Consommation électrique des grands modèles de langage (LLM)
Entraîner un LLM coûte des centaines de MWh. L'utiliser coûte quelques dixièmes de Wh par requête, mais à très grande échelle.
En bref
- Entraînement de GPT-3 : environ 1 287 MWh et 552 tCO2e (Patterson et al., 2021), l'équivalent de la consommation annuelle d'une centaine de foyers américains.
- Entraînement de BLOOM (176 milliards de paramètres) : environ 433 MWh.
- Requête textuelle courte : environ 0,2 à 0,4 Wh selon les valeurs publiées (Google : 0,24 Wh médian en 2025).
- Ces valeurs ne sont pas comparables entre elles sans vérifier le périmètre : médiane ou moyenne, puces seules ou site complet.
Énergie d'entraînement
- GPT-3 (2020)≈ 1 287 MWh
- BLOOM (2022)≈ 433 MWh
Sources : Patterson et al., arXiv 2104.10350 ; Luccioni et al., arXiv 2211.02001. Les modèles récents ne publient généralement pas ces chiffres.
BLOOM, entraîné en France sur un supercalculateur alimenté par un mix très décarboné, a émis environ 25 tCO2e pour l'électricité et environ 50 tCO2e en incluant la fabrication du matériel. À énergie comparable, le lieu d'entraînement change donc le bilan carbone d'un facteur important.
Énergie par requête
Échelle logarithmique. Sources : Google (2025), OpenAI (2025), Epoch AI (2025), Microsoft Research (2025).
Données du graphique
| Source | Valeur (Wh) | Nature |
|---|---|---|
| Google, accélérateurs seuls | 0,10 | Mesure, périmètre étroit |
| Google, mesure complète | 0,24 | Mesure, médiane |
| Epoch AI | ≈ 0,3 | Estimation |
| OpenAI | ≈ 0,34 | Déclaration, moyenne |
| Microsoft Research | 0,34 (0,18 à 0,67) | Estimation, médiane |
| Estimations d'avant 2025 | 1,8 à 7 | Estimations |
Google a aussi mesuré une baisse de 33 fois de l'énergie et de 44 fois du carbone de la requête médiane entre mai 2024 et mai 2025 ; ces données n'ont pas été vérifiées par un tiers. Avec une mesure limitée aux accélérateurs, la même requête ne ferait que 0,10 Wh : le périmètre pèse un facteur 2,4. Microsoft Research estime pour sa part une médiane de 0,34 Wh (intervalle interquartile 0,18 à 0,67) pour les modèles de plus de 200 milliards de paramètres. Voir les acteurs de l'IA et comment comparer deux modèles.
Une requête isolée est négligeable, mais des centaines de millions de requêtes par jour ne le sont pas. Les requêtes longues, avec raisonnement ou génération d'images, coûtent beaucoup plus (voir les applications agentiques).
Analyses de cycle de vie
Mistral AI a publié en 2025, avec Carbone 4 et l'ADEME, une analyse de cycle de vie de son modèle Mistral Large 2 : entraînement et 18 mois d'usage ont émis environ 20 ktCO2e et consommé environ 281 000 m³ d'eau. Une réponse de 400 tokens représente environ 1,1 gCO2e et 45 mL d'eau. C'est l'une des rares analyses complètes publiées par un fournisseur.
Pour réduire ces coûts : quantification, distillation, cache, choix de petits modèles.
Dernière mise à jour :