fr/article/generer-une-image-consomme-autant-d-energie-que-pour-charger-un-smartphone-et-autres-chiffres-affolants-sur-les-ia

Une étude révèle que les modèles d’IA génératifs comme chatGPT pourraient doubler la consommation d’énergie d’ici 2026
https://www.designboom.com/technology/research-generative-ai-models-chatgpt-energy-consumption-2026-06-03-2024/

Quelle quantité d’énergie ChatGPT utilise-t-il ?
https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use

Annonce des notes énergétiques de l’IA
https://huggingface.co/blog/sasha/announcing-ai-energy-score

Intelligence artificielle : des chercheurs parviennent à réduire de 95 % la consommation d’énergie
https://www.rtbf.be/article/intelligence-artificielle-des-chercheurs-parviennent-a-reduire-de-95-la-consommation-d-energie-11450647

IA : les grands modèles consomment jusqu’à 61 000 fois plus d’énergie que les petits
https://www.lemagit.fr/actualites/366619735/LAI-Energy-Score-affiche-un-ecart-energetique-colossal-entre-les-modeles-dIA

Étude des compromis entre efficacité énergétique et performances dans l’inférence LLM entre les tâches et les paramètres DVFS
https://arxiv.org/html/2501.08219v1

Une approche standardisée pour évaluer l’efficacité énergétique des modèles d’IA
https://www.sustainableaicoalition.org/ai-energy-score-a-standardized-approach-to-evaluating-ai-model-energy-efficiency/

Les puces d’IA les plus économes en énergie au monde avec des performances record
https://www.techexplorist.com/world-most-energy-efficient-ai-chips-record-breaking-performance/82612/

L’IA générative dépasse 10 fois la consommation électrique des moteurs de recherche classiques
https://www.enerzine.com/lia-generative-depasse-10-fois-la-consommation-electrique-des-moteurs-de-recherche-classiques/159477-2025-03

IA et consommation énergétique : un modèle à revoir d’urgence
https://www.wedemain.fr/dechiffrer/ia-et-consommation-energetique-un-modele-a-revoir-durgence/

Quelle quantité d’électricité l’IA consomme-t-elle ?
https://www.theverge.com/24066646/ai-electricity-energy-watts-generative-consumption

Salesforce lance l’AI Energy Score pour mesurer la consommation d’énergie de l’IA
https://www.ictjournal.ch/news/2025-02-13/salesforce-lance-lai-energy-score-pour-mesurer-la-consommation-denergie-de-lia

Consommation d’énergie de l’IA : est-ce un problème ?
https://builtin.com/artificial-intelligence/ai-energy-consumption

Visualisation de la consommation d’énergie de ChatGPT
https://www.businessenergyuk.com/knowledge-hub/chatgpt-energy-consumption-visualized/

Consommation d’énergie de l’IA : elle devient rapidement critique
https://www.forbes.com/sites/bethkindig/2024/06/20/ai-power-consumption-rapidly-becoming-mission-critical/

Salesforce AI Energy Score mesure la consommation électrique des LLM
https://itsocial.fr/intelligence-artificielle/intelligence-artificielle-actualites/salesforce-ai-energy-score-mesure-la-consommation-electrique-des-llm/

IA générative : la consommation énergétique explose
https://www.polytechnique-insights.com/tribunes/energie/ia-generative-la-consommation-energetique-explose/

L’intelligence artificielle consomme énormément d’énergie. Voici pourquoi.
https://www.lemonde.fr/en/les-decodeurs/article/2025/06/14/artificial-intelligence-consumes-massive-amounts-of-energy-here-s-why_6742347_8.html

Foire de Hanovre : Centres de données durables : des modèles d’IA jusqu’à 90 % plus économes en énergie
https://nachrichten.idw-online.de/2025/03/18/hannover-messe-sustainable-data-centres-making-ai-models-up-to-90-more-energy-efficient

L’IA utilise de l’énergie, l’IA économise de l’énergie
https://www.deeplearning.ai/the-batch/the-international-energy-agency-examines-the-energy-costs-and-potential-savings-of-the-ai-boom/

---

Impact environnemental

Impact environnemental de l’IA générative : empreinte carbone et hydrique
https://journals.calstate.edu/ai-edu/article/view/5448

L’impact des technologies numériques sur la consommation et la production durables
ttps://www.semanticscholar.org/paper/62db02f700642afaffd243a28240128222bc897f

L’empreinte carbone de l’IA : comment la popularité de l’intelligence artificielle affecte-t-elle le climat ?
https://planbe.eco/en/blog/ais-carbon-footprint-how-does-the-popularity-of-artificial-intelligence-affect-the-climate/

Quel est l’impact environnemental d’une IA générative ?
https://drane-versailles.region-academique-idf.fr/spip.php?article1167

Créer une image avec l’IA générative consomme autant d’énergie que charger votre téléphone
https://www.technologyreview.com/2023/12/01/1084189/making-an-image-with-generative-ai-uses-as-much-energy-as-charging-your-phone/

Comment l’IA transforme la durabilité en 2025 : Principales tendances à surveiller
https://fingreen.ai/fr/blog/ai-transforming-sustainability-2025-key-trends/

Bataille autour de l’empreinte de l’IA : un faux débat ?
https://www.itforbusiness.fr/bataille-autour-de-lempreinte-de-lia-un-faux-debat-90415

---

Performance et classement énergétique des IA

Quels sont les modèles d’IA les plus performants en 2025 ?
https://www.data-bird.co/blog/modeles-ia-performants-2025-ntgn0

Classement énergétique des IA
https://huggingface.co/spaces/AIEnergyScore/Leaderboard

AI Energie Score
https://huggingface.github.io/AIEnergyScore/

Évaluations du score énergétique de l’IA : un pas vers la transparence dans l’IA
https://ncfacanada.org/ai-energy-score-ratings-transparency-in-ai/

Classement LLM – Comparaison de GPT-4o, Llama 3, Mistral, Gemini et plus de 30 modèles
https://artificialanalysis.ai/leaderboards/models