Générer du texte : quels impacts ?
Générer du texte utilise des ressources. Combien ? Cela dépend du modèle et de son usage.
Partir d’un exemple publié, puis changer le nombre de réponses pour voir ce que l’échelle change.
Côté enseignantrepères pour la classe
Objectif : travailler la proportionnalité et apprendre à demander ce qu’un chiffre mesure.
Le compteur : il cumule des tokens, parfois estimés à partir du texte, depuis sa dernière remise à zéro. Il peut omettre des appels. Ce n’est pas une mesure de consommation.
Référence : Mistral AI publie en 2025, pour une réponse de 400 tokens dans Le Chat, 1,14 g CO₂e et 45 mL d’eau, hors terminal utilisateur. Ici, prolonger ces chiffres par proportionnalité est une hypothèse pédagogique, pas une mesure des modèles d’Éduc’IA.
Aucun token enregistré dans ce navigateur. Utilise un module de génération, puis reviens ici. Le compteur est partiel et peut contenir des estimations.
Tokens enregistrés depuis la dernière remise à zéro : 0. Voici une extrapolation avec la référence publiée. Ce n’est pas l’impact mesuré de cette visite.
Le compteur reste dans le navigateur entre les visites. Il ne mesure ni l’énergie des serveurs ni tous les appels réalisés.
Cas publié : 400 tokens → 1,14 g CO₂e et 45 mL d’eau. Pour les autres longueurs, le jeu suppose une relation proportionnelle.
Ces chiffres viennent d’un cas précis : étude Mistral AI, 2025. Ils ne décrivent pas toutes les réponses de tous les modèles.
Imaginons que chaque réponse ait le même impact que le cas publié. Multiplie par…
Scénario fictif : 68 millions de personnes, chacune avec la même réponse de référence. Ce n’est pas un bilan des usages réels en France.
Penser aussi à l’entraînement
Il faut aussi des ressources pour entraîner un modèle et fabriquer les serveurs. Les chiffres par réponse ne suffisent pas à décrire tout le cycle de vie.
Et si l’impact par réponse changeait ? Ces facteurs sont inventés pour comparer des scénarios. Ils ne représentent pas des tailles de modèles.
Le choix de ces facteurs sert au calcul. Pour comparer de vrais modèles, il faut des mesures réalisées dans des conditions comparables.
Texte, image, vidéo : peut-on comparer ?
Les coûts varient avec la tâche, la durée et la qualité demandées. Les mesures de Luccioni et ses collègues montrent de grands écarts entre tâches.
Il n’existe pas de règle universelle « une image = cent textes ». Il faut comparer le même matériel, le même périmètre et des sorties bien définies.
Ça dépend aussi de…
- Le pays d'hébergement : la même électricité n'émet pas le même CO₂ partout (le mix électrique français est peu carboné).
- La longueur des réponses et le nombre de requêtes : la sobriété d'usage compte.
- Le matériel et son refroidissement : les puces et les centres de données se renouvellent sans cesse.
- La date et le périmètre : vérifier ce qui est inclus, et dans quelles conditions le chiffre a été obtenu.
Bonne nouvelle : c'est un choix
Choisir un outil adapté, limiter les générations inutiles et réutiliser un résultat utile sont des pistes de sobriété. Un grand modèle n’est pas nécessaire pour chaque tâche.
À retenir
Un chiffre a besoin d’un contexte. Quel modèle ? Quelle réponse ? Quel matériel ? Ce jeu explore des hypothèses ; il ne mesure pas la consommation du site.
Références
- Mistral AI (2025). Our contribution to a global environmental standard for AI — cas publié de Le Chat
- Carbone 4 (2025). Generative AI: environmental assessment with Mistral AI
- Luccioni, S., Jernite, Y. & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?