Combien de CO2 l’IA produit-elle ?

Il n’existe pas de quantité universelle fiable de CO2 pour une seule invite d’IA ou pour l’IA dans le monde entier. Pour une seule réponse, le calcul de base est l’électricité utilisée multipliée par l’intensité carbone de la fourniture d’électricité. Les deux entrées varient. Une réponse courte provenant d'un petit modèle et une réponse longue et utilisant un outil provenant d'un système frontalier sont des tâches différentes, et le même travail peut avoir des émissions différentes sur différents réseaux.

À l’échelle mondiale, les preuves publiques concernent généralement tous les centres de données plutôt que l’IA seule. L'Agence internationale de l'énergie prévoit que les émissions des centres de données liées à l'électricité atteindront environ 320 millions de tonnes de CO2 en 2030 dans son cas de base. L’IA est un moteur de croissance majeur, mais le stockage, le cloud computing et d’autres services numériques sont inclus, donc 320 millions de tonnes ne constituent pas un total pour l’IA.

Transformer les wattheures en grammes de CO2

Le calcul est simple une fois les hypothèses choisies. Convertissez les wattheures en kilowattheures, puis multipliez par grammes d'équivalent CO2 par kilowattheure. Si une requête textuelle ordinaire utilise environ 0.3 Wh, comme Estimations d’Epoch AI pour un GPT-4o demande, ses émissions opérationnelles seraient de 0.0003 kWh multiplié par le facteur de réseau pertinent.

Il n’existe pas de facteur universel pour terminer cette équation. Un réseau à forte composante renouvelable et nucléaire, un réseau à forte composante de gaz et un réseau à forte composante de charbon produisent des réponses différentes. Le facteur peut également changer d'heure en heure.

Tout chiffre en grammes publié devrait donc montrer à la fois l’estimation de l’énergie et la source d’intensité carbone plutôt que de les cacher derrière une décimale.

Un message peut être beaucoup plus volumineux que la moyenne

L’estimation d’environ 0.3 Wh décrit une demande de texte typique selon les hypothèses d’Epoch. Un contexte long modifie le calcul. Il en va de même pour le raisonnement étendu, les appels de modèles multiples, les outils Web et la génération de médias. L’architecture, le matériel et l’utilisation du modèle influencent également l’énergie par jeton.

C’est pourquoi une réponse telle que « L’IA produit X grammes par invite » est incomplète avant même que le carbone ne soit pris en compte. L'invite est un événement d'interface et non une charge de travail standard. Une moyenne de service peut être utile pour une planification approximative, mais elle ne peut pas servir de relevé de compteur pour chaque demande.

Le coût énergétique d’un message d’IA explique comment les étapes d'entrée, de sortie et de backend cachées élargissent la gamme.

La formation ne s'intègre pas parfaitement dans une invite

La formation crée ou met à jour un modèle via un travail informatique volumineux et fini. L'inférence est le travail continu lorsque le modèle est utilisé. Une estimation par réponse couvre normalement l'électricité d'inférence, peut-être avec les frais généraux du centre de données, et laisse la formation en dehors des limites.

Les émissions de formation peuvent être réparties entre les messages, mais le diviseur est inconnu jusqu'à la retraite du modèle. Un modèle utilisé des milliards de fois recevrait une allocation de formation par message beaucoup plus faible qu'un modèle formé et rapidement abandonné. Les expériences de développement rendent également le numérateur incertain.

Pour cette raison, émissions de formation et d’inférence sont plus clairs lorsqu’ils sont rapportés séparément. Leur combinaison peut être appropriée pour une étude rétrospective du cycle de vie, mais pas lorsqu'une allocation incertaine est présentée comme une mesure directe par message.

L’électricité opérationnelle n’est qu’une source de carbone. La fabrication d’accélérateurs et de mémoire, la construction de serveurs, la production de béton et d’acier, la construction de centres de données et le déplacement d’équipements dans les chaînes d’approvisionnement créent tous des émissions intrinsèques. La génération de sauvegarde et le remplacement des équipements peuvent ajouter d’autres impacts.

Ces sources ont tendance à apparaître dans les inventaires des entreprises du Scope 3 plutôt que dans les chiffres par modèle. Microsoft Rapport de développement durable 2025 a rapporté que ses émissions totales restaient supérieures à son niveau de référence de 2020 dans un contexte d’expansion de l’IA et du cloud, même s’il décrivait des progrès en matière d’émissions opérationnelles directes et d’approvisionnement en électricité sans carbone.

Cela ne révèle pas le CO2 d’un produit. Cela démontre pourquoi une déclaration d’électricité opérationnelle propre ne constitue pas une empreinte complète de l’IA.

La comptabilité carbone peut produire différentes réponses

Un calcul basé sur la localisation suit l'intensité des émissions du réseau où l'électricité est consommée. Un inventaire basé sur le marché peut reconnaître les contrats, certificats et autres instruments associés à une production plus propre. L’abondement horaire pose une question plus stricte que l’abondement annuel : l’électricité sans carbone était-elle disponible au moment et sur le lieu de consommation ?

L’AIE précise que son analyse de l’offre des centres de données utilise le mix électrique physique plutôt que le mix contractuel des entreprises. Un rapport d’entreprise peut légitimement utiliser une comptabilité de marché reconnue et aboutir à un résultat opérationnel inférieur. Lorsque les nombres sont en conflit, inspectez la méthode avant de décider que l’une doit être fausse.

Notre Explication de l'empreinte carbone de l'IA couvre ces limites plus en détail.

Ce que font et ne disent pas les prévisions mondiales

Le scénario de base de l’AIE estime la consommation totale d’électricité des centres de données à environ 415 TWh en 2024 et à environ 945 TWh en 2030. L’IA devrait être le moteur de croissance le plus important, aux côtés d’autres services numériques. Ses émissions liées à l’électricité augmentent plus lentement que la demande d’énergie à mesure que la production à faibles émissions se développe, même si les combustibles fossiles continuent de fournir une part importante de la croissance à court terme.

Ce sont des scénarios, pas des mesures du futur. L’efficacité, l’adoption de l’IA, la construction et le mix générationnel pourraient changer la donne. C’est pour cette raison que l’AIE publie des cas alternatifs.

Une part mondiale ne devrait pas non plus minimiser les effets locaux. La demande en centres de données est concentrée, de sorte qu'une nouvelle installation peut affecter sensiblement un réseau régional même lorsque le secteur reste une part modeste des émissions mondiales.

Une manière défendable de signaler une réponse

Indiquez le modèle et la charge de travail, estimez ou mesurez l'électricité d'inférence, indiquez si les frais généraux de l'installation sont inclus, puis divulguez le facteur de réseau et la base temporelle. Gardez la formation et les émissions intrinsèques visibles en tant qu’exclusions, à moins qu’il n’existe des preuves pour les attribuer. Arrondir pour correspondre à l’incertitude.

Treechat suit cette approche opérationnelle plus étroite. Il estime l'électricité à partir du modèle et du nombre de jetons, ajoute les frais généraux du centre de données et applique une intensité carbone moyenne indiquée sur le réseau. Les fournisseurs ne fournissent pas de compteur de puissance par réponse ni d'installation exacte, le résultat reste donc une estimation. Les constantes et limites actuelles sont à /methodology.

La réponse à la question « Combien de CO2 l’IA produit-elle ? » est donc conditionnel. Pour une réponse, montrez l’équation et les hypothèses. Pour le monde entier, utilisez des scénarios de centres de données sans les renommer comme des totaux réservés à l'IA. La précision sans ces limites est une décoration, pas une connaissance.