Combien pollue une requête envoyée à ChatGPT ? Une seule réponse circule : 0,34 wattheure. L’ADEME a publié le 22 juillet 2026 un avis de treize pages consacré à l’impact environnemental de l’IA générative, qui remet ce chiffre à sa place : il ne provient d’aucune mesure indépendante, mais d’un billet du PDG d’OpenAI daté du 10 juin 2025. L’agence y rappelle une évidence oubliée : « Contrairement à l’imaginaire véhiculé, l’Intelligence Artificielle n’a rien d’“artificiel” ou d’“immatériel” : comme le reste du numérique, elle nécessite des infrastructures et des équipements qui consomment des ressources et de l’énergie. »
L’exercice n’a rien d’anodin. L’avis ne produit presque aucune donnée propre : il compile celles des autres et les qualifie. Son constat central tient en une phrase — les chiffres publics sont « incomparables les uns avec les autres à cause de différences significatives dans les méthodologies et les périmètres considérés ». Cet article suit donc un fil unique, celui que la plupart des reprises omettent : pour chaque chiffre cité, qui l’a produit, et quand.
Ce que dit l’avis de l’ADEME sur l’impact environnemental de l’IA générative
L’Agence de la transition écologique a publié le 22 juillet 2026 un avis de treize pages, accompagné d’un communiqué diffusé le même jour. Son objet déclaré est de « synthétiser l’état de l’art sur les impacts environnementaux directs et indirects (négatifs et positifs) des IA génératives et agentiques ». L’agence précise elle-même que ce document devra être mis à jour : il photographie un champ mouvant.
Cette nature d’état de l’art a une conséquence que presque toutes les reprises ont manquée : aucun des chiffres d’usage cités dans l’avis n’est une mesure de l’ADEME. L’agence compile des sources tierces — OpenAI, Mistral AI, Google, l’Agence internationale de l’énergie, le département américain de l’énergie, Epoch AI, RTE, The Shift Project — puis les qualifie. Ses seules productions propres sont son étude prospective sur les centres de données, de janvier 2026, et une analyse de cycle de vie de cartes graphiques, publiée en 2026. Écrire « selon l’ADEME, une requête consomme 0,34 Wh » est donc inexact : l’agence rapporte ce chiffre, elle ne l’a pas mesuré.
Un repère utile pour situer l’ensemble : le numérique représentait 4,4 % de l’empreinte carbone de la France, selon l’évaluation conjointe de l’ADEME et de l’Arcep mise à jour en 2025. Mais cette valeur porte sur l’année 2022, c’est-à-dire avant le déploiement massif de l’IA générative. Elle décrit un état antérieur, pas la situation actuelle — et elle rappelle au passage que tout dépend de ce qu’est exactement une empreinte carbone et du périmètre retenu pour la calculer.
Détail qui n’est pas anecdotique dans ce contexte : l’avis se referme sur la mention « Cet avis a été rédigé sans IA générative ».
L’avis vient par ailleurs clore une séquence institutionnelle française resserrée : l’étude prospective de l’ADEME sur les centres de données de janvier 2026, le rapport conjoint de l’Arcep et du PEReN du 21 mai 2026, la spécification AFNOR SPEC 2314 sur l’IA frugale publiée en 2024 et la norme UIT L.1801 parue en 2026. Le sujet n’est donc pas traité pour la première fois ; ce qui est neuf, c’est la mise à plat des chiffres qui circulent.
Bon à savoir — L’ADEME n’a mesuré aucun des chiffres d’usage repris dans son avis. Elle y joue un rôle d’évaluateur : elle rassemble les données publiées par les industriels et les agences, en signale les limites et refuse d’en tirer une valeur unique. C’est ce qui rend le document utile, et ce qui interdit de lui attribuer un chiffre qu’elle se contente de citer.
Une requête ChatGPT, combien exactement ?
L’avis pose d’abord le mécanisme : « La majeure partie des impacts directs de l’IA provient de la consommation d’énergie pour alimenter les serveurs de calcul, ainsi que pour les refroidir. » Reste à chiffrer. Le nombre que tout le monde cite ne vient d’aucun audit : il a été publié le 10 juin 2025 par Sam Altman, PDG d’OpenAI, dans un billet intitulé The Gentle Singularity. Il y écrit (traduit de l’anglais) : « La requête moyenne consomme environ 0,34 wattheure, à peu près ce qu’un four consommerait en un peu plus d’une seconde. Elle consomme aussi environ 0,000085 gallon d’eau, à peu près un quinzième de cuillère à café. » Soit environ 0,32 mL. Aucun périmètre n’est publié : on ignore si l’entraînement du modèle, les requêtes longues, la génération d’images ou le mode agent sont inclus.
L’ADEME a multiplié ce 0,34 Wh par le volume déclaré de 2,6 milliards de requêtes quotidiennes — un chiffre de juillet 2025 issu d’un document de travail du NBER co-signé par des salariés d’OpenAI — pour obtenir 884 MWh par jour, « l’équivalent de la consommation électrique de 145 000 personnes en France ». Il s’agit bien de 145 000 personnes, et non de foyers, comme l’écrivent certaines reprises. Les deux briques du calcul proviennent donc de la même entreprise : celle dont on cherche à mesurer l’empreinte.
Deux industriels ont publié des chiffres plus documentés, et c’est là que l’affaire se complique. Google annonce, le 22 août 2025, 0,24 Wh, 0,03 gCO₂e et 0,26 mL d’eau — « environ cinq gouttes » — pour un prompt texte médian de Gemini Apps, en ajoutant (traduit de l’anglais) : « L’impact énergétique par requête équivaut à regarder la télévision pendant moins de neuf secondes. » Mistral AI annonce, le 22 juillet 2025, 1,14 gCO₂e et 45 mL d’eau pour une réponse de 400 tokens du Chat. Sur l’eau, l’écart atteint un facteur d’environ 170.
| Usage | Énergie | CO₂e | Eau | Qui publie (date) |
|---|---|---|---|---|
| Requête ChatGPT « moyenne » | 0,34 Wh | non publié | 0,32 mL | Sam Altman, OpenAI (10/06/2025) |
| Prompt texte médian, Gemini Apps | 0,24 Wh | 0,03 gCO₂e | 0,26 mL | Google (22/08/2025) |
| Réponse de 400 tokens, Le Chat | non publié | 1,14 gCO₂e | 45 mL | Mistral AI (22/07/2025) |
| 1 h de streaming vidéo | non publié | ≈ 31,6 gCO₂e | non publié | ADEME, Impact CO₂ (2025) |
| 1 km en voiture thermique | non publié | 142 gCO₂e | non publié | ADEME, Impact CO₂ (2025) |
Ce facteur 170 ne dit rien de la technologie : il dit tout du périmètre. Google comptabilise l’eau de refroidissement de ses centres de données. Mistral AI a mené une analyse de cycle de vie qui intègre en plus l’eau mobilisée pour produire l’électricité consommée et l’amortissement de l’entraînement du modèle sur chaque réponse. Deux méthodes défendables, deux résultats sans commune mesure. C’est l’illustration exacte du constat central de l’avis, déjà cité : « les chiffres existants sont incomparables les uns avec les autres à cause de différences significatives dans les méthodologies et les périmètres considérés ». Les lignes du tableau ci-dessus ne doivent donc pas être lues terme à terme : elles donnent des ordres de grandeur, pas un classement. D’où la mise en garde de l’agence : « l’approche centrée sur “une requête” ne devrait pas être le seul indicateur mesuré et donné, ou alors avec un périmètre clairement défini ».
La démonstration est encore plus nette à l’intérieur d’une même publication. Pour le même prompt, Google communique deux jeux de valeurs : 0,24 Wh, 0,03 gCO₂e et 0,26 mL sur un périmètre large, mais 0,10 Wh, 0,02 gCO₂e et 0,12 mL si l’on ne compte que les puces en activité. L’entreprise fait valoir en outre une division par 33 de l’énergie et par 44 des émissions par prompt entre mai 2024 et mai 2025 — un progrès réel, mais qui ne dit rien de la consommation totale, puisque le nombre de requêtes traitées n’est pas publié.
Un modèle n’est pas entraîné « en une fois »
L’avis corrige une représentation répandue : « les modèles d’IA ne sont pas entraînés “en une fois”, et traversent plusieurs phases d’entraînement : tests en Recherche & Développement, entraînement “principal”, nombreux réglages fins, mises à jour régulières… ». Additionner ces phases change l’ordre de grandeur et explique pourquoi les estimations circulant sur « le coût d’un entraînement » sont presque toujours des minorations.
Un seul acteur a publié un bilan complet. Mistral AI a rendu publique le 22 juillet 2025 une analyse de cycle de vie de Mistral Large 2, réalisée avec Carbone 4 et l’ADEME, revue par Resilio et Hubblo. Sur un périmètre couvrant l’entraînement et dix-huit mois d’usage, arrêté en janvier 2025 : environ 20 000 tonnes de CO₂ équivalent, soit « l’équivalent de l’empreinte annuelle de plus de 2 400 personnes en France », 281 000 m³ d’eau et 660 kg d’antimoine équivalent en ressources métalliques. L’ADEME et l’Arcep relèvent que Mistral AI est le seul industriel à s’être prêté à l’exercice, et l’agence estime qu’« on peut considérer que cet ordre de grandeur est particulièrement conservateur ».
Contre-intuitivement, fabriquer le matériel ne domine pas le bilan carbone : la fabrication pèse 11 % des émissions du cycle de vie de Mistral Large 2, et 10 à 25 % pour un processeur graphique Nvidia A100. L’analyse de cycle de vie de cartes graphiques publiée par l’ADEME en 2026 — l’une de ses rares données propres — situe les émissions embarquées de huit modèles entre 60 et 320 kgCO₂e. À l’échelle d’un centre de calcul, l’addition compte : selon l’agence, les processeurs graphiques d’un site équivalent à un million de H100 auraient émis, à la seule fabrication, autant que deux millions de smartphones.
La fabrication redevient dominante dès qu’on change d’indicateur : métaux, artificialisation des sols, pollutions locales. L’avis signale en outre un risque d’obsolescence accélérée des serveurs dédiés à l’IA, que la course à la performance pousse à un renouvellement rapide.
Des centres de données qui changent d’échelle
À l’échelle mondiale, l’Agence internationale de l’énergie chiffre la consommation des centres de données à 485 TWh en 2025, en hausse de 17 % en un an ; l’année précédente, 415 TWh représentaient déjà 1,5 % de l’électricité mondiale. Son scénario tendanciel, repris par l’ADEME, prévoit un doublement d’ici 2030, « pour atteindre l’équivalent de la consommation du Japon ».
Aux États-Unis, le département de l’énergie a évalué cette consommation à 176 TWh en 2023, soit 4,4 % de l’électricité nationale américaine — un triplement depuis 2014 — avec un doublement voire un triplement attendu d’ici 2028, soit 6,7 à 12 %. Attention au faux jumeau : ce deuxième 4,4 % n’a rien à voir avec le premier. Le second mesure la part des centres de données dans l’électricité des États-Unis en 2023 ; le premier, la part de l’ensemble du numérique dans l’empreinte carbone de la France en 2022. Deux pays, deux indicateurs, deux années.
En Europe, The Shift Project anticipait en octobre 2025, dans un rapport cité par l’avis, un doublement de la consommation des centres de données entre 2023 et 2030. En France, RTE situe la consommation des centres de données autour de 10 TWh par an en 2025-2026, soit environ 2 % de la consommation nationale, après une multiplication par quatre en six ans, et projette 15 à 20 TWh en 2030 puis 23 à 28 TWh en 2035. L’étude prospective de l’ADEME de janvier 2026 aboutit, pour les centres servant les usages français, à une multiplication par 3,7 d’ici 2035 dans un scénario tendanciel.
Le changement d’échelle est aussi celui des sites eux-mêmes : les plus gros centres dédiés à l’IA atteignent « plusieurs centaines de mégawatts » et visent le gigawatt courant 2026, « l’équivalent d’un réacteur nucléaire », selon Epoch AI. D’où la conclusion sans détour de l’avis : « La course à l’IA repose donc actuellement, au niveau mondial, en grande partie sur des énergies fossiles. »
Pourquoi la même requête ne pollue pas pareil selon l’endroit
Une requête identique n’a pas la même empreinte à Marseille et en Virginie, parce que l’électricité qui l’alimente n’a pas la même origine. L’avis est explicite : « la plupart des services d’IA sont alimentés avec le mix électrique des États-Unis – hautement carboné », certains sites étant même adossés à des centrales à gaz construites sur place faute de raccordement au réseau.
La France se situe à l’autre extrémité : RTE mesure l’intensité carbone de la production électrique française à 19,6 gCO₂e/kWh en 2025, avec plus de 95 % d’électricité bas carbone. L’écart avec un mix majoritairement fossile se compte en dizaines. Mais l’avantage reste en partie théorique pour l’utilisateur français : selon l’ADEME, les deux tiers des usages numériques français reposent sur des centres de données situés à l’étranger, aux mix plus carbonés. C’est pourquoi l’avis recommande de relocaliser en France les infrastructures servant ces usages — en assortissant aussitôt cette recommandation d’une réserve.
Attention — Relocaliser n’est pas gagnant par construction. L’avis prévient que la relocalisation « risque de contribuer à une accumulation de nouvelles infrastructures plutôt qu’à un remplacement d’infrastructures situées à l’étranger ». Le gain n’existe que si les centres français se substituent à des capacités étrangères. S’ils s’y ajoutent, on additionne les consommations au lieu de les déplacer.
Reste la manière de compter. L’avis recommande une analyse de cycle de vie multicritères portant sur quatre indicateurs — énergie, gaz à effet de serre, eau et ressources métalliques — et calculée avec un mix électrique de localisation, c’est-à-dire celui du réseau réellement utilisé, plutôt que selon une approche dite « marché ». La nuance est décisive : elle interdit de neutraliser des émissions en achetant des garanties d’origine renouvelable, pratique courante dans les communications d’entreprise.
« L’IA va sauver la planète » : une promesse non démontrée
C’est la phrase la plus reprise de l’avis, et la plus mal citée. Sa formulation exacte est la suivante : « il n’existe pas d’études démontrant à ce jour des gains environnementaux quantifiables attribués à l’utilisation d’IA génératives et a fortiori agentiques, tandis que ces dernières génèrent l’essentiel des impacts directs sur l’environnement ». Absence de preuve n’est pas preuve d’absence : l’ADEME constate un vide dans la littérature, elle ne prononce pas une condamnation.
La confusion vient d’un glissement de vocabulaire. Ce qu’on appelle « AI for Green » — optimisation logistique, maintenance prédictive, modélisation climatique — repose pour l’essentiel sur des IA dites traditionnelles, spécialisées et peu énergivores. Ce ne sont pas ces modèles-là qui concentrent les impacts, mais les IA génératives. Comparer les deux familles est, selon l’avis, « extrêmement délicat ».
Démontrer un gain net supposerait par ailleurs davantage qu’une analyse de cycle de vie complète : il faudrait y ajouter les effets indirects, les effets rebond et les transferts d’impact, comme l’ont montré Sasha Luccioni, Emma Strubell et Kate Crawford dans un travail présenté à la conférence FAccT en 2025. Le mécanisme est celui du paradoxe de Jevons : les gains d’efficacité par unité sont absorbés par l’explosion des volumes. Un exemple chiffré, tiré d’un travail de 2025 cité par l’avis, l’illustre : doubler la durée ou la qualité d’une vidéo générée quadruple l’énergie nécessaire.
L’avis n’oublie pas le symétrique : « On peut alors parler “d’AI For Brown”, à l’inverse de “l’AI For Green” », écrit-il à propos des IA qui optimisent la production d’hydrocarbures. Il liste enfin des impacts indirects rarement comptabilisés : le stockage des contenus générés en masse, la montée des robots et agents logiciels, et les terminaux « IA-compatibles », qui constituent selon lui « une opportunité marketing, en jouant sur l’obsolescence culturelle ».
Ce qui dépend de vous, et ce qui n’en dépend pas
L’avis formule quatre principes d’usage raisonné, sans culpabilisation. Choisir un modèle adapté au besoin plutôt que le plus puissant disponible. Expliciter dans la requête la longueur et la qualité attendues, pour ne pas payer une réponse surdimensionnée. Formuler des demandes précises, afin d’éviter la série de relances qui multiplie la facture énergétique. Et limiter les usages les plus énergivores, la génération de vidéo en tête.
Ces gestes se relativisent sans se minimiser. Selon l’outil Impact CO₂ de l’ADEME (modélisation 2025), un kilomètre parcouru en voiture thermique émet en moyenne 142 gCO₂e, quand une heure de streaming vidéo se situe autour de 31,6 gCO₂e et un courriel autour de 0,10 gCO₂e — ces deux derniers ordres de grandeur étant dérivés de totaux annuels. Une requête textuelle isolée reste, dans ce paysage, un très petit poste ; ce qui compte, c’est le volume, et les infrastructures qu’il appelle. La même logique vaut pour l’ensemble des gestes destinés à réduire son empreinte carbone au quotidien.
Une part échappe d’ailleurs à l’utilisateur. L’avis relève que « les utilisateurs sont parfois confrontés à un usage non souhaité de l’IA générative […]. Les concepteurs de service doivent permettre aux utilisateurs de désactiver ces fonctionnalités. » Le levier est donc largement institutionnel : standardisation méthodologique (AFNOR SPEC 2314, référentiel général de l’écoconception des services numériques de l’Arcep et de l’Arcom, référentiel ADEME pour les centres de données, norme UIT L.1801), création annoncée d’un label d’écoconception « en quelques mois », critères environnementaux dans les marchés publics, dans le prolongement de la fiche d’achat responsable publiée en décembre 2025 par la DINUM, la direction des achats de l’État et le Commissariat général au développement durable.
Le besoin de normalisation dépasse la France. « Nous essayons de faire adopter un score énergétique standardisé pour l’IA », déclarait en août 2025 Sasha Luccioni, chercheuse spécialiste de l’IA et du climat chez Hugging Face, qui relevait alors que Google ne publie pas son nombre total de requêtes. En France, l’Arcep avait posé le même diagnostic dans son rapport du 21 mai 2026, résumé d’une formule : « L’IA générative n’est pas immatérielle ».
FAQ — impact environnemental de l’IA générative
Combien consomme réellement une requête ChatGPT ?
Le seul chiffre public pour ChatGPT, 0,34 wattheure, a été donné le 10 juin 2025 par Sam Altman, PDG d’OpenAI, sans périmètre publié ni vérification indépendante. L’ADEME le reprend en le qualifiant et rappelle que les chiffres disponibles ne sont pas comparables entre eux. La réponse honnête est un ordre de grandeur, pas une valeur exacte. Seuls Google et Mistral AI ont publié des chiffres du même ordre, sur des périmètres différents du sien et l’un de l’autre.
Le chiffre de 0,34 Wh par requête est-il fiable ?
Il est invérifiable en l’état. On ignore ce qu’il inclut : entraînement du modèle, requêtes longues, génération d’images ou mode agent ne sont ni explicitement inclus ni explicitement exclus. Il provient d’un billet de blog, pas d’un audit. L’ADEME estime d’ailleurs que « l’approche centrée sur “une requête” ne devrait pas être le seul indicateur mesuré et donné, ou alors avec un périmètre clairement défini ».
Combien d’eau consomme l’intelligence artificielle ?
Les chiffres publiés varient d’un facteur d’environ 170. Google annonce 0,26 mL par prompt texte médian de Gemini (22 août 2025), Mistral AI 45 mL pour une réponse de 400 tokens du Chat (22 juillet 2025). L’écart ne vient pas de la technologie mais du périmètre : Google compte l’eau de refroidissement des centres de données, Mistral y ajoute l’eau nécessaire à produire l’électricité et l’amortissement de l’entraînement.
Entraîner un modèle d’IA, ça émet combien de CO₂ ?
Le seul bilan complet publié concerne Mistral Large 2 : environ 20 000 tonnes de CO₂ équivalent, soit l’empreinte annuelle de plus de 2 400 personnes en France, plus 281 000 m³ d’eau, selon l’analyse de cycle de vie de Mistral AI du 22 juillet 2025. L’ADEME juge cet ordre de grandeur « particulièrement conservateur ». Un modèle n’est jamais entraîné en une seule fois.
Les data centers vont-ils faire exploser la consommation d’électricité en France ?
RTE situe leur consommation autour de 10 TWh par an en 2025-2026, soit environ 2 % du total national, et projette 15 à 20 TWh en 2030 puis 23 à 28 TWh en 2035. L’étude prospective de l’ADEME de janvier 2026 retient une multiplication par 3,7 d’ici 2035 dans un scénario tendanciel. La croissance est forte, mais elle part d’une base modeste, et l’avis rappelle que les deux tiers des usages numériques français reposent aujourd’hui sur des centres de données situés à l’étranger.
L’intelligence artificielle peut-elle aider à lutter contre le changement climatique ?
L’ADEME constate qu’« il n’existe pas d’études démontrant à ce jour des gains environnementaux quantifiables attribués à l’utilisation d’IA génératives et a fortiori agentiques ». Les applications environnementales existantes reposent surtout sur des IA traditionnelles, peu énergivores. L’agence souligne aussi les effets rebond et l’existence d’usages contraires, qu’elle nomme « AI For Brown ».
