Six idées, chacune tenant en une ligne. Le détail et les sources sont derrière les +, à ouvrir seulement si la question est posée.
Six affirmations défendables devant n'importe quel public. Rien d'autre n'est nécessaire pour animer la séance.
D'où il vient. C'est la seule fois qu'un opérateur a instrumenté son infrastructure en production et publié le résultat. Publication en août 2025, sur des mesures de mai 2025, portant sur l'application Gemini. Tous les autres chiffres qui circulent sont des calculs faits de l'extérieur, ou des déclarations sans méthode.
Ce qui compose les 0,24 Wh :
| Puces qui calculent la réponse | 0,14 Wh · 58 % |
| Processeurs et mémoire hôtes | 0,06 Wh · 25 % |
| Machines gardées au repos | 0,02 Wh · 8 % |
| Refroidissement et pertes | 0,02 Wh · 8 % |
Autres équivalents, tous exacts à partir de 0,24 Wh :
Ce que le chiffre ne couvre pas. Il mesure ce qui se passe dans le centre de données, pas votre téléphone ni le réseau. Lire la réponse une minute sur un ordinateur portable de 30 W consomme 0,5 Wh, soit deux fois la requête elle-même.
Trois précautions. C'est une médiane, donc la moitié des requêtes consomment davantage. C'est un coût moyen : il contient du coût fixe réparti sur le nombre de requêtes, et il baisse mécaniquement quand l'usage augmente. Et Google a intérêt à ce qu'il soit bas, même si la méthodologie est, elle, détaillée et vérifiable.
Même modèle, deux modes, mesure directe sur GPU :
| Conversation | Raisonnement | |
|---|---|---|
| Mots produits | 627 | 7 035 |
| Énergie par réponse | 95 J | 2 192 J |
Le modèle « réfléchit » à voix haute avant de répondre, et ces mots de réflexion coûtent autant que les autres. Sur l'ensemble des modèles testés, le rapport moyen est de 25.
Geste concret : pour un quiz, une reformulation ou une adaptation dys, désactivez le raisonnement. Il n'apporte rien sur ces tâches.
L'écart tient à la résolution et au nombre d'images produites, pas à la taille du modèle. Entre deux générateurs d'images, l'écart atteint déjà un facteur 20 selon le nombre d'étapes de débruitage.
Une classe de 25 élèves générant chacun un clip peut dépasser à elle seule la consommation de plusieurs milliers de requêtes texte. C'est le seul usage scolaire où l'arbitrage se joue vraiment.
Marginal : l'énergie ajoutée parce que j'envoie une requête de plus sur des machines déjà allumées. C'est ce que change un geste individuel, et c'est très bas.
Moyen : l'énergie totale divisée par le nombre de requêtes. C'est ce que publient les entreprises.
Structurel : bâtiments, puces fabriquées, capacité au repos, entraînement des modèles. C'est là qu'est la masse, et aucun utilisateur n'y touche.
À dire tel quel : la culpabilisation individuelle est mal ciblée. Ce qui pèse, ce sont les choix par défaut, décidés par les éditeurs : IA activée pour tout le monde, raisonnement activé d'office, vidéo proposée en un clic.
| Énergie par requête | divisée par 33 en 12 mois |
| Volume traité, avril 2024 | 9 700 milliards de mots-machine / mois |
| Volume traité, mai 2026 | ×330 en deux ans |
Une part de cette croissance vient précisément de la généralisation des modèles de raisonnement, qui produisent bien plus de texte par question. C'est le mécanisme de la carte précédente, à l'échelle mondiale.
Au niveau macro : les centres de données ont consommé 485 TWh en 2025 (+17 % en un an), et l'AIE projette environ 950 TWh en 2030, soit près de 3 % de l'électricité mondiale. Ni négligeable, ni apocalyptique : la difficulté réelle est locale (raccordement, prix, eau, acceptabilité).
Une seule diapositive à projeter. Chaque ligne porte le statut de sa donnée : c'est ce qui distingue un support fiable d'une infographie virale.
Ces valeurs ne sont pas strictement comparables entre elles : elles ne partagent ni le périmètre, ni la date, ni la méthode. Elles donnent des ordres de grandeur, pas un classement au dixième de watt-heure.
Les mesures de banc d'essai portent sur la consommation des puces seules. Compter environ 1,7 à 2,4 fois plus à l'échelle d'un centre de données complet.
Le facteur dominant n'est jamais la marque du modèle : c'est le nombre de mots produits, et la longueur de ce qu'on lui donne à lire.
Mesure réelle, estimation modélisée, extrapolation, ou chiffre recopié de source en source ?
Sur ce sujet, c'est presque toujours la dernière réponse. Excellent support d'éducation aux médias : les chaînes de citation sont courtes, datées et vérifiables par des élèves de collège.
Février 2023 : le président d'Alphabet déclare qu'un échange avec une IA coûterait « probablement dix fois plus » qu'une recherche. C'est une phrase, pas une mesure.
Elle est ensuite convertie en chiffre, croisée avec l'estimation d'un cabinet privé, publiée dans une revue scientifique, puis reprise par l'Agence internationale de l'énergie, par Goldman Sachs, puis par toute la presse. Chacun cite le précédent.
de Vries, Joule, 2023, DOI 10.1016/j.joule.2023.09.004, reprenant lui-même l'estimation d'un cabinet privé. L'auteur écrit d'ailleurs « au plus 2,9 Wh », précaution systématiquement perdue dans les reprises.
L'entraînement est un coût payé une fois, sur quelques mois. L'usage est un coût qui se répète des milliards de fois par jour, pendant des années.
La puissance estimée pour servir ChatGPT était déjà comparable à celle mobilisée pour entraîner GPT-4o, sauf que l'entraînement s'arrête et que le service, non.
Le « 10× » vient de la comparaison des budgets d'entraînement (5,6 M$ annoncés contre les montants évoqués pour GPT-4) ou des tarifs d'API. Des dollars, pas des joules.
DeepSeek indique lui-même que la version de mai 2025 de son modèle de raisonnement génère en moyenne 23 000 mots-machine par question de mathématiques, contre 12 000 pour la précédente.
| Recherches Google par an | 5 000 milliards |
| Électricité de Google en 2024 | 32,1 TWh |
| Croissance 2025 | +37 %, soit environ 44 TWh |
Cohérent À 0,24 Wh : 1,2 TWh par an, environ 3 % de l'électricité de Google.
Incohérent À 2,9 Wh : 14,5 TWh par an, soit un tiers de toute son électricité et davantage que sa croissance annuelle entière, laquelle doit aussi financer Gemini, le cloud, YouTube et l'entraînement des modèles.
Ce raisonnement mélange des périmètres : c'est un test de cohérence, pas une mesure. Il suffit néanmoins à écarter la borne haute.
| Mistral | Écart | ||
|---|---|---|---|
| Émissions | 0,03 gCO₂e | 1,14 gCO₂e | ×38 |
| Eau | 0,26 mL | 45 mL | ×173 |
Google applique un facteur d'émission qui intègre ses achats d'énergie renouvelable ; Mistral applique une analyse de cycle de vie aux frontières plus larges, revue avec l'ADEME et Carbone 4. Les deux sont défendables et incomparables.
Règle : ne jamais comparer deux empreintes carbone ou eau entre opérateurs. Seule l'énergie, à périmètre explicité, tolère la comparaison.
En juin 2026, plusieurs articles ont affirmé que Google indiquait qu'une réponse IA dans son moteur coûtait autant qu'une requête ordinaire. En remontant la chaîne, la source citée est « la fonction de résumé IA elle-même ».
Une sortie de modèle n'est pas une source. C'est l'exercice à faire faire en classe : prendre un chiffre viral et remonter jusqu'à son origine.
La règle d'or : commencer par le plus petit. Si insuffisant, monter d'un cran. Pour 90 % des tâches courantes, un modèle de 3 milliards de paramètres suffit.
Aucune source publiée ne permet de chiffrer l'écart d'énergie entre ces modèles à la requête. Les tailles des modèles fermés ne sont pas publiques, et les mesures indépendantes ne portent que sur les modèles ouverts.
L'ordre de ce classement est solide. Un pourcentage à côté de chaque ligne ne le serait pas.
DeepSeek-V3 affiche 671 milliards de paramètres mais n'en active que 37 milliards par mot. Un tel modèle peut être plus sobre qu'un modèle dense trois fois plus petit sur le papier.
Mesure directe : à nombre total de paramètres comparable, un modèle à « mélange d'experts » consomme 3,6 fois moins d'énergie par mot qu'un modèle dense.
Regardez donc les paramètres actifs quand ils sont publiés, pas le chiffre marketing.
Les gestes sont classés par effet réel décroissant. Les trois premiers font la quasi-totalité de la différence. Cochez-en 3 et notez-les sur une carte : suivi possible dans 15 jours.
Même modèle, deux modes : 627 mots produits contre 7 035, et 95 J contre 2 192 J par réponse. Soit un facteur 23, et 25 en moyenne sur l'ensemble des modèles testés.
Sur un quiz, une reformulation ou une adaptation pour élève dys, le raisonnement n'apporte rien. Gardez-le pour la conception d'une séquence complexe ou un problème à plusieurs étapes.
Images. Trois options par ordre de sobriété : analyser des images déjà générées (même pédagogie sur les biais visuels, consommation quasi nulle) ; une image par groupe via un modèle léger ; ou un prompt collectif rédigé par la classe, un seul rendu, analyse commune.
Ce qui fait baisser la facture n'est ni la marque du modèle ni sa taille, mais la résolution et le nombre d'étapes de débruitage. Une génération en 512×512 se situe autour de 0,3 Wh, contre environ 3 Wh pour un gros modèle en 1024×1024.
Musique. Cadavre exquis : les couplets sont écrits papier crayon, seul l'enseignant lance la génération dans le style choisi. Un rendu au lieu de vingt-cinq. Aucune mesure publiée n'existe pour la génération musicale : le gain réel est ce rapport-là, et il est vérifiable en classe.
Vidéo. C'est le seul usage scolaire où l'arbitrage se joue vraiment : une image coûte 0,3 à 3 Wh, quelques secondes de vidéo 7 à 320 Wh. Préférez un montage d'images fixes avec voix de synthèse et texte écrit par les élèves : deux ordres de grandeur de moins, et davantage de travail sur l'écriture, le cadrage et le montage. Si la génération vidéo est nécessaire, un seul rendu par groupe.
Le coût de lecture d'un texte par le modèle croît au carré de sa longueur. Un document de 40 pages porte la requête autour de 2,5 Wh, un document de 200 pages autour de 40 Wh, contre 0,3 Wh pour une question courte.
L'argument principal n'est pas énergétique, il est pédagogique : c'est plus rapide, plus reproductible, et c'est une compétence transférable aux élèves.
Dans un centre de données IA, 60 % de la puissance ne calcule rien : elle va aux serveurs, au réseau et au refroidissement. Aucun prompt n'agit dessus.
Deux erreurs symétriques : « chaque requête est un désastre » est faux, et « donc ça ne change rien » l'est aussi. Ce qui pèse, ce sont les choix par défaut décidés par les éditeurs : IA activée pour tout le monde, raisonnement activé d'office, vidéo proposée en un clic.
La culpabilisation individuelle est mal ciblée. Dites-le clairement.
Tout ce qui n'a pas besoin d'être projeté : les données ADEME, les sources primaires, et le journal de vérification. À garder pour répondre aux questions.
| Part de l'empreinte carbone du numérique français | 2020 | 2022 |
|---|---|---|
| Terminaux | 79 % | 50 % |
| Centres de données | 16 % | 46 % |
| Réseaux | 5 % | 4 % |
Le bond des centres de données vient d'un changement de méthode : en 2020, seuls ceux situés en France étaient comptés, or 53 % de nos usages sont hébergés à l'étranger.
Fabrication 60 % / utilisation 40 % de l'empreinte carbone du numérique français. En 2020, le rapport était de 78 / 21. La part de l'usage progresse rapidement.
Projection : l'empreinte carbone du numérique pourrait tripler entre 2020 et 2050 en scénario tendanciel (×2,9), avec +45 % dès 2030.
Les usages audiovisuels représentent un tiers de l'empreinte carbone du numérique en France, soit 0,9 % de l'empreinte carbone totale du pays et 2,9 % de la consommation électrique française.
Selon les scénarios d'usage, une heure de visionnage représente 6 à 57 gCO₂eq, l'équivalent d'un TGV parcourant 2 à 20 km.
Si vous consultez la page ADEME dont ces données sont issues, deux formulations diffèrent de celles retenues ici.
« 30,5 milliards d'équipements réseaux (routeurs, box ADSL…) ». Il s'agit en réalité du parc numérique mondial total. L'arithmétique le montre : la même phrase conclut « soit près de 6 équipements par internaute », et 30,5 milliards divisés par 5,35 milliards d'internautes donnent bien 5,7. Ce ratio n'a de sens que pour le parc entier ; les box et routeurs se comptent en milliards, pas en dizaines de milliards.
« 60 % de l'impact environnemental d'un terminal ». Le chiffre porte sur l'empreinte carbone du numérique français dans son ensemble, équipements et infrastructures confondus, et non sur un ratio par appareil.
À montrer aux élèves : une source institutionnelle peut contenir une erreur de rédaction, et l'ordre de grandeur suffit souvent à la repérer.
Centres de données ≠ IA. Les 485 TWh de 2025 couvrent l'ensemble des centres de données, dont le cloud, le streaming et le stockage. L'IA n'en est qu'une part, en forte croissance. Attribuer la totalité à l'IA est l'erreur la plus répandue.
Coût moyen ≠ coût marginal. Les 0,24 Wh contiennent du coût fixe amorti. L'énergie réellement ajoutée par une requête de plus est plus basse, mais aucun opérateur ne la publie : tout chiffre marginal précis qui circule est une reconstruction.
Attention aux grands nombres traduits de l'anglais. Un trillion anglais vaut mille milliards, un quadrillion anglais vaut un million de milliards. En français, un billion vaut mille milliards et un quadrillion vaut 10²⁴. Une traduction littérale se trompe de neuf ordres de grandeur.