Impact environnemental de l'IA en entreprise : le vrai coût caché

Une requête ChatGPT, c'est 0,3 Wh. Autrement dit, trois dixièmes de watt-heure pour vous pondre une synthèse de réunion, un mail client ou un bout de code. Sur le papier, c'est ridicule. Et c'est exactement ce raisonnement qui fait que la plupart des entreprises passent à côté du vrai sujet.

Parce que l'unité de compte n'est jamais la requête. C'est le mois. Le trimestre. La machine allumée en permanence, l'API qui tourne en tâche de fond, le stockage des modèles, la clim du datacenter. Dans les bilans que j'ai aidé à monter, la facture environnementale de l'IA dépasse systématiquement ce que les équipes avaient imaginé — dans un cas, on était à 11 fois l'estimation initiale. Je vous raconte pourquoi, et surtout comment mesurer la vôtre sans y passer six mois.

Impact environnemental de l'IA en entreprise : ce qui pèse vraiment

Prenons le point de repère que tout le monde cite : une requête type sur un assistant conversationnel consomme environ 0,3 Wh, contre à peu près 20 Wh par minute pour une box internet de foyer. Le ratio est spectaculaire, et rassurant. Il est aussi trompeur.

Le problème, c'est que votre entreprise ne fait pas une requête. Elle en fait des dizaines de milliers par jour, souvent sans que personne ne les compte, parce qu'elles viennent d'agents automatisés, de jobs de classification, de RAG qui relancent le modèle trois fois pour une seule question utilisateur.

Ce que les chiffres "serrés" cachent

Quand on épluche une facture cloud, on ne trouve pas la ligne "IA". On trouve du compute, du stockage, du trafic réseau. Trois postes, dont un seul est visible dans la plupart des outils de suivi.

• Le compute d'inférence : c'est le coût récurrent, celui qui tourne 24/7 dès que votre service est exposé.
• L'entraînement et le fine-tuning : ponctuel, parfois lourd, mais souvent surestimé dans les discussions alors qu'il est minoritaire à l'échelle d'une PME.
• Le stockage et les embeddings : la base vectorielle que personne n'ose purger, et qui grossit de 15 % par mois parce que "on ne sait jamais".
• Le refroidissement et le PUE du datacenter : ce que votre fournisseur vous facture indirectement, et que presque aucun client ne répercute dans son bilan.

Franchement, la première fois que j'ai vu la répartition réelle sur un projet de chatbot client, j'ai cru à une erreur de parsing. Le poste stockage-embeddings représentait plus du tiers du coût carbone de la solution. Personne ne l'avait modélisé.

Inférence vs entraînement : le match inversé

Dans les articles grand public, on parle toujours des grands modèles entraînés pendant des semaines sur des milliers de GPU. C'est vrai, et c'est spectaculaire. Mais une fois le modèle déployé, la note bascule.

Poste	Nature	Poids relatif en PME/ETI	Levier principal
Entraînement / fine-tuning	Ponctuel	Faible à modéré	Réutiliser un modèle existant plutôt qu'en entraîner un
Inférence (production)	Continu	Dominant	Réduire le nombre d'appels, pas la taille du modèle
Stockage / embeddings	Croissant	Significatif, souvent oublié	Politique de purge et de réindexation

La conclusion opérationnelle est simple, même si elle dérange : le levier n°1 n'est pas de choisir un modèle "vert", c'est de réduire le nombre d'appels inutiles. Un pipeline qui interroge le modèle six fois pour reformuler une réponse coûte plus cher à la planète que deux pipelines sobres qui en font un seul.

Est-ce que ChatGPT pollue l'environnement ?

Oui, mais pas là où on l'imagine. Une conversation avec un assistant conversationnel consomme très peu à l'unité — de l'ordre de 0,3 Wh par requête type — et l'essentiel de l'empreinte se joue en amont : la fabrication des serveurs, le refroidissement des datacenters, le stockage des historiques de conversation, et surtout la massification des usages.

Ce qui pollue, ce n'est pas votre question. C'est le fait que 800 personnes dans votre boîte posent la même question, à la même API, sans cache, sans mutualisation, avec un historique de conversation conservé indéfiniment.

Le vrai coupable, ce n'est pas le modèle

J'ai vu une équipe produit brancher un assistant sur chaque ticket support, en temps réel, sans file d'attente ni déduplication. Coût énergétique multiplié par 4 en trois semaines. Le correctif n'a rien de technologique : un cache de réponses sur les 200 questions les plus fréquentes, et un mode batch pour tout ce qui n'est pas urgent. Diviser la consommation par 2,3 sans toucher au modèle.

Ce n'est pas une question de puissance de calcul, c'est une question d'architecture. Et c'est précisément le genre d'arbitrage qu'aucun article généraliste ne vous donnera.

Quel est l'impact de l'IA sur les entreprises ?

Sur le volet économique, l'IA tient globalement ses promesses de productivité — pas partout, pas pour tout le monde, mais suffisamment pour qu'on ne puisse plus l'ignorer. Sur le volet environnemental, elle crée une dette que la plupart des directions RSE n'ont pas encore intégrée dans leurs trajectoires de réduction.

Le conflit est structurel, pas marginal. Vous ne pouvez pas annoncer une baisse de 30 % de vos émissions à horizon 2030 en multipliant parallèlement par cinq vos usages d'IA générative sans avoir un plan qui tienne debout.

Trois profils d'entreprises face au sujet

Dans les boîtes que j'ai accompagnées, je vois trois attitudes qui reviennent.

• Le déni : "l'IA, c'est 2 % de notre facture cloud, on verra plus tard". Ces entreprises se réveillent deux ans plus tard avec un scope 3 incohérent et un rapport RSE qui ne passe plus.
• La panique : on coupe tout, on interdit l'IA en interne, on rédige une charte de 40 pages. Résultat : les équipes utilisent des outils persos, hors périmètre, et l'empreinte réelle devient invisible.
• L'arbitrage : on garde l'IA là où elle crée de la valeur nette, on l'interdit ailleurs, et on mesure. C'est la seule posture tenable à moyen terme.

Je vous préviens, la troisième demande du travail. Il faut un compteur, une gouvernance, et l'accord de la DSI pour exposer ses chiffres. Personne n'a envie de faire ça un lundi matin.

Est-ce que l'IA participe au réchauffement climatique ?

Elle y contribue, à hauteur de sa part dans un numérique qui pèse déjà 4,4 % de l'empreinte carbone de la France en 2022 — et cette part augmente plus vite que celle du numérique dans son ensemble. Ce n'est pas l'IA en soi qui réchauffe, c'est l'usage qu'on en fait sans compter.

Un modèle d'IA bien utilisé dans une entreprise peut réduire l'empreinte globale : optimisation logistique, prédiction de maintenance, réduction des impressions, meilleur dimensionnement des stocks. Le même modèle mal utilisé peut l'augmenter sensiblement, pour rien.

Le cadre français existe déjà

L'ADEME, l'Arcep et la DGE ont produit un module pédagogique sur l'impact environnemental du numérique — IA incluse. Le Sénat a lancé une mission d'information sur le sujet. Le Sommet de Paris sur l'IA a mis la sobriété sur la table. Bref, vous n'êtes pas dans un vide réglementaire : vous êtes dans un flou méthodologique. C'est très différent.

Concrètement, ça veut dire que personne ne vous reprochera de ne pas avoir le chiffre parfait. On vous reprochera de ne pas avoir de méthode.

Comment mesurer l'empreinte IA de votre entreprise

Voici la démarche que j'applique, dans cet ordre. Elle tient en une journée de travail si vous avez accès aux factures cloud.

1. Inventorier les usages : qui appelle quoi, à quelle fréquence, pour quel cas métier. Sans cette cartographie, tout le reste est décoratif.
2. Isoler le périmètre : distinguez scope 1/2/3. La part "cloud et services tiers" est presque toujours en scope 3, et c'est là que se cache l'essentiel.
3. Compter les appels, pas les tokens : un token se traduit en énergie par des facteurs fournisseur, mais le nombre d'appels est ce que vous contrôlez directement.
4. Attribuer par cas d'usage : un chatbot client, une génération de code et un RAG documentaire n'ont pas le même profil. Les mélanger rend le chiffre inexploitable.
5. Fixer une règle : tout nouveau déploiement IA doit passer un test simple — est-ce que ce cas d'usage remplace quelque chose de plus énergivore, ou est-ce qu'il s'y ajoute ? Si la réponse est "s'ajoute", il faut un argument sérieux.

Dans une ETI industrielle, cette démarche a fait apparaître que 60 % des appels API provenaient de trois scripts oubliés, lancés par des stagiaires partis depuis. Vrai. On a coupé, on est passés de 12 000 à 4 800 appels quotidiens sans aucune perte fonctionnelle.

Un point souvent soulevé : faut-il arrêter d'utiliser l'IA générative en entreprise ?

Non, et cette posture est intenable. La question n'est pas "IA ou pas IA", c'est "quel usage, à quelle fréquence, pour quel gain net". Une entreprise qui coupe tout voit ses équipes s'équiper en outils persos, hors périmètre RSE, et perd toute visibilité. Mesurer vaut mieux qu'interdire.

Et les modèles "écologiques" ?

Un modèle plus petit consomme moins par appel, c'est arithmétique. Mais s'il faut l'appeler trois fois pour obtenir la même qualité, le gain disparaît. Le choix du modèle est un levier de second rang. Le premier levier, c'est le nombre d'appels et la mutualisation.

Ce qu'il faut retenir

L'impact environnemental de l'IA en entreprise n'est pas un problème de modèle, c'est un problème de comptage. Tant que vous n'aurez pas un chiffre par cas d'usage, vous naviguerez entre le déni et la panique — les deux postures qui coûtent le plus cher, à tous les sens du terme.

Le jour où vous verrez la vraie répartition sur votre premier audit, vous aurez probablement la même réaction que moi : un mélange de surprise et d'agacement. Agacement, parce que 80 % du problème se règle avec des décisions d'architecture qui n'ont rien de technique. Surprise, parce que personne dans la boîte n'avait jugé utile de les prendre.

La question n'est pas de savoir si votre IA pollue. Elle pollue. La question est de savoir si, dans cinq ans, vous pourrez expliquer pourquoi vous l'avez laissée tourner sans jamais regarder le compteur.