Une demande typique adressée au modèle ouvert Kimi K3 émet environ 0,4 gramme de CO2 lorsqu'il fonctionne sur des serveurs en Suède. La même demande, sur un matériel identique, émet 3,2 grammes au Texas, soit 8,5 fois plus. Cet écart est la pièce maîtresse d'une nouvelle méthode open source de calcul des émissions de carbone des demandes individuelles d'IA, publiée le 21 octobre par le fournisseur suédois d'IA Berget AI en collaboration avec des chercheurs du Stockholm Environment Institute (SEI) et des organisations à but non lucratif WattTime et Klimatkollen.
Pourquoi la comptabilité carbone par demande est importante Pour plus de contexte sur cette histoire, consultez notre plus d'articles sur l'IA.
La plupart des entreprises qui utilisent l’IA n’ont aucun moyen de savoir ce que leur utilisation émet réellement, selon Berget AI. Les chiffres publics qui existent sont généralement de larges moyennes estimées de l’extérieur, calculées en multipliant une empreinte moyenne supposée par une estimation du volume total – des chiffres que personne ne peut vérifier indépendamment.
La nouvelle méthode adopte l’approche inverse : elle calcule les émissions demande par demande, sur la base de l’intensité moyenne des émissions du réseau électrique régional où fonctionnent réellement les serveurs, et intègre le carbone incorporé dans la fabrication du matériel. Le résultat dépend du modèle utilisé, de l'heure de la journée et du fait qu'une partie de l'invite soit servie à partir du cache. Chaque requête est donc calculée individuellement plutôt que via une moyenne plate.
"Aujourd'hui, la plupart des entreprises n'ont aucun moyen de savoir ce que leur utilisation de l'IA émet", a déclaré Andreas Lundmark, PDG de Berget AI, dans le communiqué. "Grâce à cette méthode, nos clients peuvent suivre leurs émissions demande par demande et comparer les fournisseurs sur la base de données plutôt que de marketing. Nous savons que la plupart des acheteurs européens choisiraient différemment s'ils pouvaient voir les chiffres."
La grille est la variable qui domine
La comparaison globale – 0,4 gramme de CO2 par demande de Kimi K3 en Suède contre 3,2 grammes au Texas – provient uniquement des différences dans la composition du réseau. La même demande émet 1,6 grammes en Irlande et 2,5 grammes en Allemagne, selon le communiqué. Étant donné que le matériel sous-jacent est identique dans chaque cas, le delta dépend presque entièrement de l’endroit où le centre de données se connecte.
Cette variable devient une décision d’achat plutôt qu’une contrainte fixe. Les modèles ouverts, qui peuvent légalement fonctionner dans n’importe quel centre de données, gèrent désormais une part croissante du trafic mondial d’IA. Berget AI cite les chiffres d'AI Gateway de Vercel montrant que les modèles à poids ouvert ont servi 29 % des jetons en juin 2026, contre 11 % en avril. Pour ces charges de travail, l’acheteur peut choisir la zone géographique, à condition que les émissions soient réellement visibles.
"La plupart des chiffres alarmants concernant l'empreinte de l'IA proviennent de la multiplication d'une moyenne par une estimation du volume, et personne ne peut les vérifier", a déclaré Christian Landgren, CTO et co-fondateur de Berget AI. "La seule comparaison équitable consiste à calculer chaque demande et à les additionner. Nous avons publié nos jugements afin que chacun puisse les vérifier et les utiliser."
Construit sur des normes existantes, publié sous le MIT
La méthode suit la spécification SCI for AI de la Green Software Foundation et est disponible sous la licence MIT sur GitHub. Berget AI a également lancé un calculateur public sur co2.berget.ai qui applique la méthode à n'importe quel modèle et région, en s'appuyant sur des estimateurs open source antérieurs tels que EcoLogits et le tableau de bord CLEER du Sustainable AI Group. Les clients du propre service d'inférence de Berget peuvent observer leurs émissions s'accumuler dans la console de l'entreprise lorsqu'ils interrogent des modèles.
Les partenaires ont cartographié et mesuré directement l'impact environnemental de l'infrastructure de Berget (énergie, eau et matériel) ainsi que l'empreinte carbone de Garbo AI de Klimatkollen, qui fonctionne sur cette infrastructure, puis ont combiné les mesures avec la recherche actuelle sur la traduction de l'utilisation des ressources en carbone et en impact environnemental plus large.
La croissance de la demande dépasse toujours l'efficacité
Cette publication intervient dans un contexte de projections en forte hausse concernant la consommation électrique des centres de données. Somya Joshi, directeur de recherche au SEI, a souligné les chiffres de l'Agence internationale de l'énergie qui prévoient que la consommation électrique des centres de données fera plus que doubler pour atteindre environ 945 TWh d'ici 2030, avec l'IA comme principal moteur.
"Toute promesse de gains d'efficacité sera probablement contrebalancée par une demande plus élevée, annulant ainsi toute réduction des émissions provenant des énergies renouvelables", a déclaré Joshi dans le communiqué. "Des méthodologies comme celle-ci offrent une base transparente pour des décisions éclairées. Leur force est qu'elles démontrent clairement à quel point l'emplacement du réseau et des infrastructures critiques est important lorsqu'il s'agit de déterminer dans quelle mesure l'IA peut être durable."
Ce que cela signifie pour les acheteurs d'IA
Pour les entreprises qui gèrent leurs propres déploiements à poids ouvert, les implications pratiques sont simples : le même modèle peut entraîner un prix du carbone qui varie d'un facteur huit selon la région, et des outils existent désormais pour mesurer cette différence avant de signer un contrat. Berget AI indique qu'elle souhaite que d'autres fournisseurs d'inférence adoptent des rapports par demande afin que les acheteurs puissent comparer les fournisseurs sur des chiffres mesurés plutôt que sur des allégations marketing.
Les auteurs de la méthode reconnaissent que leurs chiffres sont des estimations basées sur la localisation utilisant la combinaison moyenne du réseau plutôt que les émissions marginales horaires, une simplification commune à cette classe d'outils. Néanmoins, la transparence des hypothèses – toutes publiées pour examen – est ce qui distingue cet effort des moyennes opaques qui ont dominé jusqu’à présent le discours sur l’énergie de l’IA.
Le fait que d’autres fournisseurs emboîtent le pas dépend peut-être moins du code que de la pression des achats : si les acheteurs d’entreprises commencent à demander des émissions par demande dans les appels d’offres, les rapports basés sur la moyenne deviendront plus difficiles à défendre.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
