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

> **Version 4 — septembre 2026.** Référence scientifique des constantes du calculateur LLM Impact.
> Cette version intègre les corrections issues d'une revue critique indépendante (voir
> §11, journal des révisions) : deux erreurs de calcul corrigées, passage de la médiane à
> la **moyenne de flotte** pour les usages agrégatifs, adoption de la donnée ADPe de
> Mistral pour les matériaux, et déclaration explicite du périmètre (texte uniquement).
> Chaque chiffre est rattaché à sa source et à un **niveau de preuve** (A–E, §2).

---

## 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 :

| Niveau | Méthode | Exemples | Fiabilité |
|---|---|---|---|
| **A** | **Mesure en production** : compteurs réels sur la flotte, incluant hôte, capacité inactive, PUE | Google, arXiv:2508.15734 | La plus haute — un seul opérateur l'a publiée |
| **B** | **Modélisation bottom-up publiée et revue** : débit de tokens × puissance nœud × overheads, batching réaliste | Oviedo et al., *Joule* 2026 (arXiv:2509.20241) ; Epoch AI 2025 ; ACV Mistral × ADEME (revue par les cabinets Resilio et Hubblo — revue professionnelle, pas académique) | Haute ; sensible aux hypothèses |
| **C** | **Benchmark sur matériel réel, modèles ouverts** : GPU instrumentés (H100/B200) | ML.ENERGY (arXiv:2505.06371 ; arXiv:2601.22076) ; AI Energy Score (v1 fév. 2025 : 166 modèles ; v2 déc. 2025 : +39 modèles, tâche raisonnement ajoutée) | Haute pour les modèles ouverts ; batch=1 chez AI Energy Score ≠ production |
| **D** | **Estimation boîte noire via API** : latence × puissance matérielle supposée, batching inconnu | Jegham et al. (arXiv:2505.09598) ; Univ. Rhode Island (GPT-5) | Faible en absolu (sur-estime) ; utile en **relatif** entre modèles |
| **E** | **Déclaration d'opérateur non auditée** | OpenAI/Altman : 0,34 Wh, 0,32 ml (juin 2025) | Invérifiable ; sert de recoupement, jamais de valeur centrale |

**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

| Source | Niveau | Valeur | Objet |
|---|---|---|---|
| Google (août 2025) | **A** | **0,24 Wh** (médiane) | Prompt texte Gemini Apps, mesuré en production, périmètre complet |
| Oviedo et al., *Joule* 2026 | **B** | **0,31 Wh** (médiane), IQR 0,16–0,60 | Modèles frontière > 200 Mds de paramètres sur nœuds H100 |
| Epoch AI (fév. 2025) | B | ~0,3 Wh | GPT-4o, 500 tokens de sortie (hors PUE) |
| OpenAI (juin 2025) | E | 0,34 Wh | Recoupement uniquement (non audité) |

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 :

| Source | Niveau | Constat |
|---|---|---|
| AI Energy Score v2 (déc. 2025) | C | Raisonnement : **×30 en moyenne**, jusqu'à ×154 (DeepSeek-R1-Distill-70B : 0,05 → 7,6 Wh/req.) et ×697 (SmolLM3-3B) ; cause : **300–800× plus de tokens générés** |
| Oviedo et al., *Joule* | B | Requête ×15 en longueur : **3,91 Wh** (IQR 2,15–7,05), soit ×13 |
| Jegham et al. | D (relatif) | o3 : 7–39 Wh ; DeepSeek-R1 : 24–34 Wh ; ~70× un modèle nano |

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

| Régime | Wh/requête | Niveau | Notes |
|---|---|---|---|
| Modèles légers (mini/nano, distillés) | 0,03–0,15 | C (mesures AI Energy Score/ML.ENERGY sur open-weights ; le 0,103 Wh « GPT-4.1 nano » de Jegham et al. est de niveau D, cité en recoupement) | |
| Requête médiane, modèle frontière | **0,3** [0,15–0,6] | **A/B** | « Une requête typique » |
| **Moyenne de flotte (usages agrégatifs)** | **0,7** [0,3–1,7] | **B** | Constante recommandée pour l'outil |
| Requête longue / contexte étendu | 2–8 | B | |
| Raisonnement explicite | 7–40+ | C/D | |

### 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** :

| Source | Niveau | Valeur | Périmètre |
|---|---|---|---|
| Google (2025) | **A** | **0,26 ml**/prompt médian | **Site seul** (WUE datacenter) |
| OpenAI (2025) | E | 0,32 ml/requête | Non précisé |
| Li, Yang, Islam & Ren (arXiv:2304.03271, CACM 2025) | B | 10–50 ml/req. (archi. GPT-3, 2023) ; EWIF : méthodologie de référence | Site + production électrique (Scopes 1+2) |
| Mistral × ADEME (juil. 2025) | B | 45 ml/réponse de 400 tokens — **impact marginal d'inférence** (hors entraînement, hors terminal), amont matériel inclus | Cycle de vie hors entraînement |
| Jegham et al. | D | < 2 ml (nano) à > 150 ml (R1, long) | Scopes 1+2 modélisés |

**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.

| Scénario | ml/requête | Niveau |
|---|---|---|
| Site seul, requête médiane | 0,25–0,5 | A |
| **Scopes 1+2, moyenne de flotte** | **3** [1–6] | B (dérivée) |
| ACV étendue / raisonnement / zone aride | 10–50+ | B/D |

---

## 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 :

| Réseau | gCO₂/kWh | Périmètre | Source |
|---|---|---|---|
| France | 21,7 | Production directe | RTE 2024 |
| France | 30,2 | ACV production (RTE) | RTE 2024 |
| France | ~50 | ACV consommation (imports inclus) | ADEME Base Empreinte |
| États-Unis | **384** | Production directe | Ember 2024 |
| Monde | 445 | Production directe | AIE 2024 |
| Zones charbonnées | 500–700 | — | AIE |

**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.

| Scénario (moyenne 0,7 Wh) | gCO₂e/requête | Détail |
|---|---|---|
| France (ACV production 30,2 g/kWh) | **0,04–0,07** | Opérationnel ≈ 0,021 g + incarné 0,02–0,05 g — **la fabrication domine** |
| **Mix US (défaut de l'outil)** | **0,32** [0,15–0,7] | 0,7 Wh × 384 g/kWh = 0,27 g, +20 % incarné |
| Raisonnement × mix charbon | 3–25+ | 7–40 Wh × 0,5–0,7 g/Wh |

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) :

| Scénario | $/requête (~400 tokens générés) | Justification |
|---|---|---|
| Open-weights hébergés | ~0,00002 | ~0,06 $/M tokens |
| Classe mini | ~0,0002 | ≤ 0,60 $/M sortie *(corrigé : la v3 étiquetait 0,00002 $ par erreur)* |
| **Moyenne pondérée retenue** | **0,0001** [0,00002–0,0005] | Mix frontier/mini/open ; confiance 5/5 sur les bornes, 3/5 sur la pondération |
| Frontière, sortie seule | ~0,004 | GPT-5 : 10 $/M sortie |
| Raisonnement | ×3–×10 | Tokens cachés facturés |

---

## 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).

| Métrique | Valeur par requête | Intervalle | Confiance | Source pivot |
|---|---|---|---|---|
| Électricité | **0,7 Wh** | 0,3–1,7 | 4/5 | Oviedo et al., *Joule* (flotte : 0,7 GWh/Md req.) |
| Eau (site + production électrique) | **3,0 ml** | 1–6 | 3/5 | Dérivation §4 (Google + EWIF Li et al.) |
| CO₂e | **0,32 g** | 0,15–0,7 | 4/5 | 0,7 Wh × 384 g/kWh (Ember) + 20 % incarné (PCF NVIDIA) |
| Matériaux (ADPe) | **0,16 mg Sb eq** | ±1 ordre de grandeur | 3/5 | ACV Mistral × ADEME |
| Coût (prix de vente API) | **0,0001 $** | 0,00002–0,0005 | 5/5 bornes, 3/5 mix | Grilles publiques |

---

## 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](https://arxiv.org/abs/2508.15734) · [blog](https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference).
2. NVIDIA, Product Carbon Footprint HGX H100 — analyses [TechInsights](https://www.techinsights.com/blog/ai-carbon-challenge-why-your-next-gpus-memory-stack-new-emissions-hotspot), [Introl](https://introl.com/blog/carbon-accounting-ai-workloads-gpu-emissions-tracking-2025).
3. RTE, [Bilan électrique 2024 — Émissions](https://analysesetdonnees.rte-france.com/bilan-electrique-2024/emissions) ; Ember, [US Electricity 2025](https://ember-energy.org/latest-insights/us-electricity-2025-special-report/insight-4-rising-demand-pushes-up-emissions-slight/) ; AIE, [Energy and AI](https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai) (415 → 945 TWh) et [Electricity 2025](https://www.iea.org/reports/electricity-2025/emissions).

**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](https://arxiv.org/abs/2509.20241).
5. Li, Yang, Islam, Ren, *Making AI Less "Thirsty"* — [arXiv:2304.03271](https://arxiv.org/abs/2304.03271) · [CACM 2025](https://cacm.acm.org/sustainability-and-computing/making-ai-less-thirsty/).
6. Mistral AI × ADEME, ACV de Mistral Large 2 (revue Resilio/Hubblo), juillet 2025 — [mistral.ai](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-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?*](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), février 2025.
8. OpenRouter, *State of AI: An Empirical 100 Trillion Token Study* — [arXiv:2601.10088](https://arxiv.org/abs/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](https://www.salesforce.com/news/stories/ai-energy-score/) (166 modèles) · [v2, déc. 2025](https://huggingface.co/blog/sasha/ai-energy-score-v2) (+39 modèles, raisonnement) · [leaderboard](https://huggingface.co/spaces/AIEnergyScore/Leaderboard).
10. Chung, Chowdhury et al., *The ML.ENERGY Benchmark* — [arXiv:2505.06371](https://arxiv.org/abs/2505.06371) (NeurIPS 2025) ; *Where Do the Joules Go?* — [arXiv:2601.22076](https://arxiv.org/abs/2601.22076) (46 modèles, 1 858 configurations, H100/B200 ; vidéo > 100× image).
11. EcoLogits / GenAI Impact (Data For Good), [méthodologie](https://ecologits.ai/0.4/methodology/llm_inference/) et BoaviztAPI.

**Niveau D–E — estimations boîte noire et déclarations**

12. Jegham et al., *How Hungry is AI?* — [arXiv:2505.09598](https://arxiv.org/abs/2505.09598) (relatif inter-modèles).
13. Univ. Rhode Island sur GPT-5 et sa critique — [Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/chatgpt-5-power-consumption-could-be-as-much-as-eight-times-higher-than-gpt-4-research-institute-estimates-medium-sized-gpt-5-response-can-consume-up-to-40-watt-hours-of-electricity).
14. S. Altman (OpenAI), 0,34 Wh / 0,32 ml — [DCD](https://www.datacenterdynamics.com/en/news/sam-altman-chatgpt-queries-consume-034-watt-hours-of-electricity-and-0000085-gallons-of-water/). 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)](https://www.tomshardware.com/pc-components/gpus/datacenter-gpu-service-life-can-be-surprisingly-short-only-one-to-three-years-is-expected-according-to-unnamed-google-architect) ; 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)](https://www.robeco.com/en-int/insights/2026/03/why-the-future-of-chips-depends-on-water) ; [WEF](https://www.weforum.org/stories/2024/07/the-water-challenge-for-semiconductor-manufacturing-and-big-tech-what-needs-to-be-done/).
18. Vidéo générative : *Lights, Camera, Carbon* — [arXiv:2607.04553](https://arxiv.org/html/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.

---

Source : https://llmimpact.augustin-verissimo.fr/methodologie - LLM Impact, par Augustin Verissimo (https://www.augustin-verissimo.fr/).