Le Référentiel général de l'écoconception des services numériques (RGESN) contient une partie « Algorithmie » directement applicable aux services intégrant de l'IA. carbon-llm s'aligne sur 7 critères algorithmiques + 4 critères transverses. Référentiel utile pour les appels d'offres ESN, les marchés publics et l'écoconditionnalité France 2030 / GenAI4EU.
Le RGESN est un référentiel d'écoconception publié conjointement par l'Arcep et l'Arcom (2024), avec un volet « Algorithmie » spécifiquement applicable aux services intégrant des systèmes d'IA. Le rapport Arcep mai 2026 (page 63) le présente comme la base actuelle pour les acheteurs et fournisseurs souhaitant démontrer une démarche d'écoconception.
Partie Algorithmie
carbon-llm ne réentraîne aucun modèle. Notre service repose sur des coefficients sourcés (Stanford AI Index 2026, LCA Mistral × Carbone 4, Jegham 2025) et un mapping token → CO₂e, pas d'apprentissage propriétaire. Pour nos clients : nos exports différencient les requêtes d'inférence et l'éventuel fine-tuning, à la ligne près.
Le SDK et l'extension carbon-llm s'intègrent sur des modèles pré-entraînés commerciaux (OpenAI, Anthropic, Mistral, Google, Cohere) et open-weights (Llama, Mixtral, Qwen). On n'incite jamais à réentraîner, au contraire, on documente quand un changement de modèle (du gros vers le plus petit ou MoE) suffit à diviser la consommation par deux.
Notre outil model-comparator permet à un client de comparer plusieurs modèles sur ses propres jeux de test (CSV de tokens entrée/sortie). On documente explicitement quand un SLM (Small Language Model) atteint la même qualité qu'un LLM généraliste, en cohérence avec les travaux Inria 2025 (jusqu'à −90 % d'énergie).
Pour les clients qui font du fine-tuning : nos exports différencient les sessions d'entraînement de l'inférence et remontent les paramètres (durée, taille du jeu, hardware). L'étude PEReN (Arcep 2026) montre que MoE + quantification 8-bit/4-bit = −45 à −84 % de consommation cumulée.
C'est notre cœur de métier. Chaque appel API à carbon-llm renvoie gCO₂e, niveau de confiance (benchmarked / estimated / class-factor) et coefficient utilisé. Le dashboard conserve les périodes, modèles et coefficients pour préparer une note de reporting vérifiable.
Côté extension : niveau animal (Colibri / Castor / Yéti) qui prévient avant d'envoyer une requête à fort impact ; templates de prompts économes copiables en un clic. Côté API : champ reasoning_tokens séparé pour distinguer le mode raisonnement (+849 % sur du code selon l'étude PEReN).
Nos dashboards remontent l'évolution d'usage par projet et par tenant sur des fenêtres glissantes. L'objectif est d'identifier les modèles, prompts ou clients qui concentrent l'empreinte, puis de réduire l'usage utilement.
Critères transverses
Le rapport Arcep (page 64) propose d'étendre la lecture à d'autres critères du RGESN. Voici ceux que carbon-llm couvre dès aujourd'hui.
Nos priorités produit restent centrées sur l'utilité mesurable : installer simplement, mesurer sans prompts, comparer les modèles et rendre les tendances exploitables.
L'application carbon-llm tourne sur Cloudflare Workers (anycast, indépendamment de la région) et Supabase. Nos exports remontent la région du datacenter du fournisseur LLM côté client, un appel traité en France émet ~17× moins qu'un appel traité en Pologne (sources mix Arcep 2024).
L'extension affiche immédiatement le poids unitaire de chaque réponse IA dans le navigateur (Colibri < 1 g, Castor 1-5 g, Yéti > 5 g) + équivalents concrets (km voiture, charges smartphone, minutes ampoule LED).
Le panneau flottant suggère des templates de prompts plus concis (économies de tokens en entrée et en sortie). Les utilisateurs peuvent désactiver les suggestions inline « questions de suivi » de leur fournisseur IA depuis nos guides /digital-sobriety-ai-chat-practical-tips.
On vous fournit un mémo de mapping personnalisé (RGESN × votre cas d'usage) en 48 h ouvrées, avec les limites méthodologiques et les données utiles à joindre au dossier technique.