Qui suis-je ?
Tristan Coignion
Maître de conférences
Université de Lille
Mes recherches portent sur les impacts environnementaux et sociétaux des IA génératives
Une semaine de développeur remplacée par un run d'agent de 5 minutes :
meilleur pour l'environnement ?
meilleur pour l'environnement ?
Objectif :
utiliser l'IA générative
en connaissance de cause
utiliser l'IA générative
en connaissance de cause
Ce que ça coûte
→
Ce à quoi ça se mesure
→
Ce que vous pouvez mesurer
2
Où se situe physiquement l'empreinte d'un modèle ?
L'empreinte de l'IA s'étale sur quatre ressources : électricité, eau, matériel, sol
Fabrication
matériel · eau · sol
Entraînement
électricité · eau · matériel
Inférence
électricité · eau
Fin de vie
sol · matériel
La fin de vie est l'étape que la plupart des ACV omettent.
Berthelot et al. 2024, Estimating the environmental impact of Generative-AI services using an LCA-based methodology
Falk et al. 2025, More than Carbon: Cradle-to-Grave environmental impacts of GenAI training on the Nvidia A100 GPU
Falk et al. 2025, More than Carbon: Cradle-to-Grave environmental impacts of GenAI training on the Nvidia A100 GPU
La consommation électrique des datacenters croît plus vite que les gains d'efficacité
165 → 420 TWh
datacenters, 2014 → 2024
1 500 TWh projetés en 2030
1 500 TWh projetés en 2030
The Shift Project 2025, Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ?
Luccioni et al. 2024, Power Hungry Processing: Watts Driving the Cost of AI Deployment?
Luccioni et al. 2024, Power Hungry Processing: Watts Driving the Cost of AI Deployment?
L'eau se consume en trois endroits
Refroidissement datacenter
Refroidissement des centrales
Eau ultra-pure pour puces
4,2-6,6 milliards de m³
d'eau pour l'IA d'ici 2027, soit 4-6 Danemark, la moitié du Royaume-Uni
Les datacenters évaporent 1-9 L par kWh d'énergie serveur
1 datacenter sur 4 est déjà en zone de déficit d'eau au moins un mois par an, en concurrence avec l'eau potable et l'irrigation.
Li et al. 2025, Making AI Less 'Thirsty': Uncovering and Addressing the Secret Water Footprint of AI Models
Elsworth et al. 2025, Measuring the environmental impact of delivering AI at Google Scale
Rosa et al. 2026, One Quarter of Global Data Centers are Located in Water-Stressed Areas, Environ. Sci. Technol.
Elsworth et al. 2025, Measuring the environmental impact of delivering AI at Google Scale
Rosa et al. 2026, One Quarter of Global Data Centers are Located in Water-Stressed Areas, Environ. Sci. Technol.
La fabrication : toxicité et épuisement minéral
99 %
de l'impact toxicité humaine (cancer) de l'A100 SXM vient de la fabrication
Contribution des étapes du cycle de vie par catégorie d’impact, GPU A100 SXM
Falk et al. 2025, More than Carbon: Cradle-to-Grave environmental impacts of GenAI training on the Nvidia A100 GPU, fig. 3
La fabrication commence dans des mines
Creuseurs de la mine artisanale de cobalt de Shabara, près de Kolwezi (RDC) : 76 % du cobalt mondial y est extrait
Photo : Junior Kannah / AFP, 12 octobre 2022, mine artisanale de Shabara près de Kolwezi (via La Croix)
U.S. Geological Survey, Mineral Commodity Summaries, janvier 2025
Amnesty International & Afrewatch 2016, « This Is What We Die For » : Human Rights Abuses in the DRC Power the Global Trade in Cobalt
U.S. Geological Survey, Mineral Commodity Summaries, janvier 2025
Amnesty International & Afrewatch 2016, « This Is What We Die For » : Human Rights Abuses in the DRC Power the Global Trade in Cobalt
Quatre ressources,
un multiplicateur : l'usage
un multiplicateur : l'usage
3
Combien coûte réellement chaque usage ?
Requête Google vs requête LLM : une comparaison populaire, et pourquoi elle est contestée
estimations 2009-2023
0,3 Wh par recherche Google (auto-estimation de 2009, jamais re-mesurée) vs 2,9 Wh par requête ChatGPT : ×10
mesures 2025
0,24 Wh par prompt Gemini (Google, production) · ~0,3 Wh par requête GPT-4o (Epoch AI)
de Vries 2023, The growing energy footprint of artificial intelligence
Elsworth et al. 2025, Measuring the environmental impact of delivering AI at Google Scale
Elsworth et al. 2025, Measuring the environmental impact of delivering AI at Google Scale
La longueur du prompt est secondaire ; la longueur de la réponse pilote le coût
L'énergie croît quasi linéairement avec les jetons de sortie, et bien plus qu'avec les jetons d'entrée : contexte long bon marché, générations longues non.
Caravaca et al. 2025, From Prompts to Power: Measuring the Energy Footprint of LLM Inference
Husom et al. 2024, The Price of Prompting: Profiling Energy Use in LLM Inference
Husom et al. 2024, The Price of Prompting: Profiling Energy Use in LLM Inference
Une image coûte ≈ 60× une requête texte, une vidéo courte ≈ 30× une image
l'effort du prompt est le même pour les trois : ce qu'il génère fixe le prix · longueurs de barres en échelle logarithmique, non à l'échelle
la génération de vidéo : coût ≈ quadratique en résolution et en durée
Luccioni et al. 2024, Power Hungry Processing: Watts Driving the Cost of AI Deployment?
Delavande et al. 2025, Video Killed the Energy Budget: Characterizing the Latency and Power Regimes of Open Text-to-Video Models
Delavande et al. 2025, Video Killed the Energy Budget: Characterizing the Latency and Power Regimes of Open Text-to-Video Models
Un run d'agent multiplie le coût de la requête par le nombre de tours
13×
l'énergie par requête : requêtes 15× plus longues
Oviedo et al. 2025, Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute
Les sessions multi-agents se ramifient : N sous-agents × M tours, et le framework coûte jusqu'à 9,4×
9,4×
AutoCodeRover a consommé 9,4× l'énergie d'OpenHands sur les mêmes tâches
La multiplication se compose : l'architecture est le premier facteur énergétique, avant la taille des modèles.
Tripathy et al. 2025, SWEnergy: An Empirical Study on Energy Efficiency in Agentic Issue Resolution Frameworks with SLMs
Oviedo et al. 2025, Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute
Oviedo et al. 2025, Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute
En une requête : 2,7 % des issues résolues. En boucle d’agent : 18 %
Qualitéissues SWE-bench Lite résolues
Coûtpar tâche
Requête unique
2,7 % (recherche puis réponse)
0,13 $
Agent en boucle
18,0 % (même modèle)
1,67 $
Multi-agents
gains croissant avec la difficulté
se compose : N × M tours
La qualité suit l’architecture, mais les rendements décroissent avec le nombre d’appels.
Yang et al. 2024, SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering, NeurIPS
Li et al. 2024, More Agents Is All You Need, TMLR
Chen et al. 2024, Are More LLM Calls All You Need? Towards Scaling Laws of Compound Inference Systems
Li et al. 2024, More Agents Is All You Need, TMLR
Chen et al. 2024, Are More LLM Calls All You Need? Towards Scaling Laws of Compound Inference Systems
Petits modèles vs grand modèle : 60-70 % d'énergie économisée à précision égale sur les tâches routinières
SLMpetits modèles
LLMgrand modèle
Qualité
égale sur le routinier, chute sur le raisonnement abstrait
stable, y compris sur le raisonnement difficile
Énergie & eau
60-70 % de moins
référence
Latence
réponse plus rapide
réponse plus lente
Sundaram et al. 2025, AI's Environmental Cost: Comparing Resource Consumption Between SLMs and LLMs Across Queries
Tripathy et al. 2025, SWEnergy: An Empirical Study on Energy Efficiency in Agentic Issue Resolution Frameworks with SLMs
Tripathy et al. 2025, SWEnergy: An Empirical Study on Energy Efficiency in Agentic Issue Resolution Frameworks with SLMs
4
Un logiciel moins cher : plus écologique, ou pas ?
À l'échelle de la tâche, le run assisté par IA émet 1 000× moins qu'un humain (États-Unis)
CO₂e par page de texte, échelle log (figure 1 de l’article, CC BY 4.0)
1 400 g vs 1,35 g
CO₂e pour écrire une page (humain, États-Unis vs ChatGPT) · illustrer une image : 5 500 g vs 2,2 g
Tomlinson et al. 2024, The carbon emissions of writing and illustrating are lower for AI than for humans
Cook et al. 2025, Beyond Counting Carbon: AI Environmental Assessments Struggle to Inform Net Impact Decisions
Cook et al. 2025, Beyond Counting Carbon: AI Environmental Assessments Struggle to Inform Net Impact Decisions
À périmètres alignés, la réanalyse inverse le classement
| CO₂e par page écrite | humain | IA |
|---|---|---|
| étude d’origine | 1 411 g | 1,4 g |
| réanalyse, périmètres alignés | 9,3 g | 11,7 g |
réanalyse : bottom-up des deux côtés, matériel inclus, l’humain reste présent dans le scénario assisté (cadre EGDC)
La comparaison par tâche confronte deux produits. Une décision pose une autre question : l’écriture assistée remplace la pratique, ou s’y ajoute ?
Les effets indirects qui décident de l’impact net restent hors périmètre.
Trois formes de rebond :
direct : moins cher/appel → plus d’appels
indirect : l’IA remplace des pratiques → de nouveaux usages
temporel : les économies d’aujourd’hui → l’échelle de demain
Cook et al. 2025, Beyond Counting Carbon: AI Environmental Assessments Struggle to Inform Net Impact Decisions (working paper, ETH Zurich)
Ren et al. 2024, Reconciling the contrasting narratives on the environmental impact of large language models
Luccioni et al. 2025, From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate (ACM FAccT)
Ren et al. 2024, Reconciling the contrasting narratives on the environmental impact of large language models
Luccioni et al. 2025, From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate (ACM FAccT)
L'impact indirect passe par la production logicielle elle-même
Un développement moins chereffet d'offre
→
Plus de logiciel produiteffet d'usage
→
Plus de calcul exécuté
The Shift Project 2025, Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ?
Ekchajzer et al., From Attributional to Consequential LCA: Which Theoretical Framework for Assessing AI's Environmental Impacts?
Ekchajzer et al., From Attributional to Consequential LCA: Which Theoretical Framework for Assessing AI's Environmental Impacts?
L’économie par tâche ne devient un gain global que si le nombre de tâches reste fixe
émissions du parc = émissions par tâche × nombre de tâches : la comparaison par tâche ne fixe que le premier facteur
À volume constant
le scénario comptable : autant de tâches qu’avant, l’économie par tâche se retrouve au niveau du parc (une année, tout le logiciel exécuté)
Quand produire devient moins cher
ce qui arrive en pratique : le même total du parc, où l’inférence unitaire baisse mais plus de logiciel est produit et exécuté
Une grande partie de la demande est créée par les choix de conception
10×recherche
IAchat
IAphotos
IAvidéo
IAcode
IAvoix
des fonctions IA ajoutées par défaut sur les outils du quotidien
« Le développement des réseaux ne vise pas à servir une demande préexistante : c’est lui qui stimule cette demande. »
Morand et al. 2026, à propos du déploiement de la 5G · même logique pour les modèles de ML
Morand et al. 2026, When rebound effect is not a side effect: analyzing sociotechnical contexts of digital technologies
Morand, Ligozat & Névéol 2025, The Environmental Impacts of Machine Learning Training Keep Rising, Evidencing Rebound Effect
de Vries 2023, The growing energy footprint of artificial intelligence
Morand, Ligozat & Névéol 2025, The Environmental Impacts of Machine Learning Training Keep Rising, Evidencing Rebound Effect
de Vries 2023, The growing energy footprint of artificial intelligence
Même en décarbonant l’électricité, les émissions des centres de données font ×2,5 à ×3,7 d’ici 2030
intensité carbone de l’électricité constante
électricité : scénario Stated Policies (AIE, WEO 2024)
cible climat : −45 % de GES entre 2020 et 2030 (SBTi)
920
MtCO₂e/an en 2030, deux fois les émissions annuelles de la France
« Les trajectoires de déploiement actuelles sont donc incompatibles avec la double contrainte carbone, qu’importe les progrès technologiques »
The Shift Project 2025, Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ?
Les émissions activées par les gains IA dépassent celles qu’ils évitent
optimisation du réseau électrique
découverte de matériaux et de batteries
prévision météo
gestion énergétique des bâtiments
contre émissions activées (rouge : gains IA sur les fossiles) ;
en violet, l’effet net de l’adoption parallèle
+0,47-1,8 Gt CO₂/an
effet net, adoption parallèle (1,2-4,8 % des émissions énergie 2024) · activé : 0,6-2,4 Gt
Alpine et al. 2026, AI-driven productivity gains enable more CO₂ emissions than they avoid in a global energy–economy model
Les économies par tâche sont réelles.
La croissance qu’elles activent aussi.
La croissance qu’elles activent aussi.
5
Mesurez votre propre usage
EcoLogits estime l'énergie de chaque appel d'API LLM en Python
from ecologits import EcoLogits from openai import OpenAI EcoLogits.init(providers=["openai"]) client = OpenAI() r = client.chat.completions.create( model="gpt-4o-mini", messages=[{"role": "user", "content": "write an email"}]) print(r.impacts.energy.value, "Wh")
3,96 Wh · 1,63 gCO₂eq · 14,9 mL d'eau · 6,62 µgSbeq
Angles morts : pas de cache ; jetons d'entrée non comptés
une requête « write an email » (calculateur EcoLogits)
EcoLogits docs (docs.ecologits.ai)
CodeCarbon mesure le CO₂ de tout processus Python, matériel inclus
from codecarbon import EmissionsTracker tracker = EmissionsTracker() tracker.start() train_my_model() emissions = tracker.stop() # kg CO₂eq
Ou usage en CLI
codecarbon monitor --no-api -- python train.py
Lacoste et al. 2019, Quantifying the Carbon Emissions of Machine Learning
Neuralwatt facture l'énergie réellement consommée, en kWh plutôt qu'en jetons
chaque réponse API renvoie :
{
"model": "deepseek-v4.1-flash",
"total_tokens": 13,
"energy_joules": 60.37,
…
}
10 $/kWh
un tarif unique, tous modèles (moins en abonnement)
énergie mesurée par requête
DeepSeek V4.1 Flash≈ 178 mWh/requête
DeepSeek V4 Flash≈ 263 mWh/requête
neuralwatt.com · docs.neuralwatt.com (Energy Methodology)
Ma propre conso sur Neuralwatt.
<
Chaque mesure est une fourchette : le même appel « write an email » pèse de 2,52 à 5,4 Wh
3,96 Wh
2,52 Wh
5,4 Wh
estimation centrale et fourchette affichée par le calculateur EcoLogits
Bon outil : tendances, ratios, ordres de grandeur
Mauvais outil : un inventaire carbone à déclarer
Calculateur EcoLogits (calculator.ecologits.ai), gpt-4o-mini, 250 jetons de sortie
Une grille de frugalité : bien dimensionner le modèle, les tours, et mesurer d'abord
✓Choix du modèle
✓Quand passer en agentique du tout
✓Ramification de sous-agents
✓Longueur des réponses
✓Mesurer avant de supposer
Petit point responsabilité
Alex Norris, Webcomic Name, épisode « oh no » (webcomicname.com)
Ce qui compte pour moi :
l'usage en connaissance de cause
l'usage en connaissance de cause
Merci
Tristan Coignion · tristan.coignion@inria.fr · tristan.coignion.fr
Des requêtes comparables varient d'un facteur 70 en énergie mesurée
0,43 Wh requête courte GPT-4o vs 33+ Wh prompt long o3 / DeepSeek-R1
Jegham et al. 2025, How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference
Une requête de texte coûte 0,24 à 4 Wh, dominée par la réponse
0,24 Wh
prompt Gemini médian, mesuré en production · jusqu'à 3,96 Wh pour un « write an email » non optimisé (calculateur EcoLogits)
Ce que mesurent les barres : la part de l'énergie d'une requête, prompt vs réponse · proportions schématiques (non mesurées) : la réponse domine
Elsworth et al. 2025, Measuring the environmental impact of delivering AI at Google Scale
Jegham et al. 2025, How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference
Jegham et al. 2025, How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference