Une question que beaucoup se posent, avec une réponse qui a radicalement changé en 2025.
Le mythe des « dix fois plus »
Pendant longtemps, un chiffre a fait le tour des médias et des réseaux sociaux : une requête ChatGPT consommerait dix fois plus d’énergie qu’une recherche Google. Cette estimation, autour de 3 wattheures par requête, alimentait un sentiment de culpabilité diffus chez les utilisateurs d’IA générative.
Mais en février 2025, l’institut indépendant Epoch AI a publié une étude qui change la donne. En reprenant les calculs avec les modèles et le matériel actuels (puces Nvidia H100, GPT-4o), les chercheurs aboutissent à un chiffre dix fois inférieur : environ 0,3 Wh par requête. Soit exactement la consommation d’une recherche Google classique.
Sam Altman lui-même, le PDG d’OpenAI, a confirmé l’ordre de grandeur en juin 2025 : 0,34 Wh par requête, soit ce qu’une ampoule LED consomme en quelques minutes.
Pourquoi un tel écart avec les estimations précédentes ? Plusieurs raisons :
- les puces de calcul ont gagné en efficacité (les H100 sont environ 60 % plus efficaces énergétiquement que la génération précédente) ;
- les modèles eux-mêmes ont été optimisés ;
- les serveurs ne tournent pas à 100 % de leur capacité, mais plutôt autour de 70 % en moyenne.
Mais l’unitaire ne dit pas tout
Réduire le débat à la consommation d’une requête isolée serait trompeur. Trois angles morts subsistent.
1. L’entraînement, ce gouffre invisible
Avant qu’une IA puisse répondre à votre première question, elle doit être entraînée. Cette phase est massivement énergivore :
- L’entraînement de GPT-3 a consommé environ 1 287 MWh.
- Pour GPT-4, les estimations oscillent entre 10 000 et 30 000 MWh.
- L’entraînement de GPT-5 aurait nécessité jusqu’à 650 MWh selon certaines sources, soit l’équivalent de la consommation annuelle de 60 foyers français.
- Le modèle BLOOM a émis plus de 500 tonnes de CO₂ équivalent à son entraînement, soit l’équivalent de 210 voitures thermiques sur leur durée de vie.
Cette « dette énergétique » est ensuite amortie sur des milliards de requêtes, mais elle s’ajoute à l’addition.
2. L’effet de volume
0,3 Wh par requête, c’est anodin. Multiplié par les milliards de requêtes quotidiennes traitées par ChatGPT, Gemini, Claude et consorts, on arrive à des ordres de grandeur considérables : la consommation annuelle de ChatGPT seul est estimée à 226,8 GWh, soit l’énergie nécessaire pour recharger plus de trois millions de véhicules électriques.
À l’échelle des infrastructures, les data centers IA consomment 4 à 5 fois plus d’électricité que les data centers traditionnels. En Irlande, les data centers absorbaient déjà 17 % de l’électricité nationale en 2022. À l’échelle mondiale, le numérique pèse entre 2 et 3 % de la consommation électrique.
3. Le coût en eau, longtemps ignoré
Les data centers ne consomment pas que de l’électricité : ils ont besoin d’énormes volumes d’eau pour leur refroidissement.
- Selon l’Université de Californie à Riverside, une session de 20 à 50 échanges avec un modèle d’IA équivaut à environ 500 ml d’eau consommée indirectement.
- L’entraînement de GPT-3 aurait nécessité 700 000 litres d’eau.
- Google a reconnu avoir prélevé 24,2 milliards de litres d’eau en 2023, principalement pour ses data centers.
- Microsoft a augmenté sa consommation d’eau de 34 % entre 2021 et 2022, Google de 20 %, hausses largement attribuées à l’IA générative.
- L’OCDE prévoit une consommation d’eau liée à l’IA équivalente au double de celle de la Suisse d’ici 2027.
Problème : 45 % des data centers sont implantés dans des bassins fluviaux à risque hydrique élevé, créant des tensions locales sur l’usage de l’eau.
Le moteur de recherche est-il réellement plus vertueux ?
Pas si simple. Une recherche Google déclenche elle-même une cascade énergétique qu’on oublie souvent :
- l’infrastructure de Google (qui a atteint 30,8 millions de MWh en 2024, soit le double de 2020) ;
- l’affichage de pages web parfois lourdes, bourrées de scripts et de publicités, qui sollicite votre processeur ;
- une session de navigation typique, c’est rarement une seule recherche : c’est dix onglets ouverts pendant vingt minutes pour trouver l’information.
C’est ici que l’IA peut, paradoxalement, se révéler plus sobre : une seule requête bien formulée peut remplacer toute cette session de butinage. À usage équivalent (« je veux comprendre tel sujet »), le bilan peut s’inverser.
Le piège de l’effet rebond
Reste un risque que les économistes appellent paradoxe de Jevons : plus une ressource devient efficace et bon marché, plus on en consomme. C’est exactement ce qu’on observe avec l’IA :
- le coût en euros par mot généré est divisé par 10 chaque année à performance équivalente ;
- malgré des gains d’efficacité constants, Nvidia a expédié 3,7 millions de GPU en 2024, soit un million de plus qu’en 2023 ;
- les nouveaux modèles de raisonnement (o1, o3, etc.) génèrent beaucoup plus de tokens par réponse, augmentant mécaniquement la consommation par requête ;
- les usages se diversifient : génération d’images (2 à 5 litres d’eau par image), de vidéos, agents autonomes qui enchaînent les requêtes…
Autrement dit, l’efficacité gagnée est en partie absorbée par l’explosion des usages.
Mettre les chiffres en perspective
Pour ne pas céder à la panique morale, gardons le sens des proportions. Comparé à d’autres gestes du quotidien :
| Geste | Empreinte CO₂ approximative |
|---|---|
| 1 requête ChatGPT | ~1,5 à 4 g CO₂ |
| 1 recherche Google | ~0,2 g CO₂ |
| 1 km en voiture thermique | ~120 à 150 g CO₂ |
| 1 heure de streaming HD | ~200 à 300 Wh (≈ 1 000 requêtes ChatGPT) |
| 200 g de bœuf | ~6 000 g CO₂ (≈ 4 000 requêtes ChatGPT) |
| Charger un smartphone | ~4,7 Wh (≈ 15 requêtes ChatGPT) |
Un foyer français consomme environ 4 500 kWh par an, soit 12 300 Wh par jour. Même un usage intensif de l’IA reste marginal face au chauffage, à la voiture ou à l’alimentation carnée.
Que faire concrètement ?
Quelques pistes raisonnables, ni dans le déni ni dans la culpabilisation :
- Choisir le bon outil pour la bonne tâche. Une recherche factuelle simple (« horaires de la SNCF ») ne nécessite pas une IA générative. À l’inverse, une synthèse complexe peut justifier d’éviter dix onglets.
- Privilégier les modèles européens ou plus sobres quand c’est possible (Mistral, et plus largement les modèles open-weight tournant sur infrastructure plus efficiente).
- Éviter les usages décoratifs ou compulsifs. Générer dix versions d’une même image « pour voir » a un coût bien réel.
- Hiérarchiser les leviers. Réduire d’un repas de bœuf par semaine pèse infiniment plus dans le bilan personnel que tout ajustement de pratique numérique.
- Faire pression pour la transparence. Les géants du secteur restent opaques sur leurs chiffres réels, notamment hydriques.
Conclusion : ni gouffre, ni innocent
L’écart entre une requête IA et une recherche Google est aujourd’hui beaucoup plus mince qu’on ne l’a longtemps répété. À usage comparable, les deux outils consomment des ordres de grandeur similaires.
Le vrai sujet n’est pas individuel : c’est l’explosion infrastructurelle de l’IA, l’opacité des grands acteurs, la pression sur l’eau et l’électricité dans certaines régions, et l’effet rebond qui pourrait annuler les gains d’efficacité.
Pour l’utilisateur, la conclusion est nuancée : on peut utiliser l’IA générative sans culpabilité excessive, à condition de ne pas oublier qu’elle s’inscrit dans une chaîne industrielle dont on ne voit pas le coût caché — et que les vrais leviers écologiques se trouvent ailleurs : transport, alimentation, logement.
Sources principales : Epoch AI (2025), Agence internationale de l’énergie (2025), Université de Californie Riverside « Making AI Less Thirsty » (2023, mise à jour 2025), Luccioni et al. (Nature, 2024), Hannah Ritchie / Sustainability by Numbers, étude Mistral × ADEME, MIT News (2025), Food & Water Watch (2025).