ChatGPT et DeepSeek : ce que coûte vraiment une question posée à une IA

L’intelligence artificielle conversationnelle donne l’impression d’être légère : quelques mots saisis dans une fenêtre, une réponse qui arrive presque instantanément. Pourtant, derrière ChatGPT, DeepSeek et les autres assistants génératifs, des milliers de processeurs exécutent des calculs dans des centres de données. Cette infrastructure consomme de l’électricité, mobilise de l’eau pour le refroidissement et repose sur des équipements dont la fabrication a aussi une empreinte matérielle.

Comparer une question à une lumière laissée allumée pendant des heures peut frapper les esprits, mais l’image est trop imprécise pour devenir une mesure. Il n’existe pas de consommation fixe pour « une question à une IA ». La dépense varie selon la taille du modèle, la quantité de texte déjà présente dans l’échange, la longueur de la réponse, le type de puces utilisées et l’emplacement du centre de données. Le sujet mérite mieux qu’une formule : il faut distinguer les différentes étapes de la vie d’une IA et regarder ce que les chiffres permettent réellement d’affirmer.

Une requête n’est pas un simple clic

Un assistant comme ChatGPT ou DeepSeek appartient à la famille des grands modèles de langage. Avant de dialoguer avec le public, ce type de système est entraîné sur d’immenses jeux de textes. Pendant cette phase, les puces spécialisées effectuent un très grand nombre d’opérations afin d’ajuster les paramètres du modèle. C’est une étape ponctuelle, mais particulièrement gourmande en calcul.

Vient ensuite l’inférence, c’est-à-dire le moment où le modèle répond aux utilisateurs. Chaque nouveau message doit être converti en unités de texte, traité avec le contexte de la conversation puis prolongé mot après mot. Une demande courte, accompagnée d’une réponse brève, n’a donc pas le même coût qu’un long échange contenant des documents, des tableaux, du code ou une génération d’image.

L’Agence internationale de l’énergie a avancé un ordre de grandeur souvent cité : une requête type auprès de ChatGPT demanderait environ dix fois plus d’électricité qu’une recherche classique sur Google. L’écart repose notamment sur le fait qu’un moteur de recherche retrouve et classe des pages existantes, tandis qu’un modèle génératif produit une réponse à partir de calculs successifs.

Ce ratio ne doit toutefois pas être lu comme un compteur universel. Il ne permet pas de mesurer à la virgule près une question donnée, ni de comparer automatiquement tous les modèles entre eux. Les entreprises ne publient pas systématiquement la consommation détaillée de chaque service, et les conditions techniques évoluent rapidement.

Entraînement, réponses, matériel : trois impacts à ne pas confondre

Réduire l’impact d’une IA à la seule consommation électrique des requêtes serait incomplet. Son empreinte environnementale comprend au moins trois dimensions : l’entraînement du modèle, son fonctionnement quotidien et la fabrication des infrastructures qui le rendent possible.

Le chiffre de 552 tonnes de CO₂ équivalent associé à l’entraînement de GPT-3 illustre l’ampleur potentielle de la première phase. Il a notamment été relayé par le MIT Technology Review. Cette estimation concerne un entraînement et des conditions données : elle ne signifie pas que chaque réponse de ChatGPT émet une fraction fixe de ces 552 tonnes. Elle montre surtout pourquoi la course à des modèles toujours plus grands soulève une question énergétique dès leur conception.

Pour répondre ensuite à des millions de sollicitations, les services reposent sur des centres de données actifs en continu. Leurs serveurs dégagent de la chaleur, qu’il faut évacuer par des systèmes de ventilation, de climatisation ou de refroidissement utilisant parfois de l’eau. L’eau peut être consommée directement sur site, mais aussi indirectement lors de la production de l’électricité nécessaire.

Enfin, les calculs sont réalisés sur des puces, des serveurs, des câbles et des équipements réseau. Leur production réclame des métaux et des procédés industriels. La durée de vie du matériel, son réemploi et son recyclage comptent donc eux aussi dans le bilan global, même s’ils sont moins visibles que la réponse affichée à l’écran.

À l’échelle du système, les enjeux sont considérables. L’Agence internationale de l’énergie estimait que les centres de données, les cryptomonnaies et l’IA représentaient ensemble environ 460 térawattheures d’électricité consommée dans le monde en 2022. L’essor de l’IA générative ajoute une pression nouvelle sur ces infrastructures, même si isoler précisément sa part reste complexe.

DeepSeek est-il forcément plus sobre que ChatGPT ?

L’arrivée de DeepSeek a nourri l’idée qu’il serait possible d’obtenir des performances élevées avec moins de ressources. L’entreprise chinoise a effectivement publié des éléments techniques mettant en avant des méthodes destinées à rendre l’entraînement et l’utilisation de ses modèles plus efficaces. Son modèle DeepSeek-V3, par exemple, repose sur une architecture dite « mixture of experts », qui n’active qu’une partie de ses paramètres pour traiter une requête.

Le document technique de DeepSeek-V3 indique 2,788 millions d’heures de GPU H800 pour son entraînement. Cette donnée renseigne sur l’effort de calcul annoncé, mais elle ne suffit pas à obtenir une empreinte environnementale complète. Pour convertir des heures de processeurs en énergie, puis en émissions, il faudrait notamment connaître la consommation effective des machines, le rendement du centre de données, la source d’électricité et la part liée au refroidissement. Il faudrait aussi disposer de données comparables pour les autres services.

Il serait donc prématuré d’affirmer qu’une requête DeepSeek consomme systématiquement moins qu’une requête ChatGPT. Les interfaces, les modèles utilisés, la taille des réponses et les infrastructures peuvent différer. L’efficacité de calcul est une piste importante, mais elle ne remplace pas une publication transparente sur l’énergie, l’eau et le cycle de vie du matériel.

Un autre phénomène doit être pris en compte : l’effet rebond. Si un modèle devient moins cher ou plus rapide à utiliser, il peut attirer davantage d’utilisateurs et multiplier les usages. Le gain par requête ne garantit donc pas une baisse de la consommation totale. Tout dépend du nombre de demandes nouvelles que cette baisse de coût rend possibles.

Pourquoi les longues conversations coûtent davantage

Dans un échange avec une IA, le modèle ne lit pas seulement le dernier message. Il tient compte d’une partie de la conversation antérieure, appelée contexte. Plus ce contexte est long, plus la quantité de texte à traiter augmente. Demander plusieurs réécritures d’un même document, conserver une très longue discussion ouverte ou exiger des réponses extrêmement détaillées mobilise donc davantage de calculs.

Cela ne signifie pas qu’il faudrait renoncer à l’IA pour tout usage quotidien. L’enjeu est plutôt d’éviter les appels inutiles et de choisir l’outil proportionné au besoin. Une recherche très simple, comme l’adresse d’un lieu, un horaire officiel ou une définition courte, peut parfois être résolue directement par un moteur de recherche ou un site de référence. À l’inverse, une IA peut apporter une vraie valeur lorsqu’elle aide à synthétiser un document que l’on possède, à reformuler un texte, à préparer une explication pédagogique ou à explorer des pistes de travail.

Quelques gestes concrets réduisent les calculs superflus :

• formuler la demande avec un objectif clair et les contraintes utiles dès le premier message ;
• demander une longueur de réponse adaptée, plutôt qu’un développement maximal par défaut ;
• éviter de répéter une même question avec de légères variations ;
• fermer les échanges devenus inutilement longs et repartir d’un résumé lorsque c’est pertinent ;
• privilégier un outil non génératif lorsqu’une information factuelle est disponible directement à la source.

La concision ne doit pas dégrader la qualité. Une requête précise peut au contraire améliorer la réponse et éviter plusieurs allers-retours. L’objectif n’est pas de culpabiliser l’utilisateur, mais de rappeler que le numérique possède une infrastructure physique et que les choix d’usage ont un effet cumulé.

Peut-on afficher un écoscore pour les IA ?

Pour l’utilisateur, l’impact d’un assistant conversationnel reste largement invisible. Des outils comme ComparIA, porté dans le cadre de beta.gouv.fr, cherchent à rendre plus lisibles les caractéristiques et les impacts des systèmes d’IA. Une telle approche peut nourrir une idée simple : donner des repères afin de comparer les usages, à la manière d’un étiquetage environnemental.

Un écoscore de l’IA serait utile s’il repose sur une méthode claire. Il devrait distinguer au minimum l’énergie de l’entraînement, celle de l’inférence, le refroidissement, l’intensité carbone de l’électricité et, autant que possible, l’empreinte de fabrication du matériel. Il devrait aussi indiquer les incertitudes, plutôt que de transformer des estimations fragiles en note prétendument définitive.

La principale difficulté est la transparence. Sans informations précises de la part des fournisseurs de modèles et des opérateurs de centres de données, les comparaisons resteront partielles. Des critères publics et comparables pourraient néanmoins encourager les entreprises à publier davantage de données et les utilisateurs à privilégier des services plus efficaces.

L’IA peut aussi contribuer à la transition écologique

Évaluer le coût environnemental des modèles ne revient pas à ignorer leurs usages potentiellement utiles. L’IA peut aider à analyser des données, prévoir certains besoins, optimiser des opérations ou appuyer des décisions dans des domaines où une réduction mesurable de consommation est possible. L’optimisation de l’implantation de panneaux solaires en ville fait partie des exemples évoqués pour tirer parti de capacités de calcul au service de la transition énergétique.

Mais le bénéfice ne peut pas être simplement supposé. Une application doit démontrer que les gains obtenus, par exemple en énergie économisée ou en déplacements évités, sont supérieurs aux ressources mobilisées pour faire fonctionner le système. La question pertinente n’est donc pas « l’IA est-elle écologique ? », mais « pour quel usage, par rapport à quelle solution et avec quel bilan complet ? ».

Cette exigence vaut également pour les organisations. Une entreprise qui déploie un assistant auprès de milliers de salariés devrait examiner la fréquence des requêtes, les modèles employés, les données réellement nécessaires et les alternatives possibles. La sobriété commence souvent par le choix d’un modèle adapté à la tâche, plutôt que par l’utilisation systématique du système le plus puissant.

Ce qu’il faut surveiller

Au 30 janvier 2025, le débat sur l’empreinte de l’IA générative bute encore sur un manque de données homogènes. Les chiffres disponibles donnent des ordres de grandeur précieux, mais ils ne permettent pas toujours de départager clairement deux assistants à l’usage. Les annonces d’efficacité, qu’elles viennent de DeepSeek ou d’autres acteurs, devront être évaluées à l’aune de données vérifiables sur l’énergie, l’eau, les émissions et le matériel.

Trois évolutions seront particulièrement importantes : la publication de bilans environnementaux détaillés par les fournisseurs de modèles, l’amélioration de l’efficacité des puces et des logiciels, et la capacité à limiter l’effet rebond lorsque les services deviennent moins coûteux. L’essor de l’IA n’a rien d’immatériel. Rendre visibles ses ressources, puis réserver ses calculs aux usages qui ont du sens, est une condition pour concilier innovation et responsabilité écologique.