Cas pratique : tracer l’empreinte carbone d’un chatbot

L’essor des assistants conversationnels a déplacé une question devenue incontournable : combien coûte, en énergie et en carbone, une réponse générée par un chatbot ? Derrière la simplicité de l’interface se cache une chaîne technique complexe, faite de centres de données, de modèles, de caches, de requêtes utilisateur et de mises à jour successives. Pour un média d’investigation, le sujet ne se limite pas à l’IA en général : il faut isoler un service, cadrer ses usages et documenter les hypothèses.

Dans ce cas pratique, notre objectif n’est pas de produire un chiffre absolu gravé dans le marbre, mais une estimation défendable, comparable et transparente. Autrement dit, un indicateur qui permette de suivre les variations entre deux versions d’un modèle, entre deux régions d’hébergement ou entre deux politiques d’usage. C’est précisément là que la méthode compte autant que le résultat.

1. Définir le périmètre avant de compter les grammes de CO2

La première erreur consiste à additionner indistinctement tous les postes “IA” d’une entreprise. Pour un chatbot, il faut séparer au minimum trois blocs : l’entraînement initial, l’inférence quotidienne et l’infrastructure de support. L’entraînement peut être rare mais très intensif ; l’inférence, elle, est diffuse, répétée des millions de fois ; les briques de support incluent le stockage des journaux, l’orchestration, la supervision et parfois la modération automatisée.

À ce stade, la logique de mesure rappelle celle d’un nuancier: chaque choix technique se compare, se hiérarchise, se documente. C’est aussi ce que montre Matières & Surfaces dans son approche des supports couleur sur mesure, où l’échantillon sert de preuve autant que d’objet de conception. Dans les deux cas, la précision du référentiel évite les impressions trompeuses.

2. Rassembler les données d’activité réelles

Le cœur du travail consiste à partir de données observées, pas de promesses fournisseurs. Il faut idéalement obtenir le nombre de requêtes quotidiennes, la moyenne des tokens générés, le type de matériel utilisé et la localisation des serveurs. Lorsque ces éléments sont partiellement indisponibles, l’enquête doit l’indiquer clairement et proposer une fourchette plutôt qu’un faux exact.

Voici les variables les plus utiles à collecter :

• nombre de conversations par jour et par mois ;
• longueur moyenne des prompts et des réponses ;
• durée moyenne de calcul par requête ;
• type de GPU ou d’accélérateur utilisé ;
• mix électrique du pays d’hébergement ;
• taux de mutualisation entre plusieurs services ;
• cycles de mise à jour du modèle et des index.

3. Convertir l’électricité en CO2e

Une fois la consommation électrique estimée en kWh, il faut la convertir en CO2e à l’aide d’un facteur d’émission adapté à la zone géographique. Un chatbot hébergé sur un réseau électrique très décarboné n’aura pas le même profil qu’un service équivalent dans une région plus carbonée. Ce point change radicalement la lecture des résultats et évite les comparaisons abusives entre services opérés dans des contextes différents.

Dans un modèle simplifié, si l’inférence mensuelle représente 18 000 kWh et que le facteur d’émission local est de 40 gCO2e/kWh, on obtient 720 000 gCO2e, soit 720 kgCO2e. Mais le lecteur doit comprendre que ce chiffre dépend d’hypothèses : période de mesure, taux d’utilisation, niveau de compression du modèle, cache actif ou non. Un graphique interactif aide à montrer comment la courbe varie quand on modifie un seul paramètre.

Pour aller plus loin, consultez Matières & Surfaces.

Comparer plusieurs scénarios

Le meilleur usage éditorial d’un tel calcul n’est pas la chasse au chiffre choc, mais la comparaison entre scénarios. Que se passe-t-il si l’on réduit de 30 % la longueur des réponses ? Si l’on remplace un modèle lourd par un modèle plus compact ? Si l’on déplace l’infrastructure vers une zone à faible intensité carbone ? Ces questions transforment une estimation statique en outil d’arbitrage.

Pour suivre nos futures enquêtes, découvrez aussi notre page d'accueil.

4. Lire les résultats sans les surinterpréter

Un piège courant consiste à comparer l’empreinte d’un chatbot à celle d’un autre service sans normaliser les usages. Deux produits peuvent afficher des émissions très différentes simplement parce que l’un sert davantage d’utilisateurs, répond plus longuement ou intègre des fonctions de génération d’images. Il faut donc rapporter l’empreinte au bon dénominateur : par requête, par minute d’usage, par mille mots produits, voire par utilisateur actif.

Cette prudence est essentielle dans un contexte où les fournisseurs communiquent souvent sur des gains d’efficacité ponctuels, sans préciser s’ils concernent l’entraînement, l’inférence ou l’ensemble de la chaîne. Une enquête solide doit documenter les limites des sources, signaler les marges d’erreur et distinguer les estimations internes des données indépendantes.

5. Réduire l’empreinte sans dégrader le service

Mesurer n’a de sens que si cela débouche sur des leviers d’action. Dans le cas d’un chatbot, plusieurs pistes existent : limiter les réponses excessivement longues, router les requêtes simples vers des modèles plus légers, mieux compresser les caches, surveiller le taux d’échec des appels API et choisir un hébergement moins carboné. L’optimisation n’est pas forcément spectaculaire, mais elle devient significative à grande échelle.

• réduire la taille moyenne des réponses ;
• éviter de relancer inutilement le même calcul ;
• mettre en cache les requêtes récurrentes ;
• planifier les traitements lourds sur des plages d’électricité moins carbonée ;
• afficher un indicateur d’impact pour rendre l’usage plus sobre.

Au final, tracer l’empreinte carbone d’un chatbot revient moins à produire une vérité unique qu’à construire un protocole robuste. C’est cette discipline qui permet à un lecteur de comprendre ce qui relève du calcul, de la communication et de l’approximation. Et c’est aussi ce qui distingue une simple statistique d’un véritable travail d’investigation fondé sur les données.