Mesure consolidée des émissions de gaz à effet de serre (GES) associées au cycle de vie complet d'un système d'IA : fabrication du matériel (Scope 3.1 amont), entraînement, inférence en production, stockage, transferts réseau et fin de vie. Pour éviter les doublons, cette entrée regroupe désormais trois lectures auparavant séparées : la vision macro du cycle de vie, l'intensité carbone du calcul (gCO₂e par heure GPU, par requête ou par million de tokens) et l'empreinte d'inférence supportée par les entreprises utilisatrices de solutions SaaS/API. L'empreinte varie fortement selon le modèle, la taille des prompts, le taux d'utilisation, le PUE/WUE du data center et le mix électrique. Voir aussi : Empreinte carbone intrinsèque des GPU, Sobriété algorithmique, Green prompting, Plan de décarbonation IA.
Point de vigilance ESRS E1 : l'inférence cumulée dépasse souvent l'entraînement après quelques mois d'exploitation, ce qui impose de piloter l'IA comme une charge opérationnelle récurrente et non comme un simple projet R&D. La mesure doit distinguer Scope 2 (infrastructure internalisée), Scope 3.1 services achetés (cloud, API, SaaS) et Scope 3.1 achats de biens (GPU). Les leviers d'action sont hiérarchisés : éviter les requêtes inutiles, router vers un petit modèle lorsque suffisant, réduire les tokens, mettre en cache les requêtes répétitives, choisir des régions cloud bas-carbone, puis seulement compenser le résiduel. Sans métrique par usage métier, les gains techniques peuvent être annulés par l'Effet rebond.
Une banque mesure via CodeCarbon et les données fournisseur que 3 millions de requêtes annuelles génèrent 30 tCO₂e : 70 % proviennent de l'inférence SaaS, 20 % du calcul interne et 10 % des équipements. Elle bascule les cas simples vers un modèle distillé, met en cache 40 % des requêtes récurrentes et choisit une région cloud bas-carbone, réduisant l'empreinte à 8 tCO₂e.
Termes connexes (Environnement)
Green AI & eco-conception IA
Stratégie holistique réduisant l'empreinte carbone de l'IA : quantization, pruning, distillation, choix d'architectures légères. Elle intègre l'impact environnemental dès la phase de conception et non a posteriori.
Scope 3 de l'Intelligence Artificielle
Émissions indirectes de gaz à effet de serre générées par l'utilisation de systèmes d'IA tout au long de leur chaîne de valeur : fabrication des puces (TSMC, Samsung), consommation électrique des data centers, refroidissement par eau, et fin de vie des équipements. En 2025, les émissions Scope 3 de l'IA représentent environ 75% de l'empreinte carbone totale du secteur numérique selon l'AIE.
PUE – Indice d'efficacité énergétique des data centers
Indicateur d'efficacité énergétique qui exprime le ratio entre l'énergie totale consommée par un data center et l'énergie réellement utilisée par les équipements informatiques. Plus le PUE se rapproche de 1, plus le data center utilise efficacement l'électricité disponible.
WUE – Indice d'efficacité en eau des data centers
Indicateur qui rapporte le volume d'eau consommé au fonctionnement d'un data center à l'énergie délivrée aux équipements informatiques, généralement exprimé en litres par kWh. Il permet d'évaluer l'empreinte hydrique des infrastructures numériques dans un contexte de stress croissant sur la ressource en eau.
Émissions d'entraînement des LLM
Émissions de gaz à effet de serre générées lors de l'entraînement initial des grands modèles de langage, souvent très intensif en calcul et concentré sur quelques semaines. Ces émissions peuvent atteindre plusieurs milliers de tonnes de CO₂e pour un seul modèle, selon la taille du modèle, l'architecture et la source d'énergie utilisée.
Émissions d'inférence des LLM
Émissions quotidiennes générées par les requêtes adressées aux modèles d'IA en production, lorsque ceux-ci répondent à des utilisateurs ou traitent des flux automatiques. À long terme, les émissions liées à l'inférence dépassent souvent celles de la phase d'entraînement, surtout pour les services très utilisés.