Blog

Les centres de données représentent 1 à 1,5 % de l'électricité mondiale selon l'AIE (projection de doublement d'ici 2026). McKinsey documente -80 % d'énergie en migrant on-premise vers le cloud. Et Strubell et al. (2019) ont mis 283 t CO₂e sur la table pour un entraînement avec NAS. Trois repères macro pour cadrer votre inventaire Scope 3 IA.

Tous les outils de mesure carbone IA disent « vos émissions valent X tonnes ». Le commissaire aux comptes pose alors la question qu'aucun marketing ne prévient : « comment je vérifie que ce X n'a pas été retouché ? ». On a passé 3 semaines à répondre à ça avec une preuve cryptographique vérifiable hors ligne — voici l'architecture, le code de vérification (50 lignes), et pourquoi ça change notre conversion compliance CSRD.

Stanford HAI a publié son AI Index 2026 (avril) avec un chapitre dédié à l'empreinte environnementale de l'IA. Grok 4 = 72 816 t CO₂e, DeepSeek v3 = 597 t (efficacité), 29,6 GW de puissance datacenter (= New York), 1,3-1,6 M m³ d'eau pour GPT-4o. Ce qu'un RSE doit en retenir avant Wave 2 FY 2027.

Copilot M365 tourne sur GPT-4o — 0,34 Wh par requête, jusqu'à ×5 avec RAG SharePoint/Teams. La plupart des plans numériques des collectivités n'ont pas encore de ligne pour ces usages.

Alias de colonnes (OpenAI, noms de déploiement Azure, CSV point-virgule), mise en garde sur total_tokens seul, et pourquoi M365 Copilot ne suit pas le même chemin de données qu'un export d'usage API.

La loi REEN intègre le numérique dans le PCAET depuis 2021. La consommation électrique des data centers devrait doubler d'ici 2026. La plupart des plans climat territoriaux n'ont pas encore de ligne pour l'IA générative — voici comment combler ce gap avant la prochaine révision.

LLaMA-3.2-1B consomme 0,07 Wh par requête. DeepSeek-R1 en consomme 23,8 Wh. L'écart d'efficacité entre les modèles frontier dépasse 200× — choisir le bon modèle pour chaque tâche peut réduire votre empreinte carbone de 60 à 80 % sans perte de qualité.

Les factures OpenAI et Anthropic relèvent de l'ESRS E1 Scope 3 Catégorie 1. Pour l'exercice 2025, les grandes entreprises européennes doivent documenter ces émissions. Voici la méthode basée sur l'activité que votre auditeur acceptera.

o3 et DeepSeek-R1 émettent 30 à 50× plus de CO₂ par appel que les modèles standards. Voici comment simuler l'impact carbone d'une migration de modèle avant de déployer.

Comment nous utilisons Cursor MCP Linkup (linkup-search) pour actualiser le contexte réglementaire, vérifier le calendrier de l'AI Act de la Commission, et relier les preuves au niveau des tokens à la gouvernance IA et la divulgation climatique.

Au-delà des tokens de complétion : embeddings, recherche vectorielle et modèles de vérification consomment chacun de l'énergie — pourquoi la conception du workflow domine l'empreinte carbone de la génération augmentée par récupération.

La mise en cache du préfixe KV évite 60 à 90 % du calcul de prefill sur les prompts répétés. Claude Code atteint 92 % de taux de cache hit et 81 % de réduction de coûts. Comment cela se traduit en économies CO₂e — et comment le mesurer par appel API.

EcoServe (2025) démontre une réduction carbone de 47 % pour le service LLM via l'ordonnancement carbone-conscient. L'intensité du réseau varie de plus de 40 % par heure. Comment décaler l'inférence différable vers une électricité plus propre sans casser les SLO.

Quand le fine-tuning supervisé est rentable sur le plan environnemental : usage GPU en phase d'entraînement contre économies de tokens à long terme, comparé aux approches RAG et prompt-first.

La fabrication et l'assemblage des accélérateurs et serveurs génèrent du CO₂e avant même que l'inférence commence — comment les ACV distinguent carbone incorporé et opérationnel, et pourquoi le taux d'utilisation est crucial pour l'amortissement.

Google a officiellement divulgué 0,03g CO₂e par requête texte Gemini en 2025. D'autres estimations atteignent 4g. Voici pourquoi cet écart de 100× existe — périmètres d'inférence, amortissement de l'entraînement — et comment documenter votre propre méthodologie.

Partir de la matérialité, collecter les données d'activité au niveau des tokens et aligner les émissions d'IA générative avec ESRS E1 et les périmètres GES — avant de débattre des grammes en titre.

Boucles plus courtes, modèles adaptés à la taille et moins de contexte dupliqué — plus comment voir le CO₂e indicatif par réponse sans envoyer le texte du prompt à un serveur.

Simplification, consultation EFRAG, guides non contraignants vs exigences, et implications pour les données d'émissions — sans confondre projet et droit contraignant.

Trajectoires de référence (AIE, SBTi), justifications en cas de non-alignement, cibles intermédiaires — et comment intégrer l'usage de l'IA générative dans le narratif climatique.

À quoi servent les points de données, comment lire une granularité accrue, et pourquoi la matérialité et la gouvernance des données importent plus qu'un simple décompte des exigences.

ESRS E1-6 exige la divulgation Scope 3 des « services de cloud computing et de centres de données achetés » lorsqu'ils sont matériels. La révision Phase 1 du GHG Protocol Scope 3 (mars 2026) ajoute une nouvelle Catégorie 16. Ce qui change pour les dépenses API LLM.

Projets EFRAG, actes délégués, consultations publiques : où en sont les ESRS climatiques révisés, et comment planifier sans confondre projet de loi et texte contraignant.

Comment parler d'« IA bas carbone » sans surestimer la précision : périmètres, étiquettes de confiance, et que dire quand votre empreinte est modélisée, pas mesurée.

Coefficients par 1k tokens vs durée × puissance × intensité réseau — compromis, incertitude, et comment garder les deux comparables dans votre note méthodologique.

Un guide champ par champ des métadonnées d'usage : quoi journaliser après chaque appel LLM, comment ça s'associe à /track, et pourquoi les estimations du tokenizer sont un dernier recours en production.

Pourquoi les chiffres « grammes par requête » de ChatGPT et Gemini divergent — Epoch AI, méthodologie publiée, facteurs réseau — et ce qu'il faut journaliser pour ESRS E1 / Scope 3 plutôt que de courir après un titre.

Un schéma directeur pour attribuer l'usage des tokens aux tenants, séparer test et production, gérer le trafic partagé et produire des totaux par tenant cohérents.

Ce qu'un auditeur demande généralement : données d'activité, cartographie des modèles, versionnage des coefficients, hypothèses, limites et périmètre de reporting clair — adapté aux empreintes d'inférence LLM.

Quand les émissions IA relèvent des services achetés (cat. 1) vs utilisation des produits vendus (cat. 11) — et comment décider selon le contrôle financier, la matérialité et les périmètres.

Une méthode pratique et adaptée à l'audit : convertir les tokens de prompt et de complétion en CO₂e à l'aide de coefficients documentés, puis maintenir la traçabilité pour les discussions ESRS E1 / Scope 3.

Échéances d'août 2026, règles de transparence, codes de durabilité volontaires et divulgations d'énergie GPAI — cartographiés sur ce dont les équipes CSRD ont encore besoin : données d'activité tokens et périmètres GES.

Comment le reporting de durabilité européen transforme l'IA générative d'une note de bas de page narrative en données Scope 3 auditables — et quoi mesurer maintenant.

Entraînement BLOOM (14,6t CO₂e), modélisation de l'inférence GPT-3, le cadre de bout en bout LLMCarbon, et la première divulgation officielle par requête de Google (0,03g CO₂e, août 2025). Ce sur quoi la recherche évaluée par les pairs 2024–2025 s'accorde.