IA et écologie en 2026 : le prompt est léger, l'infrastructure est lourde

Un prompt consomme moins qu'une ampoule LED allumée deux minutes. Et pourtant, l'IA est en train de devenir une vraie charge pour les réseaux électriques et les ressources en eau. Les deux phrases sont vraies. C'est tout le problème.

En 2025, j'ai écrit un article sur le coût écologique de l'IA. La question qui structurait le débat à l'époque : qu'est-ce qui pèse le plus, entraîner un modèle ou l'utiliser ?

Un an et demi plus tard, cette question est largement tranchée. Le coût d'un prompt ne fait plus vraiment débat depuis que les géants de l'IA ont publié des mesures. On se dispute maintenant sur le volume total, sur l'eau, sur le matériel, et sur ce que les agents vont faire de tout ça.

Alors, dire que l'IA est un fardeau écologique, c'est vrai ou c'est faux ? J'ai repris les chiffres disponibles en octobre 2026 pour y répondre.

L'essentiel

• Un prompt : 0,24 Wh, 0,03 g de CO₂e et 0,26 mL d'eau pour une requête texte médiane dans Gemini (Google, 2025). Environ 0,34 Wh dans ChatGPT selon OpenAI.
• Les data centers : 448 TWh en 2025, 945 TWh projetés en 2030, soit à peu près le Japon (Université des Nations unies, juin 2026).
• Le paradoxe : l'énergie par tâche d'IA est divisée par près de dix chaque année, mais la demande des data centers a augmenté de 17 % en 2025.
• L'angle mort : l'eau (consommation doublée d'ici 2030) et la fabrication des puces, qui domine plusieurs catégories d'impact d'un GPU.
• Le verdict : faux au niveau individuel, vrai au niveau collectif, surtout vrai au niveau local.

Le prompt, un poids plume

Un prompt texte standard consomme aujourd'hui entre 0,24 et 0,34 Wh. C'est la première grande nouveauté depuis 2025 : ces chiffres sont mesurés.

• Google a instrumenté son infrastructure pendant un an. La requête texte médiane dans Gemini consomme 0,24 Wh, émet 0,03 g de CO₂e et utilise 0,26 mL d'eau (source). Sur la même période, Google annonce une baisse de 33 fois de l'énergie par prompt.
• OpenAI annonce environ 0,34 Wh pour une requête moyenne dans ChatGPT.
• Mistral a publié une analyse de cycle de vie complète de Mistral Large 2, fabrication des serveurs comprise, en suivant le référentiel AFNOR de l'IA frugale et avec l'ADEME et Carbone 4 (source).

Ces chiffres font s'effondrer les comparaisons choc qui circulaient il y a deux ans, du type « une bouteille d'eau par requête ». Une étude de 2023 estimait 10 à 50 mL d'eau par prompt pour GPT-3, soit 40 à 200 fois plus que la mesure de Google (source).

Il faut quand même les lire avec prudence. Google donne une médiane et non une moyenne, ne précise ni la longueur ni la complexité des prompts, et son périmètre ne couvre que l'application Gemini. Les chiffres de Google et d'OpenAI ne sont pas directement comparables (source). Ce sont des ordres de grandeur, à lire comme tels.

Un prompt face aux objets du quotidien

Pour un usage courant, une voiture électrique ou un air fryer consomment nettement plus qu'un chatbot. Vingt minutes d'air fryer valent environ 2 000 prompts texte, un trajet de 10 km en voiture électrique compacte environ 7 000, et le même trajet en gros SUV électrique plus de 10 000.

Trois réserves empêchent d'en tirer une conclusion trop rapide :

• Tous les prompts ne se valent pas. Un long prompt de raisonnement consomme déjà plus que deux recharges de smartphone. Une tâche agentique lourde peut valoir plusieurs kilomètres en voiture électrique.
• Il faut regarder ce que chaque usage remplace. La voiture électrique remplace une thermique, l'air fryer souvent un four : ils peuvent réduire l'impact global. Une bonne partie de l'usage de l'IA s'ajoute sans rien remplacer.
• On ne compte ici que l'électricité d'usage. La fabrication de la batterie d'une voiture ou des GPU d'un data center change le tableau, comme on va le voir.

Le paradoxe : chaque tâche coûte moins, le total explose

En 2025, la demande électrique des data centers a augmenté de 17 %, contre 3 % pour la demande électrique mondiale. Sur la même période, l'énergie par tâche d'IA a été divisée par près de dix chaque année (source).

C'est un paradoxe de Jevons presque parfait. Quand une ressource devient moins chère à utiliser, on l'utilise tellement plus que la consommation totale augmente. Il y a plus d'utilisateurs, et chacun s'en sert pour des tâches plus lourdes, comme les agents ou les modèles de raisonnement.

Les projections vont toutes dans le même sens, celui d'un doublement d'ici la fin de la décennie (ONU, Gartner).

Et cette électricité n'est pas propre : selon l'AIE, environ 40 % de la consommation supplémentaire des data centers d'ici 2030 sera encore couverte par le gaz et le charbon (source).

L'impact est aussi très concentré. Les data centers représentent déjà plus de 20 % de l'électricité irlandaise, contre 2 à 3 % en moyenne dans l'UE (source). L'IA ne fait pas tomber le réseau mondial. Elle peut saturer un réseau local.

Au-delà du carbone : l'eau, le matériel, les déchets

Le carbone n'est qu'une partie de l'impact, et probablement pas la plus préoccupante. Kaveh Madani, auteur principal du rapport onusien de juin 2026, le dit sans détour : le débat traite encore l'IA comme un logiciel, alors que c'est une infrastructure physique faite de centrales, de puces, de minerais, de terres et d'eau (source).

Le carbone, significatif mais pas démesuré. Les data centers émettent déjà autant de CO₂ que l'Argentine (source). Rapporté aux quelque 37 milliards de tonnes émises chaque année dans le monde, cela représente autour de 0,5 %, et l'IA n'en pèse qu'une partie. Les hyperscalers affirment tirer 92 % de leur énergie de sources décarbonées, mais en partie via des contrats d'achat (source).

L'eau, le vrai point chaud. Selon l'ONU, la consommation d'eau des data centers devrait plus que doubler d'ici 2030 (source). Plus de 21 % des data centers américains sont installés dans des bassins en stress hydrique moyen à élevé (source). Et les chiffres déclarés sont sous-estimés : l'eau consommée par les centrales qui les alimentent serait environ 12 fois supérieure à la consommation directe (source).

La fabrication, l'angle mort. Une analyse de cycle de vie du GPU Nvidia A100 montre que la fabrication domine plusieurs catégories d'impact sur l'ensemble du cycle de vie, bien au-delà du seul carbone (source). Cobalt, tungstène, lithium : chaque puce en contient peu, mais la demande grimpe vite.

Les déchets électroniques. Un GPU haut de gamme peut être dépassé en moins de deux ans (source). Or seulement 22 % des déchets électroniques sont collectés et recyclés dans le monde (source).

Les agents font remonter le coût par tâche

Le débat entraînement contre inférence de mon article de 2025 est tranché : plus de 80 % de la consommation électrique de l'IA vient aujourd'hui de la phase d'usage (source). Un modèle s'entraîne une fois. Il répond des milliards de fois.

Et l'usage change de nature. Un long prompt de raisonnement avancé peut dépasser 33 Wh, soit plus de 130 fois un prompt texte standard (source). Un agent de code qui enchaîne des dizaines d'appels, relit des fichiers, lance des tests et recommence, c'est encore une autre échelle.

C'est là que le discours « le coût par token baisse » devient trompeur. Le coût par token baisse, oui. Mais le nombre de tokens par tâche explose. Je le vois au quotidien en travaillant sur une plateforme agentique : le chiffre que je suis, c'est le coût d'une tâche terminée. Un prompt isolé ne dit presque rien. J'avais fait le même constat sur la facture de Claude Code, où c'est la session entière qui coûte.

Alors, fardeau écologique : vrai ou faux ?

Les deux, selon l'échelle où l'on se place.

• Faux au niveau individuel. Votre prompt ne détruit pas la planète. Culpabiliser quelqu'un qui pose une question à un chatbot, pendant qu'il prend sa voiture pour aller chercher du pain, n'a pas de sens.
• Vrai au niveau collectif. L'IA est devenue une charge significative et croissante pour les réseaux électriques, avec un mix encore largement fossile.
• Surtout vrai au niveau local. L'eau, la saturation des réseaux et l'opposition des riverains se jouent là où les data centers s'installent.
• Sous-estimé côté matériel. La fabrication des puces et les déchets électroniques restent les grands absents des chiffres par prompt.

La formule de l'ONU me paraît la plus juste : l'IA ne va pas épuiser l'eau ou l'électricité à l'échelle mondiale, mais une expansion mal planifiée peut entrer en collision avec des ressources déjà sous tension à certains endroits (source).

Ce qu'on peut faire, côté dev et équipes

Le levier qui compte le plus, c'est le dimensionnement. L'analyse de Mistral montre que l'impact suit à peu près la taille du modèle : un modèle dix fois plus gros coûte environ dix fois plus pour le même nombre de tokens (source).

1. Router vers le bon modèle. Un petit modèle pour classer, résumer ou extraire, éventuellement en local avec Ollama. Le gros modèle de raisonnement seulement quand la tâche le justifie.
2. Mesurer par tâche, pas par prompt. Suivre les tokens consommés par tâche terminée, surtout pour les agents.
3. Limiter les boucles. Plafonner les itérations d'un agent, mettre en cache, éviter de recharger tout le contexte à chaque appel.
4. Choisir où tourne le calcul. Une région cloud à l'électricité décarbonée et peu exposée au stress hydrique change réellement le bilan.
5. Se demander si l'IA est nécessaire. C'est la première question du référentiel AFNOR de l'IA frugale (source). Une regex reste moins chère qu'un LLM.

Un prompt ne pèse rien. Une architecture agentique mal dimensionnée, déployée à des milliers d'utilisateurs, pèse beaucoup. Et cette architecture, ce sont des équipes comme la mienne qui la conçoivent.

Sources

• Google : Measuring the environmental impact of delivering AI at Google Scale
• Towards Data Science : Google's Gemini disclosure, progress or greenwashing?
• The Batch : Gemini's Environmental Impact Measured
• eesel : Energy and AI in 2026, what the per-prompt numbers don't tell you
• Arbor : AI's Environmental Impact, A Full Lifecycle Analysis
• SEforALL : Three Numbers That Define AI's Energy Decade
• Corriere Comunicazioni : Gartner, consommation des data centers en 2026
• TTMS : AI Data Centers Energy Consumption 2024-2026
• Insurance Journal / Reuters : rapport de l'Université des Nations unies, juin 2026
• AP via SEJ : Energy, Water Use and Pollution of AI and Data Centers Rival Most Countries
• Structure Research : 2026 State of Environmental Impact Report
• Voxbooster : Data center water use statistics 2026
• FN News : consommation d'eau réelle des data centers
• arXiv : More than Carbon, cradle-to-grave impacts of the Nvidia A100
• Joint Effect : AI e-waste
• École Canada : AI environmental effects
• Banque des Territoires : IA frugale et référentiel AFNOR