Putting it in proportionRemettre en proportion

TRA6008 S3 · in classS3 · en classe

Two questions that get confused

Asking whether your own use of a chat assistant harms the environment, and asking whether the build-out of AI infrastructure harms it, are different questions with different answers. The table below sets them side by side.

	Your own use	The build-out of AI
The question	Does using a chat assistant harm the environment?	Does the expansion of AI’s infrastructure harm it?
How large	Small for plain text: about a gram of CO2 for a short answer	Large and growing: the electricity use of data centres is expected to roughly double by 2030
What changes it	The size of the model, the reasoning effort, the kind of output and how often you generate again	Investment, where data centres are built and on which grid, and the rules they have to follow

Your own use

At the individual level, the figures for plain text are small. Mistral puts a page of text from its chat assistant at about a gram of CO2 equivalent (Mistral AI, 2025), and Google puts the median text prompt 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. in its Gemini apps below the energy of watching nine seconds of television (Elsworth et al., 2025).

Over a year, the numbers stay small next to other things people do. Andy Masley’s (2026e) online calculator puts a typical day of chatbot use, 27 prompts to three current models, at about 7.6 kilograms of CO2 a year: about as much as a cotton T-shirt, a tenth of a year of daily coffee, and a small fraction of a single long flight (Figure 18figure 18).The calculator takes each model’s energy from EcoLogits, an open-source, peer-reviewed estimator (Rincé & Banse, 2025), puts it on the US grid, and includes the manufacture of the hardware but not training or image and video generation. Masley notes that the figures for Claude are based on guesses about how those models are built. He is an independent writer, funded by a grant from Coefficient Giving and writing from an effective altruist perspective, who argues that personal chatbot use has little climate impact. Captured 24 September 2026.

Heavy use changes this by orders of magnitude. Images and video cost ten to thousands of times more per request than text, and an agent AI agentagent agentsagents An AI system that selects and carries out actions toward a goal, often by using tools or calling other programs and adapting later actions to the results it receives.Système d'IA qui choisit et exécute des actions en vue d'un but, souvent en utilisant des outils ou en appelant d'autres programmes et en adaptant ses actions ultérieures aux résultats reçus. that works through several steps with reasoning reasoningraisonnement language modelsmodèles de langue The process of using available information to draw conclusions or work toward the solution of a problem.Processus consistant à utiliser l'information disponible pour tirer des conclusions ou progresser vers la solution d'un problème. can use about a thousand times as much as a short answer (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation). By a very rough estimate, ten such agent tasks a day would come to several hundred kilograms of CO2 a year: still well below a year of driving, but no longer negligible.Mistral’s 1.14 g per answer, multiplied by about 160, the ratio between an agent with reasoning (50 Wh) and a plain answer from a large model (0.31 Wh) in the IEA’s comparison (International Energy Agency, 2026, p. 29), then by 3,650 tasks a year: about 670 kg. A year of driving an average gasoline car emits about 4,300 kg (U.S. Environmental Protection Agency, 2026).

Masley (2025b) adds an argument about scale: a small share of one person’s emissions stays the same small share of the world’s however many people cut it, so a change that barely affects your own footprint barely affects the world’s either, and changes to the electricity grid do far more than changes to what each person does.

The build-out

At the level of the whole system, the concern is real. The construction of data centres 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. , their demand for electricity and water, and the pace of the build-out are large, and no individual’s restraint makes them small (see also the Data centres page) (voir aussi la page Centres de traitement de données).

The International Energy Agency’s figures give the scale of it:

• Among the fastest-growing sources of emissions. The electricity used by data centres emitted about 180 million tonnes of CO2 in 2024, and the agency expects about 300 million by 2035, which would still be below 1.5 % of the energy sector’s emissions (International Energy Agency, 2025, p. 18).
• One driver of electricity demand among several. Data centres account for about a tenth of the growth in the world’s electricity demand to 2030, less than industrial motors, air conditioning or electric vehicles, but their demand is concentrated in a few places (International Energy Agency, 2025, pp. 14, 38).
• Not mainly text answers. Even if every conventional web search were run as a simple text query to a language model language model (LM)modèle de langue language modelsmodèles de langue A machine-learning model that estimates how likely different sequences of language are.Modèle d'apprentissage automatique qui estime la probabilité de différentes séquences de langue. , the electricity would come to less than 1 % of what data centres use today, so most of the capacity being built must be meant for other work, for instance training, image and video generation and agents (International Energy Agency, 2026, pp. 8, 32).

What AI might save elsewhere

AI is also used to cut emissions in other sectors, for instance to forecast the output of wind and solar power, locate faults on electricity grids, or run buildings and factories more efficiently (International Energy Agency, 2025, pp. 15–16). These are mostly uses of AI other than chatbots. The agency estimates that the broad use of AI applications that exist today could cut emissions by the equivalent of about 5 % of energy-related emissions in 2035 (International Energy Agency, 2025, p. 18). That would be far more than data centres emit, but far less than what is needed to address climate change. The agency adds that the savings depend on overcoming barriers to adoption, that rebound effects could undercut them, and that AI “is not a silver bullet”.

Deciding for your own use

The cost of your own use changes most with a few choices: the size of the model, the reasoning effort reasoning efforteffort de raisonnement language modelsmodèles de langue A setting that controls how much computation a model spends on an answer, which in practice means how many tokens it generates.Paramètre qui détermine la quantité de calcul qu'un modèle consacre à une réponse, c'est-à-dire, en pratique, le nombre de jetons qu'il génère. , the kind of output and how often you generate again (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation). A deliberate rerun to check a claim is a different case from regenerating until an answer pleases you (see also the Checking the answer page, in the Using LLMs module) (voir aussi la page Vérifier la réponse, dans le module Utiliser les GML).

There are many good reasons to decline these tools. The environmental reason is strongest for the heavy uses: generating video, running agents over many steps, or using the largest model for a task a small one would do.

Where you can choose, preferring providers that publish their figures also helps, since only disclosure makes any of this measurable.

A search engine or a chatbot

For a question a search engine can answer, two things weigh on the choice between searching and asking a chatbot:

• A chatbot answer costs less than first estimated. An estimate made in 2023 put one chatbot answer at about 3 watt-hours, some ten times the 0.3 reported for a Google search (de Vries, 2023, p. 2192). The figures companies published in 2025 are about a tenth of that: 0.24 watt-hours for Google’s median Gemini prompt and 0.34 for the average ChatGPT query, and they are likely lower already (International Energy Agency, 2026, p. 32).
• A search may now generate text as well. Google, for instance, calls its AI Overviews a core feature of Search that cannot be turned off; the Web filter, chosen after a search, shows only the links.From Google’s help page on AI Overviews (Google Search Help, read 24 September 2026).

A list of results still gives you the sources to check, which is a reason of its own to search when the question is one of fact.

A small model several times, or a large one once

A smaller model costs less per answer, roughly in proportion to its size (Mistral AI, 2025), but it may take several tries to give an answer you can use, and each try is a full generation. Several tries on a model a tenth of the size still cost less than one answer from the large model. The comparison turns with reasoning: in the International Energy Agency’s comparison, a medium-sized model with reasoning turned on used 7.6 watt-hours for one answer, where a larger model without it used 0.31 (International Energy Agency, 2026, p. 29) (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation). Your own time counts as well: an answer you can use at the first try saves the time spent reading and correcting the others.

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 2 October 2026

Deux questions souvent confondues

Se demander si votre propre utilisation d’un assistant conversationnel nuit à l’environnement, et se demander si l’expansion des infrastructures de l’IA lui nuit, sont deux questions différentes, aux réponses différentes. Le tableau ci-dessous les met côte à côte.

	Votre propre utilisation	L’expansion de l’IA
La question	Utiliser un assistant conversationnel nuit-il à l’environnement ?	L’expansion des infrastructures de l’IA lui nuit-elle ?
L’ampleur	Faible pour du texte seul : environ un gramme de CO2 pour une courte réponse	Importante et en hausse : la consommation d’électricité des centres de traitement de données devrait à peu près doubler d’ici 2030
Ce qui la fait varier	La taille du modèle, l’effort de raisonnement, le type de sortie et la fréquence à laquelle vous relancez la génération	L’investissement, l’emplacement des centres et le réseau qui les alimente, et les règles qu’ils doivent suivre

Votre propre utilisation

À l’échelle individuelle, les chiffres pour du texte seul sont faibles. Mistral estime une page de texte de son assistant conversationnel à environ un gramme d’équivalent CO2 (Mistral AI, 2025), et Google situe la requête 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. médiane en texte dans ses applications Gemini en dessous de l’énergie de neuf secondes de télévision (Elsworth et al., 2025).

Sur une année, les chiffres restent faibles à côté d’autres activités. Le calculateur en ligne d’Andy Masley (2026e) estime une journée type d’utilisation d’agents conversationnels, 27 requêtes à trois modèles actuels, à environ 7,6 kilogrammes de CO2 par an : à peu près autant qu’un t-shirt en coton, un dixième d’une année de café quotidien, et une petite fraction d’un seul vol long-courrier (Figure 18figure 18).Le calculateur tire l’énergie de chaque modèle d’EcoLogits, un estimateur libre évalué par les pairs (Rincé & Banse, 2025), la rapporte au réseau américain, et inclut la fabrication du matériel, mais pas l’entraînement ni la génération d’images et de vidéos. Masley note que les chiffres pour Claude reposent sur des hypothèses sur la conception de ces modèles. C’est un auteur indépendant, financé par une subvention de Coefficient Giving et qui écrit dans une perspective d’altruisme efficace ; il soutient que l’utilisation personnelle des agents conversationnels a peu d’impact sur le climat. Capture du 24 septembre 2026.

Les usages lourds changent la donne de plusieurs ordres de grandeur. Les images et la vidéo coûtent de dix à des milliers de fois plus par requête que le texte, et un agent AI agentagent agentsagents An AI system that selects and carries out actions toward a goal, often by using tools or calling other programs and adapting later actions to the results it receives.Système d'IA qui choisit et exécute des actions en vue d'un but, souvent en utilisant des outils ou en appelant d'autres programmes et en adaptant ses actions ultérieures aux résultats reçus. qui passe par plusieurs étapes avec raisonnement reasoningraisonnement language modelsmodèles de langue The process of using available information to draw conclusions or work toward the solution of a problem.Processus consistant à utiliser l'information disponible pour tirer des conclusions ou progresser vers la solution d'un problème. peut consommer environ mille fois plus qu’une courte réponse (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation). Selon une estimation très approximative, dix tâches de ce genre par jour représenteraient plusieurs centaines de kilogrammes de CO2 par an : encore bien moins qu’une année de conduite, mais ce n’est plus négligeable.Le chiffre de Mistral de 1,14 g par réponse, multiplié par environ 160, le rapport entre un agent avec raisonnement (50 Wh) et une réponse en texte seul d’un grand modèle (0,31 Wh) dans la comparaison de l’AIE (International Energy Agency, 2026, p. 29), puis par 3 650 tâches par an : environ 670 kg. Une année de conduite d’une voiture à essence moyenne émet environ 4 300 kg (U.S. Environmental Protection Agency, 2026).

Masley (2025b) ajoute un argument d’échelle : une petite part des émissions d’une personne reste la même petite part de celles du monde, quel que soit le nombre de personnes qui la réduisent ; un changement qui touche à peine votre propre empreinte touche donc à peine celle du monde, et les changements dans le réseau électrique font bien plus que les changements dans ce que fait chacun.

L’expansion

À l’échelle de l’ensemble du système, la préoccupation est réelle. La construction de centres 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. , leur demande d’électricité et d’eau, et le rythme de l’expansion sont importants, et aucune retenue individuelle ne les rend petits (see also the Data centres page) (voir aussi la page Centres de traitement de données).

Les chiffres de l’Agence internationale de l’énergie en donnent l’ampleur :

• Parmi les sources d’émissions qui croissent le plus vite. L’électricité consommée par les centres de traitement de données a émis environ 180 millions de tonnes de CO2 en 2024, et l’agence en prévoit environ 300 millions d’ici 2035, ce qui resterait sous 1,5 % des émissions du secteur de l’énergie (International Energy Agency, 2025, p. 18).
• Une cause de la demande d’électricité parmi d’autres. Les centres de traitement de données représentent environ un dixième de la croissance de la demande mondiale d’électricité d’ici 2030, moins que les moteurs industriels, la climatisation ou les véhicules électriques, mais leur demande est concentrée en quelques endroits (International Energy Agency, 2025, pp. 14, 38).
• Pas d’abord des réponses en texte. Même si chaque recherche Web classique passait par une simple requête en texte à un modèle de langue language model (LM)modèle de langue language modelsmodèles de langue A machine-learning model that estimates how likely different sequences of language are.Modèle d'apprentissage automatique qui estime la probabilité de différentes séquences de langue. , l’électricité représenterait moins de 1 % de ce que consomment aujourd’hui les centres de traitement de données : l’essentiel de la capacité en construction doit donc servir à autre chose, par exemple à l’entraînement, à la génération d’images et de vidéos et aux agents (International Energy Agency, 2026, pp. 8, 32).

Ce que l’IA pourrait faire économiser ailleurs

L’IA sert aussi à réduire les émissions d’autres secteurs, par exemple pour prévoir la production éolienne et solaire, localiser les pannes sur les réseaux électriques, ou rendre les bâtiments et les usines plus efficaces (International Energy Agency, 2025, pp. 15–16). Il s’agit surtout d’usages de l’IA autres que les agents conversationnels. L’agence estime que l’adoption générale d’applications d’IA qui existent déjà pourrait réduire les émissions de l’équivalent d’environ 5 % des émissions liées à l’énergie en 2035 (International Energy Agency, 2025, p. 18). Ce serait bien plus que ce qu’émettent les centres de traitement de données, mais bien moins que ce qu’il faut pour faire face aux changements climatiques. L’agence ajoute que ces économies dépendent de la levée d’obstacles à l’adoption, que des effets rebond pourraient les réduire, et que l’IA « is not a silver bullet » [ma traduction : « n’est pas une solution miracle »].

Décider pour votre propre utilisation

Le coût de votre propre utilisation dépend surtout de quelques choix : la taille du modèle, l’effort de raisonnement reasoning efforteffort de raisonnement language modelsmodèles de langue A setting that controls how much computation a model spends on an answer, which in practice means how many tokens it generates.Paramètre qui détermine la quantité de calcul qu'un modèle consacre à une réponse, c'est-à-dire, en pratique, le nombre de jetons qu'il génère. , le type de sortie et la fréquence à laquelle vous relancez la génération (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation). Relancer délibérément pour vérifier une affirmation n’est pas la même chose que relancer jusqu’à obtenir une réponse qui vous plaît (see also the Checking the answer page, in the Using LLMs module) (voir aussi la page Vérifier la réponse, dans le module Utiliser les GML).

Il y a bien des bonnes raisons de refuser ces outils. La raison environnementale est la plus forte pour les usages lourds : générer de la vidéo, faire tourner des agents sur de nombreuses étapes, ou utiliser le plus grand modèle pour une tâche qu’un petit ferait.

Quand vous avez le choix, privilégier les fournisseurs qui publient leurs chiffres aide aussi, puisque seule la divulgation permet de mesurer quoi que ce soit de tout cela.

Un moteur de recherche ou un agent conversationnel

Pour une question à laquelle un moteur de recherche peut répondre, deux éléments pèsent sur le choix entre chercher et interroger un agent conversationnel :

• Une réponse d’agent conversationnel coûte moins qu’on ne l’estimait au départ. Une estimation faite en 2023 situait une réponse d’agent conversationnel à environ 3 wattheures, quelque dix fois les 0,3 rapportés pour une recherche Google (de Vries, 2023, p. 2192). Les chiffres publiés par les entreprises en 2025 en représentent environ un dixième : 0,24 wattheure pour la requête médiane de Gemini de Google et 0,34 pour la requête moyenne de ChatGPT, et ils sont probablement déjà plus bas (International Energy Agency, 2026, p. 32).
• Une recherche peut désormais produire du texte, elle aussi. Google, par exemple, présente ses aperçus IA (AI Overviews) comme une fonction de base de la recherche qui ne peut pas être désactivée ; le filtre Web, choisi après une recherche, n’affiche que les liens.D’après la page d’aide de Google sur les AI Overviews (Aide Recherche Google, consultée le 24 septembre 2026).

Une liste de résultats vous donne toujours les sources à vérifier, ce qui est en soi une raison de chercher quand la question porte sur un fait.

Un petit modèle plusieurs fois, ou un grand une seule fois

Un modèle plus petit coûte moins par réponse, à peu près en proportion de sa taille (Mistral AI, 2025), mais il faut parfois plusieurs essais pour obtenir une réponse utilisable, et chaque essai est une génération complète. Plusieurs essais sur un modèle dix fois plus petit coûtent tout de même moins qu’une réponse du grand modèle. La comparaison s’inverse avec le raisonnement : dans la comparaison de l’Agence internationale de l’énergie, un modèle de taille moyenne avec le raisonnement activé consommait 7,6 wattheures pour une réponse, contre 0,31 pour un modèle plus grand sans raisonnement (International Energy Agency, 2026, p. 29) (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation). Votre propre temps compte aussi : une réponse utilisable du premier coup vous épargne le temps passé à lire et à corriger les autres.

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