PrintedImprimé le·aylart.github.io/learn·
CC BY-NC 4.0
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.
A note before the figuresUne note avant les chiffres
Where I stand
The environmental impact of AI is a topic on which it is easy to be read as
taking a side. I try my best to stay neutral.
I do try to put the figures in context more than is often done, for instance by
separating the cost of one answer from the cost of the industry as a
whole (see also the Putting it in proportion page) (voir aussi la page Remettre en proportion).
The aim is to give you figures that are current and sourced, so that you
can form your own position from them.
Where a figure in this chapter is a provider’s own report, an estimate, or a
measurement made on older models, the text says so and gives its date.
Sources
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). https://arxiv.org/abs/2311.16863
Ma position
L’impact environnemental de l’IA est un sujet sur lequel on est vite perçu
comme prenant parti. Je fais de mon mieux pour rester neutre.
J’essaie en revanche de remettre les chiffres en contexte plus qu’on ne le fait
souvent, par exemple en distinguant le coût d’une réponse de celui de
l’industrie dans son
ensemble (see also the Putting it in proportion page) (voir aussi la page Remettre en proportion).
Le but est de vous donner des chiffres actuels et sourcés, pour que vous
puissiez vous faire votre propre opinion.
Lorsqu’un chiffre de ce chapitre vient du rapport d’un fournisseur, d’une
estimation ou d’une mesure faite sur des modèles plus anciens, le texte le
précise et en donne la date.
Sources
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). https://arxiv.org/abs/2311.16863
Figure 2. Training changes the parameters step by step; the model it leaves behind answers every conversation without changing. A copy of the figure in the inference chapter.
How the two costs add up
Training and use add up differently
(Figure 3figure 3):
Training emits once, before anyone uses the model, and declining to use
the model does not undo those emissions. Divided among everyone who uses a
widely used model, the share that falls on any one use is small: Masley
(2026d) puts GPT-4’s training, divided among its 100 to 200 million weekly
users, at about 75 to 150 grams of CO2 each, about what manufacturing a
single CD emits.
Mistral’s own infographic puts one such answer in everyday terms, with
comparisons of the company’s choosing
(Figure 4figure 4).
Figure 4. Mistral's infographic for one page of text from Mistral Large 2, published with its lifecycle assessment on 22 July 2025 (Mistral AI, 2025). Sb eq measures the depletion of mineral resources, in antimony equivalent.
By the yardsticks of the U.S. Environmental Protection Agency (2026), the
training figure is about what 4,800 gasoline cars emit in a year of driving,
and one answer is about a tenth of what charging a smartphone emits on the US
grid.
Mistral’s two figures are about ten orders of magnitude apart
(Figure 5figure 5).
Figure 5. Training Mistral Large 2 against one answer of about 400 tokens, from Mistral's figures of 2025.
Figure 6. Where today's uses and training runs stand against Mistral's two figures. Mistral's figures: Mistral AI (2025). The thousandfold for a reasoning agent: International Energy Agency (2026, p. 29). The tenfold yearly fall in energy per task: International Energy Agency (2026, p. 8), the agency's own summary of recent years rather than a single measurement. Phone charge and cars: U.S. Environmental Protection Agency (2026). Grok 3 and GPT-6 Astra: my rough calculation from Epoch AI (2026) and International Energy Agency (2025), explained in the margin note.
Sources
Epoch AI (2026). Data on AI models. Online database, CC BY, epoch.ai (retrieved 9 September 2026). https://epoch.ai/data/ai-models
Figure 2. L'entraînement modifie les paramètres étape par étape ; le modèle qui en résulte répond à chaque conversation sans changer. Une copie de la figure du chapitre sur l'inférence.
Comment les deux coûts s’additionnent
L’entraînement et l’utilisation s’additionnent différemment
(Figure 3figure 3) :
L’entraînement émet une seule fois, avant que quiconque utilise le
modèle, et renoncer à utiliser le modèle n’annule pas ces émissions.
Répartie entre toutes les personnes qui utilisent un modèle très répandu, la
part qui revient à chaque utilisation est faible : Masley (2026d) estime
l’entraînement de GPT-4, réparti entre ses 100 à 200 millions d’utilisateurs
hebdomadaires, à environ 75 à 150 grammes de CO2 chacun, à peu près ce
qu’émet la fabrication d’un seul CD.
Figure 3. L'entraînement émet une seule fois ; l'utilisation s'accumule à chaque requête jusqu'à dépasser l'entraînement. La courbe est illustrative.
L’Agence internationale de l’énergie (AIE) dit la même chose pour l’IA dans
son ensemble :
« The balance of AI-related energy consumption has already shifted decisively
from training to inference » [ma traduction : « L’équilibre de la
consommation d’énergie liée à l’IA s’est déjà nettement déplacé de
l’entraînement vers l’inférence »] (International Energy Agency, 2026, p. 30).
Les chiffres d’un modèle
Mistral a publié des chiffres pour les deux coûts de son modèle Mistral Large 2
(Mistral AI, 2025). Pour ce qu’il appelle « the environmental footprint of
training » [ma traduction : « l’empreinte environnementale de
l’entraînement »], il déclare 20,4 kilotonnes d’équivalent CO2 (kt éq. CO2)
et 281 000 mètres cubes d’eau, « as of January 2025, and after 18 months of
usage » [ma traduction : « en janvier 2025, après 18 mois d’utilisation »].
Pour une utilisation de son assistant conversationnel, une réponse de 400
jetonstoken²jeton textuel²language modelsmodèles de langueA unit of text that a language model processes or generates.Unité de texte qu'un modèle de langue traite ou génère. Un jeton peut correspondre à un mot entier, à une partie de mot, à un signe de ponctuation ou à une séquence plus petite de caractères ou d'octets. (environ une page), il déclare 1,14 gramme
d’équivalent CO2 et 45 millilitres d’eau. Les deux chiffres incluent la
fabrication des serveurs, pas seulement l’électricité, et le chiffre d’une
réponse exclut l’appareil de l’utilisateur.L’annonce de Mistral ne précise pas comment les 18 mois d’utilisation entrent dans le chiffre de l’entraînement ; ses résultats devaient être publiés dans la Base Empreinte de l’ADEME, l’Agence de la transition écologique en France.
L’infographie de Mistral traduit une telle réponse en termes du quotidien, avec
des comparaisons choisies par l’entreprise
(Figure 4figure 4).
Figure 4. L'infographie de Mistral pour une page de texte produite par Mistral Large 2, publiée avec son analyse du cycle de vie le 22 juillet 2025 (Mistral AI, 2025). L'équivalent Sb mesure l'épuisement des ressources minérales, en équivalent antimoine.
Selon les équivalences de l’agence américaine de protection de l’environnement
(U.S. Environmental Protection Agency, 2026), le chiffre de l’entraînement
correspond à peu près à ce qu’émettent 4 800 voitures à essence en un an, et
une réponse à environ un dixième de ce qu’émet la recharge d’un téléphone
intelligent sur le réseau américain.
Les deux chiffres de Mistral sont séparés d’environ dix ordres de grandeur
(Figure 5figure 5).
Figure 5. L'entraînement de Mistral Large 2 comparé à une réponse d'environ 400 jetons, d'après les chiffres publiés par Mistral en 2025.
Figure 6. Où se situent les utilisations et les entraînements actuels par rapport aux deux chiffres de Mistral. Chiffres de Mistral : Mistral AI (2025). Le facteur mille pour un agent avec raisonnement : Agence internationale de l'énergie (2026, p. 29). La division par dix par an de l'énergie par tâche : Agence internationale de l'énergie (2026, p. 8), le résumé que fait l'agence des dernières années plutôt qu'une mesure unique. Recharge de téléphone et voitures : agence américaine de protection de l'environnement (2026). Grok 3 et GPT-6 Astra : mon calcul approximatif à partir d'Epoch AI (2026) et de l'Agence internationale de l'énergie (2025), expliqué dans la note en marge.
Sources
Epoch AI (2026). Data on AI models. Online database, CC BY, epoch.ai (retrieved 9 septembre 2026). https://epoch.ai/data/ai-models
The kind of output. Images and video cost far more than text, by
factors that differ from one study to the next, as the table below
shows.
Output
Compared with
Estimate
Source
A high-resolution image
a short text query
up to about ten times as much
International Energy Agency (2026)
An image
a text generation of ten tokens, on average
about sixty times as much
Luccioni et al. (2024), open models measured in 2023
A video
a short text query
hundreds to thousands of times as much, depending on length and resolution
International Energy Agency (2026)
A clip of about five seconds
an image in Luccioni et al. (2024)
about thirty times as much
Delavande et al. (2025), one open video model
Energy per request of an image or a video, compared with text, in three studies.
The estimates differ because the models, the settings and what was measured
differ, so a multiplier like these is worth quoting only with its date and
its source.
Figure 7. Energy of one task on the chips alone, for open models under standardized conditions, from the International Energy Agency (2026), with a smartphone charge from the U.S. Environmental Protection Agency (2026). The IEA presents them as orders of magnitude, not as figures for any particular product.
That agent is a moderate one. An agent that works on a task for hours makes
many more calls, and several agents working at once multiply the count again.
Agents can also keep running while nobody is waiting for their answer, so the
energy they use is no longer tied to the time anyone spends in front of the
screen (International Energy Agency, 2026, p. 29).
When a smaller model is enough
A smaller model built for one task is often proposed as the answer to the
energy use of general-purpose models. It is the answer for some tasks, but
not for others.
Where a small model is enough: a narrow task with plenty of examples,
for instance sorting messages into categories or recognizing the language
of a text. The possible answers are few and known in advance, so a small
system trained for that one job can do it well, and repeated many times,
it uses far less energy than a general-purpose model.
A model too small for the task can also end up costing more, if it takes
several tries to give an answer you can
use (see also the Putting it in proportion page) (voir aussi la page Remettre en proportion).
Where the query runs
The same model, the same query and the same number of tokens produce
different emissions in two places, because the carbon depends on the
electricity used. Generating a kilowatt-hour directly emits about 960 grams
of CO2 from coal, about 390 from a modern gas plant, and practically nothing
from wind, solar, hydroelectric or nuclear power. Averaged over their mix,
grids emit about 240 grams per kilowatt-hour in Europe, 350 in the United
States and around 600 in China and Southeast Asia (International Energy
Agency, 2025, p. 78;
Figure 8figure 8).These are direct emissions only, averaged over 2021 to 2023: the figures leave out what building and supplying the power plants emits.
Figure 8. Direct CO2 emissions per kilowatt-hour, by power source and by regional grid, from the International Energy Agency (2025).
A data centre on a grid supplied by hydroelectric or nuclear power therefore
produces a small fraction of the emissions of one on a coal-heavy grid. The
difference is invisible to you: a chat interface does not say where your
request was served.
Many operators also buy renewable electricity by contract. Most of these
contracts cover a volume of electricity over a year rather than each hour of
use, so the electricity a data centre actually draws can still come partly
from gas or coal (International Energy Agency, 2025, p. 75).
Sources
Delavande, J., Pierrard, R., & Luccioni, A. S. (2025). Video Killed the Energy Budget: Characterizing the Latency and Power Regimes of Open Text-to-Video Models. arXiv preprint arXiv:2509.19222. https://doi.org/10.48550/arXiv.2509.19222
Kocmi, T., Artemova, E., Avramidis, E., Bawden, R., Bojar, O., Dranch, K., et al. (2025). Findings of the WMT25 General Machine Translation Shared Task: Time to Stop Evaluating on Easy Test Sets. Proceedings of the Tenth Conference on Machine Translation (WMT 2025), Volume 2: Shared Task Papers, 355–413. https://doi.org/10.18653/v1/2025.wmt-1.22
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). https://arxiv.org/abs/2311.16863
Le type de sortie. Les images et la vidéo coûtent bien plus que le
texte, selon des facteurs qui varient d’une étude à l’autre, comme le montre
le tableau ci-dessous.
Sortie
Comparée à
Estimation
Source
Une image haute résolution
une courte requête en texte
jusqu’à environ dix fois plus
International Energy Agency (2026)
Une image
une génération de texte de dix jetons, en moyenne
environ soixante fois plus
Luccioni et al. (2024), modèles ouverts mesurés en 2023
Une vidéo
une courte requête en texte
de centaines à des milliers de fois plus, selon la durée et la résolution
International Energy Agency (2026)
Un extrait d’environ cinq secondes
une image dans Luccioni et al. (2024)
environ trente fois plus
Delavande et al. (2025), un modèle vidéo ouvert
Énergie par requête d'une image ou d'une vidéo, comparée au texte, dans trois études.
Les estimations diffèrent parce que les modèles, les réglages et ce qui a été
mesuré diffèrent : un tel multiplicateur ne vaut la peine d’être cité qu’avec
sa date et sa source.
Figure 7. Énergie d'une tâche sur les seules puces, pour des modèles ouverts dans des conditions normalisées, d'après l'Agence internationale de l'énergie (2026), avec une recharge de téléphone d'après l'agence américaine de protection de l'environnement (2026). L'AIE les présente comme des ordres de grandeur, pas comme les chiffres d'un produit particulier.
Cet agent est modéré. Un agent qui travaille sur une tâche pendant des heures
fait bien plus d’appels, et plusieurs agents qui travaillent en même temps
multiplient encore le compte. Les agents peuvent aussi continuer de tourner
alors que personne n’attend leur réponse, si bien que l’énergie qu’ils
consomment n’est plus liée au temps que quelqu’un passe devant l’écran
(International Energy Agency, 2026, p. 29).
Quand un modèle plus petit suffit
Un modèle plus petit, conçu pour une seule tâche, est souvent présenté comme
la solution à la consommation d’énergie des modèles généralistes. C’est la
solution pour certaines tâches, mais pas pour d’autres.
Là où un petit modèle suffit : une tâche étroite, avec beaucoup
d’exemples, par exemple trier des messages par catégorie ou reconnaître la
langue d’un texte. Les réponses possibles sont peu nombreuses et connues
d’avance : un petit système entraîné pour cette seule tâche peut bien s’en
acquitter et, répété un grand nombre de fois, il consomme bien moins
d’énergie qu’un modèle généraliste.
Un modèle trop petit pour la tâche peut aussi finir par coûter plus cher s’il
faut plusieurs essais pour obtenir une réponse
utilisable (see also the Putting it in proportion page) (voir aussi la page Remettre en proportion).
Là où la requête est traitée
Le même modèle, la même requête et le même nombre de jetons produisent des
émissions différentes à deux endroits, parce que le carbone dépend de
l’électricité utilisée. Produire un kilowattheure émet directement environ
960 grammes de CO2 avec du charbon, environ 390 avec une centrale au gaz
moderne, et pratiquement rien avec l’éolien, le solaire, l’hydroélectricité ou
le nucléaire. En moyenne, selon leur composition, les réseaux émettent environ
240 grammes par kilowattheure en Europe, 350 aux États-Unis et autour de 600
en Chine et en Asie du Sud-Est (International Energy Agency, 2025, p. 78 ;
Figure 8figure 8).Il s’agit uniquement des émissions directes, en moyenne de 2021 à 2023 : les chiffres excluent ce qu’émettent la construction et l’approvisionnement des centrales.
Figure 8. Émissions directes de CO2 par kilowattheure, par source d'énergie et par réseau régional, d'après l'Agence internationale de l'énergie (2025).
Un centre de traitement de données sur un réseau alimenté par
l’hydroélectricité ou le nucléaire produit donc une petite fraction des
émissions d’un centre sur un réseau dominé par le charbon. La différence vous
est invisible : une interface conversationnelle ne dit pas où votre requête a
été traitée.
Beaucoup d’exploitants achètent aussi de l’électricité renouvelable par
contrat. La plupart de ces contrats couvrent un volume d’électricité sur une
année plutôt que chaque heure d’utilisation, si bien que l’électricité qu’un
centre de traitement de données consomme réellement peut encore venir en
partie du gaz ou du charbon (International Energy Agency, 2025, p. 75).
Sources
Delavande, J., Pierrard, R., & Luccioni, A. S. (2025). Video Killed the Energy Budget: Characterizing the Latency and Power Regimes of Open Text-to-Video Models. arXiv preprint arXiv:2509.19222. https://doi.org/10.48550/arXiv.2509.19222
Kocmi, T., Artemova, E., Avramidis, E., Bawden, R., Bojar, O., Dranch, K., et al. (2025). Findings of the WMT25 General Machine Translation Shared Task: Time to Stop Evaluating on Easy Test Sets. Proceedings of the Tenth Conference on Machine Translation (WMT 2025), Volume 2: Shared Task Papers, 355–413. https://doi.org/10.18653/v1/2025.wmt-1.22
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). https://arxiv.org/abs/2311.16863
Total consumption rises regardless, for two reasons
(Figure 9figure 9):
Use grows faster than efficiency. Cheaper and more capable tools get
used more, and the extra use can exceed the saving: major model providers
reported three times as many active users over one year (International
Energy Agency, 2026). A saving eaten up by extra use is a rebound effect,
and when the extra use outweighs the saving it is known as the Jevons
paradox (Sorrell, 2009), the name the International Energy Agency (2026)
uses for what is happening with AI.
Figure 9. Energy per query falls while total energy rises. The curves are illustrative.
Sources
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv preprint arXiv:2508.15734. https://doi.org/10.48550/arXiv.2508.15734
Sorrell, S. (2009). Jevons' Paradox revisited: The evidence for backfire from improved energy efficiency. Energy Policy, 37(4), 1456–1469. https://doi.org/10.1016/j.enpol.2008.12.003
Moins par requête, plus au total
L’énergie consommée par requête et l’énergie consommée au total évoluent en
sens inverse : un chiffre pour l’une ne dit donc rien de l’autre.
La consommation totale augmente malgré tout, pour deux raisons
(Figure 9figure 9) :
L’utilisation croît plus vite que l’efficacité. Des outils moins chers
et plus performants sont davantage utilisés, et ce surcroît d’utilisation
peut dépasser l’économie réalisée : les grands fournisseurs de modèles ont
déclaré trois fois plus d’utilisateurs actifs en un an (International Energy
Agency, 2026). Une économie absorbée par un surcroît d’utilisation est un
effet rebond, et quand le surcroît d’utilisation dépasse l’économie, on parle
de paradoxe de Jevons (Sorrell, 2009), le nom que l’Agence internationale de
l’énergie (2026) donne à ce qui se passe avec l’IA.
Figure 9. L'énergie par requête baisse alors que l'énergie totale augmente. Les courbes sont illustratives.
Sources
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv preprint arXiv:2508.15734. https://doi.org/10.48550/arXiv.2508.15734
Sorrell, S. (2009). Jevons' Paradox revisited: The evidence for backfire from improved energy efficiency. Energy Policy, 37(4), 1456–1469. https://doi.org/10.1016/j.enpol.2008.12.003
Data centresCentres de traitement de données
What a data centre is
Every question you put to an online chat assistant, and every training run,
is processed in a data centre
(Figure 10figure 10).
Figure 10. Data centres among other commercial buildings in Loudoun County, Virginia, near Ashburn, photographed from a plane on 26 November 2025. Photo: Theodore Christopher, CC0, via Wikimedia Commons.
How big they are
A typical data centre built for AI uses as much electricity as 100,000
households, and the largest under construction will use 20 times as much
(International Energy Agency, 2025, p. 13;
Figure 11figure 11). Some of the gigawatt-scale
projects announced in 2025 would, on their own, exceed all the data-centre
capacity their host country has today (International Energy Agency, 2026,
p. 20).
Figure 11. The electricity use of data centres, counted in households. Data: International Energy Agency (2025, p. 13).
The pace is as striking as the size:
Capacity: the capacity of data centres built for AI more than tripled
in the 18 months before April 2026 (International Energy Agency, 2026,
p. 9).
Investment: the capital spending of just five technology companies,
largely on data centres, is now larger than the world’s investment in
producing oil and natural gas (International Energy Agency, 2026, p. 9).
The companies building the data centres are largely the ones that own the
models and the clouds.
Electricity
All data centres together, for AI and for everything else, used
about 1.5 % of the world’s electricity in 2024 (International Energy Agency,
2025). Their consumption grew by 17 % in 2025, that of the data centres built
for AI by 50 %, and the total is expected to roughly double between 2025 and
2030, to around 3 % of the world’s electricity (International Energy Agency,
2026). Because data centres cluster, the share is far higher in some places:
about 20 % of the electricity supplied in Ireland, over 10 % in six US states,
and 25 % in Virginia (International Energy Agency, 2025, p. 38;
Figure 12figure 12).
Figure 12. The share of electricity that goes to data centres. Data: International Energy Agency (2025, pp. 13, 38) for 2024, Ireland and Virginia; International Energy Agency (2026) for 2030.
The source of that electricity decides most of the emissions: the same
data centre emits far less on a grid of hydroelectric, nuclear or wind power
than on one of coal or gas
(Figure 13figure 13) (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation).
Figure 13. Google's data centre at Eemshaven, in the Netherlands, among wind turbines, with a power station in the background, photographed on 6 January 2023. Photo: Wvdp, CC0, via Wikimedia Commons.
The International Energy Agency (2025, p. 14) expects the growth to be supplied
from several sources:
Renewables supply about half of the growth in data centres’ demand, with
storage and the wider grid.
Natural gas adds about 175 terawatt-hours a year by 2035, notably in the
United States.
Nuclear power adds about as much again, notably in China, Japan and the
United States, with the first small modular reactors expected around 2030.
Water
Data centres use water in two places: to cool their servers on site, and at
the power plants that generate their electricity. Two measures of it are in
use, and they give very different numbers:
Withdrawal is all the water taken from rivers, lakes or the ground,
including water that is returned afterwards.
Consumption is the part that is not returned, mostly because it
evaporates (Li et al., 2025d).
Figure 14. Water withdrawn and water consumed, and where the water data centres consume goes. Data: International Energy Agency (2025, p. 242); the two measures as Li et al. (2025d) define them.
The International Energy Agency (2025, p. 242) puts the water consumption of
all data centres at about 560 billion litres a year
(Figure 14figure 14), a figure that could
roughly double by 2030. About two thirds of that water is used in producing
their electricity, a quarter in cooling them, and the rest in manufacturing
their chips. One large data centre of 100 megawatts in the United States
consumes about 2 million litres a day, as much as 6,500 households.
Li et al. (2025d) project that the water withdrawn for AI alone, for cooling
and at the power plants, could reach 4.2 to 6.6 billion cubic metres in
2027, more than four to six times what Denmark withdraws in a
year.A projection first made in 2023, in the preprint of the same study.
Set against other uses of water, these amounts are small on a national
scale. In 2023, all the data centres in the United States consumed about 66
billion litres on site, against more than 10 trillion litres for irrigating
the country’s corn (Masley, 2026b).Masley’s figure for data centres comes from the Lawrence Berkeley National Laboratory’s 2024 report, and counts only the water used on site, not at the power plants. He notes that some of his comparisons across kinds of use are not like-for-like.
Air, noise and land
Many data centres keep diesel generators for power cuts, and some newer ones
generate their own electricity on site, mostly from gas. The largest project
of this kind so far, in Tennessee, ran more than 400 megawatts of gas turbines
on site in 2024 and 2025, and more than 70 gigawatts of on-site gas-fired
capacity for data centres is in development (International Energy Agency,
2026, p. 51). Burning that gas and diesel near homes adds to local air
pollution
(Figure 15figure 15).
Figure 15. The roof of a data centre, with rows of cooling units and, to the left, backup generators, photographed on 23 November 2025. Photo: Rsparks3, CC0, via Wikimedia Commons.
Han et al. (2026) estimate that, in a scenario of high growth, the
air pollution from US data centres’ electricity and backup generators could
cost more than 20 billion US dollars a year in public health by 2028, and
that the burden per household in the most affected counties reaches about
seven times the national average.A preprint, accepted by Communications of the ACM. The estimate comes from the US Environmental Protection Agency’s screening model COBRA, and assumes backup generators emit 10 % of what their permits allow, where historical records show 3 % to 12 %.
A data centre also changes its surroundings directly. The buildings are
large, windowless and often grouped into campuses, with substations and new
power lines around them, sometimes on land that was fields or woods. Their
cooling equipment runs day and night, and can be heard from nearby homes.
Andy Masley, a writer who argues that most local objections to data centres
are not well founded, agrees that their local air pollution is real, with xAI’s
Colossus in South Memphis, powered by gas turbines next to already polluted
neighbourhoods, as the clearest case. He argues, however, that the estimate
of Han et al. is easy to read as a larger national harm than it is (Masley,
2026a).
Why they draw protests
A data centre is the part of AI that people can stand next to. A query has no
address, but a data centre has a site, a permit, a local council that decides
on it and neighbours who live with it. That makes it the place where the
environmental debate about AI turns into local politics. Masley (2025a) turns
the same observation around: the climate responds to total emissions wherever
they happen, and pooling computing in data centres uses less energy than
running it on everyone’s own machines, so a building people can see can draw
more attention than its share of the emissions warrants.
Communities are pushing back against data-centre projects, over their
environmental impact and over the effect of their electricity demand on
prices (International Energy Agency, 2026, p. 10). In the second quarter of
2025 alone, 20 projects in the United States with an estimated investment of
98 billion US dollars were blocked or delayed (International Energy Agency,
2026, p. 22).The IEA takes this count from Data Center Watch, a commercial tracker of local opposition. Its own report for April to June 2026 counts at least 45 projects worth nearly 68 billion US dollars blocked or delayed in that quarter, communities adopting moratoriums before any developer applied, and 30 US state legislatures taking up data-centre bills (Data Center Watch, Q2 2026, read 24 September 2026).
The reasons residents give are mostly local, for instance:
higher electricity bills;
water;
noise;
property values and the loss of green space;
the environment.The common themes named in Data Center Watch’s first report, on May 2024 to March 2025 (Data Center Watch, read 24 September 2026).
Not everyone reads the protests as justified. Masley reads the backlash as
being about data centres themselves and what people believe about them, not
as a hidden protest against AI or against the companies building them: in the
polls he cites, data centres are far less popular than other buildings the
same companies put up (Masley, 2026c). Of the claims made against them, he
accepts four (Masley, 2026f):
data centres will add meaningfully to US emissions;
xAI’s data centres in Memphis added air pollution to already polluted
neighbourhoods;
data centres built right next to homes cause noise;
in specific circumstances, they can raise electricity bills somewhat.
Sources
Han, Y., Wu, Z., Li, P., Wierman, A., & Ren, S. (2026). Health-Informed Computing: Estimating and Addressing the Public Health Impact of Data Centers. arXiv preprint arXiv:2412.06288, version 4. https://arxiv.org/abs/2412.06288
Chaque question que vous posez à un assistant conversationnel en ligne, et
chaque entraînement, est traité dans un centre de traitement de données
(Figure 10figure 10).
Figure 10. Des centres de traitement de données parmi d'autres bâtiments commerciaux dans le comté de Loudoun, en Virginie, près d'Ashburn, photographiés d'un avion le 26 novembre 2025. Photo : Theodore Christopher, CC0, via Wikimedia Commons.
Leur taille
Un centre de traitement de données typique conçu pour l’IA consomme autant
d’électricité que 100 000 ménages, et les plus grands en construction
consommeront vingt fois plus (International Energy Agency, 2025, p. 13 ;
Figure 11figure 11).
Certains des projets de l’ordre du gigawatt annoncés en 2025 dépasseraient à
eux seuls toute la capacité de centres de traitement de données dont dispose
aujourd’hui le pays qui les accueille (International Energy Agency, 2026,
p. 20).
Figure 11. La consommation d'électricité des centres de traitement de données, comptée en ménages. Données : Agence internationale de l'énergie (2025, p. 13).
Le rythme frappe autant que la taille :
Capacité : la capacité des centres de traitement de données conçus pour
l’IA a plus que triplé au cours des 18 mois précédant avril 2026
(International Energy Agency, 2026, p. 9).
Investissement : les dépenses d’investissement de cinq entreprises
technologiques seulement, en grande partie dans des centres de traitement de
données, dépassent désormais l’investissement mondial dans la production de
pétrole et de gaz naturel (International Energy Agency, 2026, p. 9). Les
entreprises qui construisent ces centres sont en grande partie celles qui
possèdent les modèles et les
nuages.
Électricité
L’ensemble des centres de traitement de données, pour l’IA comme pour tout le
reste, a consommé environ 1,5 % de l’électricité mondiale en 2024
(International Energy Agency, 2025). Leur consommation a augmenté de 17 % en
2025, celle des centres conçus pour l’IA de 50 %, et le total devrait à peu
près doubler entre 2025 et 2030, pour atteindre environ 3 % de l’électricité
mondiale (International Energy Agency, 2026). Comme les centres de traitement
de données se regroupent, la part est bien plus élevée à certains endroits :
environ 20 % de l’électricité fournie en Irlande, plus de 10 % dans six États
américains et 25 % en Virginie (International Energy Agency, 2025, p. 38 ;
Figure 12figure 12).
Figure 12. La part de l'électricité consommée par les centres de traitement de données. Données : Agence internationale de l'énergie (2025, pp. 13, 38) pour 2024, l'Irlande et la Virginie ; Agence internationale de l'énergie (2026) pour 2030.
La provenance de cette électricité détermine l’essentiel des émissions : le
même centre émet bien moins sur un réseau hydroélectrique, nucléaire ou
éolien que sur un réseau au charbon ou au gaz
(Figure 13figure 13) (see also the What one use costs page) (voir aussi la page Ce que coûte une utilisation).
Figure 13. Le centre de traitement de données de Google à Eemshaven, aux Pays-Bas, parmi des éoliennes, avec une centrale électrique à l'arrière-plan, photographié le 6 janvier 2023. Photo : Wvdp, CC0, via Wikimedia Commons.
L’Agence internationale de l’énergie (2025, p. 14) prévoit que la croissance
sera couverte par plusieurs sources :
Les énergies renouvelables couvrent environ la moitié de la croissance
de la demande des centres de traitement de données, avec le stockage et le
reste du réseau.
Le gaz naturel ajoute environ 175 térawattheures par an d’ici 2035,
notamment aux États-Unis.
Le nucléaire en ajoute à peu près autant, notamment en Chine, au Japon
et aux États-Unis, les premiers petits réacteurs modulaires étant attendus
vers 2030.
Eau
Les centres de traitement de données utilisent de l’eau à deux endroits :
pour refroidir leurs serveurs sur place, et dans les centrales qui produisent
leur électricité. Deux mesures sont en usage, et elles donnent des chiffres
très différents :
Le prélèvement désigne toute l’eau puisée dans les rivières, les lacs ou
les nappes souterraines, y compris l’eau qui y est rendue ensuite.
La consommation désigne la part qui n’est pas rendue, surtout parce
qu’elle s’évapore (Li et al., 2025d).
Figure 14. L'eau prélevée et l'eau consommée, et où va l'eau que consomment les centres de traitement de données. Données : Agence internationale de l'énergie (2025, p. 242) ; les deux mesures telles que les définissent Li et al. (2025d).
L’Agence internationale de l’énergie (2025, p. 242) estime la consommation
d’eau de l’ensemble des centres de traitement de données à environ
560 milliards de litres par an
(Figure 14figure 14),
un chiffre qui pourrait à peu près doubler d’ici 2030. Environ deux tiers de
cette eau servent à produire leur électricité, un quart à les refroidir, et le
reste à fabriquer leurs puces. Un grand centre de 100 mégawatts aux
États-Unis consomme environ 2 millions de litres par jour, autant que
6 500 ménages.
Li et al. (2025d) prévoient que l’eau prélevée pour la seule IA, pour le
refroidissement et dans les centrales, pourrait atteindre de 4,2 à
6,6 milliards de mètres cubes en 2027, soit plus de quatre à six fois ce que
prélève le Danemark en un an.Une projection faite pour la première fois en 2023, dans la prépublication de la même étude.
Comparées à d’autres usages de l’eau, ces quantités sont faibles à l’échelle
d’un pays. En 2023, l’ensemble des centres de traitement de données des
États-Unis a consommé environ 66 milliards de litres sur place, contre plus
de 10 000 milliards de litres pour irriguer le maïs du pays (Masley,
2026b).Le chiffre de Masley pour les centres de traitement de données vient du rapport 2024 du Lawrence Berkeley National Laboratory, et ne compte que l’eau utilisée sur place, pas dans les centrales. Masley note que certaines de ses comparaisons entre types d’usage ne portent pas sur des choses équivalentes.
Air, bruit et territoire
Beaucoup de centres de traitement de données gardent des génératrices au
diesel en cas de panne, et certains des plus récents produisent leur propre
électricité sur place, surtout à partir du gaz. Le plus grand projet de ce
type jusqu’ici, au Tennessee, a fait fonctionner plus de 400 mégawatts de
turbines à gaz sur place en 2024 et 2025, et plus de 70 gigawatts de capacité
au gaz sur place sont en développement pour des centres de traitement de
données (International Energy Agency, 2026, p. 51). Brûler ce gaz et ce
diesel près des habitations ajoute à la pollution de l’air locale
(Figure 15figure 15).
Figure 15. Le toit d'un centre de traitement de données, avec des rangées d'appareils de refroidissement et, à gauche, des génératrices de secours, photographié le 23 novembre 2025. Photo : Rsparks3, CC0, via Wikimedia Commons.
Han et al. (2026) estiment que, dans un scénario de forte croissance, la
pollution de l’air due à l’électricité et aux génératrices de secours des
centres de traitement de données américains pourrait coûter plus de
20 milliards de dollars américains par an en santé publique d’ici 2028, et
que la charge par ménage dans les comtés les plus touchés atteint environ sept
fois la moyenne nationale.Une prépublication, acceptée par Communications of the ACM. L’estimation vient de COBRA, le modèle de dépistage de l’agence américaine de protection de l’environnement, et suppose que les génératrices de secours émettent 10 % de ce que leurs permis autorisent, alors que les données historiques montrent de 3 % à 12 %.
Un centre de traitement de données modifie aussi directement son
environnement. Les bâtiments sont grands, sans fenêtres et souvent regroupés
en campus, entourés de postes électriques et de nouvelles lignes de
transport, parfois sur des terres qui étaient des champs ou des bois. Leurs
équipements de refroidissement fonctionnent jour et nuit et s’entendent
depuis les maisons voisines.
Andy Masley, un auteur qui soutient que la plupart des objections locales aux
centres de traitement de données ne tiennent pas, reconnaît que la pollution
de l’air locale qu’ils causent est réelle, le cas le plus net étant Colossus,
de xAI, dans le sud de Memphis, alimenté par des turbines à gaz à côté de
quartiers déjà pollués. Il soutient cependant que l’estimation de Han et al.
se prête à une lecture qui en fait un tort national plus grand qu’il ne l’est
(Masley, 2026a).
Pourquoi ils suscitent des contestations
Un centre de traitement de données est la partie de l’IA à côté de laquelle
on peut se tenir. Une requête n’a pas d’adresse, mais un centre de traitement
de données a un emplacement, un permis, un conseil municipal qui statue à son
sujet et des voisins qui vivent avec. C’est donc là que le débat
environnemental sur l’IA devient de la politique locale. Masley (2025a)
retourne le même constat : le climat réagit aux émissions totales où qu’elles
se produisent, et regrouper le calcul dans des centres de traitement de
données consomme moins d’énergie que de le faire tourner sur les machines de
chacun, si bien qu’un bâtiment visible peut attirer plus d’attention que sa
part des émissions ne le justifie.
Des collectivités s’opposent à des projets de centres de traitement de
données, en raison de leur impact environnemental et de l’effet de leur
demande d’électricité sur les prix (International Energy Agency, 2026,
p. 10). Au seul deuxième trimestre de 2025, 20 projets aux États-Unis,
représentant un investissement estimé à 98 milliards de dollars américains,
ont été bloqués ou retardés (International Energy Agency, 2026,
p. 22).L’AIE tire ce décompte de Data Center Watch, un service commercial qui suit l’opposition locale. Son propre rapport pour avril à juin 2026 compte au moins 45 projets, d’une valeur de près de 68 milliards de dollars américains, bloqués ou retardés pendant ce trimestre, des collectivités qui adoptent des moratoires avant même qu’un promoteur ait fait une demande, et 30 assemblées législatives d’États américains qui examinent des projets de loi sur les centres de données (Data Center Watch, Q2 2026, consulté le 24 septembre 2026).
Les raisons avancées par les résidents sont surtout locales, par exemple :
la hausse des factures d’électricité ;
l’eau ;
le bruit ;
la valeur des propriétés et la perte d’espaces verts ;
l’environnement.Les thèmes communs relevés dans le premier rapport de Data Center Watch, portant sur mai 2024 à mars 2025 (Data Center Watch, consulté le 24 septembre 2026).
Tout le monde ne juge pas ces contestations justifiées. Masley voit dans ce
mouvement une réaction aux centres de traitement de données eux-mêmes et à ce
que les gens en pensent, et non une contestation déguisée de l’IA ou des
entreprises qui les construisent : dans les sondages qu’il cite, les centres
de données sont bien moins populaires que d’autres bâtiments construits par
les mêmes entreprises (Masley, 2026c). Parmi les reproches qui leur sont faits,
il en accepte quatre (Masley, 2026f) :
les centres de traitement de données augmenteront de façon notable les
émissions des États-Unis ;
les centres de xAI à Memphis ont ajouté de la pollution de l’air à des
quartiers déjà pollués ;
les centres construits juste à côté des habitations causent du bruit ;
dans certaines circonstances, ils peuvent faire augmenter quelque peu les
factures d’électricité.
Sources
Han, Y., Wu, Z., Li, P., Wierman, A., & Ren, S. (2026). Health-Informed Computing: Estimating and Addressing the Public Health Impact of Data Centers. arXiv preprint arXiv:2412.06288, version 4. https://arxiv.org/abs/2412.06288
Figure 16. Four ways of counting the cost of the same query, with an example of each, from Elsworth et al. (2025) and Mistral AI (2025).
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.
Figure 17. The lifecycle table from Mistral's infographic, published with its assessment on 22 July 2025 (Mistral AI, 2025). The boxes of advice under the table are left out.
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
Four kinds of source for the environmental cost of AI, and what to keep in mind about each.
Sources
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv preprint arXiv:2508.15734. https://doi.org/10.48550/arXiv.2508.15734
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). https://arxiv.org/abs/2311.16863
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.
Figure 16. Quatre façons de compter le coût d'une même requête, avec un exemple pour chacune, d'après Elsworth et al. (2025) et Mistral AI (2025).
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.
Figure 17. Le tableau du cycle de vie tiré de l'infographie de Mistral, publiée avec son analyse le 22 juillet 2025 (Mistral AI, 2025). Les encadrés de conseils sous le tableau ne sont pas reproduits.
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
Quatre types de sources sur le coût environnemental de l'IA, et ce qu'il faut garder en tête pour chacune.
Sources
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv preprint arXiv:2508.15734. https://doi.org/10.48550/arXiv.2508.15734
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). https://arxiv.org/abs/2311.16863
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
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.
Figure 18. A year of typical chatbot use next to other sources of emissions, in Andy Masley's calculator, captured on 24 September 2026. The calculator is dedicated to the public domain.
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 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).
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”.
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.
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv preprint arXiv:2508.15734. https://doi.org/10.48550/arXiv.2508.15734
Rincé, S., & Banse, A. (2025). EcoLogits: Evaluating the Environmental Impacts of Generative AI. Journal of Open Source Software, 10(111), 7471. https://doi.org/10.21105/joss.07471
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
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.
Figure 18. Une année d'utilisation typique d'agents conversationnels à côté d'autres sources d'émissions, dans le calculateur d'Andy Masley, capture du 24 septembre 2026. Le calculateur est versé dans le domaine public.
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.
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).
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 »].
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.
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv preprint arXiv:2508.15734. https://doi.org/10.48550/arXiv.2508.15734
Rincé, S., & Banse, A. (2025). EcoLogits: Evaluating the Environmental Impacts of Generative AI. Journal of Open Source Software, 10(111), 7471. https://doi.org/10.21105/joss.07471
