Empreinte environnementale de l'inférence LLM — Revue de littérature consolidée

1. Question de recherche et périmètre

Question : quelles ressources (électricité, eau, matériaux, CO₂e, coût) consomme la génération d'une requête conversationnelle par un LLM de production en 2026 ?

Périmètre : inférence uniquement — avec bornes chiffrées. L'entraînement est un investissement ponctuel (GPT-4 : ~51 000–62 000 MWh selon les estimations publiées) ; l'inférence est un flux continu. Amorti par requête, l'entraînement n'est pas toujours « négligeable » : pour un modèle de la classe GPT-4 (~55 GWh) servant ~2,5 Mds de requêtes/jour pendant un an, l'amortissement vaut ~0,06 Wh/requête, soit ~10–20 % de l'impact d'inférence ; il serait plus élevé pour un modèle à faible trafic. Nous l'excluons par choix de périmètre — comme le font Google (mesure d'inférence) et Mistral (impacts « marginaux » d'inférence publiés séparément du total) — et non parce qu'il serait nul. À l'échelle macro, l'inférence domine désormais : l'AIE (rapport Energy and AI, avril 2025) chiffre les datacenters à 415 TWh en 2024, ~945 TWh projetés en 2030 (cas de base), les serveurs accélérés — majoritairement de l'inférence — représentant près de la moitié de la croissance nette.

Unité fonctionnelle. La requête textuelle d'un assistant grand public en 2026. L'étude OpenRouter sur 100 000 Mds de tokens (arXiv:2601.10088) mesure une réponse moyenne passée de ~150 à ~400 tokens entre début 2024 et fin 2025, et un contexte moyen passé de ~1,5k à >6k tokens. Les sources utilisées supposent chacune leur propre longueur (Epoch : 500 tokens de sortie ; Mistral : 400 ; Google et Oviedo et al. : distributions de production non publiées en tokens) — écart d'unité fonctionnelle inférieur à l'incertitude inter-méthodes, mais signalé.

Exclusions déclarées (affichées dans l'outil) : génération d'images et de vidéo (voir §3.7 — les ordres de grandeur sont tout autres), workflows agentiques multi-appels, réseau et terminal utilisateur, entraînement. Carbone : approche location-based (mix moyen du réseau), voir §5.

2. Hiérarchie des preuves

Les écarts entre études (0,24 Wh à 18 Wh pour « une requête ») s'expliquent presque entièrement par la méthode :

Règles appliquées : (1) une valeur centrale exige au moins une source A ou B ; (2) chaque chiffre est cité avec son périmètre (médiane vs moyenne, site vs Scopes 1+2 vs cycle de vie, location- vs market-based) ; (3) l'indice de confiance 1–5 affiché dans l'outil correspond à : 5 = A, 4 = B convergent, 3 = B unique ou C, 2 = D ou extrapolation, 1 = spéculatif.

3. Électricité

3.1 La requête médiane : convergence à ~0,3 Wh

L'étude Joule — évaluée par des pairs — conclut que les estimations publiques antérieures (dont le « 2,9 Wh/requête » issu de Luccioni, Jernite & Strubell, Power Hungry Processing, FAccT 2024, longtemps la référence) étaient surestimées de 4 à 20×. Médiane robuste 2026 : 0,3 Wh [0,15–0,6].

3.2 Médiane ≠ moyenne : le chiffre qui compte pour un agrégat

La distribution étant à queue lourde, la moyenne dépasse nettement la médiane — et c'est la moyenne qui est pertinente pour tout calcul agrégatif (presets jour/mois/ année de l'outil, compteur mondial). Deux quantifications indépendantes :

• Oviedo et al. (Joule, niveau B) : servir 1 Md de requêtes/jour ≈ 0,7 GWh/jour, soit une moyenne de flotte ≈ 0,7 Wh/requête (2,3× la médiane de 0,31) ; si 10 % du trafic devient « long » (×15), la demande monte à 1,7 GWh/jour (moyenne 1,7 Wh), ramenable à 0,8 avec les optimisations qu'ils identifient.
• OpenRouter, State of AI (arXiv:2601.10088, niveau B pour le trafic API) : la part des tokens routés vers des modèles de raisonnement est passée de quasi nulle début 2025 à plus de 50 % fin 2025. Trafic API/développeurs, non représentatif du grand public — mais c'est le seul jeu de données publié, et il indique le sens et la vitesse.

Retenu : moyenne 0,7 Wh/requête [0,3–1,7] (niveau B), médiane 0,3 Wh conservée pour décrire « une requête typique ».

3.3 Le cas GPT-5 et la controverse des 18 Wh

L'estimation de l'Université de Rhode Island (18,35 Wh en médiane, jusqu'à 40 Wh) est de niveau D : temps de réponse × puissance d'un nœud DGX complet, sans batching — un nœud sert des dizaines de requêtes simultanées. Analyse technique (Tom's Hardware) : une borne « pire cas », incompatible avec les mesures A/B. Non retenue comme valeur centrale ; elle rappelle qu'OpenAI ne publie rien de vérifiable et que le routage de GPT-5 vers des modes « réflexion » tire la moyenne réelle vers le haut.

3.4 Les modèles de raisonnement

Trois sources indépendantes convergent :

3.5 Grille consolidée (par requête texte, périmètre datacenter complet)

3.6 Dynamique temporelle

Google documente -33× d'énergie et -44× de carbone par prompt médian en 12 mois (mai 2024 → mai 2025). Mais l'AI Energy Score v2 nuance : sur 14 modèles ouverts comparables, 8 consommaient autant ou plus fin 2025 qu'en février — l'efficacité par token progresse, la consommation par réponse remonte car les réponses s'allongent (raisonnement ; OpenRouter : sortie moyenne ×2,7 en deux ans). Effet rebond au niveau de la requête elle-même. Le prompt caching (lectures de cache facturées ~10 % du prix d'entrée, signal d'un coût énergétique de prefill fortement réduit) et le décodage spéculatif jouent en sens inverse ; aucune étude publique ne quantifie encore leur effet net sur l'énergie par requête.

3.7 Hors périmètre : multimodalité

Pour mémoire, car l'outil ne couvre que le texte — les ordres de grandeur sont incommensurables (ML.ENERGY, arXiv:2601.22076 : ×25 entre tâches LLM, vidéo > 100× l'image) : une image ≈ 0,3–3 Wh selon modèle et résolution ; un clip vidéo de 5 s : de ~25 Wh (480p) à plusieurs centaines de Wh (HD+), soit des milliers de requêtes texte. Toute extension future de l'outil à l'image/vidéo exigera des constantes dédiées.

4. Eau

Le point méthodologique central reste le périmètre :

Dérivation de la constante (moyenne de flotte 0,7 Wh) : site ≈ 0,26 ml × (0,7/0,24) ≈ 0,8 ml ; production électrique ≈ 0,7 Wh × ~3,1 L/kWh (EWIF moyen US, Li et al.) ≈ 2,2 ml ; total ≈ 3 ml [1–6]. L'écart avec Mistral (45 ml/400 tokens) provient de l'amont matériel et d'hypothèses d'intensité hydrique bien plus hautes ; il n'est pas réconciliable sans leurs données détaillées — c'est la borne haute de l'ACV étendue.

Eau incarnée (angle mort quantifié) : la fabrication des puces consomme de l'eau ultrapure à grande échelle (TSMC : ~151 M m³ en 2025, recyclage annoncé > 90 % ; fab Arizona ~65 % de réutilisation). Aucune allocation par GPU publiée — exclue de la constante, signalée ici.

5. Carbone

CO₂e = énergie × intensité du réseau + part incarnée (fabrication).

Choix d'approche — assumé : location-based (mix moyen du lieu). Le market-based (contrats d'achat d'énergie décarbonée : Google affiche ainsi 0,03 g/prompt) reflète la comptabilité de l'opérateur, pas la réalité physique du réseau au moment de la requête ; pour un outil de sensibilisation, le location-based est le choix le plus défendable, et il est ici explicite.

Intensités vérifiées (2024) — attention aux trois périmètres français :

Part incarnée (niveau A, partielle) : PCF NVIDIA — 1 312 kgCO₂e par baseboard HGX 8×H100 (~164 kg/GPU, HBM = 42 %). Ce PCF couvre le baseboard GPU seul (hors CPU, DRAM hôte, châssis, réseau, bâtiment) ; le supplément « +20 % » utilisé ci-dessous est donc un minorant plausible, d'autant que la durée de vie réelle des GPU sous forte charge fait débat (1–3 ans selon un architecte Google cité par Tom's Hardware ; Meta mesure ~9 %/an de pannes GPU+HBM sur ses flottes H100 — arXiv Llama 3), ce qui raccourcit l'amortissement.

Recoupement : Mistral publie 1,14 gCO₂e/400 tokens en impact marginal étendu — au-dessus de notre 0,32 g (périmètre plus large, amont inclus), cohérent une fois les périmètres alignés.

6. Ressources abiotiques (matériaux)

Révision majeure : la v3 conservait une masse physique spéculative (~0,005 mg/req., sans source). Or la meilleure donnée disponible était déjà dans notre bibliographie : l'ACV Mistral publie 0,16 mg Sb eq par réponse de 400 tokens (ADPe, impact marginal d'inférence, amont matériel inclus — niveau B, revue par Resilio et Hubblo). C'est la seule valeur ADPe par requête publiée et revue à ce jour.

Recommandation : redéfinir la métrique de l'outil comme ADPe en mg d'équivalent antimoine (mg Sb eq) — indicateur ACV normalisé de l'épuisement des métaux — au lieu d'une « masse usée » physiquement ambiguë, et adopter 0,16 mg Sb eq/requête (confiance 3/5 : source unique, mais revue et méthodologiquement supérieure à toute alternative). La méthodologie ouverte EcoLogits/Boavizta (BoaviztAPI) permet un recoupement d'ordre de grandeur. Constat corroboré : la fabrication domine l'ADPe (~85 % du cycle de vie) ; la durée de vie GPU raccourcie (1–3 ans, cf. §5) aggrave l'amortissement. L'affirmation « ~3 g d'or par H100 » (v1) reste sans source primaire et est abandonnée.

7. Coût

Prix de vente ≠ coût de revient ≠ prix payé par l'utilisateur (une grande part du trafic grand public est gratuite/subventionnée). L'outil affiche un prix de vente API, seul observable public (grilles tarifaires : niveau A sur les bornes) :

8. Constantes retenues par l'outil

Estimateur : moyenne de flotte (l'outil multiplie par des volumes — presets et compteur mondial — pour lesquels la médiane serait un minorant structurel).

9. Protocole de veille

À re-vérifier tous les 6 mois : AI Energy Score Leaderboard (semestriel) ; ML.ENERGY ; rapports environnementaux Google (seule mesure de production) ; Epoch AI Gradient Updates ; OpenRouter State of AI (part du raisonnement, longueurs) ; RTE / Ember / AIE (intensités) ; grilles tarifaires. Cadres réglementaires à suivre — susceptibles de produire les premières données obligatoires : obligations de transparence du AI Act européen, AFNOR Spec 2314 (« IA frugale »), travaux ISO/IEC sur l'IA durable. Signal fort attendu : toute première publication auditée d'OpenAI ou d'Anthropic (rien à ce jour).

10. Bibliographie (classée par niveau de preuve)

Niveau A — mesures et données primaires

1. Elsworth et al. (Google), Measuring the environmental impact of delivering AI at Google Scale, août 2025 — arXiv:2508.15734 · blog.
2. NVIDIA, Product Carbon Footprint HGX H100 — analyses TechInsights, Introl.
3. RTE, Bilan électrique 2024 — Émissions ; Ember, US Electricity 2025 ; AIE, Energy and AI (415 → 945 TWh) et Electricity 2025.

Niveau B — études revues / modélisations documentées

4. Oviedo, Bianchini, Lavista Ferres et al., Energy use of AI inference, efficiency pathways, and test-time scaling, Joule, 2026 — arXiv:2509.20241.
5. Li, Yang, Islam, Ren, Making AI Less "Thirsty" — arXiv:2304.03271 · CACM 2025.
6. Mistral AI × ADEME, ACV de Mistral Large 2 (revue Resilio/Hubblo), juillet 2025 — mistral.ai : 1,14 gCO₂e, 45 ml, 0,16 mg Sb eq par réponse de 400 tokens (impacts marginaux d'inférence).
7. Epoch AI, How much energy does ChatGPT use?, février 2025.
8. OpenRouter, State of AI: An Empirical 100 Trillion Token Study — arXiv:2601.10088 : raisonnement > 50 % des tokens fin 2025 ; sortie moyenne 150 → 400 tokens.

Niveau C — benchmarks instrumentés

9. Luccioni et al., AI Energy Score — v1, fév. 2025 (166 modèles) · v2, déc. 2025 (+39 modèles, raisonnement) · leaderboard.
10. Chung, Chowdhury et al., The ML.ENERGY Benchmark — arXiv:2505.06371 (NeurIPS 2025) ; Where Do the Joules Go? — arXiv:2601.22076 (46 modèles, 1 858 configurations, H100/B200 ; vidéo > 100× image).
11. EcoLogits / GenAI Impact (Data For Good), méthodologie et BoaviztAPI.

Niveau D–E — estimations boîte noire et déclarations

12. Jegham et al., How Hungry is AI? — arXiv:2505.09598 (relatif inter-modèles).
13. Univ. Rhode Island sur GPT-5 et sa critique — Tom's Hardware.
14. S. Altman (OpenAI), 0,34 Wh / 0,32 ml — DCD. Anthropic : aucune donnée par requête publiée.

Contexte historique et connexe

15. Luccioni, Jernite, Strubell, Power Hungry Processing: Watts Driving the Cost of AI Deployment?, FAccT 2024 — origine du « ~3 Wh/requête » que les mesures 2025–2026 ont révisé à la baisse.
16. Durée de vie GPU : Tom's Hardware (1–3 ans, architecte Google) ; taux de panne flottes H100 de Meta (papier Llama 3, ~9 %/an GPU+HBM).
17. Eau incarnée des semi-conducteurs : Robeco (TSMC ~151 M m³, 2025) ; WEF.
18. Vidéo générative : Lights, Camera, Carbon — arXiv:2607.04553.

11. Journal des révisions

v4 (sept. 2026) — suite à revue critique indépendante :

• Corrigé (erreurs avérées) : arithmétique CO₂ (0,34 × 384 × 1,2 ≈ 0,16 g, pas 0,18 — la constante est de toute façon re-dérivée) ; AIE 415 → 945 TWh (et non « 485 → 950 ») ; coût classe mini (0,0002 $, pas 0,00002) ; attribution « 166 modèles » à la v1 de l'AI Energy Score ; « GPT-4.1 nano 0,103 Wh » reclassé niveau D ; Mistral requalifié « impacts marginaux d'inférence, revue professionnelle » (et non « ACV complète évaluée par des pairs ») ; trois périmètres d'intensité carbone français distingués.
• Changé (méthode) : constantes agrégatives basées sur la moyenne de flotte (0,7 Wh, Joule) et non plus sur une médiane majorée d'une « marge » non calculée qui reproduisait le chiffre non audité d'OpenAI ; intervalles fournis pour chaque constante ; définition opérationnelle de l'indice de confiance 1–5 ; amortissement d'entraînement borné par un calcul explicite (~10–20 %) au lieu d'un « < 5 % » non sourcé.
• Ajouté (angles morts) : part du raisonnement dans le trafic réel (OpenRouter > 50 % des tokens) ; multimodalité hors périmètre avec ordres de grandeur ; prompt caching ; eau incarnée (TSMC) ; durée de vie GPU 1–3 ans et taux de panne Meta ; Luccioni FAccT 2024 ; cadres AI Act / AFNOR Spec 2314 ; exclusions déclarées (agents, réseau, terminal).
• Adopté : ADPe Mistral 0,16 mg Sb eq/requête en remplacement de la masse physique spéculative (0,005 mg) que la v3 conservait alors que sa propre bibliographie contenait mieux.
• Non retenu de la revue : rien de substantiel ; seule nuance, l'amortissement d'entraînement « > 50 % » évoqué par le reviewer correspond à un scénario de re-entraînement annuel à trafic modéré — notre calcul §1 borne le cas des modèles à fort trafic à ~10–20 %.

v3 (sept. 2026) : restructuration en revue de littérature, hiérarchie A–E, modèles 2026. v2 : première consolidation avec sources. v1 : rapport ACV initial, conservé pour archive.