Combien coûte vraiment une conversation avec une IA ?

Une conversation avec une IA donne l'impression de se dérouler dans l'air : on tape une question, une réponse s'affiche, et rien ne semble avoir bougé. En réalité, chaque échange est calculé dans un datacenter, un bâtiment rempli de serveurs qui consomment de l'électricité et qu'il faut refroidir en permanence. Derrière l'écran, il y a donc un lieu bien physique, et une consommation bien réelle. Et ce n'est qu'une partie de l'histoire.

L'impact environnemental d'une IA générative se joue à plusieurs endroits à la fois. Il y a d'abord l'entraînement du modèle, ce qui consomme le plus directement. Il y a ensuite la fabrication du matériel (processeurs, RAM), puis l'usage au quotidien, chaque fois qu'on pose une question, et enfin l'eau de refroidissement et les émissions de carbone qui accompagnent le tout. Mesurer « le coût de l'IA » veut dire mesurer tout cela, et pas seulement l'une de ces étapes.

À noter : nous ne mesurerons ici qu'un seul de ces paramètres : l'électricité consommée à l'usage, par conversation. Pour les autres, nous chercherons surtout à savoir si l'information existe, c'est-à-dire si elle est publiée.

Pour commencer, voici l'infrastructure. En France, 306 datacenters sont recensés dans OpenStreetMap, regroupés surtout autour de Paris, de Lyon et de Marseille. Tous ne font pas tourner des IA génératives : on y trouve aussi des banques, des opérateurs télécoms, des chaînes de télévision ou des laboratoires. Comme ce recensement est construit par des contributeurs bénévoles, il peut être incomplet. De plus, la carte montre juste où sont les datacenters, pas ce qu'ils consomment ni coûtent. Chaque point ci-dessous est un site, coloré selon le type d'acteur qui l'exploite.

Pour mettre un chiffre sur l'usage, nous nous appuyons sur compar:IA, une plateforme publique du ministère de la Culture où chacun peut discuter avec deux IA anonymes, puis voter pour la meilleure réponse. Chaque conversation y reçoit une estimation de l'électricité consommée, calculée avec la méthode d'EcoLogits, qui se concentre pour l'instant sur l'usage des modèles et sur la fabrication des cartes graphiques. Une conversation, ici, est un échange suivi de questions et de réponses avec un même modèle.

Les modèles sont rangés en trois catégories de taille : petits, moyens et grands. Sur le graphique, chaque barre compte les conversations d'un niveau de consommation, et le trait pointillé marque la valeur médiane de chaque catégorie. Plus on va vers la droite, plus la consommation estimée est élevée.

Une médiane par catégorie reste abstraite. Choisissez votre modèle dans le menu ci-dessous : vous verrez l'énergie qu'il consomme pour une conversation, son rang parmi les 88 modèles étudiés, et ses voisins immédiats dans le classement. Prenons GLM-4.7 : 4,72 Wh par conversation, soit une ampoule LED de 10 W allumée pendant environ 28 minutes. Ce modèle est 76e sur 88 (le rang 1 étant le plus économe), et il consomme 255 fois plus que le modèle le plus économe.

À noter : dans le classement, gemini-2.5-flash consomme presque autant que hermes-3-llama-3.1-405b, un modèle bien plus gros. Cela s'explique par la manière dont le modèle se comporte : donne-t-il de longues réponses ? Raisonne-t-il beaucoup ?

Ces chiffres ont une limite que nous devons dire clairement : compar:IA estime la consommation, elle ne la mesure pas, et elle ne couvre que l'usage. Les chiffres sur l'entraînement, le carbone ou l'eau appartiennent aux entreprises qui conçoivent les modèles. Les publient-elles ?

Pour le savoir, nous avons regardé le Foundation Model Transparency Index de Stanford (édition de décembre 2025), qui vérifie si 13 grands développeurs publient quatre indicateurs d'impact : l'énergie, le carbone, l'eau et le calcul. Selon les critères de l'indice, le résultat est sans appel. Seules IBM et Writer publient les quatre. Meta ne publie que le carbone. Les dix autres, dont Google, OpenAI, Anthropic et Mistral, n'en publient aucun. Seules 2 entreprises sur 13 donnent l'énergie de l'entraînement de leurs modèles.

Autrement dit, les dimensions que nous ne pouvions pas chiffrer ne sont pas simplement absentes de notre étude : elles le sont presque partout.

L'impact environnemental de l'IA générative ne tient pas dans un seul chiffre, et c'est la première leçon de cette enquête. Ce que les données permettent d'affirmer, c'est qu'une conversation consomme des quantités très différentes selon le modèle, avec un écart d'au moins 255 fois entre le plus sobre et glm-4.7, qui n'est pourtant pas le plus gourmand. Pour tout le reste, nous en sommes réduits à constater un manque d'information. Voici le bilan, dimension par dimension.

En une phrase : une conversation avec une IA peut coûter de quelques centièmes de watt-heure à plusieurs watt-heures selon le modèle choisi, mais le coût complet (entraînement, carbone, eau, fabrication, échelle de l'usage) reste en grande partie inconnu, tant que les entreprises ne publieront pas leurs chiffres.

Voir la méthode, les sources et les limites →