C. MESURER, INFORMER, SENSIBILISER : LES CONDITIONS D'UN USAGE PLUS SOBRE DE L'IA
1. Les analyses de cycle de vie de Mistral AI et Google : des initiatives privées bienvenues mais insuffisantes
La réduction de l'empreinte environnementale de l'IA nécessite, tout d'abord, de disposer d'une évaluation précise de son empreinte.
Deux entreprises privées, Mistral AI et Google, ont effectué une analyse de cycle de vie (ACV) de leurs modèles de langage, respectivement Mistral large et Gemini, toutes deux publiées au cours de l'été 2025.
Les rapporteurs saluent ces deux initiatives, qui ont permis d'ouvrir le débat sur l'empreinte environnementale des modèles de langage.
Ces démarches privées n'ont malheureusement pas été suivies par les fournisseurs des autres grands modèles de langage : ni OpenAI, exploitant de ChatGPT, ni Anthropic, exploitant de Claude, n'ont en effet à ce jour effectué d'analyse de l'empreinte environnementale de leurs modèles de langage. Le président-directeur général d'OpenAI, Sam Altman, s'est contenté d'un article de blog où il a cité quelques chiffres concernant une requête GPT-4, sans toutefois fournir aucune précision méthodologique ni aucune preuve d'une évaluation par les pairs.
L'étude ACV de Mistral AI, pour laquelle l'entreprise a bénéficié d'un accompagnement de l'Ademe et du cabinet Carbone 4, est la plus robuste. Le chercheur Thomas Le Goff comme l'Afnor, entendus par les rapporteurs, ont ainsi insisté sur la solidité de la méthodologie employée. L'étude a ainsi été réalisée selon la méthodologie IA frugale développée par l'Afnor et est conforme aux normes internationales, notamment le Green House Gas (GHG) Protocol Product Standard et les normes ISO 14 040 et ISO 14 044177(*). Pour garantir la robustesse de l'étude, celle-ci a également été revue par les cabinets Resilio et Hubblo, deux acteurs spécialisés dans les audits environnementaux du secteur numérique. L'association Data for Good considère également que « Mistral est aujourd'hui le fournisseur ayant produit l'étude la plus avancée sur le sujet en publiant la première et seule ACV de fournisseur de LLM multicritère (métaux, eaux, gaz à effet de serre) ». Elle regrette toutefois que « l'entreprise n'a pas souhaité publier la méthodologie employée ni les résultats détaillés ce qui rend difficile l'audit par le public et la réutilisation »178(*).
L'étude ACV de Gemini a fait l'objet, au cours des auditions, de critiques méthodologiques. Le chercheur Thomas Le Goff indique ainsi que « l'étude ne précise pas quel modèle a été testé, ne mesure que l'eau consommée par le centre de données directement et les consommations indirectes (au cours du cycle de vie ou consommée pour la production d'électricité), et comptabilise les émissions en suivant une comptabilité fondée sur le marché (donc compensée par garanties d'origine) »179(*).
Le choix, pour l'énergie, d'adopter une comptabilité fondée sur le marché plutôt que sur la localisation a également été contesté par l'association Data for Good au cours de son audition.
Différences entre la comptabilité fondée sur le marché ou la localisation
La comptabilité fondée sur la localisation se base sur un facteur d'émission géographique. Les entreprises doivent multiplier leur donnée d'activité -- c'est-à-dire leur consommation énergétique annuelle, qui s'exprime en kilowattheures -- par le facteur d'émission -- qui est un coefficient multiplicateur établi en fonction du mix énergétique national, qui permet de déterminer quelle quantité de CO2 est émise par kilowattheure d'énergie consommée. Cette méthode est détaillée dans le guide méthodologique à suivre pour établir un bilan d'émission de gaz à effet de serre publié en juillet 2022 par le ministère de la transition écologique et l'Ademe180(*).
La comptabilité fondée sur le marché est issue du Greenhouse Gas (GHG) Protocol, qui élabore des standards de comptabilisation des émissions de gaz à effet de serre. Pour se conformer au standard applicable aux entreprises, le « Corporate Standard », les sociétés calculent la quantité de gaz à effet de serre émise par leur consommation d'électricité en fonction de leurs engagements contractuels. En effet, une entreprise peut souscrire à une offre d'électricité dite « verte », pour réduire ses émissions comptabilisées dues à sa consommation d'énergie. Pour commercialiser des offres dites « vertes », le fournisseur doit prouver qu'a été injectée sur le réseau électrique une quantité d'électricité produite à partir de sources d'énergies renouvelables équivalente à la consommation du client.
L'entreprise peut donc annuler comptablement les émissions de gaz à effet de serre associées à l'électricité consommée en contractant avec un fournisseur d'électricité d'origine renouvelable, même si cette production a lieu dans un autre réseau électrique et ne contribue pas à répondre à la demande.
L'étude de Mistral AI a été effectuée selon la méthode fondée sur la localisation, tandis que l'étude de Google utilise la méthode fondée sur le marché.
Le périmètre choisi par Google a par ailleurs été déploré par les associations Les Amis de la Terre comme par Data for Good. L'entreprise communique sur l'empreinte d'une seule requête sans divulguer l'impact global du système ni les effets rebonds tandis que, pour Data for Good, « la définition du système étudié et donc de l'inventaire matériel considéré est floue »181(*) : l'entraînement du modèle, le stockage des données, le réseau ainsi que les équipements utilisateurs du calcul d'empreinte et des consommations d'énergie sont exclus du calcul.
Enfin, l'étude ACV de Gemini ne permet pas d'isoler l'empreinte spécifique de fonctionnalités. Google a ainsi lancé en France le 22 juillet 2026 les « Aperçus IA » ou « AI Overviews ». Cette nouvelle fonctionnalité affiche directement en haut des résultats de recherche une réponse synthétique générée par intelligence artificielle. Comme l'a indiqué l'entreprise aux rapporteurs, ce nouvel usage généralisé de l'IA n'a fait l'objet d'aucune étude d'impact environnemental, « Google ne publiant pas d'études d'impact environnemental isolées pour des fonctionnalités ou applications spécifiques destinées aux utilisateurs finaux »182(*).
En dépit de ces critiques, les rapporteurs tiennent à saluer l'effort de transparence de Google qui, à la différence des autres grands exploitants de modèles de langage, a publié une ACV certes perfectible, mais qui constitue une première démarche bienvenue.
Comparaison des études publiées par Google et Mistral AI
|
Mistral AI |
|
|
|
Méthodologie |
Analyse en cycle de vie |
Méthodologie personnalisée |
|
Indicateurs publiés |
Pour l'entraînement et l'inférence : émissions GES, consommation d'eau, consommation de métaux |
Pour l'inférence : consommation
d'électricité, |
|
Type de requête pour l'inférence |
Réponse d'une page (400 tokens) pour le modèle large 2 |
Requête « médiane », sans précisions sur le nombre de tokens ou le modèle employé |
|
Périmètre pour la consommation d'eau |
Consommation d'eau directe (refroidissement) et indirecte (production d'énergie) |
Consommation d'eau directe |
|
Mix électrique |
Mix géographique |
Mix « marché » (prise en compte des Garanties d'Origine) |
Source : Ademe
Au cours de leurs auditions, les rapporteurs ont pu constater les limites de ces exercices, au-delà des biais méthodologiques présentés.
Tout d'abord, les méthodologies différentes utilisées ne permettent pas de comparer les deux ACV, comme l'ont déploré l'entreprise Mistral AI ou encore l'Afnor. Au cours de son audition, l'Essca School of Management a souligné les différences phénoménales d'ordre de grandeur entre les deux ACV, qui ne s'expliquent que par une méthodologie sensiblement différente : Gemini serait ainsi 38 fois moins émissif que Mistral, et 180 moins consommateur d'eau. Le périmètre choisi est également différent dans les deux études : 400 jetons183(*) pour l'étude de Mistral AI, contre un prompt184(*) de texte médian pour Google. Comme l'a indiqué la fédération professionnelle InfraNum « on ne peut pas construire une politique publique complète neutre sur des chiffres que chaque acteur produit selon ses propres méthodes »185(*).
Résultats des études de Google et de Mistral AI
|
Mistral AI |
|
|
|
Énergie |
- |
0,24 wattheure (Wh) |
|
Émissions de gaz à effet de serre |
1,14 gramme eqCO2 |
0,03 gramme eqCO2 |
|
Eau |
45 millilitres (mL) |
0,26 mL |
|
Ressources |
0,16 mg Sb eq186(*) |
- |
Note : les résultats, établis selon des méthodes et des périmètres différents, ne sont pas comparables.
De plus, l'absence de publication de données par les exploitants de modèles de langage ne permet pas aux chercheurs et à la société civile de vérifier la robustesse de la méthodologie employée, ou de proposer une analyse de cycle de vie qui reposerait sur une autre méthode. Comme l'a évoqué l'Observatoire de l'impact environnemental de l'IA, « la recherche doit aujourd'hui recourir à un travail de rétro-ingénierie coûteux pour reconstruire des informations que les entreprises possèdent mais ne diffusent pas. Cela retarde la production de connaissances et, par conséquent, la formulation de politiques publiques fondées sur des données vérifiables.187(*) »
Une large partie des experts, institutions et associations entendus par les rapporteurs - le groupe EcoInfo du CNRS, le chercheur Thomas Le Goff, l'Arcep, l'Afnor ou l'Alliance Green IT, les associations Les Amis de la Terre et Data for Good et The Shift Project, le Commissariat général au développement durable (CGDD), l'Ademe ou encore l'Autorité de la concurrence - ont ainsi regretté ce manque de transparence, qui complexifie le travail de la recherche académique et diminue la crédibilité des ACV effectuées par ces entreprises.
Pour les rapporteurs, il est nécessaire de garantir l'ouverture des données relatives à l'empreinte environnementale de l'IA, pour permettre à la recherche et à la société civile de mener ses propres analyses.
Il est bien entendu indispensable que l'Arcep définisse précisément les données à transmettre, afin de garantir le respect du secret des affaires et de placer l'ensemble des fournisseurs sur un pied d'égalité.
Comme l'a souligné Mistral AI au cours de son audition, il est nécessaire que l'ouverture concerne l'ensemble des acteurs du secteur : « sans cette réciprocité, les premiers à ouvrir leurs données subiraient un désavantage concurrentiel, connu sous le nom de first-mover disadvantage188(*). »
Le lancement, le 22 juillet 2026, par l'Arcep d'une consultation publique sur l'intégration des services d'intelligence artificielle générative à son enquête annuelle « Pour un numérique soutenable » constitue en ce sens un signal bienvenu. Relevant que les informations communiquées par les fournisseurs restent insuffisantes, le régulateur souhaite, à travers cette consultation, déterminer quels fournisseurs seront concernés, quelles données devront être transmises et selon quelle méthode elles seront calculées. Les rapporteurs saluent cette initiative et appellent à faire aboutir au plus vite ce projet nécessaire de transparence, qui renforcera l'information du public sur l'empreinte environnementale des grands modèles d'IA.
Recommandation n° 12 : Dans le respect du secret des affaires, confier à l'Arcep le soin de définir les données relatives à l'empreinte environnementale des modèles de langage que leurs fournisseurs seraient tenus de rendre publiques, afin de permettre à l'Arcep, aux chercheurs et à la société civile de vérifier la robustesse des analyses de cycle de vie réalisées et de conduire leurs propres analyses.
Le risque des initiatives privées, qui s'appuient sur des méthodologies différentes, contestées par certains acteurs et sans transparence sur les données utilisées, est de fausser la concurrence en constituant de l'écoblanchiment (ou greenwashing). L'Autorité de la concurrence, dans une étude de 2025189(*), relève ainsi un tel risque dans le domaine de l'IA, certaines entreprises pouvant communiquer faussement sur la faiblesse de leur empreinte environnementale.
2. Une harmonisation des ACV par les pouvoirs publics devenue indispensable
Pour Mistral AI, « une harmonisation des méthodes d'ACV pour l'IA est indispensable pour permettre aux utilisateurs de faire des choix éclairés et pour éviter que les acteurs du secteur ne s'adaptent à des normes incomplètes ou biaisées. Cette harmonisation doit s'appuyer sur une approche cycle de vie complète et des métriques transparentes et comparables ».
L'entreprise établit un parallèle avec le secteur automobile : « la norme NECD a longtemps posé un cadre de comparaison des véhicules qui ne reflétait que très imparfaitement les mérites réels de chaque modèle. Ce système a poussé les constructeurs à optimiser leurs performances uniquement pour les tests, sans lien avec les usages réels. Nous courons aujourd'hui un risque similaire s'agissant de l'IA si nous ne définissons pas une règle fiable et représentative des réalités d'usage. »
Les rapporteurs partagent pleinement ce constat : pour réduire l'empreinte environnementale de l'IA, il est au préalable indispensable de pouvoir évaluer et comparer l'empreinte environnementale des grands modèles de langage.
Le référentiel général pour l'IA frugale développé en 2023 à l'initiative du ministère de la transition écologique et porté par l'Afnor, pourrait servir de base à cette standardisation. Ce référentiel (cf. infra), qui constitue une première mondiale190(*), propose un cadre volontaire, en constituant un document de référence pour outiller l'écosystème avec des méthodes et bonnes pratiques communes.
Les rapporteurs saluent les travaux actuellement engagés au sein du Comité européen de normalisation (CEN) et du Comité européen de normalisation en électronique et en électrotechnique (Cenelec) sous l'impulsion de la France pour établir un standard européen, qui serait fondé sur les principes de la norme Afnor.
Pour les rapporteurs, il est souhaitable de rendre obligatoire au niveau de l'Union européenne l'évaluation environnementale des grands modèles de langage contrôlée par un tiers indépendant afin de s'assurer que les évaluations soient bien comparables entre elles.
Une telle standardisation faciliterait le développement d'outils de comparaison des différents modèles, portés par la société civile ou les pouvoirs publics.
La plateforme Compar:IA, portée par le ministère de la culture, constitue un exemple d'outil de comparaison, qui permet au consommateur de faire le choix de la frugalité, en sélectionnant le modèle le plus adapté à ses besoins. Toutefois, comme l'a indiqué la direction du numérique pour l'éducation (DNE), l'efficacité du dispositif est limitée à la fois par le manque de transparence des grands modèles, qui oblige à fonder les estimations sur des approximations, et par l'absence de standardisation. L'obligation d'ouverture des données et d'élaboration d'une ACV conforme à une norme commune faciliterait donc le développement de tels outils.
Capture d'écran de la plateforme Compar:IA
Source : Commission
Afin de pallier les dérives d'écoblanchiment, il est également nécessaire d'interdire au niveau européen les éventuelles allégations environnementales qui ne seraient pas fondées sur ce standard.
Recommandation n° 13 : Définir un standard européen d'évaluation de l'empreinte environnementale des grands modèles de langage, afin d'en systématiser l'évaluation, et interdire toute allégation environnementale qui ne serait pas fondée sur ce standard.
Sur la base de la norme Afnor, un affichage environnemental -- ou écoscore -- pourrait être créé pour les grands modèles de langage, comme il en existe aujourd'hui pour le textile par exemple, comme le préconisait déjà le Conseil économique, social et environnemental (Cese) en 2024191(*). Fondé sur un système de notation (A, B, C, etc.), cet écoscore pourrait permettre au consommateur d'identifier les modèles de langage les plus vertueux sur le plan environnemental.
Dans un premier temps, le déploiement de cet affichage environnemental pourrait s'effectuer sur une base volontaire. Pour inciter les entreprises à se l'approprier, l'utilisation de l'écoscore pourrait constituer un critère de discrimination dans le cadre de la commande publique, comme le propose l'Alliance Green IT.
Dans un second temps, il est bien sûr souhaitable de rendre obligatoire l'écoscore pour les plus grands modèles de langage. Pour que l'obligation soit effective, une évolution du droit européen sera toutefois nécessaire.
Recommandation n° 14 : Créer un écoscore pour les principaux modèles de langage.
3. Éduquer à la sobriété pour faire évoluer les usages
La mesure de l'empreinte environnementale de l'IA ne constitue bien sûr qu'une première étape. Une éducation à la sobriété est également impérative, pour faire évoluer les usages en assurant une prise de conscience des consommateurs.
La responsabilité de l'usager dans l'empreinte environnementale a ainsi été évoquée à de nombreuses reprises au cours des auditions. Ainsi, pour le syndicat Numeum, le choix du modèle d'IA utilisé par le collaborateur d'une entreprise est absolument clé : en cas de choix d'un modèle inadapté, l'empreinte environnementale peut être décuplée.
Pourtant, le chercheur Thomas Le Goff constate « un manque alarmant d'information concernant les impacts environnementaux de l'IA ». Même « dans les catégories socioprofessionnelles supérieures, les publics ont une vague idée du sujet sans ordre de grandeur, ou minimisent l'impact de l'IA en faisant référence à l'impact d'autres industries lourdes »192(*). Le chercheur insiste également sur la désinformation sur le sujet véhiculée notamment sur les réseaux sociaux. Ainsi, seuls 46 % de la population française estime que l'IA générative a un impact plus fort que la recherche classique sur un moteur de recherche193(*).
Les rapporteurs plaident pour une campagne de communication nationale : elle présenterait à la fois les incidences de l'IA et les gestes permettant de les réduire.
L'objectif de cette campagne serait avant tout, comme l'ont suggéré au cours de leurs auditions l'Afnum et l'Alliance Green IT, de transmettre à l'ensemble des citoyens des ordres de grandeur sur l'impact de leurs différents gestes numériques. Il serait par exemple opportun, comme le propose la fédération InfraNum, que le grand public sache qu'une requête à un modèle d'IA générative consomme environ dix fois plus d'énergie qu'une simple recherche en ligne194(*).
Les rapporteurs estiment qu'une démarche similaire pourrait utilement être engagée au niveau européen.
Recommandation n° 15 : Lancer une campagne nationale de sensibilisation à l'empreinte environnementale de l'intelligence artificielle, présentant ses différents effets sur l'environnement ainsi que les bonnes pratiques permettant de les réduire ; engager, en parallèle, une démarche similaire à l'échelle européenne.
En parallèle de cette information au grand public, l'éducation à la sobriété passe également par une sensibilisation en milieu scolaire.
La loi « Reen » a été précurseur dans ce domaine en prévoyant à l'école (article L. 312-9 du code de l'éducation) et dans l'enseignement supérieur (article L. 611-8 du même code), une « sensibilisation à l'impact environnemental des outils numériques ainsi qu'un volet relatif à la sobriété numérique ». Elle a prévu en parallèle, dans les écoles d'ingénieur (article L. 642-3 du même code), que « les formations d'ingénieur comportent un module relatif à l'écoconception des services numériques et à la sobriété numérique ».
Comme l'a présenté la DNE au cours de son audition, cette sensibilisation a été intégrée tout au long du parcours éducatif :
- au primaire, la sensibilisation à un usage raisonné du numérique est articulée à l'éducation au développement durable ;
- et au secondaire, l'attestation Pix 6e, généralisée à la rentrée 2024, comporte une compétence dédiée intitulée « protéger la santé, le bien-être et l'environnement ». Elle est également évaluée pour la certification Pix en fin de 3e. La sensibilisation à la sobriété est par ailleurs renforcée dans les enseignements de Sciences numériques et technologie (SNT) et dans l'enseignement de spécialité Numérique et sciences informatiques (NSI) au lycée.
L'éducation à l'IA est, quant à elle, en place depuis juin 2025. Le cadre d'usage de l'IA en éducation, co-construit avec la communauté éducative à l'issue d'une consultation nationale conduite de janvier à mai 2025, pose le principe que, « pour limiter l'impact environnemental, l'usage frugal de l'IA est à privilégier » et précise que « l'IA ne doit être utilisée que si aucune autre solution moins coûteuse écologiquement ne répond de façon satisfaisante au besoin ».
Le cadre rappelle que la production d'une réponse textuelle par une IA générative est en moyenne dix fois plus énergivore qu'une requête sur un moteur de recherche.
Cette consigne du moindre coût énergétique est rappelée dans tous les modules de formation récents qui évoquent le cadre d'usage de l'IA en éducation, à savoir Pix IA pour les élèves et Pix+ Édu pour les enseignants.
Les rapporteurs se félicitent de cette volonté d'intégrer la question de l'IA frugale à l'enseignement. Ils appellent à formaliser cette intégration au code de l'éducation et à la prévoir à tous les niveaux, en l'élargissant à l'enseignement supérieur et aux écoles d'ingénieur.
Recommandation n° 16 : Systématiser l'intégration, dans les actions de sensibilisation à l'empreinte environnementale du numérique menées en milieu scolaire, dans l'enseignement supérieur et dans les écoles d'ingénieurs, d'un module consacré à l'empreinte environnementale de l'IA, mettant notamment l'accent sur l'incidence des usages et des comportements individuels.
* 177 Source : réponse écrite de l'Afnor au questionnaire des rapporteurs.
* 178 Réponse écrite au questionnaire des rapporteurs.
* 179 Réponse écrite au questionnaire des rapporteurs.
* 180 La publication de cette méthodologie par le ministère de la transition écologique et l'Ademe est prévue aux articles R. 229-48 et R. 229-49 du code de l'environnement.
* 181 Réponse écrite au questionnaire des rapporteurs.
* 182 Réponse écrite aux rapporteurs.
* 183 Un jeton -- ou token en anglais -- est la plus petite unité de texte qu'un modèle d'IA générative traite, correspondant à un mot, une partie de mot, un signe de ponctuation ou un symbole.
* 184 Un prompt est l'instruction ou la requête, rédigée en langage naturel, qu'un utilisateur adresse à un modèle d'IA générative pour lui demander de produire un contenu ou d'exécuter une tâche.
* 185 Réponse écrite au questionnaire des rapporteurs.
* 186 Milligramme d'équivalent antimoine : une unité utilisée en analyse du cycle de vie (ACV) pour mesurer l'impact d'un produit sur l'épuisement des ressources minérales et métalliques, en exprimant cet impact par comparaison avec celui de l'antimoine, un métalloïde utilisé notamment dans les batteries au plomb, les retardateurs de flamme, certains alliages métalliques et l'industrie électronique.
* 187 Réponse écrite au questionnaire des rapporteurs.
* 188 Réponse écrite au questionnaire des rapporteurs.
* 189 Les questions concurrentielles relatives à l'impact énergétique et environnemental de l'Intelligence Artificielle, Autorité de la concurrence, 17 décembre 2025.
* 190 Source : réponse écrite du CGDD au questionnaire des rapporteurs.
* 191 Impacts de l'intelligence artificielle : risques et opportunité pour l'environnement, Conseil économique, social et environnemental, Avis, Fabienne Tatot et Gilles Vermont Desroches, septembre 2024.
* 192 Réponse écrite au questionnaire des rapporteurs.
* 193 Source : Baromètre du numérique 2026, Credoc.
* 194 Réponse écrite au questionnaire des rapporteurs.