Rapport Arcep mai 2026 : 91 pages qui valident la mission de carbon-llm (et 10 chiffres à emporter en comité climat)

Le 21 mai 2026, l'Arcep a publié son rapport « Intelligence artificielle générative : quels défis environnementaux ? » (91 pages, co-rédigé avec le PEReN, le Pôle d'Expertise de la Régulation Numérique). C'est la première fois qu'un régulateur français cadre aussi clairement les enjeux de mesure et de transparence environnementale des services d'IA. Trois lectures pour les équipes carbon-llm : (1) la mission de mesurer l'empreinte d'inférence à l'échelle de l'utilisateur est validée par une autorité ; (2) l'étude PEReN apporte des chiffres inédits sur les facteurs-clés de consommation ; (3) la Recommandation 5 ouvre une fenêtre réglementaire qui justifie l'achat d'outils comme le nôtre.

Ce que dit explicitement le rapport Arcep

L'Arcep articule ses propositions autour de quatre axes. Trois d'entre eux mentionnent la mesure et la transparence environnementale comme préalable à toute régulation efficace.

• Axe 1, Améliorer la mesure et la connaissance. « Mettre en œuvre la collecte et la publication des données environnementales de l'IA par des autorités publiques » et « utiliser des méthodologies internationalement standardisées d'évaluation de l'impact ».
• Axe 2, Écoconception des services d'IA. « Intégrer l'écoconception dans la régulation européenne des fournisseurs » et « renforcer l'écoconditionnalité dans les soutiens à l'innovation et la commande publique ».
• Axe 3, Donner les moyens aux utilisateurs de choisir en fonction de l'impact.« Imposer une plus grande transparence environnementale aux fabricants de puces et aux grands fournisseurs de modèles et de services d'IA » + ouverture des services d'IA pour permettre la liberté de choix.
• Axe 4, Stratégie centres de données EU. Souveraineté + soutenabilité, coordination politique numérique × énergétique × d'infrastructure, implantation territoriale concertée.

Le rapport rappelle aussi un constat plus dur : « les informations sur l'impact environnemental des services d'IA et des usages associés sont aujourd'hui très peu accessibles pour les utilisateurs, qu'il s'agisse du grand public, d'entreprises ou de développeurs de services d'IA »(Reco 5, page 67). C'est précisément le vide opérationnel que carbon-llm comble depuis son lancement.

L'étude PEReN : 22 modèles, 4 facteurs-clés inédits

Le PEReN a mené sur le supercalculateur Jean Zay une étude in situ sur 22 modèles d'IA générative à poids ouverts (3 à 123 milliards de paramètres, publiés entre juin 2024 et septembre 2025), la première étude française de cette envergure sur l'inférence. Quatre résultats à intégrer dans toute méthodologie sérieuse :

• Architecture Mixture of Experts (MoE) : −45 % de consommation par rapport à un modèle dense de taille équivalente. Les modèles comme Mixtral 8x22B, Mistral Saba, DeepSeek-V3 ou Qwen MoE devraient être comptabilisés avec un coefficient ajusté, pas le même que Llama 70B dense.
• Quantification 8-bit ou 4-bit : −39 % en moyenne. Un déploiement local quantifié en 4-bit consomme environ deux fois moins qu'une inférence FP16. Pertinent pour les setups self-hosted (vLLM, Ollama, LM Studio) qu'on voit de plus en plus en entreprise.
• Mode raisonnement : jusqu'à +849 %. Sur une tâche de génération de code, activer un mode « extended thinking » multiplie la consommation par presque dix. C'est cohérent avec ce qu'on observe sur Claude Opus 4.7 et OpenAI o3. Notre champ reasoning_tokens dans POST /v1/track remonte cette donnée pour la séparer dans vos analyses internes, c'est un point utile dans les discussions de reporting.
• La taille brute (paramètres) explique moins qu'on pense.Le PEReN observe que certains gros modèles consomment autant ou moins que de plus petits, à cause des trois facteurs ci-dessus. Conclusion opérationnelle : un coefficient « par milliard de paramètres » uniforme n'est plus défendable, il faut combiner architecture, quantification, raisonnement et région d'hébergement.

Les chiffres à retenir pour vos slides

Le rapport agrège (et hiérarchise) un grand nombre d'études récentes. Quelques chiffres directement utilisables dans une note de direction ou un comité climat :

Le ratio × 17,6 entre la Pologne et la France est sans doute le chiffre le plus politique du rapport. Il signifie qu'à modèle et prompt identiques, un appel API traité dans un datacenter polonais émet près de 18 fois plus de CO₂e qu'un appel traité en France. C'est le levier le plus simple pour un acheteur public : choisir un fournisseur qui héberge en France ou en Suède plutôt qu'en Pologne ou en Irlande.

Pourquoi cela compte pour vos équipes RSE, juridique et achats

Trois conséquences opérationnelles à anticiper :

1. L'étiquette européenne arrive.La Commission européenne a lancé le 7 avril 2026 une étude visant à développer un cadre de mesure et une étiquette européenne portant sur la consommation d'énergie et les émissions de gaz à effet de serre des services d'IA (consultation publique ouverte). Toute organisation qui veut peser dans ce processus doit déjà disposer de sa propre mesure. Un fournisseur qui ne sait pas chiffrer son inférence est mort dans l'eau quand l'étiquette devient obligatoire.
2. L'article 53(1)(a) du Règlement IA est incomplet.Le rapport critique explicitement le fait que l'AI Act n'impose pas le report systématique de la consommation d'entraînement et d'inférence, et qualifie cette omission d'« angle mort du règlement » (page 58). C'est le débat à porter en réponse à la consultation Digital Networks Act et Digital Fairness Act.
3. La directive efficacité énergétique (DEE) impose déjà des obligations.Les centres de données dont la puissance informatique est supérieure à 500 kW doivent transmettre leurs données de consommation et leurs indicateurs environnementaux. Si vous achetez de l'IA générique chez un hyperscaler, vous avez le droit de demander ces données, peu de directions achats le font encore.

Ce que carbon-llm change concrètement

On ne se cite pas comme une solution magique, le rapport rappelle d'ailleurs que l'optimisation seule ne suffira pas en cas d'effet rebond (page 53). Mais sur chacun des quatre axes Arcep, on apporte quelque chose d'opérable dès aujourd'hui :

• Axe 1 (mesure) : notre extension navigateur fournit aux particuliers et aux équipes une mesure unitaire par requête, alignée avec les méthodologies citées par le rapport (Stanford AI Index 2026, LCA Mistral × Carbone 4 / ADEME, Jegham 2025).
• Axe 2 (écoconception) : notre dashboard remonte les requêtes les plus impactantes par projet, exactement le critère« Informer l'utilisateur des requêtes qui ont des impacts environnementaux importants » du RGESN partie Algorithmie (Arcep + Arcom, 2024).
• Axe 3 (choix utilisateur) :nos comparatifs publics et notre dashboard permettent à un acheteur de comparer plusieurs fournisseurs sur une base normalisée. C'est la « comparabilité des modèles et des services » que la Reco 5 appelle de ses vœux (page 67).
• Axe 4 (datacenters) :nos exports permettent de pondérer la consommation par localisation du centre de données. Un fournisseur d'IA hébergé en France (≈ 50 gCO₂e/kWh en moyenne) versus en Pologne (≈ 750 gCO₂e/kWh), la différence est dans nos rapports.

Le détail du mapping feature par feature et chapitre par chapitre est sur notre page dédiée : comment carbon-llm répond aux 8 recommandations Arcep.

Conclusion

Le rapport Arcep mai 2026 valide la prémisse de carbon-llm : il est impossible de réguler ou même d'optimiser ce qu'on ne mesure pas. Mais il met aussi un garde-fou : la mesure seule, sans changement réglementaire et sans changement de comportement, risque l'effet rebond. À nous, fournisseurs, acheteurs, équipes RSE, équipes juridiques, de transformer ce nouveau socle de connaissances en décisions concrètes avant l'échéance du 2 août 2026 (transparence Article 50 AI Act).