Estimer l’empreinte des usages IA à partir de données partielles, un sujet crucial pour sa gouvernance

Tout comme les usages, les investissements explosent : Les hyperscalers augmentent leurs CapEx de 395 Md$ en 2025 à 530 Md$ en 2026. Cette dynamique, désormais enclenchée, doit être anticipée et encadrée pour éviter un modèle d’IA intensif en ressources, déconnecté des enjeux environnementaux.

Le numérique représente environ 4% des émissions de gaz à effet de serre (GES) mondiales et l’arrivée de l’IA représente un risque d’augmentation. Bien que les impacts du numérique ne se limitent pas aux émissions de GES (utilisation des sols, consommation d’eau etc.), notre article se concentrera sur l’empreinte carbone de l’IA générative.

Cas d’usages, consommation et réalité physique de l’IA

L’IA générative s’intègre au quotidien des collaborateurs, des opérations aux fonctions support : génération et structuration de documents, comptes rendus, adaptation du langage, création de supports de formation. Les équipes marketing et communication l’utilisent pour concevoir des campagnes, décliner des messages sur plusieurs canaux et tester des variantes créatives. Les équipes techniques s’en servent pour documenter les processus, rédiger des spécifications et assister la production de code.

Ces cas d’usage se déclinent en quatre modes de consommation :

• SaaS : l’utilisateur se connecte à une solution externe non contrôlée par l’organisation, les requêtes étant traitées dans des datacenters du fournisseur (ex : interface web de ChatGPT)

• On‑premise : la solution est hébergée dans les datacenters internes de l’entreprise, accessible via le réseau interne ou un VPN (ex : assistant conversationnel déployé sur l’infrastructure interne)

• Cloud IaaS/PaaS : l’organisation développe son service d’IA sur une infrastructure cloud louée (GCP Vortex, Azure AI Foundry, AWS AI Factories, OVHcloud IA & Machine Learning, etc.) ; l’application interne s’appuie sur des services managés ou des VM dans le cloud.

• Add‑ons bureautiques : l’IA est intégrée aux outils de bureautique ; en cliquant sur une fonction d’assistance, la requête est envoyée vers un service d’IA géré par le fournisseur de la suite, et traitée dans ses datacenters (ex : rédaction ou résumé automatique d’e-mail).

L’IA reste un outil qui commence à se structurer en véritable produit. Ses impacts, bien que réels, restent insuffisamment compris. Selon le mode de consommation retenu, ces impacts seront plus ou moins importants, mais aussi plus ou moins difficiles à évaluer, d’autant plus quand le modèle repose sur des ressources non contrôlées.

Estimer l’empreinte carbone de ses usages

Pour estimer l’empreinte carbone des usages d’IA, il faut comprendre son cycle de vie qui peut être résumé en quatre phases principales. La première, la collecte et préparation des données d’entraînement, a un impact assez faible[1]. Vient ensuite le développement avec l’entraînement intensif mobilisant des milliers de GPU pendant plusieurs mois pour les modèles frontières, éventuellement suivi du fine-tuning, moins coûteux mais souvent répété. L’utilisation du modèle, incluant l’inférence et les appels à des outils connexes (RAG, orchestration), est la phase la plus énergivore depuis la montée en puissance commerciale des LLM et l’agentique. Enfin, l’accès au service via réseau et terminaux représente une part modeste de l’empreinte[2].

L’estimation dépend des données disponibles dont la qualité varie selon le mode de consommation. Trois niveaux d’information sont à considérer : les données métier d’usage (types de tâches, volumes, tailles des entrées/sorties); les données techniques d’exécution (tokens traités, temps d’inférence), souvent fournies par les plateformes IA ; et les données d’infrastructure (matériel, datacenters, mix énergétique) qui permettent la meilleure précision.

En pratique, la méthode la plus accessible consiste à convertir les usages en tokens et d’appliquer une conversion en émission par des méthodologies reconnues comme Ecologits. Pour les usages cloud, certaines calculatrices de reporting peuvent aider à analyser partiellement son empreinte IA. Les consommations en SaaS ou add-on introduisent davantage d’incertitudes, du fait du manque de données techniques et infrastructurelles, nécessitant des hypothèses plus larges. Certaines phases comme la R&D ou services annexes restent difficiles à chiffrer sans approche projet approfondie.

Malgré ces limites, ces estimations partielles restent un levier précieux pour la gouvernance, aidant à prioriser les usages, à optimiser sa consommation et à mieux sensibiliser aux impacts réels de l’IA.

De la quantification à la gouvernance ?

La quantification doit être utilisée comme un outil de pilotage au service de décisions structurantes pour l’organisation. Dans le cas de l’IA, cette démarche est d’autant plus complexe que les données sont partielles, hétérogènes et parfois inaccessibles. Cependant, même estimative, la quantification fournit un ordre de grandeur qui rend tangible l’impact environnemental. Ancrée dans un secteur et une organisation précise, elle produit des résultats exploitables et plus engageants pour conduire le changement et structurer une gouvernance.

Le travail de quantification peut servir de levier de décisions sur 3 axes majeurs. D'abord, la priorisation des actions : Les estimations d’empreinte permettent d’identifier la majeure partie de l’impact. Ces éléments alimentent une analyse coût/bénéfice et contribuent à arbitrer et prioriser entre optimisation des modèles, limitation de certains cas d’usage et recours à des approches frugales. Ensuite, la sensibilisation des équipes : La conduite du changement nécessite l’engagement de l’ensemble des collaborateurs. Des indicateurs, même issus de modèles estimatifs, rendent visibles des impacts souvent perçus comme immatériels. Confrontés aux usages métiers, ces résultats alimentent une sobriété numérique allant de l’intégration de bonnes pratiques d’usage de l’IA au questionnement sur la pertinence du recours à l’IA sur certains usages. Enfin, les échanges fournisseurs : Les données d’empreinte peuvent être mobilisées pour dialoguer avec ses fournisseurs de cloud ou d’IA afin de demander l’accès à certaines informations : le modèle des serveurs utilisés, la part de la facturation liée à l’IA, la consommation d’énergie liée à l’IA... mais aussi les calculatrices dédiées, la localisation des serveurs, ou encore les achats d’énergies renouvelables etc. Cette démarche rejoint les attentes de reporting renforcées par le règlementaire, notamment au niveau européen.

Indépendamment de la précision des mesures, il est possible de renforcer sa gouvernance avec des bonnes pratiques numérique responsable. Celle-ci implique déjà des principes directeurs à destination des utilisateur.ices, intégrant la sobriété des usages d’IA (ex : ne pas recourir à l’IA lorsque le bénéfice marginal est faible au regard du coût environnemental estimé). Il est nécessaire par ailleurs d'avoir en place des processus de revue des projets pour les équipes tech ; cela peut passer par un questionnement systématique sur les impacts, même sur la base de données qualitatives ou de scénarios. Et en parallèle, il ne faut pas oublier les clauses contractuelles types pour les équipes achats, demandant des engagements dans une démarche de progression de la part des fournisseurs.

Ainsi, la quantification constitue un levier central pour structurer sa gouvernance, mais le manque de précision ne doit pas empêcher de formaliser des principes et d’inscrire la sobriété des usages d’IA au cœur des décisions opérationnelles et stratégiques.

[1] <1 % du total dans l’ACV de Mistral AI x Carbone 4

[2] <3% dans l’ACV de Mistral AI x Carbone 4