En salle des professeurs, un collègue referme son ordinateur sans terminer sa requête : il a lu quelque part que chaque question posée à une IA coûtait cher à la planète. Il a raison de se poser la question, mais il la pose au mauvais endroit. L’essentiel de l’empreinte environnementale du numérique ne se joue pas au moment où l’on saisit une requête.
Trois questions avant de solliciter l’IA
Est-ce que je saurais le faire aussi vite sans elle ? Est-ce que je vais relire et retravailler ce qu’elle produit, ou le jeter après un coup d’œil ? Est-ce que je lui demande de produire un contenu, ou seulement de mettre en forme quelque chose que j’ai déjà écrit ? Trois réponses négatives, et la requête ne se justifie pas.
Ordres de grandeur
L’étude ADEME-Arcep, référence en France, situait en 2022 la part des terminaux à 79 % de l’empreinte carbone du numérique, contre 16 % pour les centres de données et 5 % pour les réseaux. Sa mise à jour de janvier 2025, qui intègre cette fois les centres de données situés à l’étranger, ramène cette part à 50 %, dont environ 42 points relèvent de la seule fabrication contre 8 pour l’utilisation. Deux enseignements se dégagent. Le premier est que le matériel pèse davantage que les usages, et sa fabrication davantage que son fonctionnement. Le second, tout aussi utile à transmettre, est que les chiffres évoluent lorsque le périmètre de mesure change.
Du côté de l’IA, on dispose depuis juillet 2025 de la première analyse de cycle de vie complète d’un grand modèle européen, réalisée sur Mistral Large 2 avec le cabinet Carbone 4 et le soutien de l’ADEME. L’entraînement du modèle a généré environ 20,4 kilotonnes de CO2 équivalent sur dix-huit mois, tandis qu’une réponse d’environ une page représente 1,14 gramme de CO2 équivalent et 45 millilitres d’eau, hors impact du terminal de l’utilisateur. Il faudrait plusieurs milliards de réponses de cette longueur pour égaler le bilan carbone du seul entraînement. Autrement dit, ce n’est pas l’usage quotidien d’un enseignant qui fait la différence, mais la construction du modèle et le nombre de personnes qui l’utilisent partout dans le monde. La requête individuelle pèse donc peu ; ce sont l’entraînement et le volume mondial cumulé qui font masse.
L’ADEME a publié en juillet 2026 un avis consacré à l’IA générative qui confirme cette lecture. Les impacts sont majoritairement liés à la consommation énergétique des centres de données nécessaires pour entraîner et utiliser ces systèmes, et dépendent donc en grande partie de l’intensité carbone du mix électrique employé. Or les usages numériques français dépendent aux deux tiers de centres de données hébergés à l’étranger, avec des mix électriques nettement plus carbonés que le mix français.
Ce qui dépend de nous
Trois leviers relèvent réellement du choix de l’enseignant, par ordre d’efficacité décroissante.
Le premier est celui des trois questions placées en tête de cet article : interroger le besoin avant de solliciter l’IA. Une requête que l’on ne passe pas est la seule dont l’impact soit nul, et ce geste ne demande aucun outil, aucune compétence technique et aucune autorisation.
Le deuxième consiste à choisir le modèle adapté à la tâche. L’impact est globalement proportionnel à la taille du modèle : à volume de texte produit équivalent, un modèle dix fois plus grand génère un impact d’un ordre de grandeur supérieur. Mobiliser un modèle de raisonnement pour reformuler une consigne revient à prendre l’autoroute pour aller à la boulangerie. L’écart est considérable et ne coûte rien à corriger.
Formuler sa demande avec précision relève du même levier. Une consigne claire du premier coup évite trois relances, donc trois requêtes. Le bénéfice est d’abord un gain de temps, il se double d’un gain environnemental.
Le troisième consiste à privilégier les services institutionnels et les modèles hébergés en France, dont l’électricité est nettement moins carbonée, comme le rappelle l’avis de l’ADEME. Ce choix règle par ailleurs la question de la protection des données personnelles des élèves.
Et l’établissement ?
L’essentiel se joue toutefois à une autre échelle, et rejoint les objectifs de la loi REEN de 2021. Prolonger de deux ans la durée de vie d’un parc de tablettes ou d’ordinateurs pèse davantage que l’ensemble des gestes individuels réunis. Un établissement qui accompagnerait le déploiement de l’IA d’un renouvellement accéléré de son parc dégraderait son bilan, quels que soient les efforts de chacun.
Mesurer pour comprendre
Plusieurs outils permettent aujourd’hui d’objectiver ces ordres de grandeur. Compar:IA, service développé par le ministère de la Culture, permet d’interroger à l’aveugle plusieurs IA conversationnelles et de découvrir ensuite leurs biais et leurs impacts environnementaux respectifs. Comparer deux modèles sur une même tâche y devient immédiat. Le comparateur Impact CO2 de l’ADEME fournit de son côté les équivalences qui donnent du sens aux grammes obtenus.
Une précaution s’impose : ces outils produisent des estimations et non des mesures, à partir d’hypothèses sur le mix énergétique et l’infrastructure. Ils ne couvrent que l’inférence, donc ni l’entraînement ni le terminal utilisé. Le dire aux élèves fait partie de l’exercice.
Une entrée pédagogique
C’est peut-être là que le sujet devient le plus fécond. Proposer aux élèves de chercher combien émet un courriel les conduira à trouver des valeurs allant de 0,3 à 50 grammes selon les sources. Ils remonteront à des origines parfois inattendues, certains chiffres très diffusés provenant d’acteurs ayant un intérêt commercial dans le résultat annoncé. Ils constateront également que les estimations institutionnelles elles-mêmes ont évolué.
Cette enquête gagne à être précédée d’un travail sur le fonctionnement des modèles. Éduc’IA, ensemble de modules publié sur la Forge des communs numériques éducatifs, propose des activités qui rendent visible le mécanisme de génération, mot après mot, et permettent d’observer les biais culturels selon l’origine des modèles interrogés. Les élèves comprennent ainsi ce que fait la machine avant d’évaluer ce qu’elle coûte.
L’objectif n’est pas de conclure que rien ne compte, mais d’apprendre à distinguer une mesure d’une estimation militante, à s’interroger sur le périmètre d’un calcul et à raisonner en ordres de grandeur. Ces compétences se transfèrent aisément en technologie, en SNT, en SVT et en enseignement moral et civique, et s’inscrivent directement dans le cadre de référence des compétences numériques.
Il ne s’agit d’ailleurs pas d’une option. L’article 1er de la loi REEN complète l’article L. 312-9 du code de l’éducation en prévoyant que la formation des élèves au numérique comporte une sensibilisation à l’impact environnemental des outils numériques ainsi qu’un volet relatif à la sobriété numérique.
Plus-value
Abordée ainsi, la sobriété numérique cesse d’être une liste de bonnes conduites pour devenir une démarche d’investigation. Les élèves y gagnent des outils de raisonnement transférables, les enseignants une hiérarchie claire des leviers dont ils disposent réellement.
