Google revendique qu'une requête à Gemini consomme moins d'énergie qu'une publicité TV de 9 secondes mais l'étude interne manque de transparence sur méthodologie et appelle à des audits indépendants
Google affirme qu’une requête Gemini consomme 0,24 Wh, mais sa méthodologie manque de transparence. Lisez notre analyse et recommandations pour audits
Une étude interne de Google affirme qu’une requête type adressée à Gemini, son chatbot, consomme 0,24 wattheure (Wh), émet 0,03 gramme de CO2 équivalent et nécessite 0,26 millilitre d’eau pour le refroidissement des serveurs. Ces chiffres, publiés par l’entreprise le 21 juillet, servent à illustrer une progression d’efficacité : Google avance avoir divisé par 33 la consommation d’énergie de Gemini entre mai 2024 et mai 2025, et réduit les émissions de gaz à effet de serre par 44 sur la même période. Ces données alimentent le débat public sur l’impact environnemental des intelligences artificielles — mais qu’apportent-elles réellement au débat ?
Ce que mesurent (et ce qu’ils n’mesurent pas)
Les chiffres communiqués par Google concernent la phase d’inférence, c’est‑à‑dire l’exécution d’une requête lorsqu’un utilisateur interagit avec le modèle. Ils incluent selon l’entreprise la consommation des puces électroniques pendant l’inférence, l’énergie des machines dites « actives » et « inactives » (serveurs alimentés en permanence pour absorber des pics de trafic), ainsi que l’énergie liée au refroidissement au niveau du data center.
En revanche, ces estimations n’intègrent pas la phase d’entraînement du modèle — qui, selon la littérature et plusieurs bilans publiés, concentre la grande majorité des émissions et de la consommation d’eau pour les grands modèles. Elles ne prennent pas non plus en compte explicitement le trafic réseau et les implications de bout en bout (utilisateur, opérateur réseau, stockage des logs). Enfin, Google indique avoir intégré des « contrats carbone » dans ses comptes, ce qui signifie que certains impacts peuvent être comptabilisés via des compensations ou achats de crédits, et non mesurés directement.
Ces choix méthodologiques expliquent en partie l’écart apparent entre des mesures « par requête » très faibles et des évaluations globales qui restent préoccupantes lorsqu’on multiplie par le volume d’utilisateurs et qu’on ajoute la phase d’entraînement.
Limites méthodologiques et points d’attention
Plusieurs éléments limitent l’interprétation de ces chiffres. Google ne précise pas ce qu’elle entend par « requête moyenne » (longueur du prompt, complexité de la tâche, utilisation de données multimodales), ni la nature de la comparaison — la firme évoque « moins d’énergie que regarder neuf secondes de télévision » sans définir le type d’écran, la source d’alimentation ou les paramètres de lecture. L’absence d’information sur le nombre quotidien de requêtes Gemini empêche en outre d’estimer la consommation agrégée du service.
Les mesures sont aussi fortement dépendantes du contexte : version logicielle du modèle, génération de puces utilisées, architecture de refroidissement et efficience du data center (PUE — Power Usage Effectiveness), intensité carbone du mix électrique local, etc. Des améliorations logicielles peuvent réduire la consommation par requête, mais une hausse massive de l’usage peut annuler ces gains.
Enfin, l’étude n’a pas fait l’objet d’une vérification indépendante publiée. Sans audit tiers et sans transparence sur la méthodologie complète, la comparabilité des chiffres entre fournisseurs reste limitée.
Relevé · Fiabilité des sources citées
Chaque article de Commons se termine par cet examen. Il porte sur les sources citées dans le texte et vous permet de juger sur pièce.
-
– Google (étude interne / billet de blog) : source primaire et pertinente sur les mesures internes. Cependant, en tant qu’auto‑évaluation, elle présente un risque de biais et manque de détails méthodologiques publics. Fiabilité opérationnelle élevée (données internes), fiabilité analytique limitée sans revue indépendante.
-
– OpenAI (billet de Sam Altman) : affirmation publique intéressante (0,34 Wh par requête pour ChatGPT), mais sans méthode décrite ni jeu de données d’appui communiqué. Sans transparence, la valeur est difficilement vérifiable et donc de faible fiabilité pour des comparaisons rigoureuses.
-
– Mistral AI (audit réalisé avec l’Ademe et Carbone 4) : rapport le plus robuste cité. L’Ademe est l’agence française de l’environnement et Carbone 4 est un cabinet spécialisé — la collaboration apporte une crédibilité méthodologique supérieure. Le bilan communiqué (20,4 kilotonnes CO2eq pour la création du modèle, 281 000 m3 d’eau, avec la majorité durant l’entraînement) est détaillé et couvre la phase d’entraînement, ce qui en fait une source de qualité supérieure, tout en restant une étude commandée par l’entreprise concernée.
-
Globalement, les audits indépendants et transparents (méthodologie, périmètre, hypothèses) offrent la fiabilité la plus élevée ; les communiqués internes ou billets de dirigeants, utiles pour des chiffres préliminaires, nécessitent toujours une vérification extérieure.
-
Conclusion et recommandations pour la transparence
-
Pour comparer sérieusement l’empreinte des IA, il faut des cadres communs : définition claire d’une « requête moyenne », périmètre des émissions (entraînement vs inférence), PUE du data center, intensité carbone de l’électricité, inclusion ou non des compensations carbone, et publication des hypothèses. Les audits tiers, la publication de jeux de données méthodologiques et l’harmonisation des indicateurs (par exemple Wh par token, grammes CO2 par session) sont des conditions indispensables pour transformer des chiffres marketing en informations exploitables par le grand public et les décideurs.
L’évaluation porte sur les sources citées dans le texte, pas sur la véracité des faits rapportés. Là où les autres médias placent une bio d’auteur, Commons place sa méthode.
