Assistant IA
Questions, résumés, rédaction, traduction.
Modèles populaires pour cet usage
- GPT-6 Luna
- Claude Sonnet 5.5
- Gemini 3.8 Flash
- Mistral Small 4
IA DURABLE / COMPRENDRE, PAS CERTIFIER
Combien pèse votre IA ?
Faites le calcul.
Estimez l’empreinte carbone de trois ans d’IA pour votre équipe : dans le cloud, ou sur une Appliance dans vos locaux.
Vous décrivez vos usages. Nous montrons chaque hypothèse.
Votre équipe
Décrivez l’usage de l’IA dans votre équipe.
Paramètres avancés
Deux hypothèses pèsent lourd dans le résultat. Vous pouvez les changer.
VOTRE SCÉNARIO / 3 ANS / UNE APPLIANCE
Point de bascule carbone
après environ 5 mois.
Avec ces hypothèses, le cumul comptabilisé du cloud dépasse celui de l’Appliance à ce moment-là. C’est un résultat conditionnel, pas une réduction vérifiée.
Hypothèse d’électricité du cloud : Carbonée. Modifiable dans les paramètres avancés.
IA cloud, cumul sur 3 ans1 959 kg CO₂eUne Appliance, cumul sur 3 ans310 kg CO₂e
Qui émet quoi, année après année ?
Émissions cumulées des postes comptabilisés, en kg CO₂e
IA cloudUne Appliance
Voir les valeurs année par année
| Cumul, en kg CO₂e | Départ | Année 1 | Année 2 | Année 3 |
|---|---|---|---|---|
| IA cloud | 0 | 653 | 1 306 | 1 959 |
| Une Appliance | 255 | 273 | 292 | 310 |
| Écart (cloud − Appliance) | -255 | 380 | 1 015 | 1 649 |
L’écart est une différence entre postes comptabilisés. Ce ne sont pas des « émissions évitées ». Un écart négatif signifie que le cloud est en dessous.
Ce que ce calcul ne connaît pas
Ces postes sont inconnus. Ils ne valent pas zéro, et ils ne sont dans aucun des totaux ci-dessus.
La capacité d’une seule Appliance à tenir cette charge n’est pas vérifiée non plus. S’il fallait plusieurs appareils, l’empreinte locale augmenterait d’autant.
- Côté cloudFabrication des serveurs
- Inconnu
- Côté cloudOutils appelés par l’IA : recherche, stockage, réseau
- Inconnu
- Côté cloudEntraînement des modèles
- Inconnu
- Côté ApplianceAccessoires : socle, câbles
- Inconnu
- Côté ApplianceFin de vie de l’appareil
- Inconnu
Ce calculateur est une invitation à comprendre et à questionner l’empreinte de l’IA, pas une certification environnementale.
Estimation conditionnelle, méthode d’estimation v0.1.0. Ce n’est ni une analyse de cycle de vie, ni une réduction d’émissions vérifiée, ni l’empreinte d’un fournisseur cloud. Les seules mesures utilisées sont celles que ML.ENERGY a publiées sur trois modèles ouverts ; Appliance Labs n’a pas encore de mesures de terrain. Lire la méthodologie
TROIS USAGES
À chaque usage, ses modèles.
Et un repère d’énergie.
Les modèles populaires situent chaque usage. Le calcul, lui, utilise l’énergie d’un modèle ouvert mesurée par ML.ENERGY.
IA au travail
Documents longs, analyses, livrables complets.
Modèles populaires pour cet usage
- GPT-6 Sol
- Claude Sonnet 5.5
- Gemini 4 Argon
- Mistral Large 4
Agents IA
Tâches longues en plusieurs étapes, avec recherche et outils.
Modèles populaires pour cet usage
- GPT-6 Astra
- Claude Opus 5.5
- Claude Fable 5.1
- Gemini 4 Argon
- Grok 4.7
Noms de modèles vérifiés le 12 octobre 2026. La consommation de ces modèles populaires n’est pas publiée : nous ne la mesurons pas et nous ne leur attribuons aucun chiffre. Le repère d’énergie de chaque usage est un modèle ouvert, sans équivalence de qualité validée. Ce calcul ne classe aucune marque.
NOTRE DÉMARCHE
Comment avons-nous construit
cette estimation ?
Trois étapes simples, avec des sources publiques. Nous montrons notre travail, limites comprises.
- 1
Comparer les capacités
Nous comparons les capacités des modèles avec Artificial Analysis, pour situer ceux qui rendent un service comparable.
Artificial Analysis - 2
Chercher l’énergie mesurée
Nous recherchons des données énergétiques publiées, notamment auprès de Hugging Face et de ML.ENERGY, sur des modèles ouverts.
Hugging Face AI Energy Score, ML.ENERGY - 3
Construire des scénarios
Nous construisons des scénarios à partir de ces références et de trois profils d’usage, en explicitant les extrapolations nécessaires.
Méthode d’estimation Appliance Labs
Où nous en sommes : le calculateur actuel utilise les mesures publiées par ML.ENERGY sur trois modèles ouverts. Le croisement entre Artificial Analysis et AI Energy Score est encore un travail de recherche en cours : il n’entre pas dans les calculs, et aucune équivalence n’est validée.
Lire la méthodologieHYPOTHÈSES
Ce qui est supposé.
Et ce qui est déclaré.
Chaque valeur par défaut porte son statut. Changer une hypothèse peut inverser le résultat.
- HypothèseEmpreinte initiale de l’Appliance : 255 kg CO₂e
Fabrication, livraison et installation. Provision non vérifiée : ce n’est pas un chiffre NVIDIA. Modifiable dans les paramètres avancés.
- HypothèsePuissance en activité : 140 W
8 heures par jour, 365 jours par an. Hypothèse, pas une mesure sous cette charge.
- Déclaré par NVIDIAPuissance au repos : 38 W
Valeur déclarée par NVIDIA pour la DGX Spark.
- Publié par RTEÉlectricité de l’Appliance : 0,029 kg CO₂e/kWh
Production française 2025 en cycle de vie, publiée par RTE. Valeur d’approximation, pas le facteur exact de l’électricité livrée.
- HypothèseÉlectricité du cloud : 0,029, 0,200 ou 0,400 kg CO₂e/kWh
Trois hypothèses au choix dans les paramètres avancés ; le calculateur s’ouvre sur la plus carbonée. Aucune n’est la valeur d’un fournisseur.
- HypothèseSurconsommation du centre de données (PUE) : 1,20
Hypothèse de calcul, pas la valeur d’un fournisseur.
- HypothèseAutres composants des serveurs : 15 % de l’énergie des GPU
Hypothèse de calcul.
- HypothèseVolumes : 220 jours
Jours travaillés par an, sur 3 ans. La taille d’une demande dans chaque usage est une hypothèse, pas un usage observé.