IA générative : quand le Green IT devient un critère d'arbitrage pour les entreprises

Ce qu'il faut retenir

• La CSRD (Corporate Sustainability Reporting Directive) oblige les entreprises de plus de 1 000 salariés et 450 millions d'euros de chiffre d'affaires à mesurer chaque année leurs émissions indirectes liées au numérique (scope 3), IA générative comprise ;
• Le coût environnemental d'un projet IA se joue à 80 % sur trois arbitrages techniques : choix du modèle, type d'usage (recherche augmentée ou réentraînement), volume d'usage quotidien projeté.
• Une IA dite "agentique" (qui enchaîne plusieurs requêtes pour accomplir une tâche en autonomie) peut générer jusqu'à 60 fois plus d'impacts environnementaux qu'une IA générative classique, ce qui justifie un arbitrage dédié dans toute feuille de route 2026.
• Sans grille d'arbitrage partagée entre Comex, DSI et Direction RSE, le coût financier de l'IA générative dérape sur trois plans simultanés : la facture cloud, les sanctions réglementaires en cas d'audit défavorable, et le refus d'accès aux financements verts si l’entreprise est accusée (à juste titre), de greenwashing.

Tous les sujets qui suivent (mesure de l'empreinte, choix d'architecture, grille de décision Comex × DSI × RSE) reposent sur une compétence interne capable d'instruire chaque décision projet. Cette compétence se développe par l'expérience terrain accumulée, ou via une formation comme Déployer une IA responsable, Green IT et numérique responsable d'ib Cegos.

Pourquoi votre Comex doit désormais arbitrer chaque projet d'IA générative ?

Tant que l'IA générative restait un sujet de prototypes ou de pilotes isolés, la question environnementale relevait des équipes techniques. Avec le déploiement massif des assistants comme Copilot 365 dans la suite bureautique, des moteurs de recherche augmentés par l'IA dans les applications métier, et des automatisations qui multiplient les requêtes, l'IA entre dans le bilan carbone de l'entreprise et atterrit sur la table du Comex (le comité exécutif, qui rassemble les directeurs des grandes fonctions).

Quels chiffres font basculer le sujet du technique au stratégique ?

Voici quelques chiffres pour représenter  l'empreinte environnementale de l'IA et la vitesse à laquelle elle se dégrade, à l'échelle mondiale comme française :

• En 2025, l'IA générative a généré l'équivalent de 41 millions de tonnes de CO2 dans le monde, soit à peu près les émissions annuelles d'un pays comme le Portugal (source : Impacts environnementaux et sanitaires de l'intelligence artificielle et Our World in Data)
• En 2025, l'IA pèse jusqu'à 2 % des impacts environnementaux du numérique à l'échelle mondiale et consomme à elle seule 10 % du budget environnemental annuel 2025 de l’UE. D'ici 2030, ces impacts seront multipliés par sept et atteindront jusqu'à 21 % des impacts du numérique mondial et 62 % de ce même budget européen. (source : Impacts environnementaux et sanitaires de l'intelligence artificielle)
• L'IA représente aujourd'hui 5 à 15 % de la consommation des centres de données, part qui pourrait atteindre 35 à 50 % d'ici 2030. A noter que la consommation électrique des centres de données mondiaux va sans doute doubler d'ici 2030, avec une croissance annuelle quatre fois supérieure à celle de la consommation électrique totale. (Source : rapport Energy and AI de l'Agence internationale de l'énergie).
• Côté France, l'observatoire ARCEP-ADEME 2025 chiffre l'empreinte du numérique d'entreprise à 4,4 % de l'empreinte carbone nationale et 11 % de la consommation électrique du pays. Les centres de données représentent à eux seuls 16 % de l'empreinte numérique française et 10 % de la consommation électrique nationale, une contribution qui s'aggravera avec la montée en charge de l'IA générative

Côté entreprise, ces chiffres vont avoir plusieurs conséquences :

• Sur le plan réglementaire, les entreprises incapables de chiffrer leur empreinte IA (et celle de leurs contrats cloud) s'exposent à des sanctions
• Sur le plan financier, chaque kilowattheure supplémentaire consommé par vos projets IA pèse à la fois plus en émissions et plus cher dans la facture cloud qu'il y a cinq ans.
• Sur le plan opérationnel, la concentration géographique des datacenters dans quelques hubs sous tension (Irlande, Virginie du Nord, Francfort) crée un risque de plafonnement de capacité ou de surcoût brutal pour les entreprises clientes.
• Sur le plan stratégique, chaque projet IA décidé aujourd'hui verra son empreinte multipliée par la croissance du secteur. Ce facteur d'aggravation impose un arbitrage en amont entre Comex, DSI et Direction RSE, et non plus une décision technique isolée laissée au seul Codir IT.

Maintenant que vous avez les risques en tête, plusieurs arbitrages doivent être pris par votre entreprise lors de la mise en place d’un nouveau projet IA :

• Le choix du modèle IA : faut-il opter pour un modèle commercial hébergé en cloud (GPT-4, Claude, Gemini), pour un modèle ouvert installé sur les serveurs de l'entreprise (Mistral, Llama), ou pour une architecture hybride qui combine les deux selon les cas d'usage.
• Le périmètre d'usage : qui utilise quoi, à quel volume quotidien, pour quel gain métier mesurable.
• Le seuil environnemental plancher : combien de tonnes de CO2 l'entreprise tolère pour ce projet sur l'année avant que l'investissement perde sa cohérence avec ses engagements RSE publics.

La DSI ne peut plus arbitrer seule ces trois questions, parce que la signature du rapport CSRD engage la responsabilité du directeur général et de toute son entreprise.

Qu'est-ce que la CSRD et pourquoi vous concerne-t-elle dès le premier prompt ?

La CSRD (Corporate Sustainability Reporting Directive) est la directive européenne adoptée en 2022 qui oblige les grandes entreprises à publier chaque année un rapport détaillé sur leur impact environnemental et social, validé par un commissaire aux comptes au même titre que les comptes financiers.

Elle remplace l'ancienne Déclaration de Performance Extra-Financière (DPEF) et concerne aujourd'hui les entreprises de plus de 1 000 salariés réalisant plus de 450 millions d'euros de chiffre d'affaires (périmètre détaillé Commission européenne). Le premier rapport obligatoire portait sur l'exercice 2024, déposé en 2025.

Le rapport décompose les émissions de l'entreprise en trois catégories.

• Le scope 1 couvre les émissions directes (les chaudières du siège, les véhicules de fonction).
• Le scope 2 couvre l'électricité achetée au fournisseur.
• Le scope 3 couvre toutes les autres émissions indirectes, et notamment l'usage du numérique externalisé.

Chaque requête adressée à ChatGPT, Claude ou Gemini consomme de l'électricité dans un datacenter externe, et cette consommation entre directement dans le scope 3 du rapport CSRD annuel.

Sans outil de mesure systématique des usages internes, l'entreprise reporte des chiffres incomplets, et un reporting incomplet déclenche un audit défavorable de la part du commissaire aux comptes signataire.

Quatre risques découlent d'un audit défavorable, dans cet ordre de gravité financière :

1. La sanction financière directe : amende plafonnée à 5 % du chiffre d'affaires mondial sur certains manquements caractérisés au reporting CSRD.
2. Le refus d'accès aux financements verts en cas de reporting défaillant, ce qui fera mécaniquement augmenter le coût d'emprunt des entreprises.
3. La dégradation de la notation extra-financière par les agences spécialisées (MSCI, Sustainalytics, Moody's ESG), ce qui se traduit par une baisse du cours de bourse pour les sociétés cotées et un renchérissement du capital pour toutes les autres.
4. Le risque réputationnel en affichant publiquement des engagements RSE tout en signant des projets IA polluants.

En France, la loi REEN (Réduction de l'Empreinte Environnementale du Numérique, 2021) impose aux acteurs du numérique des obligations spécifiques de sensibilisation, d'écoconception des sites web et de reporting sur les datacenters. Leur non-respect peut entraîner des mises en demeure suivies de sanctions administratives par l'ARCEP.

La loi AGEC (Anti-Gaspillage et Économie Circulaire, 2020) impose l'allongement de la durée de vie des équipements informatiques et lutte contre l'obsolescence programmée, avec des amendes allant jusqu'à 15 000 euros par produit non conforme.

Quelle est l'empreinte carbone réelle d'un projet IA générative ?

Un projet IA générative consomme de l'énergie à trois endroits différents : pendant l'entraînement initial du modèle, à chaque utilisation en production (ce qu'on appelle l'inférence), et en arrière-plan sur les centres de données qui hébergent le tout. Savoir comment ces trois lignes se répartissent vous permet de cibler les bons leviers de réduction.

Entraînement, inférence, centres de données : où se cache la facture environnementale ?

Quel est le coût environnemental lié à l’entraînement des modèles IA ?

L'entraînement est le moment où le modèle apprend, en absorbant des milliards de documents pendant plusieurs semaines sur des milliers de processeurs spécialisés appelés GPU (Graphics Processing Units, les puces de calcul intensives). Le coût est massif mais ponctuel.

Le rapport Stanford AI Index 2025 chiffre l'entraînement de GPT-3 à 588 tonnes de CO2 (2020), GPT-4 à 5 184 tonnes (2023), Llama 3.1 405B à 8 930 tonnes (2024), des volumes qui correspondent à environ 1 300 MWh, 13 000 MWh et 22 000 MWh d'électricité consommée selon le mix énergétique des datacenters utilisés.

Pour donner une référence, l'entraînement GPT-4 a coûté l'équivalent de la consommation électrique annuelle d'une commune française d'environ 5 000 habitants. La courbe est exponentielle : la puissance de calcul nécessaire pour entraîner les modèles de référence double environ tous les cinq mois.

Pour la plupart des entreprises, cette dépense énergétique reste mutualisée chez les éditeurs (OpenAI, Anthropic, Mistral) et n'apparaît pas directement sur la facture d'électricité. Elle se retrouve en revanche dans deux postes que la DSI suit déjà :

• le coût d'API par requête, qui intègre une part amortie des coûts d'entraînement dans son tarif unitaire,
• et le scope 3 numérique du rapport CSRD, via les émissions imputées à l'usage des modèles.

Autrement dit, la facture d'entraînement de l’IA remonte par ricochet dans le prix de la requête et dans le bilan carbone annuel.

Quel est le coût environnemental lié à l’utilisation des modèles IA au quotidien ? (inférence et prompting)

L'inférence (l'utilisation du modèle en production une fois entraîné), coûte peu par requête mais fait exploser la facture cumulée à l'échelle d'une entreprise.

Les estimations d'octobre 2023 plaçaient une requête ChatGPT autour de 2,9 Wh, soit environ dix fois plus qu'une requête de recherche Google standard. Même en retenant la fourchette basse avancée par Sam Altman, PDG d’OpenAI, 10 000 requêtes par jour dans votre entreprise représentent environ 1 240 kilowatt-heures par an, soit la consommation électrique annuelle d'un quart de foyer européen moyen sur ce seul usage IA. Si vos collaborateurs montent à 50 000 requêtes quotidiennes (cas réaliste pour 500 personnes équipées d'un assistant), la facture passe à 6 200 kWh par an, soit l'équivalent d'un foyer européen entier. Une recherche Google classique consomme environ 0,3 Wh par requête selon les estimations historiques publiées par Google.

Quel est le coût environnemental de l’infrastructure IT qui sous-tend les modèles IA ?

Les centres de données spécialisés IA s'équipent de GPU énergivores (Nvidia H100, H200) qui dégradent le PUE (Power Usage Effectiveness, le rapport entre l'énergie totale consommée par le centre et celle qui sert vraiment au calcul). Plus le PUE est élevé, plus le centre est inefficace. À ce poste s'ajoute la consommation d'eau de refroidissement, mesurée par le WUE (Water Usage Effectiveness), qui devient critique dans les régions en stress hydrique.

Sur ces trois postes, une entreprise ne peut agir que sur l’usage quotidien de l’IA : c'est elle qui décide du modèle utilisé, du volume autorisé, du périmètre d'usage à ouvrir à ses collaborateurs. C'est là que se concentrent les arbitrages Green AI à instruire en priorité, et c'est sur ce poste que la grille de décision Comex × DSI × RSE doit produire ses effets les plus rapides.

Quels arbitrages techniques pour réduire l'empreinte sans sacrifier la performance ?

Trois arbitrages techniques pèsent à 80 % sur la facture environnementale finale d'un projet IA générative :

• Le choix entre un modèle commercial hébergé en cloud et un modèle ouvert installé chez vous.
• Le choix entre recherche augmentée, réentraînement spécialisé et entraînement complet.
• La part donnée aux agents autonomes dans votre architecture.

Faut-il prendre un modèle prêt à l'emploi (GPT, Claude, Gemini) ou en installer un dans l'entreprise (Mistral, Llama) ?

Un modèle commercial accessible via le cloud (GPT-4 d'OpenAI, Claude d'Anthropic, Gemini de Google) atteint le meilleur niveau de performance disponible sur le marché. Vous payez à la requête, et l'empreinte est mutualisée dans des centres de données massifs souvent mieux optimisés qu'un centre privé. En contrepartie, vous dépendez d'un fournisseur dont la trajectoire environnementale échappe à votre contrôle, et votre scope 3 reste difficile à tracer précisément faute de méthodologie publiée par ces éditeurs.

Un modèle ouvert installé sur vos serveurs (Mistral, Llama 3 de Meta, Phi-3 de Microsoft) place l'empreinte sous votre contrôle direct. Vous mesurez votre consommation au kilowatt-heure, vous maîtrisez la confidentialité de vos données, vous fixez un coût d'infrastructure prévisible. En échange, la performance reste en deçà des modèles commerciaux sur les tâches complexes, et le déploiement exige une expertise interne pour la maintenance et l'optimisation.

La comparaison reste difficile à faire en pratique. Les architectures dites hybrides apportent souvent le meilleur compromis entre Green IT et performance. Le principe : router les tâches sensibles et fréquentes vers un modèle ouvert installé en interne, et garder un modèle commercial cloud pour les tâches complexes ponctuelles. La question utile pour votre Comex n'est pas "cloud ou local" mais "quelle part de quelle catégorie d'usage va dans quel environnement, avec quel volume projeté à un an".

Recherche augmentée, réentraînement, entraînement complet : quel coût pour quel ROI ?

Qu’est-ce que la recherche augmentée (ou RAG) ?

La recherche augmentée (en anglais RAG, pour Retrieval Augmented Generation) consiste à donner au modèle l'accès à vos propres documents avant qu'il ne réponde.

• Coût : 10 000 à 100 000 € pour un projet de 3 à 6 mois.
• Empreinte carbone : faible, équivalente à un usage normal du modèle de base.
• Cas d'usage : chatbot interne, support client, FAQ, recherche documentaire. Couvre environ 80 % des besoins B2B courants.

Le modèle reste générique, mais ses réponses s'appuient sur votre base interne. C'est l'approche à privilégier par défaut pour la plupart des projets métier. Le coût environnemental reste modéré (5 à 20 fois celui d'une requête simple), vous évitez l'étape lourde de réentraînement, et vous mettez à jour vos données sans toucher au modèle. Le retour sur investissement se voit dès les premiers mois d'usage.

Qu’est-ce que le réentraînement spécialisé (ou fine-tuning) d’un modèle IA ?

Le réentraînement spécialisé consiste à reprendre un modèle existant et à le rejouer sur vos propres données pour le spécialiser. Pertinent quand vous voulez personnaliser le ton du modèle pour votre marque, ou quand un vocabulaire métier très spécifique (jargon juridique, terminologie médicale étroite) résiste à une recherche augmentée bien construite.

• Coût : 100 000 à 500 000 € pour un projet de 6 à 12 mois, préparation des données et évaluation incluses.
• Empreinte carbone : modérée, de quelques tonnes à quelques dizaines de tonnes de CO2 selon la taille du modèle ré-entraîné.
• Cas d'usage : génération de rapports juridiques, médicaux, financiers ou techniques où la précision métier ne peut pas être obtenue par la seule recherche augmentée. Justifié sur environ 15 % des projets IA d'entreprise.

Qu’est-ce que l'entraînement complet (from scratch) de modèles IA ?

L'entraînement complet (from scratch) consiste à construire un nouveau modèle à partir de zéro. Il n'a sa place que dans des cas de souveraineté absolue : défense nationale, santé critique, secret industriel non négociable, contrainte juridictionnelle imposant un modèle propre. Le coût environnemental est massif, les compétences techniques et le budget sortent du périmètre standard d'une DSI, et le retour sur investissement est rarement positif sur l'horizon de planification habituel.

• Coût : plusieurs millions à plusieurs dizaines de millions d'euros, sur 12 à 24 mois.
• Empreinte carbone : très élevée. L'entraînement de GPT-4 a généré environ 5 184 tonnes de CO2.
• Cas d'usage : moins de 1 % des entreprises utilisatrices d'IA en France.

Comment choisir entre RAG, fine tuning, et entraînement complet de modèle IA ?

La règle pratique pour votre DSI tient en trois temps.

1. Testez d'abord la recherche augmentée. Elle couvre la grande majorité des cas, demande l'investissement le plus faible et reste réversible si vos besoins évoluent.
2. Passez au réentraînement spécialisé seulement si la recherche augmentée ne suffit pas après trois à six mois d'usage métier réel, mesurés sur des indicateurs précis : taux de satisfaction utilisateur, taux de correction manuelle des réponses, précision sur cas test prédéfinis.
3. N'entraînez complètement que si la souveraineté l'impose (données confidentielles non transférables à un fournisseur tiers) et que le budget triennal le permet.

Sources :

1. McKinsey State of AI 2024, pas de benchmark France 2025-2026 publiquement référencé pour les coûts RAG
2. Predibase Fine-tuning Index 2025
3. Stanford AI Index 2024-2025
4. Estimation d’après l'étude Joule 2023 d'Alex de Vries
5. Menlo Ventures — State of Generative AI in the Enterprise 2024

Quel rôle pour l'IA agentique dans le Green IT ?

L'IA agentique (ou agents IA) désigne un système qui chaîne plusieurs appels à un modèle de langage, combine des outils externes, et exécute une tâche en autonomie de bout en bout. Un agent qui prépare un compte-rendu de réunion va par exemple écouter l'audio, le transcrire, identifier les actions à retenir, formater la note, l'envoyer dans votre outil de gestion de projet, sans qu'un humain intervienne entre chaque étape.

L'étude Green IT 2025 chiffre l'impact environnemental d'une IA agentique à jusqu'à soixante fois celui d'une IA générative simple. En effet, chaque tâche déléguée par l’agent multiplie le nombre de requêtes envoyées au modèle de langage. Un agent qui rédige un compte-rendu de réunion enchaîne typiquement huit à douze requêtes au modèle IA. Au niveau d’une entreprise, vous passez de 500 requêtes quotidiennes (une par tâche avec un prompt direct) à 5 000 requêtes quotidiennes (dix en cascade par agent), et votre facture environnementale est multipliée par dix sur ce seul changement d'architecture.

Avant de déployer un agent autonome dans votre entreprise, projetez son coût environnemental sur douze mois d'usage et comparez-le au gain métier vérifiable. La fascination pour l'agentique ne doit pas masquer le coût caché de la cascade de requêtes, et un projet "agent IA" mérite un arbitrage dédié dans votre feuille de route, pas une validation glissée dans un budget IA générique.

Ces trois arbitrages techniques (cloud ou local, recherche augmentée ou réentraînement, place de l'agentique) supposent une compétence interne capable d'instruire chaque décision sur des critères Green IT vérifiables. C'est précisément l'objet de la formation Déployer une IA responsable, Green IT et numérique responsable d'ib Cegos, qui donne aux participants les outils pour mener un diagnostic Green AI, choisir l'architecture la plus sobre selon le cas d'usage, et inscrire ces choix dans une démarche RSE pilotable.

Comment articuler IA générative et démarche Green IT dans votre entreprise ?

L'arbitrage entre IA générative et Green IT ne se joue pas dans la DSI seule. Il croise trois fonctions : la stratégie d'entreprise portée par le Comex (le comité exécutif, qui rassemble les directeurs des grandes fonctions), l'architecture technique portée par la DSI (Direction des Systèmes d'Information), et la démarche RSE portée par la Direction RSE ou la Direction RH-Formation selon votre organisation. Sans grille partagée, ces trois fonctions arbitrent en silos avec des critères différents, et les arbitrages perdent leur cohérence d'ensemble.

Quelle grille de décision Comex × DSI × RSE pour valider un projet IA générative ?

La grille suivante propose cinq critères à valider conjointement avant la signature d'un projet IA générative. Chaque critère relève d'une fonction identifiée, et les trois lignes co-signent la décision finale.

Un projet IA ne devrait théoriquement pouvoir être signé que si les cinq critères sont validés. Cette grille évite le greenwashing inverse en clarifiant qui décide quoi sur quel critère, et ramène l'arbitrage IA dans un cadre RSE assumé.

La formation Déployer une IA responsable, Green IT et numérique responsable d'ib Cegos prépare vos équipes à mener un diagnostic Green AI sur un projet d'entreprise réel, à construire la grille d'arbitrage Comex × DSI × RSE qui manque aujourd'hui dans la plupart des organisations, et à structurer le reporting d'usage de l'IA dans le scope 3 du rapport CSRD annuel. Les entreprises qui choisissent de développer cette compétence en interne dès maintenant capitalisent sur les itérations réglementaires à venir, au lieu de courir derrière chaque audit successif.