Hard to measureDifficile à mesurer

TRA6008 S3 · in classS3 · en classe

Why the numbers disagree

Figures on the environmental cost of AI often disagree with each other, and most of the disagreement comes from how they were produced.

Disclosure is voluntary and partial

Most providers publish nothing model by model. Mistral published a lifecycle assessment of one of its models in July 2025 (Mistral AI, 2025), Google reported on the energy of answering prompts promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. and left training for later work (Elsworth et al., 2025), and OpenAI gave an average figure per ChatGPT query in 2025 (International Energy Agency, 2026). Other providers publish nothing that could be compared. The same providers withhold most of what their models were trained on as well.

Methods differ

A figure depends on what it includes: only the chips answering the query, or also the rest of the data centre data centrecentre de traitement de données environmentenvironnement A facility that houses computing, storage, and networking equipment, together with supporting infrastructure such as power supplies, cooling systems, and security systems.Installation qui abrite de l'équipement de calcul, de stockage et de réseau, ainsi que les infrastructures de soutien comme l'alimentation électrique, les systèmes de refroidissement et les systèmes de sécurité. , the manufacture of the hardware, and a share of the training (Figure 16figure 16). The water used for cooling and the electricity mix of the region change the result again.

The boundary changes the figure considerably. For the same median prompt, Google’s figure is 0.10 watt-hours when only the active chips are counted, in its most efficient data centres, and 0.24 when the host machines, the idle capacity and the rest of the data centre are counted across its whole fleet (Elsworth et al., 2025). Two figures computed differently therefore cannot be set against each other.

Mistral’s own assessment shows where the weight falls once the wider boundaries are counted (Figure 17figure 17). The power used by its servers for training and inference inferenceinférence machine learningapprentissage automatique The stage in which a trained AI model processes new input to produce a prediction, classification, decision, or generated output.Étape au cours de laquelle un modèle d'IA entraîné traite une nouvelle entrée pour produire une prédiction, une classification, une décision ou une sortie générée. makes up 85.5 % of the emissions, manufacturing the hardware 11 % and users’ own devices 3 %, while for materials the hardware comes first, at 61 % (Mistral AI, 2025). The assessment puts training and inference in one row, so it does not say how the two compare.

Efficiency moves

The energy of one query can fall sharply within a year, by a factor of 33 in the case Google reported (see also the Efficiency and rebound page) (voir aussi la page Efficacité et effet rebond). A figure from a year ago can therefore overstate the current cost substantially, and a number without a date is not usable.

Where a figure comes from

The sources of environmental figures for AI differ in what they can tell you, and the table below sets out four kinds.

Source	Example	What to keep in mind
A provider’s own report	Mistral’s lifecycle assessment, prepared with a consultancy and ADEME, the French ecological transition agency, and reviewed by two other consultancies (Mistral AI, 2025)	The data are the provider’s own, and Mistral itself calls the study “a first approximation”
A provider’s research paper	Google’s measurement of its Gemini apps (Elsworth et al., 2025)	Detailed on method, but a preprint, written by the provider’s staff about the provider’s own service
Peer-reviewed research	Luccioni et al. (2024), who ran a thousand queries per dataset on each of 88 open models	Measured under controlled conditions and firmer, but narrower: it covers the models and tasks that were tested
A newspaper figure	a comparison with a household appliance or a bottle of water	Often derived from one of the three above, sometimes in several steps: trace it back to the measurement behind it

Written in English. The French version was automatically generated and I have not revised it. Rédigé en anglais. La version française a été générée automatiquement et je ne l'ai pas révisée. Updated 24 September 2026

Pourquoi les chiffres ne concordent pas

Les chiffres sur le coût environnemental de l’IA se contredisent souvent, et la plupart de ces désaccords viennent de la façon dont ils ont été produits.

Une divulgation volontaire et partielle

La plupart des fournisseurs ne publient rien modèle par modèle. Mistral a publié l’analyse du cycle de vie d’un de ses modèles en juillet 2025 (Mistral AI, 2025), Google a rendu compte de l’énergie nécessaire pour répondre aux requêtes promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. et a laissé l’entraînement pour des travaux ultérieurs (Elsworth et al., 2025), et OpenAI a donné en 2025 un chiffre moyen par requête ChatGPT (International Energy Agency, 2026). Les autres fournisseurs ne publient rien de comparable. Ces mêmes fournisseurs taisent aussi l’essentiel de ce sur quoi leurs modèles ont été entraînés.

Des méthodes différentes

Un chiffre dépend de ce qu’il inclut : seulement les puces qui répondent à la requête, ou aussi le reste du centre de traitement de données data centrecentre de traitement de données environmentenvironnement A facility that houses computing, storage, and networking equipment, together with supporting infrastructure such as power supplies, cooling systems, and security systems.Installation qui abrite de l'équipement de calcul, de stockage et de réseau, ainsi que les infrastructures de soutien comme l'alimentation électrique, les systèmes de refroidissement et les systèmes de sécurité. , la fabrication du matériel et une part de l’entraînement (Figure 16figure 16). L’eau utilisée pour le refroidissement et la composition électrique de la région changent encore le résultat.

Le périmètre change le chiffre considérablement. Pour la même requête médiane, le chiffre de Google est de 0,10 wattheure quand seules les puces actives sont comptées, dans ses centres les plus efficaces, et de 0,24 quand les machines hôtes, la capacité inactive et le reste du centre sont comptés sur l’ensemble de son parc (Elsworth et al., 2025). Deux chiffres calculés différemment ne peuvent donc pas être mis en regard l’un de l’autre.

L’analyse de Mistral montre où se situe le poids une fois les périmètres plus larges comptés (Figure 17figure 17). L’électricité consommée par ses serveurs pour l’entraînement et l’inférence inferenceinférence machine learningapprentissage automatique The stage in which a trained AI model processes new input to produce a prediction, classification, decision, or generated output.Étape au cours de laquelle un modèle d'IA entraîné traite une nouvelle entrée pour produire une prédiction, une classification, une décision ou une sortie générée. représente 85,5 % des émissions, la fabrication du matériel 11 % et les appareils des utilisateurs 3 %, alors que pour les matériaux, le matériel arrive en tête, à 61 % (Mistral AI, 2025). L’analyse met l’entraînement et l’inférence sur une même ligne ; elle ne dit donc pas comment les deux se comparent.

L’efficacité évolue

L’énergie d’une requête peut baisser fortement en un an, d’un facteur 33 dans le cas rapporté par Google (see also the Efficiency and rebound page) (voir aussi la page Efficacité et effet rebond). Un chiffre vieux d’un an peut donc nettement surestimer le coût actuel, et un chiffre sans date n’est pas utilisable.

D’où vient un chiffre

Les sources de chiffres environnementaux sur l’IA ne peuvent pas vous apprendre les mêmes choses ; le tableau ci-dessous en présente quatre types.

Source	Exemple	À garder en tête
Le rapport d’un fournisseur	L’analyse du cycle de vie de Mistral, préparée avec un cabinet de conseil et l’ADEME, l’Agence de la transition écologique, puis revue par deux autres cabinets (Mistral AI, 2025)	Les données sont celles du fournisseur, et Mistral qualifie lui-même l’étude de « first approximation » [ma traduction : « première approximation »]
L’article de recherche d’un fournisseur	La mesure de Google sur ses applications Gemini (Elsworth et al., 2025)	Détaillé sur la méthode, mais c’est une prépublication, écrite par le personnel du fournisseur sur le service du fournisseur
La recherche évaluée par les pairs	Luccioni et al. (2024), qui ont lancé un millier de requêtes par jeu de données sur chacun de 88 modèles ouverts	Mesurée dans des conditions contrôlées et plus solide, mais plus étroite : elle ne couvre que les modèles et les tâches testés
Un chiffre dans un journal	une comparaison avec un appareil ménager ou une bouteille d’eau	Souvent tiré de l’une des trois sources ci-dessus, parfois en plusieurs étapes : remontez jusqu’à la mesure qui le fonde

Written in English. The French version was automatically generated and I have not revised it. Rédigé en anglais. La version française a été générée automatiquement et je ne l'ai pas révisée. Mise à jour 24 septembre 2026