Entraînement ou utilisation : où part vraiment l'énergie de l'IA ?

Tous les comparatifs

60 % : c'est la part de l'énergie IA de Google qui est partie dans l'utilisation quotidienne des modèles (l'inférence) sur plusieurs années récentes, contre 40 % pour leur entraînement. L'intuition dit souvent l'inverse : qu'entraîner un modèle est le principal poste de consommation. C'est vrai un instant, à l'échelle d'un seul modèle : c'est faux une fois ce modèle mis en service et utilisé des millions de fois.

Entraînement du modèle40 %

Utilisation quotidienne (inférence)60 %

Verdict

Chez Google, sur plusieurs années consécutives, 60 % de l'énergie consacrée à l'IA a servi à faire tourner les modèles au quotidien (l'inférence), contre 40 % pour leur entraînement. L'entraînement d'un grand modèle est spectaculaire et concentré (jusqu'à 1 287 MWh pour GPT-3 en une fois), mais ce sont les milliards de requêtes qui suivent, cumulées sur des mois ou des années, qui finissent par peser le plus lourd.

Chiffres mis à jour le 30 juin 2026

Combien d'énergie consomme l'entraînement d'un grand modèle ?

1 287 mégawattheures (MWh) d'électricité et 552 tonnes de CO2e : c'est ce qu'a coûté l'entraînement de GPT-3 en 2020, en une seule fois, selon l'étude de référence de David Patterson et ses coauteurs (Google, 2021). Pour un modèle plus récent et plus grand, l'ordre de grandeur grimpe encore : l'entraînement de Mistral Large 2 a émis 20 400 tonnes de CO2e et consommé 281 000 m³ d'eau pour le refroidissement, selon l'analyse de cycle de vie publiée par Mistral AI avec l'ADEME et Carbone 4 en 2025, la première du genre rendue publique et revue par des pairs pour un grand modèle de langage.

Et l'utilisation quotidienne, l'inférence, combien ça pèse ?

0,24 Wh : c'est l'énergie consommée par un prompt texte médian envoyé à Gemini, selon le rapport environnemental publié par Google en 2025 (0,03 g de CO2e, 0,26 mL d'eau), une mesure qui ne couvre que l'inférence, pas l'entraînement. Chez Mistral, un échange de 400 tokens (requête et réponse) pèse 1,14 g de CO2e et 45 mL d'eau. Pris isolément, un seul prompt est donc dérisoire face aux centaines de tonnes de CO2e de l'entraînement : c'est leur multiplication qui change la donne.

Alors, qui pèse le plus lourd au final : l'entraînement ou l'usage ?

60 % de l'énergie IA consommée dans les centres de données de Google, chaque année sur la période 2019-2021, est partie dans l'inférence, contre 40 % dans l'entraînement, selon la même équipe de recherche (Patterson et al., 2022). Le calcul est logique : un modèle ne s'entraîne qu'une fois, mais peut être interrogé des milliards de fois pendant des mois, voire des années, une fois mis en service.

À partir de combien de prompts l'inférence dépasse-t-elle le coût de l'entraînement ?

Environ 17,9 milliards de prompts (échanges de 400 tokens) : c'est ce qu'il faudrait, selon les chiffres de la propre analyse de cycle de vie de Mistral, pour que le CO2e cumulé de l'inférence égale les 20 400 tonnes émises par l'entraînement de Mistral Large 2. Ce chiffre est illustratif, nous le calculons nous-mêmes à partir de deux données publiées par Mistral, mais il donne l'échelle : un modèle largement adopté peut dépasser ce seuil en quelques mois. Rien que ChatGPT reçoit environ 18 milliards de messages par semaine (NBER/OpenAI, 2025) : à cette échelle, l'entraînement redevient vite une part mineure du total.

Cette tendance va-t-elle s'inverser avec des modèles toujours plus gros ?

+30 % par an : c'est la croissance projetée de la consommation électrique des serveurs dédiés à l'IA, tirée principalement par l'inférence, selon l'Agence internationale de l'énergie (IEA, rapport Energy and AI). Le calcul d'entraînement des modèles de pointe augmente lui aussi vite, environ 4 à 5 fois par an selon Epoch AI, mais il reste concentré dans le temps. Chez Amazon, dès 2019, l'inférence représentait déjà 80 à 90 % des coûts de calcul des systèmes de machine learning à grande échelle, un déséquilibre structurel qui n'a fait que se renforcer depuis.

Équivalences liées

Sources

Questions fréquentes

Un prompt IA consomme-t-il plus que l'entraînement du modèle ?+

Non, jamais à lui seul : un prompt pèse une fraction de gramme de CO2e (0,03 à 1,14 g selon les études), contre des centaines voire des dizaines de milliers de tonnes pour l'entraînement complet d'un modèle. C'est seulement la somme de milliards de prompts qui finit par dépasser ce total.

Pourquoi entend-on souvent que l'entraînement pollue le plus ?+

Parce que l'entraînement est concentré sur quelques semaines et rendu public d'un coup (une seule étude, un seul chiffre choc), alors que l'inférence est diffuse : des milliards de requêtes minuscules, étalées sur des mois, jamais additionnées dans les discours grand public.

La répartition 60/40 entraînement/inférence vaut-elle pour tous les modèles d'IA ?+

Non, c'est la moyenne mesurée par Google sur sa propre infrastructure entre 2019 et 2021 : elle varie selon le succès du modèle, sa durée de vie et son fournisseur. OpenAI, Anthropic ou Meta n'ont pas publié d'équivalent public aussi détaillé ; Mistral est l'un des rares à avoir publié une analyse complète (entraînement et inférence) pour un seul modèle.