Statistiques sur la consommation d'énergie de l'IA

Une prévision récente prédit 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 se développent, la demande totale d'électricité devrait également augmenter.

Nous avons couvert 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, les réponses politiques et les meilleures pratiques.

Consommation d'énergie des centres de données d'IA

Nous avons rassemblé des données provenant de plusieurs organismes de recherche et analyses sectorielles qui se concentrent 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 universitaires et des initiatives de fournisseurs de technologies. Apprenez 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 motivée par les exécutions de modèles 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

La recherche montre que plus de 80% du calcul de l'IA est maintenant utilisé pour l'inference.

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

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

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

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

Éviter d'utiliser des models génératifs généralistes pour des tâches spécifiques

Une consommation d'énergie plus élevée est étroitement liée aux models génératifs, qui sont utilisés pour des tâches telles que 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.

• Utilisez des models spécialisés par tâche ou distillés pour la classification, le classement, l'extraction et le routage.
• Réservez les grands models génératifs aux tâches qui nécessitent une génération ouverte.
• Introduisez des cascades de models (d'un petit model à un grand model, si nécessaire).

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

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

• Augmenter l'utilisation des accélérateurs via :
  • Le traitement par lots
  • La mise en cache
  • Une planification plus intelligente
• Éliminer les appels redondants entre les pipelines et les microservices.
• Mettre en œuvre une mise à l'échelle automatique sensible à la demande plutôt qu'un provisionnement de pointe.

Traiter l'efficacité matérielle et la Power Usage Effectiveness (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

Les recherches de l'UNRIC montrent que la demande mondiale en eau liée à l'IA devrait augmenter de façon exponentielle.

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

Prévoir les effets économiques de l'IA

Les participants à l'étude Prévoir les effets économiques de l'IA (2026) ont fourni des estimations des variables économiques clés (PIB, consommation d'énergie, productivité, participation à la population active) à la fois sous des attentes normales et dans trois scénarios explicites de progrès de l'IA (lent, modéré, rapide) :

• D'ici 2030, les participants estiment que la consommation d'électricité des États-Unis pourrait représenter 2,3% dans un scénario de croissance plus lente, 4,9% en cas de 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 superprévisionnistes anticipent une demande encore plus élevée en cas de croissance rapide en 2050, chacun estimant environ 19,5%.²

Étude du MIT Technology Review

Le MIT Technology Review (2025) décompose la consommation d'énergie de l'IA en deux phases principales : l'entraînement des models et l'inference de l'IA. Il soutient que l'inference est désormais le principal moteur de la consommation d'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 principaux fournisseurs de models d'IA « fermés » ne divulguent pas suffisamment d'informations pour estimer de manière fiable leur consommation d'énergie totale ou leur empreinte carbone.³

Électricité et demande totale :

• Centres de données américains : 4,4% de l'électricité totale des États-Unis est destinée aux centres de données.
• IA dans les centres de données américains : 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 : 80%-90% du calcul de l'IA est estimé être utilisé pour l'inference.
• Exemple d'énergie d'entraînement : L'entraînement de GPT-4 est décrit comme environ 50 GWh.

Énergie par tâche (consommation d'électricité) :

• Texte (Llama 3.1 8B) : ~114 joules par réponse en tenant compte des surcharges non-GPU.
• Texte (Llama 3.1 405B) : ~6 706 joules par réponse avec surcharges.
• Images (Stable Diffusion 3 Medium, 1024×1024) : ~2 282 joules au total ; un nombre d'étapes plus élevé peut porter cela à ~4 402 joules.
• Vidéo (exemples CogVideoX) : ~109 000 joules pour une courte sortie de basse qualité ; ~3,4 millions de joules pour une vidéo de 5 secondes de meilleure qualité.

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 des centres de données peuvent utiliser de grandes quantités d'eau, parfois de l'eau potable.

Agence internationale de l'énergie

L'IEA (2025) aborde les demandes énergétiques de l'IA sous l'angle des centres de données et de leurs composants. Elle fournit une ventilation de la consommation d'électricité 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.
• Devrait atteindre ~945 TWh d'ici 2030, soit 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 selon le type de centre de données et d'équipement.

Google Cloud

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

Impacts médians par prompt (prompt texte Gemini Apps) :

• 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 d'un facteur 33×, et que l'empreinte carbone totale a chuté d'un facteur 44×.

Efficacité et infrastructure des centres de données

• La moyenne de l'ensemble de la flotte de l'efficacité de l'utilisation de l'énergie (PUE) est de 1,09 pour les centres de données de Google.
• Le TPU de dernière génération de Google, Ironwood, est revendiqué comme étant 30× plus économe en énergie 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 en un ensemble de graphiques qui montrent les impacts de référence, les projections de croissance et les risques de concentration régionale. Il souligne que le secteur est petit à l'échelle mondiale aujourd'hui mais qu'il croît rapidement et qu'il est localement significatif dans certains réseaux.⁷

Parts mondiales actuelles

• Les centres de données sont responsables de 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 atteint 945 TWh d'ici 2030.
• Part de l'IA dans la consommation d'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 (États-Unis) : 26% de l'électricité consommée par les centres de données (tel que cité).

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

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

Figure 2 : Basée sur le Global Energy Review 2025 de l'IEA et son rapport Energy and IA, 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 régional d'information des Nations Unies pour l'Europe occidentale (UNRIC)

L'UNRIC (2025) présente 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 du cycle de vie) : L'article de l'UNRIC est plus catégorique 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 principales conclusions :

• Catégories d'impact environnemental
  • Direct : Consommation d'électricité et d'eau, émissions de gaz à effet de serre, extraction minière, pollution et déchets électroniques.
  • Indirect : Émissions provenant des applications et services basés sur l'IA.
  • 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, la plupart étant encore fournie par des combustibles fossiles.
  • Des quantités importantes d'eau sont nécessaires pour les systèmes de refroidissement et la construction.
  • La demande mondiale en eau liée à l'IA devrait atteindre 4,2–6,6 milliards de mètres cubes d'ici 2027, dépassant la consommation 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 peut utiliser 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 la consommation 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 en 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 la consommation 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.

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

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

Densité de puissance

• Un cluster d'entraînement d'IA générative peut consommer 7 à 8 fois 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 citée comme étant de 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.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Rapport sur la consommation d'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 aux États-Unis et fournit des fourchettes de scénarios jusqu'en 2028. Il relie explicitement le point d'inflexion de croissance post-2017 à l'accélération des serveurs, y compris les unités de traitement graphique utilisées pour exécuter des models d'IA.¹⁰

Consommation totale d'électricité des centres de données aux États-Unis :

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

Fourchette 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 tirée 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 maintenaient auparavant la demande stable, notamment des systèmes de refroidissement améliorés, la gestion de l'énergie, des taux d'utilisation plus élevés et une réduction de la puissance au repos.

MIT Technology Review

Le MIT Technology Review (2023) rend compte de l'une des premières tentatives de quantification de la consommation 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 menée par des 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 d'un model d'IA au cours de sa durée de vie provient de son utilisation. Parce que les models populaires sont déployés des millions ou des milliards de fois, les émissions quotidiennes de l'inference peuvent rapidement dépasser les émissions d'entraînement.¹¹

Énergie par tâche et intensité carbone :

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

• Génération d'images : Générer une seule image avec un model puissant consomme à peu près la même énergie que charger complètement 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 énergivore et la plus intensive en carbone mesurée.
• Génération de texte : La génération de texte est nettement moins énergivore.
  • Produire 1 000 sorties de texte utilise environ 16% de la charge d'un smartphone.
  • Le model de texte le moins intensif en carbone étudié a émis l'équivalent de la conduite sur 0,0006 miles.

Taille du model et spécialisation des tâches :

L'étude met en évidence un écart d'efficacité majeur entre les models génératifs généralistes 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, classer, résumer). Par exemple, l'utilisation d'un model génératif pour classer des critiques de films nécessite environ 30 fois plus d'énergie que l'utilisation d'un model plus petit fine-tuné spécifiquement pour la classification de sentiments.
• Les models plus petits et spécialisés sont toujours moins intensifs en carbone pour les applications spécifiques.

Émissions d'utilisation vs émissions d'entraînement :

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

• 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 quotidiens massifs d'utilisateurs.
• Cela se produit parce que l'entraînement a lieu une fois, tandis que l'inference se produit continuellement à grande échelle.

Implications plus larges et avis d'experts :

• Les experts notent que les émissions par tâche étaient plus élevées que prévu, ce qui soulève des inquiétudes à mesure que l'IA générative est intégrée dans les logiciels quotidiens (email, recherche, traitement de texte).
• Les chercheurs soulignent que les models plus récents et plus grands sont nettement plus intensifs en carbone que les systèmes d'IA d'il y a quelques années.

Innovations récentes en matière d'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 à être expédiée en volume en janvier 2026 avec un TDP de 180W ¹² , bien inférieur aux quelque 600W et plus 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 leur déploiement est prévu pour 2027.¹⁴

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

Méthodologie sur la manière dont nous avons recueilli les données sur la 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 la consommation mondiale d'électricité des centres de données et leur croissance.
• Lorsqu'elles sont disponibles, nous faisons référence à des méthodologies de mesure accessibles au public provenant de 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, la consommation d'énergie pour l'entraînement par rapport à 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 qui utilisaient 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 mettre en évidence les différences entre la consommation d'énergie mondiale et celle des États-Unis.

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 — to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

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

Tom's Hardware

Sıla Ermut

Analyste Sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, spécialisée dans le marketing par email et les vidéos de vente. Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d'un Master of Science en psychologie sociale et d'un Bachelor of Arts 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