Une bouteille d’eau par message, dix fois la consommation d’une recherche Google, des data centers qui vont assécher des régions entières : sur la consommation de l’IA, les chiffres circulent vite et se vérifient rarement. Pour un dirigeant qui veut utiliser l’IA de façon responsable, le problème n’est pas le manque d’information, c’est le tri. Beaucoup de ces chiffres viraux reposent sur des estimations anciennes, mal contextualisées, parfois inventées.
Ce dossier fait ce tri avec des sources primaires : le rapport Energy and AI de l’Agence internationale de l’énergie (IEA, 2025), l’étude de Google qui a mesuré l’empreinte réelle d’une requête Gemini (2025), les travaux d’Epoch AI et de chercheurs spécialisés. L’objectif n’est ni de rassurer à tout prix ni d’alarmer : c’est de poser les bons ordres de grandeur, et d’en tirer ce qui compte concrètement pour une entreprise.
Une requête texte à un assistant IA grand public consomme de l’ordre de 0,24 watt-heure d’électricité et 0,26 millilitre d’eau, soit moins que de regarder neuf secondes de télévision. Le vrai enjeu n’est pas le coût d’un message, négligeable, mais l’effet de masse : des milliards de requêtes par jour, l’entraînement des modèles, et une consommation totale des data centers qui passe de 1,5 % à environ 3 % de l’électricité mondiale entre 2024 et 2030. Réel, mais loin d’une apocalypse énergétique.
Toute la difficulté du sujet tient dans cet écart d’échelle. À l’unité, une requête est presque indolore. Multipliée par l’usage planétaire et additionnée au coût d’entraînement, elle devient un poste industriel qui pèse sur les réseaux électriques. Les deux affirmations sont vraies en même temps. Confondre les deux niveaux, c’est exactement ce qui produit les chiffres trompeurs.
Pendant des années, le coût énergétique d’une requête IA a été estimé de l’extérieur, sans accès aux infrastructures réelles. En août 2025, Google a publié la première mesure documentée de bout en bout, sur ses produits Gemini, en environnement de production. C’est aujourd’hui la donnée la plus solide dont on dispose.
Une requête texte Gemini (médiane, mai 2025) :
- 0,24 Wh d’électricité, soit l’équivalent d’environ neuf secondes de télévision
- 0,26 mL d’eau, environ cinq gouttes
- 0,03 gramme de CO2 équivalent
Source : Google, Measuring the environmental impact of delivering AI at Google Scale, arXiv:2508.15734, août 2025.
Ces ordres de grandeur recoupent les estimations indépendantes : Epoch AI évalue une requête ChatGPT type (GPT-4o) à environ 0,3 Wh, et le PDG d’OpenAI Sam Altman a avancé un chiffre de 0,34 Wh. Trois sources distinctes convergent autour de 0,2 à 0,3 Wh pour une requête texte courante. Sur ce point, le débat est à peu près clos.
L’intérêt de l’étude Google n’est pas seulement le chiffre, c’est la façon dont il est obtenu. La plupart des estimations ne comptent que l’énergie des puces de calcul en pleine activité. Or une requête mobilise bien plus : la machine hôte autour de la puce, les serveurs en attente pour absorber les pics, et le refroidissement de tout le data center.
Quand Google ne compte que les puces actives, la médiane tombe à 0,10 Wh. En comptant toute la chaîne, elle remonte à 0,24 Wh. Autrement dit, les méthodes les plus répandues sous-estiment l’empreinte réelle d’un facteur deux et demi. La leçon vaut au-delà de l’IA : un chiffre n’a de sens que si l’on sait ce qu’il inclut. C’est la première chose à vérifier face à une statistique sur la consommation de l’IA.
Le piège suivant est de croire que toutes les requêtes se valent. Elles ne se valent pas du tout. Le chiffre de 0,24 Wh concerne un prompt texte court sur un modèle optimisé. Dès qu’on change de tâche, la consommation explose.
Une requête, des coûts très différents :
- Prompt texte court, modèle efficace : environ 0,2 à 0,3 Wh
- Modèle de raisonnement ou contexte très long : jusqu’à 10 à 100 fois plus
- GPT-4.5 sur un prompt long (environ 7 000 mots en entrée) : de l’ordre de 30 Wh selon une étude académique
- Génération d’image ou de vidéo : nettement plus que du texte
Sources : Jegham et al., How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference, arXiv:2505.09598, mai 2025 ; Epoch AI, How much energy does ChatGPT use?, 2025.
Un modèle de raisonnement, qui réfléchit en plusieurs étapes avant de répondre, peut consommer cent fois plus qu’une réponse directe. C’est précisément là que se loge le levier le plus actionnable pour une entreprise : choisir le bon modèle pour la bonne tâche. Lancer un modèle de raisonnement coûteux pour résumer un mail relève du gaspillage, énergétique comme financier. Notre guide des modèles d’IA (LLM) en 2026 détaille quel type de modèle est calibré pour quel usage.
La question de l’eau cristallise les chiffres les plus spectaculaires, parce qu’on y mélange deux choses sans rapport : l’eau d’une requête et l’eau de l’entraînement.
Côté requête, on l’a vu, l’ordre de grandeur est de 0,26 mL, soit cinq gouttes. L’image virale de « la bouteille d’eau par message » est fausse pour une requête texte standard. Elle vient de la confusion avec l’entraînement, ou d’estimations hautes additionnant toute l’eau indirecte de la production d’électricité.
Eau : requête contre entraînement (deux échelles différentes) :
- Requête texte Gemini : 0,26 mL (mesure Google, 2025)
- Entraînement de GPT-3 : environ 700 000 litres d’eau douce consommée sur site pour le refroidissement, selon une estimation
- Avec l’eau indirecte (production d’électricité incluse) : environ 5,4 millions de litres, toujours selon cette estimation
Sources : Google, arXiv:2508.15734, 2025 ; Li, Yang, Islam, Ren, Making AI Less Thirsty, arXiv:2304.03271, 2023.
Les chiffres d’entraînement de GPT-3 sont des estimations externes, pas des mesures officielles : il faut les manier comme des ordres de grandeur, pas comme des données exactes. Ils restent utiles pour comprendre que l’entraînement d’un grand modèle, opération ponctuelle mais intense, pèse infiniment plus qu’une requête. Une fois le modèle entraîné, ce coût est amorti sur des milliards d’utilisations.
Le vrai sujet de l’eau est local et concret. Un data center qui refroidit par évaporation puise de l’eau douce, parfois dans des régions déjà tendues. L’indicateur de référence est le WUE (water usage effectiveness), en litres consommés par kWh : la moyenne du secteur tourne autour de 1,8 L/kWh, les meilleures installations descendent sous 0,5, et le refroidissement par air peut s’approcher de zéro. Là où l’eau est rare, l’emplacement et la technologie de refroidissement comptent davantage que le nombre de requêtes.
L’empreinte carbone d’une requête, 0,03 g de CO2 équivalent chez Google, est faible parce que l’entreprise alimente une partie de ses data centers en électricité bas-carbone. Le même calcul sur un réseau très charbonné donnerait un résultat bien supérieur. Le CO2 de l’IA n’est pas une propriété du modèle, c’est une propriété du mix électrique qui l’alimente.
C’est ce qui rend l’emplacement décisif. Un même modèle, tournant sur un data center alimenté par du nucléaire, de l’hydraulique ou du solaire, émet une fraction de ce qu’il émettrait sur du charbon. Pour une entreprise française, c’est plutôt une bonne nouvelle : le mix électrique national est l’un des moins carbonés au monde.
Google note par ailleurs avoir divisé par 44 l’empreinte carbone d’une requête Gemini médiane en un an, grâce à des gains logiciels et à l’achat d’électricité propre. Le progrès technique va vite, ce qui rend tout chiffre périssable. Un chiffre de 2023 sur la consommation de l’IA est déjà largement dépassé en 2026.
Cette comparaison a fait le tour du monde. Elle est aujourd’hui périmée. Son origine remonte à une estimation de 2023 fixant une requête ChatGPT à 3 Wh, elle-même obtenue en multipliant par dix un chiffre de Google de 2009 (0,3 Wh par recherche). On compare donc une estimation haute et ancienne de l’IA à une donnée Google vieille de plus de quinze ans.
Avec les mesures de 2025, une requête texte tourne autour de 0,24 à 0,3 Wh, soit l’ordre de grandeur que Google annonçait pour une recherche en 2009. Le rapport de dix ne tient plus pour une requête courante. Il pouvait être défendable sur le matériel et les modèles de 2022, il ne l’est plus.
Faux pour une requête texte standard, on l’a chiffré : 0,26 mL, soit cinq gouttes, pas un demi-litre. Ce mythe naît du télescopage entre le coût d’une requête et celui de l’entraînement, ou d’estimations gonflées par l’eau indirecte. Cela ne veut pas dire que l’eau n’est pas un sujet : elle l’est, mais à l’échelle d’un data center et de son territoire, pas à l’échelle de votre prompt.
Si le coût unitaire est faible, pourquoi en parle-t-on autant ? Parce que l’échelle planétaire transforme un coût négligeable en poste industriel. C’est là, et seulement là, que se trouve le vrai sujet.
Data centers, la consommation électrique mondiale (rapport IEA 2025) :
- 2024 : environ 415 TWh, soit 1,5 % de l’électricité mondiale
- 2030 (projection) : environ 945 TWh, soit un peu plus que la consommation totale du Japon aujourd’hui
- L’IA est le principal moteur de cette hausse
- Les data centers représentent environ un dixième de la croissance de la demande électrique mondiale d’ici 2030, moins que les moteurs industriels, la climatisation ou les véhicules électriques
Source : Agence internationale de l’énergie, Energy and AI, résumé exécutif, 2025.
Voilà la mesure d’un débat sans catastrophisme. Doubler en six ans est une croissance forte qui pose de vrais problèmes de réseau, de pointe de demande et d’investissement. Aux États-Unis, l’IEA estime que les data centers compteront pour près de la moitié de la croissance de la demande électrique d’ici 2030. Mais à l’échelle mondiale, leur part dans la hausse totale reste inférieure à celle de la climatisation ou des véhicules électriques. Ni négligeable, ni hors de contrôle.
Un point d’honnêteté supplémentaire : ces projections sont des scénarios, pas des certitudes. Elles dépendent de l’adoption réelle de l’IA, des gains d’efficacité matérielle et logicielle, et des choix d’investissement. L’IEA elle-même présente plusieurs trajectoires. Méfiez-vous de quiconque annonce un chiffre unique pour 2030 comme une donnée acquise.
Le bon réflexe n’est pas de renoncer à l’IA pour des raisons environnementales : à l’échelle d’une TPE ou d’une PME, l’empreinte de vos requêtes est minuscule comparée à vos déplacements, votre chauffage ou votre logistique. Le bon réflexe est de l’utiliser avec discernement. Trois leviers, par ordre d’impact réel.
Trois leviers actionnables, du plus utile au moins :
- Choisir le modèle adapté à la tâche : un petit modèle efficace pour les usages courants, un modèle de raisonnement seulement quand la complexité le justifie. C’est le levier de loin le plus puissant, avec un rapport de 1 à 100 sur la consommation.
- Mutualiser et cadrer l’usage : éviter les requêtes redondantes, regrouper les traitements, ne pas relancer dix fois un même prompt. Le coût évité est autant énergétique que financier.
- Mesurer plutôt que culpabiliser : suivre sa consommation de tokens et ses coûts donne une image fidèle, là où l’intuition se trompe systématiquement.
Le premier levier est aussi le plus rentable, car énergie et facture vont de pair. Réduire sa consommation de calcul, c’est réduire sa note. Notre guide pour diviser par deux sa consommation de tokens montre comment, sur un cas concret, on agit à la fois sur le coût et sur l’empreinte. Et pour cadrer un budget IA global, où l’énergie n’est qu’une variable parmi d’autres, voyez combien coûte vraiment l’IA en entreprise en 2026.
Une nuance d’expert pour finir sur ce point : l’IA a aussi un effet rebond. Plus elle devient efficace et bon marché, plus on l’utilise, ce qui peut annuler une partie des gains unitaires. C’est un classique de l’histoire de l’énergie. La sobriété ne vient donc pas seulement de modèles plus efficaces, mais d’un usage réfléchi. La technologie aide ; elle ne décide pas à votre place.
Combien consomme vraiment une requête à ChatGPT ou Gemini ?
De l’ordre de 0,24 à 0,3 watt-heure pour une requête texte courante, selon les mesures de Google et d’Epoch AI en 2025, soit l’équivalent de quelques secondes de télévision. La consommation grimpe fortement pour les modèles de raisonnement, les contextes longs ou la génération d’images et de vidéos.
Est-il vrai que l’IA consomme dix fois plus qu’une recherche Google ?
Ce n’est plus vrai en 2026. Ce ratio vient d’une estimation de 2023 comparée à un chiffre de Google de 2009. Les mesures récentes situent une requête IA texte au même ordre de grandeur qu’une recherche Google d’alors, autour de 0,3 Wh.
L’IA gaspille-t-elle une bouteille d’eau par message ?
Non, pas pour une requête texte standard : la mesure de Google donne environ 0,26 mL, soit cinq gouttes. Le chiffre d’une bouteille confond le coût d’une requête avec celui, bien plus élevé, de l’entraînement d’un modèle, ou inclut toute l’eau indirecte de la production d’électricité.
Les data centers vont-ils faire exploser la consommation électrique mondiale ?
Ils en représentaient 1,5 % en 2024 et pourraient atteindre environ 3 % en 2030 selon l’IEA. C’est une croissance forte, portée par l’IA, mais elle reste inférieure à l’effet de la climatisation ou des véhicules électriques sur la demande mondiale. Réel, à surveiller, pas apocalyptique.
Que peut faire concrètement une entreprise pour limiter l’empreinte de son usage de l’IA ?
Surtout choisir des modèles adaptés à chaque tâche (un petit modèle efficace plutôt qu’un modèle de raisonnement pour les usages simples), éviter les requêtes redondantes, et mesurer sa consommation réelle. Le levier du choix de modèle peut diviser la consommation par cent, et il réduit la facture en même temps.
La consommation de l’IA se lit à deux échelles qu’il ne faut jamais confondre. À l’unité, une requête texte coûte environ 0,24 Wh et 0,26 mL d’eau : négligeable, et bien plus faible que ne le disent les chiffres viraux, hérités d’estimations anciennes. En agrégat, les data centers passent de 1,5 % à environ 3 % de l’électricité mondiale d’ici 2030 sous l’effet de l’IA : une croissance réelle, qui pose de vrais défis de réseau, mais qui reste un poste parmi d’autres, derrière la climatisation et les véhicules électriques.
Pour une entreprise, le verdict est donc nuancé et plutôt rassurant : votre usage pèse peu, et le meilleur geste responsable, choisir le bon modèle pour la bonne tâche, est aussi le plus rentable. Le déni serait de prétendre que l’IA ne consomme rien ; le catastrophisme, d’y voir une menace planétaire imminente. La réalité tient dans l’entre-deux, et elle se mesure.
Vous voulez déployer l’IA dans votre entreprise de façon à la fois efficace, sobre et rentable ? C’est exactement ce que conçoit notre agence IA.
Sources primaires : Agence internationale de l’énergie, Energy and AI, résumé exécutif, 2025 · Google, Measuring the environmental impact of delivering AI at Google Scale, arXiv:2508.15734, août 2025 · Epoch AI, How much energy does ChatGPT use?, 2025 · Jegham et al., How Hungry is AI?, arXiv:2505.09598, mai 2025 · Li, Yang, Islam, Ren, Making AI Less Thirsty, arXiv:2304.03271, 2023. À jour au juin 2026.
Ordiama, c'est aussi une agence IA à Strasbourg : on crée votre site, on vous rend visible dans l'IA et on automatise vos tâches.