Statistiques sur la consommation d'énergie de l'IA

Une prévision récente prévoit que l'IA utilisera plus de la moitié de l'électricité des centres de données d'ici 2028.¹ À mesure que les charges de travail intensives en calcul, telles que l'IA générative, s'étendent, la demande totale d'électricité devrait également augmenter.

Nous avons analysé les données de l'IEA, du MIT et des principaux fournisseurs de cloud pour identifier les tendances d'efficacité de la consommation d'énergie de l'IA, ainsi que les réponses politiques et les meilleures pratiques.

Consommation d'énergie des centres de données d'IA

Nous avons rassemblé des données provenant de multiples organisations de recherche et analyses industrielles axées sur l'utilisation de l'énergie dans l'IA et les centres de données pour le graphique ci-dessus. Ces sources comprennent des agences énergétiques mondiales, des études académiques et des initiatives de fournisseurs technologiques. Découvrez comment nous avons rassemblé les données.

Recommandations pour gérer la consommation d'énergie de l'IA

Selon des recherches récentes, la consommation d'énergie de l'IA est désormais dominée par l'inference et est moins dictée par les exécutions de model individuels que par l'échelle, les modèles de déploiement et les inefficacités du système. Voici nos recommandations pour gérer efficacement la consommation d'énergie de l'IA :

Prioriser l'efficacité de l'inference sur l'efficacité de l'entraînement

Des recherches montrent que plus de 80 % du calcul de l'IA est désormais utilisé pour l'inference.

• Traiter l'énergie par inference (ou par token / par sortie) comme un objectif d'optimisation primaire.
• Optimiser les chemins d'inference avant d'investir dans des gains marginaux d'efficacité d'entraînement.
• Concentrer les efforts d'optimisation sur les endpoints à haute fréquence, et non sur les cas d'utilisation rares ou de longue traîne.

Mesurer et publier des métriques énergétiques par tâche, et pas seulement des affirmations au niveau du model

Sur la base des recherches du MIT, la consommation d'énergie (électricité) par tâche varie selon les tâches de texte, d'image et de vidéo.

• Instrumenter les pipelines pour mesurer l'énergie par tâche, y compris les frais généraux non-GPU (mémoire, réseau, orchestration).

Éviter d'utiliser des models génératifs à usage général pour des tâches restreintes

Une utilisation d'énergie plus élevée est étroitement liée aux models génératifs, qui sont utilisés pour des tâches comme la classification plutôt que des models spécialisés. MIT Technology Review montre que les models spécifiques à une tâche sont moins intensifs en carbone et en énergie.

• Utiliser des models spécialisés par tâche ou distillés pour la classification, le classement, l'extraction et le routage.
• Réserver les grands models génératifs pour les tâches nécessitant une génération ouverte.
• Introduire des cascades de models (du petit model au grand model, si nécessaire).

Réduire le gaspillage au niveau du système dans le service d'inference

Des études sur l'infrastructure montrent que les serveurs représentent environ 60 % de la consommation d'électricité des centres de données.

• Augmenter l'utilisation des accélérateurs via :
  • Le batching
  • Le caching
  • Une planification plus intelligente
• Éliminer les appels redondants à travers les pipelines et les microservices.
• Implémenter un autoscaling sensible à la demande plutôt qu'un provisionnement de pointe.

Traiter l'efficacité matérielle et l'efficacité de l'utilisation de l'énergie (PUE) comme des préoccupations logicielles

• Concevoir des models qui s'intègrent efficacement dans les contraintes de mémoire et de bande passante.
• Maximiser l'utilisation du matériel existant avant d'augmenter la capacité.
• Aligner les choix d'architecture de model avec les accélérateurs disponibles les plus économes en énergie.

Prendre en compte l'utilisation de l'eau et le cycle de vie du matériel dans la conception du système

Des recherches de l'UNRIC montrent que la demande mondiale d'eau liée à l'IA devrait augmenter de manière exponentielle.

• Privilégier les déploiements qui réduisent l'intensité du refroidissement et l'utilisation de l'eau.
• Prolonger la durée de vie du matériel grâce à l'efficacité et à la réutilisation des models.
• Éviter le réentraînement ou le redéploiement inutile qui accélère le renouvellement du matériel.

Prévision des effets économiques de l'IA

Les participants à l'étude Forecasting the Economic Effects of AI (2026) ont fourni des estimations de variables économiques clés (PIB, consommation d'énergie, productivité, participation de la population active) selon des attentes normales et trois scénarios explicites de progrès de l'IA (lent, modéré, rapide) :

• D'ici 2030, les participants estiment que l'utilisation d'électricité aux États-Unis pourrait représenter 2,3 % dans un cas de croissance lente, 4,9 % sous une croissance modérée, et 7,4 % dans un scénario d'expansion rapide, contre environ 1 % en 2024.
• D'ici 2050, ces parts devraient augmenter pour atteindre 5 % (lent), 8,3 % (modéré) et 15 % (rapide).
• Les spécialistes de l'IA et les super-prévisionnistes anticipent une demande encore plus élevée sous une croissance rapide en 2050, chacun estimant environ 19,5 %.²

MIT Technology Review

MIT Technology Review (2025) divise la consommation d'énergie de l'IA en deux phases principales : l' entraînement du model et l'inference de l'IA. Il soutient que l'inference est désormais le principal moteur de l'utilisation de l'énergie car les fonctionnalités d'IA sont intégrées dans la vie quotidienne à travers les produits et services.

Il souligne également un manque de transparence. La plupart des grands fournisseurs de models d'IA « fermés » ne divulguent pas suffisamment d'informations pour estimer leur consommation d'énergie totale ou leur empreinte carbone de manière fiable.³

Électricité et demande totale :

• Centres de données US : 4,4 % de l'électricité totale des États-Unis vont aux centres de données.
• IA au sein des centres de données US : Les serveurs spécifiques à l'IA ont utilisé environ 53-76 térawattheures (TWh) en 2024, et les projections suggèrent 165-326 TWh d'ici 2028.

Entraînement vs inference :

• Part de l'inference : On estime que 80 %-90 % du calcul de l'IA est utilisé pour l'inference.
• Exemple d'énergie d'entraînement : L'entraînement de GPT-4 est décrit comme étant d'environ 50 GWh.

Énergie par tâche (consommation d'électricité) :

• Texte (Llama 3.1 8B) : ~114 joules par réponse en tenant compte des frais généraux non-GPU.
• Texte (Llama 3.1 405B) : ~6 706 joules par réponse avec frais généraux.
• Images (Stable Diffusion 3 Medium, 1024×1024) : ~2 282 joules au total ; des étapes plus élevées peuvent porter ce chiffre à ~4 402 joules.
• Vidéo (exemples CogVideoX) : ~109 000 joules pour une sortie courte de basse qualité ; ~3,4 millions de joules pour une vidéo de 5 secondes de qualité supérieure.

Infrastructure et émissions du réseau :

• L'intensité carbone de l'électricité des centres de données est 48 % plus élevée que la moyenne américaine.
• Les systèmes de refroidissement dans les centres de données peuvent utiliser de grandes quantités d'eau, parfois de l'eau potable.

Agence Internationale de l'Énergie

L'IEA (2025) cadre les demandes énergétiques de l'IA à travers le prisme des centres de données et de leurs composants. Elle fournit une ventilation de l'endroit où l'électricité est consommée au sein d'un centre de données et offre une perspective mondiale sur la croissance de la consommation d'électricité des centres de données.⁴

Consommation mondiale d'électricité des centres de données :

• Estimée à ~415 TWh en 2024, soit environ 1,5 % de la consommation mondiale d'électricité.
• Prévue pour atteindre ~945 TWh d'ici 2030, soit juste moins de 3 % de la consommation mondiale d'électricité dans le scénario de base de l'IEA.

Consommation d'électricité des centres de données par type d'équipement :

• Serveurs : environ 60 % de la demande d'électricité dans les centres de données modernes (varie selon le type).
• Systèmes de stockage : environ 5 %.
• Équipement réseau : jusqu'à 5 %.
• Systèmes de refroidissement et contrôle environnemental : environ 7 % dans les centres de données hyperscale efficaces, et plus de 30 % dans les centres de données d'entreprise moins efficaces.

Figure 1 : Graphique montrant les données 2024 de la part de la consommation d'électricité basée sur le centre de données et le type d'équipement.

Google Cloud

Google a publié une méthodologie en 2025 pour mesurer l'impact environnemental de l'inference de l'IA pour les prompts Gemini, incluant l'électricité, les émissions de carbone et la consommation d'eau. Elle présente des médianes par prompt et revendique des améliorations d'efficacité significatives sur une période récente de 12 mois.⁵

Impacts médians par prompt (prompt texte Apps Gemini) :

• 0,24 Wh d'énergie
• 0,03 gCO₂e d'émissions
• 0,26 millilitres d'eau

Revendications d'amélioration de l'efficacité

• Au cours des 12 derniers mois, Google a affirmé que l'énergie par prompt médian a chuté de 33×, et l'empreinte carbone totale a chuté de 44×.

Efficacité et infrastructure des centres de données

• L'efficacité de l'utilisation de l'énergie (PUE) moyenne pour l'ensemble de la flotte est de 1,09 pour les centres de données Google.
• Le TPU de dernière génération de Google, Ironwood, est revendiqué comme étant 30× plus efficace énergétiquement que son premier TPU disponible publiquement.

Organisation Carbon Brief

Carbon Brief (2025) synthétise l'Agence Internationale de l'Énergie (IEA)⁶ et d'autres sources dans un ensemble de graphiques montrant les impacts de base, les projections de croissance et les risques de concentration régionale. Il souligne que le secteur est petit mondialement aujourd'hui mais croît rapidement et est localement significatif dans certains réseaux.⁷

Parts mondiales actuelles

• Les centres de données sont responsables de juste plus de 1 % de la demande mondiale d'électricité et de 0,5 % des émissions de CO₂ (voir Figure 2).

Croissance

• Scénario central de l'IEA : La consommation d'électricité des centres de données s'élève à 945 TWh d'ici 2030.
• Part de l'IA dans l'utilisation de l'énergie des centres de données : Environ 5 % à 15 % récemment, potentiellement 35 % à 50 % d'ici 2030.

Exemples de concentration régionale :

• Irlande : Environ 21 % de l'électricité nationale est utilisée pour les centres de données, potentiellement 32 % d'ici 2026.
• Virginie (US) : 26 % de l'électricité consommée par les centres de données (tel que cité).

Mix d'approvisionnement énergétique pour les centres de données (mondial)

• Combustibles fossiles : Près de 60 %
• Énergies renouvelables : 27 %
• Nucléaire : 15 %

Figure 2 : Basée sur la Global Energy Review 2025 de l'IEA et son rapport Energy and AI, cette figure compare la consommation d'électricité (TWh) et les émissions de CO₂ (MtCO₂) des centres de données mondiaux en 2024 avec celles d'autres secteurs.

Centre d'information régional des Nations Unies pour l'Europe occidentale (UNRIC)

L'UNRIC (2025) cadre l'empreinte environnementale de l'IA sur l'ensemble du cycle de vie : logiciel (entraînement, déploiement, inference, maintenance) et matériel (matériaux, fabrication, construction, déchets électroniques). Il souligne que la consommation d'électricité et l'utilisation de l'eau dans les centres de données sont des impacts directs et préconise des mesures politiques pour améliorer la divulgation et la responsabilité.⁸

Statistiques et ventilation par catégorie (électricité, eau, catégories de cycle de vie) : Cet article est plus catégoriel que numérique dans les sections extraites. Il regroupe explicitement les impacts de l'IA en effets directs, indirects et d'ordre supérieur. Voici quelques-unes des conclusions clés :

• Catégories d'impact environnemental
  • Directs : Consommation d'électricité et d'eau, émissions de gaz à effet de serre, extraction minérale, pollution et déchets électroniques.
  • Indirects : Émissions provenant des applications et services optimisés par l'IA.
  • D'ordre supérieur : Amplification des inégalités et problèmes liés à des données d'entraînement biaisées ou de mauvaise qualité.
• Centres de données et utilisation des ressources
  • Les centres de données consomment de grandes quantités d'électricité, dont une grande partie est encore fournie par des combustibles fossiles.
  • Des quantités significatives d'eau sont nécessaires pour les systèmes de refroidissement et la construction.
  • La demande mondiale d'eau liée à l'IA devrait atteindre 4,2–6,6 milliards de mètres cubes d'ici 2027, dépassant l'utilisation annuelle d'eau du Danemark.
  • La production d'un ordinateur de 2 kilogrammes peut nécessiter environ 800 kilogrammes de matières premières, y compris des minéraux rares.
• Utilisation de l'électricité et croissance
  • Une requête ChatGPT utilise environ 10× plus d'électricité qu'une recherche Google, selon l'estimation de l'IEA.
  • L'IA et l'apprentissage automatique représentaient <0,2 % de l'utilisation mondiale d'électricité et <0,1 % des émissions mondiales en 2021, mais la demande augmente rapidement.
  • Certaines entreprises technologiques signalent une croissance annuelle de plus de 100 % de la demande de calcul pour l'entraînement et l'inference de l'IA.
• Expansion des centres de données
  • Les centres de données représentaient environ 1 % de la demande mondiale d'électricité en 2022.
  • En Irlande, les centres de données représentaient 17 % de l'utilisation nationale d'électricité en 2022.
  • Le nombre de centres de données dans le monde est passé de 500 000 en 2012 à environ 8 millions aujourd'hui.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

MIT News sur l'impact environnemental de l'IA générative

MIT News (2025) explique pourquoi l' IA générative peut être gourmande en ressources et distingue l'entraînement de l'inference. Il insiste sur la densité de puissance, les problèmes de fiabilité du réseau et le manque d'incitations pour les utilisateurs à réduire leur consommation lorsque les impacts sont invisibles.⁹

Densité de puissance

• Un cluster d'entraînement d'IA générative pourrait consommer 7 à 8× plus d'énergie qu'une charge de travail informatique typique.

Consommation d'électricité des centres de données

• La consommation mondiale d'électricité des centres de données est citée à 460 TWh en 2022 et projetée à ~1 050 TWh d'ici 2026.

Exemple d'entraînement de model

• L'entraînement de GPT-3 est estimé à 1 287 MWh et environ 552 tonnes de CO₂.

Rapport sur l'utilisation de l'énergie des centres de données aux États-Unis

Le rapport United States Data Center Energy Usage Report (2024) estime la consommation historique d'électricité des centres de données américains et fournit des plages de scénarios jusqu'en 2028. Il lie explicitement l'inflexion de croissance post-2017 aux serveurs accélérés, y compris les unités de traitement graphique utilisées pour exécuter des models d'IA.¹⁰

Consommation totale d'électricité des centres de données US :

• ~60 TWh (2014–2016), relativement stable.
• 76 TWh d'ici 2018, environ 1,9 % de la consommation d'électricité des États-Unis.
• 176 TWh d'ici 2023, environ 4,4 % de la consommation d'électricité des États-Unis.

Plage de scénarios pour 2028 :

• 325 à 580 TWh d'ici 2028.
• Équivalent à 6,7 % à 12,0 % de la consommation d'électricité prévue aux États-Unis en 2028.

Moteurs et catégories :

• La croissance est portée par les serveurs accélérés par GPU pour l'intelligence artificielle, qui représentent désormais une part importante de la base installée.
• Il décrit des stratégies d'efficacité qui avaient précédemment maintenu la demande stable, notamment l'amélioration des systèmes de refroidissement, la gestion de l'énergie, des taux d'utilisation plus élevés et la réduction de la puissance au repos.

MIT Technology Review

MIT Technology Review (2023) rend compte de l'une des premières tentatives de quantification de l'utilisation d'énergie et des émissions de carbone de l'IA lors d'une utilisation quotidienne (inference), plutôt que de se concentrer uniquement sur l'entraînement. L'article est basé sur une étude préliminaire de chercheurs de Hugging Face et de l'Université Carnegie Mellon.

L'étude montre que si l'entraînement de grands models d'IA est très énergivore, la majeure partie de l'empreinte carbone sur la durée de vie d'un model d'IA provient de son utilisation. Parce que les models populaires sont déployés des millions ou des milliards de fois, les émissions d'inference quotidiennes peuvent rapidement dépasser les émissions d'entraînement.¹¹

Énergie par tâche et intensité carbone :

Les chercheurs ont mesuré l'utilisation d'énergie pour 10 tâches d'IA courantes sur la plateforme Hugging Face, testant 88 models différents et exécutant 1 000 prompts par tâche à l'aide de l'outil de mesure Code Carbon. Les comparaisons clés sont :

• Génération d'images : Générer une seule image avec un model puissant consomme environ la même énergie que la charge complète d'un smartphone.
  • Générer 1 000 images avec un model comme Stable Diffusion XL produit des émissions de CO₂ comparables à la conduite d'environ 4,1 miles dans une voiture à essence.
  • La génération d'images est de loin la tâche d'IA la plus intensive en énergie et en carbone mesurée.
• Génération de texte : La génération de texte est nettement moins énergivore.
  • Produire 1 000 sorties de texte n'utilise qu'environ 16 % de la charge d'un smartphone.
  • Le model de texte le moins intensif en carbone étudié a émis autant que conduire seulement 0,0006 mile.

Taille du model et spécialisation des tâches :

L'étude souligne un écart d'efficacité majeur entre les models génératifs à usage général et les models spécifiques à une tâche :

• Les grands models génératifs consomment beaucoup plus d'énergie car ils sont conçus pour effectuer de nombreuses tâches (générer, classifier, résumer). Par exemple, l'utilisation d'un model génératif pour classifier des critiques de films nécessite ~30× plus d'énergie que l'utilisation d'un model plus petit fine-tuned spécifiquement pour la classification des sentiments.
• Les models spécialisés plus petits sont systématiquement moins intensifs en carbone pour des applications restreintes.

Émissions d'utilisation vs émissions d'entraînement :

Les chercheurs ont comparé les émissions d'entraînement aux émissions d'utilisation cumulées :

• L'entraînement du plus grand model BLOOM de Hugging Face a été dépassé après environ 590 millions d'utilisations.
• Pour des models extrêmement populaires comme ChatGPT, les émissions d'utilisation pourraient dépasser les émissions d'entraînement en quelques semaines, en raison des volumes d'utilisateurs quotidiens massifs.
• Cela se produit parce que l'entraînement a lieu une seule fois, tandis que l'inference se produit continuellement à grande échelle.

Implications plus larges et points de vue d'experts :

• Les experts notent que les émissions par tâche étaient plus élevées que prévu, soulevant des inquiétudes à mesure que l'IA générative s'intègre dans les logiciels quotidiens (e-mail, recherche, traitement de texte).
• Les chercheurs soulignent que les models plus récents et plus grands sont substantiellement plus intensifs en carbone que les systèmes d'IA d'il y a seulement quelques années.

Innovations récentes en efficacité matérielle

Plusieurs sorties matérielles de 2026 montrent des gains importants en efficacité de l'IA. Par exemple, la puce d'inference FuriosaAI RNGD a commencé ses expéditions en volume en janvier 2026 avec un TDP de 180W ¹² , bien inférieur aux environ 600W+ consommés par les GPU haut de gamme typiques.¹³

Meta a annoncé quatre nouveaux accélérateurs d'inference MTIA (MTIA 300/400/450/500) ; les puces axées sur l'IA offrent environ 18 à 27,6 To/s de bande passante mémoire et sont prévues pour un déploiement en 2027.¹⁴

Enfin, Arm a annoncé son premier CPU de centre de données (le CPU AGI 3nm) avec jusqu'à 136 cœurs Neoverse V3 ¹⁵ , co-développé avec Meta, et compte OpenAI parmi ses premiers utilisateurs.

Comment nous avons rassemblé les données de consommation d'énergie de l'IA

• Nous avons utilisé des chiffres et des projections futures provenant d'analyses récentes de la consommation d'énergie qui estiment l'utilisation mondiale d'électricité dans les centres de données et leur croissance.
• Le cas échéant, nous nous référons aux méthodologies de mesure publiquement disponibles des grands fournisseurs de cloud (par exemple, les données d'impact environnemental de Google Cloud) qui divulguent des métriques spécifiques, telles que l'énergie par inference.

De nombreux rapports utilisent des unités de mesure ou une terminologie différentes, telles que la part de l'IA et du ML dans l'électricité mondiale, l'utilisation d'énergie pour l'entraînement vs l'inference, et la part des centres de données dans l'électricité mondiale, ce qui rend difficile leur comparaison dans un seul graphique. Pour garantir que toutes les valeurs puissent être présentées ensemble dans un seul graphique, nous avons inclus les études utilisant des définitions et des unités de mesure comparables :

• Consommation mondiale d'électricité par les centres de données.
• Part de l'IA dans la consommation d'électricité au sein des centres de données.
• Consommation d'électricité par les centres de données aux États-Unis, pour souligner les différences entre l'utilisation d'énergie mondiale et américaine.

FAQ

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiques sur la consommation d'énergie de l'IA}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Consulté le 15 Juin 2026}
}

Liens de référence

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

3.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

4.

Energy demand from AI – Energy and AI – Analysis - IEA

5.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

6.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

7.

AI: Five charts that put data-centre energy use – and emissions – into context - Carbon Brief

Carbon Brief

8.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

9.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

10.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

11.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

12.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference &mdash; to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon &mdash; 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

16.

https://www.cell.com/action/showPdf?pii=S2666-3899%2825%2900278-8

Sıla Ermut

Analyste du secteur

Suivre

Sıla Ermut est analyste chez AIMultiple, spécialisée dans le marketing par e-mail et les vidéos de vente. Auparavant, elle travaillait comme recruteuse dans des cabinets de conseil et de gestion de projets. Sıla est titulaire d'un master en psychologie sociale et d'une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire