Autre constat tiré de cette même étude, 75% des responsables RSE sont peu ou non impliqués dans les choix liés au déploiement de ces outils. Résultat : des décisions sont prises pour accélérer l'innovation sans toujours considérer leur impact environnemental. Pourtant, l'IA n'est pas immatérielle, elle repose sur des infrastructures énergivores, des data centers et des chaînes d'approvisionnement complexes.
À mesure que ses usages se multiplient, cela peut peser lourd sur votre Bilan carbone® entreprise. Alors, quelle est réellement l'empreinte carbone de l'intelligence artificielle ? Comment la mesurer ? Quels leviers pour la réduire ? Et surtout, comment intégrer cet enjeu dans votre stratégie RSE ?
Dans cet article, nous décortiquons l'empreinte carbone de l'IA.rdres de grandeur, bonnes pratiques, réglementations, et outils pour agir dès maintenant au sein de votre entreprise !
📝À noter : la plupart des données partagées dans cet article sont extraites de l’Etude IA & RSE : où en sont les organisations en 2026.

A retenir
- Une empreinte concentrée sur les data centers : Plus de 85% des émissions d'une IA générative proviennent de la consommation électrique des data centers, lors de l'entraînement des modèles et surtout de leur utilisation quotidienne (inférence) ;
- Des ordres de grandeur très variables : Une requête texte génère environ 1g de CO₂e, contre 100 à 10 000 fois plus pour la génération d'images ou de vidéos. Le type d'usage fait toute la différence ;
- Un enjeu stratégique croissant pour les entreprises : Selon un rapport de l’UNEP, le nombre de data centers est passé de 500 000 en 2012 à 8 millions en 2025, consommant 415 TWh d'électricité en 2024 (ADEME). Pourtant, 97% des entreprises n'ont pas encore pris en compte l'impact environnemental de leur IA (Fondation Thomson Reuters), s'exposant à des risques de non-conformité réglementaire et de contradiction avec leurs objectifs ESG.
- Des leviers d'action concrets existent : Optimiser les modèles, choisir des infrastructures sobres, limiter les usages non essentiels (génération d'image/vidéo), privilégier les modèles "frugaux". La sobriété numérique s'applique aussi à l'IA ;
- Une obligation de transparence qui se renforce : La CSRD impose désormais de mesurer et déclarer l'impact carbone du numérique, dont l'IA.
Quelle est l'empreinte carbone de l'IA ?
L’impact environnemental des systèmes d'IA
L'empreinte carbone de l'intelligence artificielle regroupe l'ensemble des émissions de gaz à effet de serre générées tout au long du cycle de vie d'un système d'IA.
Elle se décompose en quatre grands éléments :
L'entraînement des modèles
C'est la phase où le modèle "apprend" à partir de millions (voire milliards) de données.
Cette étape est très énergivore car elle mobilise des milliers de GPU (processeurs graphiques) pendant des jours, voire des semaines.
Plus le modèle est complexe (comme GPT-4, Claude, ou les modèles d'IA générative d'images), plus cette phase consomme d'énergie.
L'inférence et l'usage quotidien
C'est la phase d'utilisation.
Chaque fois qu'un utilisateur pose une question à ChatGPT, génère une image avec Midjourney ou analyse un document avec une IA, le modèle “infère” une réponse.
L’usage quotidien dépasse rapidement l’empreinte initiale de l’entraînement.
Selon une étude publiée en 2024 par l’Association for Computing Machinery (ACM), il faudrait 200 à 600M de requêtes pour que l'énergie dépensée par l’usage soit supérieure à celle utilisée pour l'entraînement, pour des modèles allant de 560M à 7 milliards de paramètres.
Avec plusieurs millions d’utilisateurs par jour, ce seuil peut être franchi en quelques semaines seulement. À titre d’exemple, lors de la conférence OpenAI DevDay en octobre 2025, Sam Altman (fondateur de l’entreprise), revendiquait environ 800M d'utilisateurs quotidiens.
Plus largement, une analyse du modèle BLOOM (176 milliards de paramètres) montre que, sur l’ensemble de son cycle de vie, la phase d’inférence peut représenter entre 70 et 80 % des émissions totales lorsque le modèle est massivement utilisé.
À l’intérieur même de cette phase d’usage :
- environ 50 % correspond à l’infrastructure nécessaire au fonctionnement des data centers (refroidissement, réseau, serveurs en veille, stockage).
Ces ordres de grandeur rappellent un point essentiel : l’enjeu ne se situe pas seulement dans la conception des modèles, mais aussi dans les arbitrages d’usage au quotidien.
C’est justement ce que rappelait Mujahed Darwaza, Consultant climat et expert numérique chez Carbone 4 lors de notre webinaire IA : mode d’emploi pour les responsables RSE avec Marine Fouquet, CTO et Responsable Climat de WeCount et Guilhem Isaac Georges, VP Sustainability de Contentsquare,
"L'IA est un outil. C'est nous qui décidons ce dont on a envie d'en faire. Il y a des questions critiques à se poser comme “est-ce que le temps que je gagne est significatif ?”; “suis-je conscient des biais et des erreurs potentielles du modèle que j’utilise ?”, “L’impact de l’usage de l’IA est-il inférieur au problème que je cherche à résoudre ?”.”

Le matériel et son cycle de vie
La fabrication des serveurs, GPU, et autres équipements nécessaires à l'IA génère également des émissions. À cela s'ajoute leur fin de vie (recyclage, destruction).

📝A noter : Notons ici que l’impact de l’IA va bien au-delà du carbone. En effet, pour fonctionner, l’IA nécessite également l’usage de ressources abiotiques (minerais) et de l'eau. Il faut par exemple environ 200 kg de minerais pour fabriquer un simple ordinateur. L’entraînement de GPT-3 (la version en usage jusqu’à mars 2023 du robot conversationnel d’OpenAI) aurait consommé 700 000 litres d’eau dans les centres de données de Microsoft basés aux États-Unis.
Lien entre IA et l'empreinte carbone numérique
L'IA s'inscrit dans un enjeu plus large : l'empreinte carbone du numérique.
En 2024, selon les données partagées par L’ADEME et l’Autorité de Régulation des Communications (ARCEP), le numérique représente déjà environ 4,4% des émissions de GES de la France.
L'IA vient amplifier cet impact :
- Elle nécessite plus de puissance de calcul que les usages numériques traditionnels ;
- Elle accélère la construction de nouveaux data centers ultra-énergivores (certains peuvent consommer l'équivalent de 2 millions de foyers, selon l'International Energy Agency) ;
Elle pousse à renouveler plus fréquemment le matériel pour suivre les exigences de performance.
Ordres de grandeur : combien émet vraiment l'IA ?
La consommation énergétique de l’IA et sa répartition
Selon une analyse de Carbone 4, plus de 85% des émissions carbone d'une IA générative proviennent de la consommation électrique des data centers, répartie entre :
- L'entraînement des modèles : impact ponctuel mais très élevé ;
- L'utilisation (inférence) : comme nous l’avons vu précédemment, cela correspond ici à l’impact continu qui s’accentue avec le nombre d'utilisateurs.
☝️ Exemple : L'entraînement initial de GPT-3 aurait généré environ 500 tonnes de CO₂e. Mais une fois le modèle déployé et utilisé par des millions de personnes quotidiennement, l'usage cumulé dépasse très largement l'impact de l'entraînement.
📝A noter : Plus un modèle est adopté, plus son impact bascule vers l'usage quotidien. C'est là que réside l'effet rebond. Chaque nouvelle fonctionnalité IA adoptée par une entreprise multiplie l'impact.
Empreinte carbone de l’IA : comparaison des principaux usages
Pour mieux comprendre l'impact de l'IA, voici quelques ordres de grandeur :
- Requête texte (ChatGPT, Claude, etc.) : environ 2 à 15gCO2e ;
- Génération d'image (Midjourney, DALL-E, etc.) : environ 100 à 500gCO2e, soit 60 fois plus qu'une requête texte ;
- Génération de vidéo (Sora, RunwayML, etc.) : Une vidéo courte serait 30x plus énergivore qu'une image, elle même 50 à 100x plus énergivore que de la génération de texte.
Pour découvrir d’autres données, n’hésitez pas à faire un tour sur le site impactco2.fr

Variabilité selon modèles, localisation, infrastructure
L'empreinte carbone d'une requête IA varie énormément selon :
- Le modèle utilisé : On distingue les modèles "légers" (comme GPT-3.5) et les modèles “lourds” (comme GPT-4 ou Claude Opus). Le modèle léger compte quelques millions à quelques centaines de millions de paramètres, avec une architecture simplifiée. La taille du fichier est souvent réduite (quelques Mo à quelques centaines de Mo).
À l’inverse, un modèle lourd comprend plusieurs milliards à plusieurs centaines de milliards de paramètres, avec une architecture complexe et profonde. La taille du fichier est généralement conséquente (plusieurs Go à plusieurs centaines de Go).
- La localisation des data centers : Un data center alimenté par une électricité bas-carbone (nucléaire, renouvelable) émet beaucoup moins qu'un data center alimenté au charbon ou au gaz.
- L'architecture technique : Les modèles hébergés sur des infrastructures optimisées (processeur (CPU) vs carte graphique (GPU), refroidissement efficace, virtualisation) consomment moins que des architectures anciennes ou mal dimensionnées.
✨Notre conseil : Si vous choisissez un fournisseur d'IA, interrogez-le sur la localisation de ses data centers et le mix énergétique utilisé.
Le problème de la transparence : peu de données fiables sur l'impact de l'IA
L'industrie de l'IA reste en 2025 encore très opaque, rendant difficile toute évaluation précise de son impact environnemental.
À part Mistral IA, qui a réalisé la 1ère ACV d’un modèle IA (nous y reviendrons plus bas), aucun autre acteur du marché n’a encore enclenché le pas. Cela pose la question d’une éventuelle réglementation qui viserait à obliger ces dernières à réaliser une ACV. Voici cependant une donnée que l’on voit souvent.
"Une requête ChatGPT = 10 recherches Google".
Voilà un chiffre qui circule partout depuis 2023 et apparaît dans la grande majorité des articles sur l'empreinte carbone de l'IA. Le problème est que, comme le souligne le média Bonpote, il repose sur des bases fragiles.
Une publication scientifique récente a retracé l'origine de cette statistique : elle provient d'une remarque faite à la volée par John Hennessy (président d'Alphabet) lors d'une interview Reuters en 2023, où il estimait qu'une interaction avec une IA "coûtait probablement 10 fois plus" qu'une recherche Google classique.
Trois faiblesses majeures :
- John Hennessy n'a aucun lien avec OpenAI ou Microsoft (qui fournit l'infrastructure de ChatGPT) : son commentaire repose sur des informations de seconde main.
- Le chiffre de référence de Google date de 2009 (0,3 Wh par recherche)
- Aucune donnée vérifiable : les géants de l'IA (OpenAI, Microsoft, Google) ne communiquent quasiment aucune donnée fiable sur la consommation réelle de leurs modèles.
Pourquoi l'empreinte carbone de l'IA devient un enjeu stratégique pour les entreprises ?
Explosion des usages IA dans les organisations
Maintenant, parlons des répercussions concrètes pour les entreprises.
Selon notre dernière étude WeCount menée auprès de plus de 500 professionnels RSE, 63% des entreprises ont déjà déployé des outils d'IA, et seulement 8% affirment ne pas vouloir s'y engager.
Cette adoption massive s'accompagne d'une multiplication des usages :
- Assistants virtuels (rédaction, traduction, synthèse) ;
- Génération d'images et de vidéos (marketing, communication) ;
- Analyse de données (reporting, aide à la décision) ;
- Automatisation de processus (RH, finance, logistique).
Si l’usage de l’IA devient la norme, le cadrage du sujet laisse quant à lui souvent à désirer.
Selon l’étude “IA & RSE : où en sont les organisations en 2026”, 75 % des responsables RSE ne sont pas ou peu impliqués dans les choix liés au déploiement de ces outils. Pire, 64% souhaitent mesurer l'impact carbone de l'IA… Mais ne savent pas comment procéder. Cette difficulté s'explique par le manque de standards méthodologiques et l'opacité des fournisseurs de modèles sur leurs données d'entraînement et d'infrastructure.
Et cela crée un risque majeur : le déploiement d'outils énergivores sans garde-fous environnementaux ou éthiques. Cette mise à l'écart empêche d'intégrer les critères de sobriété dès la conception, reléguant la RSE à un rôle de "pompier" qui doit gérer les impacts a posteriori.
✨Notre conseil : Lors de notre webinaire “IA : mode d’emploi pour les responsables RSE”, nous vous parlions d’ailleurs du cas inspirant de l’entreprise Content Square. Cette dernière a ainsi choisi d’intégrer un disclaimer dans chacune de leur présentation autour de l’IA. Une bonne pratique simple et efficace pour sensibiliser les équipes aux enjeux de l’IA.

Risque réputationnel : greenwashing vs greenhushing
L'IA crée un dilemme de communication pour les entreprises engagées :
- Scénario 1 (le greenwashing involontaire) : Une entreprise communique sur ses engagements climat, mais déploie massivement l'IA sans mesurer son impact. Elle peut alors se faire attaquer sur l'incohérence entre son discours RSE et ses pratiques numériques.
- Scénario 2 (le greenhushing par peur) : Une entreprise utilise l'IA de manière sobre (par exemple, pour automatiser de la traduction ou du sous-titrage, avec un impact carbone très faible), mais choisit de ne pas en parler par peur d'être critiquée. Dans ce cas, elle se prive d'un levier de transparence et de pédagogie.
✨Notre conseil : Mesurer, documenter, communiquer. Expliquez pourquoi vous utilisez l'IA, pour quels usages, avec quel impact, et quelles mesures de sobriété vous avez mises en place.
Pression réglementaire : CSRD, reporting ESG, numérique responsable
La CSRD (Corporate Sustainability Reporting Directive) impose aux entreprises de mesurer et déclarer l'impact carbone de leur numérique, dont l'IA.
Concrètement, cela signifie :
- Intégrer l'IA dans votre bilan carbone ;
- Documenter vos usages et leur impact ;
- Expliquer votre stratégie de réduction.
Les entreprises qui ne mesurent pas l'empreinte carbone de leur IA s'exposent à :
- Des audits défavorables ;
- Une perte de crédibilité auprès des investisseurs ESG ;
- Un désavantage concurrentiel face aux entreprises transparentes.
Coûts énergétiques et performance opérationnelle
Au-delà de l'impact climatique, l'IA a un coût énergétique qui pèse directement sur la rentabilité :
- Factures en hausse : Plus vous utilisez l'IA, plus vos coûts d'infrastructure augmentent. Par ailleurs, les grandes plateformes d'IA (OpenAI, Google, Microsoft) facturent à l'usage. Une utilisation non maîtrisée peut faire exploser les budgets ;
- Effet rebond : Le gain de productivité promis par l'IA peut être annulé par une surconsommation d'usages non essentiels.
✨Notre conseil : Avant de déployer une IA, challengez le besoin réel. Est-ce vraiment nécessaire ? Une automatisation classique ne suffirait-elle pas ? Ensuite, posez des questions à votre DSI ou aux personnes qui travaillent sur les sujets de déploiement. Ils vous aideront à choisir un modèle et une architecture optimisée.
Comment réduire l’empreinte carbone de l’IA ?
Sobriété numérique et IA : 8 bonnes pratiques à retenir
Pour réduire l'empreinte carbone liée à l’usage de l’IA au sein de votre entreprise, notre équipe a compilé 8 pistes alliant sobriété à la source et sobriété d’usage, mesure et gouvernance technique, réallocation du temps humain :
- Questionner l'utilité réelle : Avant tout déploiement, demandez-vous si l'IA est strictement nécessaire ou si le besoin peut être résolu par une automatisation classique ou une interaction humaine.
- Être radical sur les usages non essentiels : Découragez fortement la génération d'images et de vidéos pour les équipes dont ce n'est pas le cœur de métier, car leur coût énergétique est 100 à 10 000 fois supérieur à celui d'une requête de texte. Mettez leur par exemple une banque d'images et de vidéos à disposition.
- Mettre en place des garde-fous : Intégrez des "disclaimers" dans les outils pour sensibiliser les collaborateurs au coût carbone de chaque requête au moment où ils l'utilisent.
C’est par exemple ce que fait Contentsquare (comme nous l’évoquions plus haut) avec son AI Disclaimer intégré à chaque présentation interne pour donner des ordres de grandeur concrets sur les impacts de l’IA, par exemple en comparant la consommation électrique de certains data centers à celle de millions de foyers. Cette action a suscité une prise de conscience collective et des collaborateurs ont ainsi pris l’initiative de développer un agent interne Dust “Small AI Tasks”, basé sur Gemini Flash Lite, conçu pour répondre aux petites requêtes du quotidien avec une consommation énergétique minimale. Il fait aujourd’hui partie des outils les plus utilisés en interne.
- Utiliser des calculateurs tiers : Recourez à des outils comme EcoLogits ou Vittascience pour estimer l'impact carbone et privilégier les modèles dits "frugaux". Vous pouvez également utiliser le site comparia.beta.gouv qui permet de découvrir en direct l’impact environnemental de vos discussions selon le modèle d’IA utilisé.

- Évaluer le ROI environnemental : Ne mesurez pas seulement le gain de temps, comparez-le systématiquement à l'impact carbone généré, en restant vigilant à l’effet rebond.
- Optimiser l'architecture : Dialoguez avec les équipes techniques pour choisir des modèles paramétrables et des centres de données situés dans des pays avec un mix électrique bas-carbone (comme la France par exemple).
- Préserver l'autonomie intellectuelle : Assurez-vous que l'entreprise ne devienne pas dépendante d'une "boîte noire". Il est impératif de garder la main sur la méthodologie et de pouvoir effectuer les tâches sans IA si nécessaire pour éviter toute perte de compétence.
- Automatiser pour libérer : Utilisez l'IA pour les tâches chronophages à faible valeur ajoutée (collecte de données, pré-rédaction de rapports, notes de réunions, etc) afin de réinvestir le temps gagné dans la conduite du changement et la stratégie, là où l'intelligence humaine est irremplaçable.
.png)
L’objectif à terme, c’est d’inverser cette pyramide et d’avoir ainsi plus de temps pour le déploiement de votre plan d’actions.
Côté collecte et reporting, vous garderez une expertise et vos travaux seront également plus fiables et solides pour construire votre plan de transition. Il s’agit donc de vous permettre d’avoir plus de temps sur le terrain avec les équipes, et moins dans les bureaux en train de faire du reporting.
C’est d’ailleurs également vrai pour vos parties prenantes : vous pourrez moins les solliciter pour de la collecte de données ou du reporting mais la mise en oeuvre d’actions concrètes et de collaboration
4 étapes pour cadrer un projet IA de manière responsable
Voici la méthode en 4 étapes recommandée par WeCount pour auditer tout nouveau projet IA avant son déploiement :
Étape 1 : Challenger le besoin (Sobriété à la source)
Avant de parler technologie, questionnez l'utilité réelle du projet.
Questions clés à poser :
- A-t-on vraiment besoin d'IA générative pour répondre à ce besoin ?
- Une automatisation classique ne suffirait-elle pas ?
- Le gain attendu justifie-t-il l'impact carbone ?
L'IA ne doit être déployée que si elle est strictement nécessaire. Beaucoup de besoins peuvent être résolus par des solutions plus sobres (automatisation simple, FAQ documentée, processus optimisé).
Étape 2 : Viser la juste mesure (Sobriété d'usage)
Si l'IA est justifiée, construisez des architectures hybrides où l'IA n'est sollicitée que pour les tâches complexes, et non par défaut pour l'intégralité du processus.
Exemples d'architectures hybrides :
- Utiliser une recherche classique pour les requêtes simples, et l'IA uniquement pour les cas complexes ;
- Limiter l'IA générative aux étapes où elle apporte une vraie valeur ajoutée ;
- Combiner automatisation classique + IA ponctuelle.
Étape 3 : Évaluer le ROI environnemental
Ne regardez pas uniquement le gain de temps ou de productivité. Comparez-le à l'impact carbone, sans oublier les risques d'effets rebonds.
Comment évaluer le ROI environnemental ?
- Utilisez des calculateurs tiers comme EcoLogits ou Vittascience pour estimer l'impact ;
- Comparez le coût carbone à l'alternative (faire la tâche manuellement, utiliser un outil classique) ;
- Évaluez le risque d'effet rebond : le temps gagné sera-t-il réinvesti utilement ou générera-t-il de nouveaux usages énergivores ?
Sortez du flou. Mesurez avant de déployer, même avec des ordres de grandeur.
Étape 4 : Optimiser l'architecture (Dialogue avec la DSI)
Si le projet est validé, il doit être éco-conçu. Interrogez vos équipes techniques sur les choix d'architecture et de modèles.
Questions à poser à votre DSI ou aux personnes en charge du déploiement :
- À quel point a-t-on la main sur les modèles ?
- Où les capacités sont-elles allouées (pays et mix électrique) ?
- Les modèles sont-ils paramétrables ?
- De quelle performance avons-nous réellement besoin ?
- Quelle est l'évaluation du coût de l'entraînement ?
- Peut-on utiliser des modèles plus légers (quantization, pruning) ?
Challenger les choix techniques pour s'assurer que l'architecture est la plus sobre possible tout en répondant au besoin.
Cette méthode en 4 étapes permet aux responsables RSE de reprendre la main sur les projets IA et de s'assurer qu'ils sont alignés avec la stratégie climat de l'entreprise. Ne subissez plus l'IA, pilotez-la !
Où intégrer l’IA dans un bilan carbone ?
La majorité des entreprises utilisent des solutions IA via des services cloud (OpenAI, Microsoft, Google, etc.). Dans ce cas, c’est le scope 3 qui entre en jeu puisque les émissions associées relèvent des “achats de services” ou des “services numériques externalisés”.
Si l’entreprise exploite ses propres infrastructures, cela rentre alors plutôt dans le scope 2, dans la partie “consommation électrique des serveurs internes” ou dans des cas plus rares au scope 1 en lien avec les “émissions directes liées à l’énergie si des installations spécifiques sont opérées”.
Le véritable enjeu n’est pas le classement technique dans un scope, mais la capacité à :
- Identifier ces émissions ;
- Documenter les hypothèses de calcul ;
- Les intégrer dans une trajectoire de réduction des émissions.
Qu’entend-on par IA responsable et quels enjeux ?
Nous l’avons vu, l'IA n'est pas écologique pour une raison simple : chaque requête, chaque entraînement de modèle, chaque génération d'image mobilise des infrastructures énergivores qui consomment électricité, eau et métaux rares à grande échelle.
Heureusement, il est possible de tendre vers un modèle plus sobre. Explications.
Zoom sur la notion d'IA responsable
L'IA responsable ne se limite pas à l'éthique ou à la transparence algorithmique. Elle intègre aussi la sobriété environnementale.
Une IA responsable, c'est :
- Une IA utile : elle répond à un besoin réel, pas à un effet de mode ;
- Une IA sobre : elle utilise le modèle le plus léger possible pour le besoin ;
- Une IA transparente : l'entreprise mesure et communique son impact ;
- Une IA durable : elle s'inscrit dans une stratégie climat à long terme.
Rôle des éditeurs, hyperscalers et entreprises
La responsabilité est partagée.
Les éditeurs d'IA (OpenAI, Google, Anthropic, etc.) doivent :
- Optimiser leurs infrastructures ;
- Proposer des modèles sobres en option ;
- Publier l'empreinte carbone de leurs modèles (Mistral AI l’a fait comme vous pouvez le voir sur le visuel ainsi que l’étude réalisée avec Carbone 4).

Les hyperscalers (Microsoft, AWS, Google Cloud), donc les datacenters à grande échelle spécialisés dans la fourniture de grandes quantités de puissance de calcul et de capacité de stockage aux organisations et aux individus du monde entier, doivent :
- Utiliser des énergies renouvelables ;
- Optimiser le refroidissement et la consommation ;
- Offrir de la transparence sur le mix énergétique.
Nous l’avons évoqué dans une partie précédente, pour tendre vers une IA plus durable, les entreprises utilisatrices doivent :
- Adopter une stratégie de "Sobriété à la source" ;
- Intégrer une gouvernance RSE dès la conception :
- Pratiquer la "Sobriété d'usage" au quotidien ;
- Responsabiliser et Mesurer l'impact ;
- Inverser la pyramide du temps humain.

Vers des standards et référentiels
Plusieurs initiatives émergent pour standardiser la mesure de l'empreinte carbone de l'IA :
- ISO 14001 : Intégration progressive de l'IA dans les normes environnementales
- Calculateurs tiers : EcoLogits, Vittascience, Carbon Tracker, etc.
- AI Act européen : Impose des obligations de transparence sur l'impact environnemental des IA à haut risque
Ce que dit la réglementation au sujet de l’empreinte carbone IA
La Corporate Sustainability Reporting Directive (CSRD) n’impose pas explicitement de publier “l’empreinte carbone de l’IA” en tant que telle. En revanche, elle oblige les entreprises soumises à déclarer l’ensemble de leurs émissions significatives de gaz à effet de serre, dans le cadre des normes ESRS, notamment ESRS E1 (liée changement climatique).
Or, les usages numériques, y compris l’IA, entrent pleinement dans ce périmètre lorsqu’ils représentent un poste d’émission matériel. Concrètement, cela signifie que :
- Les émissions liées aux services cloud et aux outils IA utilisés par l’entreprise doivent être intégrées dans le bilan carbone (généralement en scope 3) ;
- Si l’entreprise développe ou héberge ses propres modèles, les consommations électriques associées relèvent des scopes 1 et 2 ;
- Dans une logique de double matérialité, l’entreprise doit évaluer si ses usages numériques constituent un enjeu matériel du point de vue climat.
L’IA ne fait donc pas l’objet d’une obligation spécifique. L’analyse de son impact doit en revanche être intégrée dans le reporting lié à la CSRD.
Comment WeCount peut vous aider dans la mesure de votre empreinte carbone IA ?
Chez WeCount, nous accompagnons les entreprises dans la mesure et la réduction de leur empreinte carbone, y compris celle liée à l'IA.
Notre approche combine :
- Le programme Promotion Climat : cet accompagnement se déroule sur 4 mois et combine accompagnement individuel par un expert, formation des équipes et ateliers collectifs réunissant plusieurs entreprises. Ce format permet de structurer la démarche en interne en définissant une trajectoire de réduction crédible et ambitieuse, tout en bénéficiant des retours d’expérience et de la dynamique d’un groupe confronté aux mêmes enjeux.
- Une plateforme de reporting carbone intuitive : cette dernière vous permet de faire gagner du temps à vos équipes RSE dans la collecte de données et le reporting, le passage à l’action et le pilotage de votre stratégie climat. La plateforme dispose par exemple de modules de recommandation automatique des facteurs d’émission selon les données importées, de complétion automatique des données CSRD/VSME via vos documents (ex : DPEF) mais aussi et surtout de suggestions d’actions de réduction adaptées à vos enjeux.
👉 Envie d’en savoir plus ? Échangez avec un expert WeCount.
FAQ : Empreinte carbone IA
Quelle est l'empreinte carbone de l'intelligence artificielle ?
L'empreinte carbone de l'IA regroupe les émissions générées tout au long de son cycle de vie : entraînement des modèles, usage quotidien (inférence), consommation des data centers et fabrication du matériel. Selon une étude Carbone 4, plus de 85% des émissions proviennent de la consommation électrique des data centers.
Quelle est l'empreinte carbone de ChatGPT ?
Selon le site de la Délégation Régionale Académique au Numérique Éducatif, une requête d’environ 400 tokens sur ChatGPT / GPT-4o mini (modèle à 35 milliards de paramètres) consomme environ 2 Wh d’électricité (ou 2 g de CO2 rejeté), soit plus de 6 fois la consommation d’une recherche Google classique estimée à 0,3 Wh. Pour ce qui est de l’impact global de l’outil ChatGPT, aucun rapport n’a été publié à ce jour par l’entreprise.
Comment intégrer l'IA dans un bilan carbone entreprise ?
Plusieurs pistes. Il est possible de cartographier et quantifier les usages de l'IA par typologie et par équipe. Ensuite, pour chaque usage, l’enjeu est d’indiquer le type de modèle utilisé et la localisation des serveurs où le modèle tourne. Enfin, il s’agit d’associer à chaque usage identifié un facteur d'émission.
Quels leviers pour réduire l'impact carbone de l'IA ?
Quelques exemples de bonnes pratiques pour réduire l'empreinte carbone de vos projets IA : questionnez l'utilité de l'IA avant tout déploiement, limitez les usages non essentiels (images/vidéos), mesurez le ROI environnemental, utilisez un doc disclaimer en interne, optimisez l'architecture technique (modèles frugaux, data centers bas-carbone).
L'IA est-elle compatible avec une stratégie climat ambitieuse ?
Si l'IA s'impose massivement, la fonction RSE reste encore trop souvent spectatrice : 75 % des responsables ne sont pas impliqués ou peu consultés dans les choix (étude WeCount). Pourtant, sans leur expertise, l'entreprise risque la « boîte noire » environnementale et l'effet rebond. Votre rôle est de transformer cette contrainte technologique en levier de transition.
Consommation d’eau de l’IA, un impact méconnu ?
Selon une étude de Cell Press, l'empreinte hydrique des systèmes d'intelligence artificielle pourrait représenter entre 312,5 et 764,6 milliards de litres d'eau pour l'année 2025. C’est plus que la consommation mondiale annuelle d’eau en bouteille. Un poids considérable qui souligne l’importance de la prise en compte de l’ensemble des impacts de l’IA sur la planète.
Quelle est l’empreinte carbone d’une image générée par IA ?
Selon une récente étude, elle serait d’environ 100 à 500gCO2e, soit 60 fois plus qu'une requête texte.
Ressources bonus 📚
- Rapport Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ? du Shit Project
- La page Quel est l’impact environnemental d’une IA générative ? de la Délégation Régionale Académique au numérique éducatif
- L’article Intelligence artificielle : le vrai coût environnemental de la course à l’IA du média engagé Bonpote

















.png)



.png)







.png)







.avif)









.avif)
%20-%20Site%20web%20(3).avif)

.avif)






.avif)



%20-%20Site%20web%20(1).avif)

%20-%20Site%20web%20(2).avif)



.avif)


.avif)
.avif)
.avif)
.avif)
.avif)


.avif)