Ce que nous mesurons, comment, et ce que chaque chiffre permet de prouver
Une empreinte IA se défend sur la provenance de ses quantités, pas sur le nombre de décimales. Cette page dit, pour chaque flux, ce qui est compté à la source, ce qui est déduit, et ce que nous ne voyons pas.
2026.03.153 coefficients de modèles, plus un facteur par défaut pour les modèles inconnusUne quantité ne vaut que ce que vaut sa provenance. Chaque ligne du registre porte donc sa base de mesure, et quand aucun facteur publié ne relie l'unité comptée à une énergie, le volume est reporté et l'empreinte reste vide.
Vide, pas zéro. Un zéro se additionne et disparaît dans un total ; un champ vide remonte dans les lacunes du rapport, là où un auditeur le cherche.
1. Les quatre bases de mesure
C'est la colonne measurement_basis de l'export. Elle se décide sur ce que la réponse du fournisseur contient, jamais sur son nom : le même connecteur GitHub produit des lignes en tokens quand le rapport les porte, et des lignes en activité quand il ne les porte pas.
| Base | Unité comptée | Empreinte publiable | Ce qu'un auditeur doit en lire |
|---|---|---|---|
| Compteurs du fournisseur provider_counters | tokens | Oui | Quantité attestée par le fournisseur, rapprochable de sa facture. Facteur d’énergie par modèle, publié et daté. |
| Compteurs de prompts du fournisseur provider_prompt_counts | prompts | Oui | Quantité attestée, mais en prompts : la conversion passe par une énergie par prompt, jamais par un facteur au token. |
| Compteurs d’activité du fournisseur provider_activity_counts | interactions | Non | Activité attestée, mais aucun facteur publié ne relie une interaction à une énergie. Le volume est reporté, l’empreinte reste non quantifiée. |
| Estimation côté client client_estimate | tokens estimés | Oui | Volume déduit du texte affiché, faute de compteur exposé. À distinguer d’une quantité attestée dans tout total. |
Le détail voie par voie, ce que chacune permet de prouver, et ce qu'elle ne prouve pas, vit sur les six voies de mesure.
2. Périmètre : compté, déduit, invisible
Tous les usages d'IA générative ne se mesurent pas avec la même précision, et aucun outil ne couvre tout. Voici la grille, par flux. Les autres pages du site pointent ici plutôt que de réaffirmer un périmètre : c'est la seule version qui fait référence.
API appelée depuis votre code
OpenAI, Anthropic, Mistral, Azure OpenAI Service, Vertex AI, xAI : le bloc d'usage de la réponse est transmis à /v1/track. Tokens déclarés par le fournisseur, rapprochables de sa facture.
provider_counters
Connecteurs d'administration
Microsoft Graph (prompts Copilot par utilisateur et par jour), Anthropic (tokens par modèle), GitHub Copilot (tokens quand le rapport les porte, activité sinon). Collecte quotidienne, sans rien installer sur les postes.
provider_counters
Import CSV de la console fournisseur
Export depuis la console OpenAI, Mistral, la facturation Vertex AI ou Azure Cost Management, puis dépôt dans l'application. Tokens exacts, aucun prompt en transit.
provider_counters
Extension navigateur, surfaces qui exposent leur usage
ChatGPT, Claude, Gemini, Mistral, Grok, Perplexity, DeepSeek, Copilot grand public et une dizaine d'autres : quand la réponse du backend contient le même bloc d'usage que l'API, le compte est lu à la source. La liste exacte des hôtes couverts est celle du manifeste de l'extension.
provider_counters
Surfaces de travail Microsoft 365
Word, Excel, Teams, Outlook, *.cloud.microsoft : le backend ne renvoie aucun bloc d'usage. L'extension déduit le volume du texte affiché. Le connecteur Graph, lui, donne un nombre de prompts attesté sur le même périmètre, c'est la voie à privilégier.
client_estimate
Modèle absent du catalogue
Si le libellé du modèle ne figure pas parmi nos 53 coefficients, un facteur par défaut de 0,3 g/1k tokens (classe GPT-4) s'applique, avec la confiance « estimé » et un drapeau explicite dans la réponse.
client_estimate
Agents et complétions de code sans données de tokens
Les agents tiers remontés par GitHub comptent des lancements de tâches, sans tokens ni modèle. Le volume est reporté ; l'empreinte reste non quantifiée, parce qu'aucun facteur publié ne relie une complétion acceptée à une énergie.
provider_activity_counts
Modèle auto-hébergé sans le pont local
Un Ollama, LM Studio ou llama.cpp lancé sur un poste sans notre proxy reste invisible. Avec le proxy, les métadonnées d'usage (modèle, tokens) remontent comme un appel d'API.
Comptes personnels sans extension
ChatGPT Plus, Claude Pro, applications mobiles : sans licence d'entreprise et sans extension installée, aucune interface ne donne accès au volume consommé par un compte personnel.
IA intégrée dans un logiciel tiers
Les fonctions d'IA d'un CRM, d'un ERP ou d'un outil de support : l'éditeur n'expose aucun compteur d'usage IA distinct. Rien à mesurer tant qu'il ne publie pas.
Le cas Microsoft 365 Copilot, parce que c'est celui qu'on nous pose
Microsoft Graph expose des rapports d'usage de Microsoft 365 Copilot : combien de prompts, dans quelle application, par utilisateur et par jour, via une application Entra en permission applicative Reports.Read.All. C'est une quantité attestée par le fournisseur du service, au même niveau de preuve qu'une facture, et sans rien installer sur les postes. Ce ne sont pas des tokens : la conversion passe par une énergie par prompt, jamais par un facteur au token, et les rapports accusent un délai de l'ordre de deux jours.
À ne pas confondre avec Azure OpenAI Service, qui est autre chose : si votre DSI déploie son propre modèle sur sa souscription Azure pour des applications maison, ce sont vos applications qui appellent le modèle, donc vous voyez les tokens et la voie normale s'applique.
Le droit exact à accorder, les étapes de configuration et ce que chaque source ne verra jamais sont documentés sur la page connecteurs. L'administrateur du client les branche lui-même, depuis son espace.
3. Du volume au gramme
Une conversion par base de mesure. Mélanger les trois dans un même total est la faute qui coûte une revue, et c'est pour cela que le rapport affiche les unités côte à côte plutôt que d'en inventer une commune.
Compteurs de tokens
gCO₂e = (tokens_total / 1000) × coefficient_modèle
Avec tokens_total = prompt_tokens + completion_tokens, les deux lus dans le bloc d'usage du fournisseur. C'est une comptabilité « donnée d'activité × facteur d'émission », celle que le GHG Protocol attend.
Compteurs de prompts
gCO₂e = prompts × Wh_par_prompt × intensité_réseau
L'énergie par prompt vient d'une publication du fournisseur, par profil de charge. Quand cette valeur intègre déjà l'efficacité du centre de données, lui appliquer un multiplicateur d'infrastructure compterait deux fois, c'est le rôle du périmètre « dynamique ». Les trois périmètres et les deux conventions de longueur de prompt sont détaillés sur la page des voies de mesure.
Compteurs d'activité
gCO₂e = non quantifié
Une complétion acceptée ne dit ni la longueur du contexte envoyé, ni celle de la réponse, ni le modèle appelé, et une suggestion refusée a quand même été calculée. Aucun facteur publié ne relie ce compteur à une énergie, donc nous reportons le volume et laissons l'empreinte vide. Le jour où un fournisseur publie ce facteur, une seule ligne de code change.
4. Où ce chiffre se range dans un inventaire
Deux catégories, et la confusion entre elles fausse les deux. Le champ existe pour porter cet arbitrage, pas pour le trancher à la place de qui le signe.
Scope 3, catégorie 1
Biens et services achetés : l’IA consommée par l’organisation pour son propre compte.
Scope 3, catégorie 11
Utilisation des produits vendus : l’inférence déclenchée chez le client par un logiciel livré.
Reste la question qui bloque toutes les entreprises de services : comment répartir un outil partagé entre plusieurs missions. ISO 14067 et le GHG Protocol Product Standard ne fixent pas de clé, ils fixent un ordre, et c'est l'ordre qui est vérifiable.
1.Éviter l’allocation
Rattacher directement l’usage à la mission quand c’est possible, un identifiant de projet porté par l’événement vaut mieux que n’importe quelle clé de répartition.
2.Relation physique
À défaut, répartir selon une grandeur physique réellement liée à la consommation : tokens, prompts, heures d’usage mesurées. Mesurable et vérifiable.
3.Allocation économique
En dernier ressort seulement : chiffre d’affaires, jours facturés. À justifier explicitement, en indiquant pourquoi les deux niveaux précédents n’étaient pas praticables.
Conséquence pratique : une organisation qui répartit son empreinte IA au chiffre d'affaires sans avoir d'abord cherché une relation physique n'est pas imprécise, elle est hors méthode. C'est autre chose devant un auditeur.
5. Réduire : ce qui agit sur quoi
Les facteurs côté offre, coefficients de modèles, mix réseau, efficacité des centres de données, définissent la courbe. Deux leviers seulement vous y déplacent, et ils ne jouent pas sur le même terme.
Raccourcir change le volume
Des prompts plus courts, des instructions système resserrées, des budgets de complétion réduits font baisser prompt_tokens + completion_tokens. C'est le terme de gauche de la formule.
Router change le facteur
Déplacer du trafic vers un modèle moins intense modifie les grammes par millier de tokens, pas le nombre de milliers. Les deux leviers se cumulent, et seul le registre dit lequel a produit la baisse.
Ce que nous ne prétendons pas : le texte des prompts ne part jamais vers nos serveurs, pour l'estimation comme pour le reste. Nous comptons des métadonnées que vous détenez déjà.
Le gain réellement documenté de chaque geste, sa source primaire et les quatre réserves qui décident si ce chiffre est publiable : réduire l'empreinte de l'IA.
6. Coefficients par modèle
Mesuré : analyse de cycle de vie de l'éditeur dont la conversion en g/1k est écrite (aujourd'hui, Mistral Large 2). Benchmarké : étude empirique d'inférence à protocole fixe, avec l'énergie, l'intensité et la longueur de prompt citées. Estimé : facteur de classe, enquête secondaire, ou médiane publiée par prompt dont le passage au millier de tokens n'est pas documenté. Aucune valeur n'a été modifiée pour cet alignement : seule l'étiquette de confiance baisse, et la fiche le dit.
La colonne Frontière dit ce que le chiffre contient déjà. « Électricité seule » est l'énergie du calcul × l'intensité citée par la source, pas l'infrastructure au repos ni la fabrication du matériel. « Cycle de vie » est une ACV complète : le multiplicateur ×2,05 (Luccioni et al. 2022) ne lui est pas appliqué, et le chiffre n'est pas non plus découpé vers un périmètre plus étroit, faute de répartition publiée. La colonne Méthode vaut « location-based » seulement quand la fiche cite la grille d'un pays. Un facteur d'intensité unique, comme le 0,35 kgCO₂e/kWh de Jegham et al., reste « non précisée par la source » : ce n'est ni le réseau du pays d'hébergement, ni un instrument contractuel. Aucune fiche du référentiel n'est market-based.
| Modèle | gCO₂e / 1k tokens | Confiance | Frontière | Méthode | Source |
|---|---|---|---|---|---|
| gpt-4o | 0.37 | Benchmarké | Électricité seule | Non précisée par la source | Jegham et al. (2025) arXiv:2505.09598v5, Table 4: GPT-4o (Mar ’25) short prompt 0.423 Wh (100 in / 300 out); × CIF 0.35 kgCO₂e/kWh → ~0.37 g/1k tokens. §5.3 cross-check: Altman Jun 2025 ~0.34 Wh/query. https://arxiv.org/html/2505.09598v5 |
| gpt-4o-mini | 0.1 | Benchmarké | Électricité seule | Non précisée par la source | Ni et al. (2025) arXiv:2505.09598, mini tier in benchmark suite; efficiency vs GPT-4o per paper tables |
| gpt-4-turbo | 0.35 | Estimé | Électricité seule | Non précisée par la source | Gravity Climate / Grove AI methodology, no single public per-token measurement; class factor between GPT-4o and legacy GPT-4 |
| gpt-3.5-turbo | 0.08 | Estimé | Électricité seule | Non précisée par la source | HF Open LLM Leaderboard emissions band + Gravity-style factors, OpenAI does not publish per-token CO₂ |
| claude-3-5-sonnet | 0.85 | Benchmarké | Électricité seule | Non précisée par la source | Jegham et al. (2025) arXiv:2505.09598v5, Table 4: Claude-3.5 Sonnet short prompt 0.973 Wh (100 in / 300 out); × CIF 0.35 → ~0.85 g/1k tokens. Anthropic does not publish per-token CO₂; Dauner et al. Frontiers (2025) doi:10.3389/fcomm.2025.1572947, complementary. https://arxiv.org/html/2505.09598v5 |
| claude-3-opus | 0.45 | Estimé | Électricité seule | Non précisée par la source | Enquête secondaire CarbonCredits.com sur des classes de modèles, convertie avec un nombre de tokens par requête non publié dans une source primaire. Pas une mesure : confiance « estimé ». La valeur 0,45 g/1k est celle déjà au catalogue, non révisée. |
| claude-3-haiku | 0.1 | Estimé | Électricité seule | Non précisée par la source | Études secondaires sur la classe Haiku (~0,10 gCO₂e/requête), ramenées au millier de tokens sans protocole primaire identifié. Confiance « estimé ». La valeur 0,10 g/1k est celle déjà au catalogue, non révisée. |
| mistral-large-2 | 2.85 | Mesuré | Cycle de vie | Non précisée par la source | Mistral LCA 2025 (Carbone 4 / ADEME): 1.14 gCO₂e per 400-token inference response → 2.85 g/1k tokens |
| mistral-small | 0.8 | Estimé | Électricité seule | Non précisée par la source | No vendor LCA for “Small”; Jul 2025 peer-reviewed LCA is Mistral Large 2 (~1.14 gCO₂e/400-token response, mistral.ai/news). Order-of-magnitude vs Large 2; Linkup Deep industry summaries Mar 2026. |
| mistral-medium | 1.2 | Estimé | Électricité seule | Non précisée par la source | Same as mistral-small, interim factor until vendor publishes per-model inference PCF |
| gemini-1-5-flash | 0.075 | Estimé | Électricité seule | Non précisée par la source | Google Cloud (mai 2025) : médiane d'un prompt texte Gemini Apps ~0,03 gCO₂e. La publication ne donne pas le nombre de tokens de cette médiane : la conversion vers 0,075 g/1k n'est pas documentée. Confiance « estimé », valeur du catalogue conservée telle quelle. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference/ |
| gemini-1-5-pro | 0.12 | Estimé | Électricité seule | Non précisée par la source | Google Cloud, méthodologie d'inférence 2025, médiane de flotte. Pro et Flash ne sont pas séparés dans la médiane publique, et l'hypothèse de tokens qui produit 0,12 g/1k n'est pas écrite. Confiance « estimé », valeur du catalogue conservée. |
| gemini-2-0-flash | 0.08 | Estimé | Électricité seule | Non précisée par la source | Google Cloud Blog, mai 2025, médiane d'un prompt texte Gemini Apps ~0,03 gCO₂e (instantané) ; arXiv:2508.15734 pour la méthode de flotte. Le passage au g/1k (0,08) n'a pas d'hypothèse de tokens écrite dans la source. Confiance « estimé », valeur du catalogue conservée. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference/ |
| llama-3-70b | 0.25 | Benchmarké | Électricité seule | Non précisée par la source | Nature Scientific Reports (2024) s41598-024-76682-6, comparative LLM footprint; Meta training disclosures (Llama 3) |
| llama-3-8b | 0.05 | Estimé | Électricité seule | Non précisée par la source | Ordre de grandeur tiré du classement d'émissions Hugging Face et de la littérature sur les petits modèles. Pas un protocole au token identifié : confiance « estimé ». La valeur 0,05 g/1k est celle déjà au catalogue, non révisée. |
| grok-3 | 0.38 | Estimé | Électricité seule | Non précisée par la source | xAI does not publish per-token inference PCF; order-of-magnitude aligned with peer-reviewed GPT-4o-class short-prompt benchmarks (Jegham et al. 2025) until vendor disclosure, Grok web / api.x.ai default. |
| grok-2 | 0.28 | Estimé | Électricité seule | Non précisée par la source | Same methodology as grok-3; lower tier assumption vs flagship, no public vendor LCA |
| grok-4 | 2.53 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.5/1.4.6 (Jegham et al. 2025), medium prompt 14.90 Wh / 5.07 gCO₂e per 2k tokens → 2.53 g/1k tokens. Replaces prior 0.45 estimate. https://aiindex.stanford.edu |
| gpt-5 | 3.71 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6 (Jegham et al. 2025), GPT-5 (high reasoning) 21.85 Wh / 7.43 gCO₂e per medium prompt → 3.71 g/1k tokens. Default high-reasoning tier; see gpt-5-medium / gpt-5-low for budget tiers. |
| gpt-5-high | 3.71 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, GPT-5 high reasoning 7.43 gCO₂e / 2k tokens. |
| gpt-5-medium | 2.22 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, GPT-5 medium reasoning 4.45 gCO₂e / 2k tokens. |
| gpt-5-low | 1.42 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, GPT-5 low reasoning 2.84 gCO₂e / 2k tokens. |
| gpt-5-mini | 0.8 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, GPT-5 mini (medium) 1.60 gCO₂e / 2k tokens. Default tier; -high variant 4.58 g/2k → 2.29 g/1k. |
| gpt-5-mini-high | 2.29 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, GPT-5 mini high reasoning 4.58 gCO₂e / 2k tokens. |
| gpt-5-nano | 1.15 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, GPT-5 nano (high) 2.29 gCO₂e / 2k tokens. |
| o3-pro | 3.7 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, o3-pro 21.77 Wh / 7.40 gCO₂e per 2k tokens → 3.70 g/1k tokens. Reasoning model with extended chain-of-thought. |
| o3-mini-high | 1.14 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, o3-mini (high) 2.28 gCO₂e / 2k tokens. |
| o4-mini-high | 1.07 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, o4-mini (high) 2.13 gCO₂e / 2k tokens. |
| claude-4-opus | 0.8 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6 (Jegham et al. 2025), Claude 4 Opus 5.13 Wh / 1.60 gCO₂e per 2k tokens → 0.80 g/1k tokens. Lower than GPT-5 family despite flagship status. |
| claude-4-sonnet | 0.65 | Estimé | Électricité seule | Non précisée par la source | Derived: Sonnet tier sits below Opus in Anthropic naming. Estimate at ~0.81× Claude 4 Opus pending Jegham data point. Anthropic does not publish per-token PCF. |
| mistral-medium-3 | 0.76 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, Mistral Medium 3 1.52 gCO₂e per 2k tokens → 0.76 g/1k tokens. Lowest-emission flagship in Stanford 2026 benchmark. |
| deepseek-v3-2-exp | 6.97 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.5/1.4.6, DeepSeek V3.2 Exp 23.24 Wh / 13.95 gCO₂e per 2k tokens → 6.97 g/1k tokens. Highest in the 2026 benchmark; reasoning chain-of-thought intensive. |
| deepseek-v3-2 | 6.94 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.5/1.4.6, DeepSeek V3.2 23.13 Wh / 13.88 gCO₂e per 2k tokens → 6.94 g/1k tokens. |
| kimi-k2-thinking | 1.27 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, Kimi K2 Thinking 7.65 Wh / 2.54 gCO₂e per 2k tokens → 1.27 g/1k tokens. Moonshot AI flagship reasoning variant. |
| llama-3-1-405b-standard | 4.5 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.5, Llama 3.1 405B Standard 9.00 Wh per 2k tokens × 0.35 kgCO₂e/kWh → 4.50 g/1k tokens. Compare with latency-optimised variant. |
| llama-3-1-405b-latency-optimized | 1.5 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.5, Llama 3.1 405B Latency Optimized 2.99 Wh per 2k tokens × 0.35 kgCO₂e/kWh → 1.50 g/1k tokens. ~3× lower than Standard. |
| grok-3-fast | 1.07 | Benchmarké | Électricité seule | Non précisée par la source | Stanford AI Index 2026, Fig. 1.4.6, Grok 3 Fast 2.15 gCO₂e per 2k tokens → 1.07 g/1k tokens. |
| deepseek-v3 | 0.45 | Estimé | Électricité seule | Location-based | Derived: MoE architecture (671B total / 37B active params) on CN grid 555 gCO₂/kWh (IEA 2023). DeepSeek-V3 technical report (arXiv:2412.19437), 2,788 MWh training; inference efficiency higher than dense models. No vendor inference PCF published. Estimate conservative vs GPT-4o-class on CN grid. |
| deepseek-r1 | 0.9 | Estimé | Électricité seule | Location-based | Derived: reasoning model generates extended chain-of-thought (~3–5× tokens vs direct answer) on CN grid 555 gCO₂/kWh. DeepSeek-R1 report (arXiv:2501.12948). ×2× uplift vs V3 for reasoning token overhead. No vendor inference PCF. |
| deepseek-r1-zero | 0.8 | Estimé | Électricité seule | Location-based | Same as deepseek-r1; R1-Zero is the RL-only variant (slightly smaller output chain-of-thought). CN grid 555 gCO₂/kWh. |
| moonshot-v1 | 0.5 | Estimé | Électricité seule | Location-based | Derived: dense transformer class (comparable parameter count to GPT-4o-class) on CN grid 555 gCO₂/kWh. Moonshot AI does not publish per-token inference PCF. Conservative order-of-magnitude estimate. |
| qwen-max | 0.55 | Estimé | Électricité seule | Location-based | Derived: flagship Qwen model, dense/MoE, CN grid 555 gCO₂/kWh. Alibaba does not publish per-token inference CO₂. Estimate based on architecture class and CN grid penalty. |
| qwen-plus | 0.3 | Estimé | Électricité seule | Location-based | Derived: mid-tier Qwen; smaller active parameter count than qwen-max. CN grid 555 gCO₂/kWh. No vendor PCF. |
| qwen-turbo | 0.12 | Estimé | Électricité seule | Location-based | Derived: efficiency-optimised small Qwen; comparable to GPT-3.5-class on CN grid 555 gCO₂/kWh. No vendor PCF. |
| qwen-long | 0.18 | Estimé | Électricité seule | Location-based | Derived: context-specialised Qwen; small dense model with extended context window. CN grid 555 gCO₂/kWh. |
| ernie-4.0 | 0.55 | Estimé | Électricité seule | Location-based | Derived: Baidu flagship LLM, dense transformer class, CN grid 555 gCO₂/kWh. Baidu does not publish per-token inference PCF. Estimate aligned with CN-hosted flagship-class models. |
| ernie-3.5 | 0.3 | Estimé | Électricité seule | Location-based | Derived: mid-tier ERNIE; smaller than 4.0. CN grid 555 gCO₂/kWh. No vendor PCF. |
| ernie-speed | 0.1 | Estimé | Électricité seule | Location-based | Derived: efficiency-optimised ERNIE variant; GPT-3.5-class size on CN grid 555 gCO₂/kWh. |
| doubao-pro | 0.5 | Estimé | Électricité seule | Location-based | Derived: ByteDance Doubao Pro, GPT-4o-class dense model on CN grid 555 gCO₂/kWh. No vendor inference PCF published. |
| doubao-lite | 0.12 | Estimé | Électricité seule | Location-based | Derived: lightweight Doubao variant; GPT-3.5-class size. CN grid 555 gCO₂/kWh. |
| glm-4 | 0.48 | Estimé | Électricité seule | Location-based | Derived: Zhipu GLM-4, dense transformer comparable to GPT-4o class, CN grid 555 gCO₂/kWh. Zhipu AI (open.bigmodel.cn) does not publish per-token inference PCF. |
| glm-4-flash | 0.1 | Estimé | Électricité seule | Location-based | Derived: distilled/quantised GLM-4 Flash; small efficient model. CN grid 555 gCO₂/kWh. |
| glm-3-turbo | 0.15 | Estimé | Électricité seule | Location-based | Derived: GLM-3 Turbo, lighter than GLM-4. CN grid 555 gCO₂/kWh. |
7. Alignement normatif
Ce que chaque référentiel attend, et où le trouver dans l'export. Le tableau de correspondance complet, champ par champ, est sur la page des standards.
| Référentiel | Ce qu'il attend ici |
|---|---|
| ISO 14067:2018 | Objectif et périmètre, frontières du système, qualité des données, allocation, incertitude. Les cinq sont nommés sur cette page. |
| ISO 14064-1:2018 | Inventaire à l'échelle de l'organisation : les exports portent une entité par ligne, agrégeables au périmètre déclaré. |
| GHG Protocol Scope 3 | Catégorie 1 pour l'IA achetée, catégorie 11 pour l'inférence déclenchée chez un client par un logiciel livré. |
| ESRS E1-6 (CSRD) | Émissions brutes de Scope 3, méthodologie, qualité des données, incertitude qualitative, métrique d'intensité. Une estimation est admise le premier exercice si la méthode est écrite et la part estimée identifiable. |
| IFRS S2 / TCFD | Métriques climatiques citables dans la section « Metrics & Targets ». |
Cette page n'est pas un avis juridique, et le niveau d'assurance attendu se confirme avec votre commissaire aux comptes avant tout reporting formel.
8. Ce que ce chiffre ne dit pas
La liste ci-dessous n'est pas une précaution de style. Un rapport qui ne la porte pas est celui qu'un auditeur renvoie.
Le facteur n'est pas mesuré chez vous
La quantité peut être attestée par le fournisseur ; l'énergie par unité vient toujours d'une publication tierce. Seul un modèle que vous exécutez vous-même permet une mesure matérielle, par RAPL ou NVML.
Le mix électrique varie dans l'heure
Les émissions réelles dépendent du mix du centre de données au moment de l'inférence. Nos coefficients sont des moyennes publiées, pas des relevés horaires par région.
Les périmètres des études ne se recouvrent pas
Calcul seul, infrastructure comprise, cycle de vie du matériel inclus : deux sources honnêtes peuvent différer d'un facteur deux. Comparez les périmètres avant de comparer les chiffres.
Un prompt n'est pas un token
Aucune conversion fiable n'existe entre les deux. Une ligne en prompts passe par une énergie par prompt et le reste dans tout le registre : elle n'est jamais additionnée à un volume de tokens.
Les coefficients vieillissent
Les fournisseurs optimisent leurs modèles sans republier leurs facteurs. La version de méthodologie figée dans chaque rapport sert précisément à savoir quel jeu de coefficients a produit un total.
Hors périmètre de cette page : l'entraînement des modèles, la consommation d'eau des centres de données et la puissance installée du secteur. Ce sont des coûts amortis chez le fournisseur, que vous ne pouvez ni mesurer ni répartir honnêtement entre vos requêtes. Le contexte chiffré est rassemblé sur le benchmark des modèles, et les limites assumées du produit sur /trust.
9. Sources
Mistral AI : ACV de Large 2 (2025)
Première analyse de cycle de vie complète publiée pour un grand modèle de langage, avec Carbone 4 et l'ADEME.
mistral.aiGoogle Cloud : mesurer l'impact de l'inférence (2025)
Méthodologie et ordres de grandeur par prompt Gemini. Deux chiffres y coexistent selon le périmètre retenu : la différence est traitée sur la page des voies de mesure.
cloud.google.comJegham et al. : How Hungry is AI ? (2025)
Empreinte opérationnelle de plus de trente modèles, dont GPT-4o et Claude. C'est la source de la convention « prompt court » (100 tokens en entrée, 300 en sortie).
arXiv:2505.09598Dauner et al. : Coût énergétique de la communication avec l'IA (2025)
CO₂ empirique pour quatorze modèles sur MMLU, 500 questions et deux formats de réponse.
Frontiers in CommunicationGHG Protocol : Scope 3
Standard de la chaîne de valeur et guide de calcul. Catégorie 1 pour l'IA achetée, catégorie 11 pour l'inférence déclenchée chez un client par un logiciel livré.
ghgprotocol.orgGravity Climate : méthodologie de comptabilité IA
Utile lorsque le fournisseur n'a publié aucune analyse de cycle de vie.
gravityclimate.comL'index complet, avec la date de consultation de chaque référence : /sources.
Votre ligne IA tiendrait-elle devant votre commissaire aux comptes ?
Douze questions sur votre organisation, jamais sur vos salariés. Le score s'affiche immédiatement, sans adresse e-mail, avec les points qu'un auditeur relèvera.