Les agents IA consomment bien plus d’énergie qu’une simple requête

Les agents IA, qui enchaînent des appels modèle après modèle pour accomplir une tâche, consomment bien plus d’électricité qu’une requête de chat classique, selon une analyse publiée par Zeke Hausfather sur The Climate Brink. Sur huit semaines d’usage de Claude Code, l’auteur estime avoir utilisé environ 170 kWh, soit près de 150 Wh par prompt, autour de 600 fois plus qu’un prompt Gemini médian tel que présenté par Google. Le sujet compte car les chiffres rassurants publiés l’an dernier par Google et Sam Altman ne décrivent pas ces usages plus lourds, désormais centraux dans les produits IA. Et la facture ne se limite pas à la curiosité scientifique : elle pèse sur les data centers, l’électricité et, à terme, sur les émissions.

Un prompt n’est plus une bonne unité de mesure

Le cœur du problème tient au mot même de “prompt”. Hausfather rappelle qu’un agent ne fonctionne pas comme un simple échange de messages : il relit son contexte, appelle le modèle à répétition et peut tourner pendant des heures. Dans son cas, 1 138 prompts saisis ont déclenché plus de 14 000 appels modèle, avec en moyenne douze appels par prompt. Le système a traité 3,2 milliards de tokens sur huit semaines. Pour rappel, un token est un fragment de texte utilisé par les modèles pour compter et traiter les entrées et sorties.

Google avait avancé 0,24 Wh pour un prompt texte médian Gemini, tandis que Sam Altman évoquait 0,34 Wh pour une requête ChatGPT moyenne. Ces ordres de grandeur restent utiles pour un échange simple, mais ils masquent le reste : raisonnement prolongé, multimodal, outils, multi-agents et génération de code. Hausfather écrit ainsi : “A 'prompt' is ultimately not a unit of AI use any more than 'trips' is a measurement of driving; it’s how far you go that matters.” La formule a le mérite d’être claire. Une voiture n’est pas mesurée au nombre de fois où l’on tourne la clé de contact.

Claude Code, l’exemple qui fait monter la note

Claude Code, l’agent de programmation d’Anthropic utilisé par Hausfather, montre surtout l’effet d’accumulation. Sur ses logs locaux, 96 % des tokens traités sont des lectures du cache, car l’agent relit son contexte complet à chaque étape. Le texte réellement affiché à l’écran ne pèse que 0,4 % des tokens traités. Autrement dit, l’essentiel du travail se passe hors champ, dans la mécanique interne du modèle.

Son estimation centrale atteint 170 kWh d’électricité de data center sur huit semaines, avec une fourchette de 70 à 330 kWh. Rapporté à un prompt, cela donne environ 150 Wh. À titre de comparaison, un usage de chat classique reste autour de 0,24 Wh selon Google, ce qui fait ressortir un écart d’environ 600 fois. Hausfather estime aussi qu’une journée moyenne d’usage de Claude Code lui a coûté 3,0 kWh, avec un maximum observé à 11 kWh lors d’un traitement géodata parallèle. C’est déjà plus qu’un frigo moyen sur une journée.

Ce que cela change pour les data centers

Le calcul annuel est plus parlant encore. Extrapolé sur douze mois, son usage intensif d’agent représenterait environ 1,1 MWh d’électricité, soit près de 370 kg de CO₂ équivalent selon le mix électrique américain moyen. Cela correspond, selon son analyse, à un peu plus qu’un sèche-linge électrique sur un an, et à environ 8 % des émissions annuelles d’une voiture essence moyenne aux États-Unis. Le parallèle avec un vol aller-retour San Francisco–New York reste approximatif [à vérifier], mais il dit surtout une chose : les agents changent d’échelle.

Hausfather ne plaide pas pour une sobriété punitive. Il estime que demander aux utilisateurs intensifs de “se retenir” ne déplacera pas la courbe. En revanche, il juge pertinent d’orienter les tâches simples vers des modèles plus petits, qui consomment cinq à sept fois moins d’énergie par token que les modèles de pointe. Surtout, le levier principal reste l’électricité utilisée par les data centers. D’après son analyse, si la même charge de travail tournait sur une énergie largement décarbonée, l’empreinte carbone baisserait d’environ 90 %.

Le vrai arbitrage : usage, modèle et énergie

Le débat sur l’IA générative se déplace donc vers trois questions concrètes : quel modèle pour quelle tâche, combien d’appels pour finir le travail, et quelle électricité alimente les serveurs. Dans ce contexte, le projet des grands acteurs ne se limite plus à optimiser des interfaces. Il touche à la demande électrique, à la construction de nouvelles capacités et aux choix d’investissement dans le nucléaire, la géothermie ou l’extension du réseau. Hausfather note d’ailleurs qu’environ trois quarts des capacités de production sur site prévues pour les data centers américains reposent sur le gaz naturel.

La conséquence est simple : l’impact environnemental de l’IA ne se lit plus dans un seul chiffre par requête. Il dépend désormais du trajet complet, des itérations, des outils appelés et de la source d’énergie. Le débat sur la “petite” consommation d’un chat prompt est donc dépassé. Ce qui pèse vraiment, ce sont les agents qui travaillent longtemps, souvent, et sans faire semblant de s’arrêter.