Graphique en barre

Le ROI de l’IA se compte en dollars. En 2027, il faudra aussi le compter en énergie.

En 2026, un débat a été tranché : l’IA appliquée à la production des systèmes d’information a un retour sur investissement prouvé, payé en moins d’un an. La question s’est alors déplacée vers le coût du token, devenu une ligne budgétaire à part entière. Mais cette équation reste incomplète. Chaque token consommé a un coût énergétique, hydrique et carbone que presque aucune direction ne pilote, et cette variable devient structurelle dès 2027.

L’essentiel

  • Le coût du token est désormais piloté, mais uniquement en dollars. À mesure que l’IA passe du pilote à la production à grande échelle, sa facture énergétique suit la même courbe. C’est la moitié invisible du « coût par résultat ».
  • Le paradoxe de Jevons déjoue les tableaux de bord. L’énergie par tâche s’effondre à un rythme inédit ; le volume de tokens, lui, explose plus vite encore. Résultat : la consommation totale double malgré les gains d’efficience.
  • La réglementation verrouille le sujet. EU AI Act, CSRD et ISO 42001 font entrer l’empreinte de l’IA dans la documentation obligatoire et la gouvernance. L’échéance clé tombe le 2 août 2027.
  • La décision. Passer d’un FinOps IA compté en euros à un pilotage à double métrique : le coût par résultat en euros et en grammes de CO₂. Mesurer avant d’optimiser, router avant de gouverner.

Le débat s’est déplacé, mais il lui manque une colonne

Le consensus de 2026 est clair : c’est en outillant l’ingénierie, le « build » et le « run » du SI, que l’IA crée sa valeur la plus mesurable. Le token est ainsi devenu un poste OpEx structurel, du même ordre que les grands centres de coût de l’entreprise. Chez Mistral, dont l’IA est pourtant le cœur de métier, il représente déjà environ 10 % de la masse salariale. Gartner anticipe qu’à l’horizon 2028, le coût des tokens de génération de code pourrait dépasser le salaire moyen d’un développeur.

Ces analyses raisonnent en dollars. Aucune ne compte l’énergie. Or un token n’est pas une abstraction comptable : c’est un calcul physique, exécuté dans un datacenter, qui consomme de l’électricité, de l’eau et émet du carbone. Tant que l’IA restait au stade du pilote, cette dimension était négligeable. À l’échelle de la production industrielle, elle devient une ligne budgétaire, pas une note de bas de page.

Le paradoxe qui rend le sujet contre-intuitif

L’intuition la plus répandue, « l’IA devient plus efficace, donc son empreinte va se réduire », est exacte sur le token mais fausse sur le total.

Côté efficience, les progrès sont spectaculaires. En un an, Google a divisé par 33 l’énergie d’un prompt médian sur Gemini, et par 44 son empreinte carbone, essentiellement par optimisation logicielle. L’Agence internationale de l’énergie observe la même dynamique : l’énergie par tâche baisse à un rythme inédit dans l’histoire de l’énergie.

Côté volume, la trajectoire est inverse. Les usages explosent : selon Goldman Sachs, la consommation mondiale de tokens pourrait être multipliée par 24 d’ici 2030. Et chaque tâche consomme désormais davantage : un modèle de raisonnement peut mobiliser plus de 70 fois l’énergie d’un modèle léger pour répondre, parce qu’il génère beaucoup plus de tokens intermédiaires. Les agents autonomes, qui enchaînent les appels, amplifient encore le phénomène.

Le résultat net est un cas d’école de paradoxe de Jevons : plus le token est efficace et bon marché, plus on en consomme. L’IEA projette ainsi un quasi-doublement de la consommation électrique des datacenters, de 485 TWh en 2025 à près de 950 TWh en 2030, soit environ 3 % de la demande électrique mondiale, la part dédiée à l’IA triplant sur la période. Un « coût par résultat » qui baisse en dollars peut donc s’accompagner d’une empreinte énergétique et carbone qui grimpe. C’est précisément la colonne que les tableaux de bord actuels ne calculent pas.

Tous les tokens ne se valent pas

C’est aussi ce qui rend le sujet actionnable, et non fataliste. L’analyse de cycle de vie publiée par Mistral avec l’ADEME et Carbone 4 établit une corrélation nette : à nombre de tokens égal, un modèle dix fois plus gros génère des impacts d’un ordre de grandeur supérieur. Autrement dit, le premier levier de sobriété n’est pas technique : c’est un choix d’allocation, le bon modèle pour la bonne tâche.

Envoyer une classification de tickets, une extraction de données ou un résumé vers un modèle de frontière, c’est gaspiller simultanément du budget et de l’énergie. Réserver la puissance de raisonnement aux cas à forte valeur, router le volume vers des modèles légers ou spécialisés, optimiser le contexte : ces arbitrages réduisent la facture financière et l’empreinte dans le même geste. Les deux métriques pointent dans la même direction, ce qui fait de la sobriété IA un sujet de performance, pas de contrainte.

La réglementation transforme la bonne pratique en obligation

Ce qui relevait hier de la responsabilité volontaire devient un impératif de conformité.

L’EU AI Act impose désormais aux fournisseurs de modèles d’usage général de documenter la consommation énergétique, connue ou estimée, de leurs modèles. Les modèles déjà sur le marché avant août 2025 bénéficient d’un délai de grâce qui expire le 2 août 2027 : cette date fixe l’horizon. En parallèle, la directive CSRD fait entrer l’empreinte du numérique et de l’IA dans le reporting extra-financier des grandes entreprises, et la norme ISO 42001 intègre la soutenabilité au système de management de l’IA.

Le contexte français ajoute une urgence propre. Selon l’ADEME, le numérique représente déjà 4,4 % de l’empreinte carbone nationale, et les datacenters en concentrent près de la moitié. Point décisif : ces chiffres ne reflètent pas encore la montée de l’IA générative. La trajectoire à documenter en 2027 partira donc d’un socle déjà en forte hausse.

Ce que cela change pour une DSI en 2027

Quatre arbitrages, dans cet ordre.

1. Mesurer avant d’optimiser. Adosser au FinOps IA existant un tableau de bord à double métrique : euros et grammes de CO₂ par résultat. Le déclencheur n’est pas le pilote, mais le passage en production à l’échelle, car c’est là que la variable devient significative. On ne pilote pas ce qu’on ne mesure pas.

2. Router par tâche et par modèle. Faire du choix du modèle une décision explicite et gouvernée, pas un réflexe par défaut vers le plus puissant. La cascade de modèles et les modèles spécialisés permettent d’atteindre le même niveau de service à une fraction du coût et de l’empreinte.

3. Gouverner au bon niveau. Intégrer la variable énergétique aux arbitrages budgétaires IA au même titre que le dollar, avec des points de contrôle coût et carbone en amont des décisions. Les trois échéances qui structurent l’agenda : l’entrée dans le périmètre CSRD, la date du 2 août 2027 de l’EU AI Act, une démarche ISO 42001.

4. Optimiser et capitaliser. Un contexte épuré, du caching, des fenêtres bien dimensionnées réduisent tokens, coût et énergie d’un même mouvement. Et si le prix du token de pointe continue de monter sous la contrainte de puissance de calcul, l’arbitrage vers des modèles ouverts ou hébergés en propre gagnera en pertinence, aussi bien financière qu’environnementale.

En une phrase

L’IA appliquée au SI a prouvé son ROI ; la prochaine bataille budgétaire se jouera sur le coût par résultat, et ce coût n’est complet que lorsqu’on l’exprime aussi en énergie et en carbone. En 2027, ce ne sera plus une option de gouvernance, mais une ligne de compte.

Faites le diagnostic avant que 2027 ne l’impose. Votre organisation sait-elle déjà combien coûte, en euros et en kWh, chaque résultat produit par ses IA ? Fruggr réunit le coût financier et l’empreinte environnementale de vos usages IA dans un même tableau de bord, pour piloter le vrai coût par résultat. Échangeons-en.

En 2026, un débat a été tranché : l’IA appliquée à la production des systèmes d’information a un retour sur investissement prouvé, payé en moins d’un an. La question s’est alors déplacée vers le coût du token, devenu une ligne budgétaire à part entière. Mais cette équation reste incomplète. Chaque token consommé a un coût énergétique, hydrique et carbone que presque aucune direction ne pilote, et cette variable devient structurelle dès 2027.

L’essentiel

  • Le coût du token est désormais piloté, mais uniquement en dollars. À mesure que l’IA passe du pilote à la production à grande échelle, sa facture énergétique suit la même courbe. C’est la moitié invisible du « coût par résultat ».
  • Le paradoxe de Jevons déjoue les tableaux de bord. L’énergie par tâche s’effondre à un rythme inédit ; le volume de tokens, lui, explose plus vite encore. Résultat : la consommation totale double malgré les gains d’efficience.
  • La réglementation verrouille le sujet. EU AI Act, CSRD et ISO 42001 font entrer l’empreinte de l’IA dans la documentation obligatoire et la gouvernance. L’échéance clé tombe le 2 août 2027.
  • La décision. Passer d’un FinOps IA compté en euros à un pilotage à double métrique : le coût par résultat en euros et en grammes de CO₂. Mesurer avant d’optimiser, router avant de gouverner.

Le débat s’est déplacé, mais il lui manque une colonne

Le consensus de 2026 est clair : c’est en outillant l’ingénierie, le « build » et le « run » du SI, que l’IA crée sa valeur la plus mesurable. Le token est ainsi devenu un poste OpEx structurel, du même ordre que les grands centres de coût de l’entreprise. Chez Mistral, dont l’IA est pourtant le cœur de métier, il représente déjà environ 10 % de la masse salariale. Gartner anticipe qu’à l’horizon 2028, le coût des tokens de génération de code pourrait dépasser le salaire moyen d’un développeur.

Ces analyses raisonnent en dollars. Aucune ne compte l’énergie. Or un token n’est pas une abstraction comptable : c’est un calcul physique, exécuté dans un datacenter, qui consomme de l’électricité, de l’eau et émet du carbone. Tant que l’IA restait au stade du pilote, cette dimension était négligeable. À l’échelle de la production industrielle, elle devient une ligne budgétaire, pas une note de bas de page.

Le paradoxe qui rend le sujet contre-intuitif

L’intuition la plus répandue, « l’IA devient plus efficace, donc son empreinte va se réduire », est exacte sur le token mais fausse sur le total.

Côté efficience, les progrès sont spectaculaires. En un an, Google a divisé par 33 l’énergie d’un prompt médian sur Gemini, et par 44 son empreinte carbone, essentiellement par optimisation logicielle. L’Agence internationale de l’énergie observe la même dynamique : l’énergie par tâche baisse à un rythme inédit dans l’histoire de l’énergie.

Côté volume, la trajectoire est inverse. Les usages explosent : selon Goldman Sachs, la consommation mondiale de tokens pourrait être multipliée par 24 d’ici 2030. Et chaque tâche consomme désormais davantage : un modèle de raisonnement peut mobiliser plus de 70 fois l’énergie d’un modèle léger pour répondre, parce qu’il génère beaucoup plus de tokens intermédiaires. Les agents autonomes, qui enchaînent les appels, amplifient encore le phénomène.

Le résultat net est un cas d’école de paradoxe de Jevons : plus le token est efficace et bon marché, plus on en consomme. L’IEA projette ainsi un quasi-doublement de la consommation électrique des datacenters, de 485 TWh en 2025 à près de 950 TWh en 2030, soit environ 3 % de la demande électrique mondiale, la part dédiée à l’IA triplant sur la période. Un « coût par résultat » qui baisse en dollars peut donc s’accompagner d’une empreinte énergétique et carbone qui grimpe. C’est précisément la colonne que les tableaux de bord actuels ne calculent pas.

Tous les tokens ne se valent pas

C’est aussi ce qui rend le sujet actionnable, et non fataliste. L’analyse de cycle de vie publiée par Mistral avec l’ADEME et Carbone 4 établit une corrélation nette : à nombre de tokens égal, un modèle dix fois plus gros génère des impacts d’un ordre de grandeur supérieur. Autrement dit, le premier levier de sobriété n’est pas technique : c’est un choix d’allocation, le bon modèle pour la bonne tâche.

Envoyer une classification de tickets, une extraction de données ou un résumé vers un modèle de frontière, c’est gaspiller simultanément du budget et de l’énergie. Réserver la puissance de raisonnement aux cas à forte valeur, router le volume vers des modèles légers ou spécialisés, optimiser le contexte : ces arbitrages réduisent la facture financière et l’empreinte dans le même geste. Les deux métriques pointent dans la même direction, ce qui fait de la sobriété IA un sujet de performance, pas de contrainte.

La réglementation transforme la bonne pratique en obligation

Ce qui relevait hier de la responsabilité volontaire devient un impératif de conformité.

L’EU AI Act impose désormais aux fournisseurs de modèles d’usage général de documenter la consommation énergétique, connue ou estimée, de leurs modèles. Les modèles déjà sur le marché avant août 2025 bénéficient d’un délai de grâce qui expire le 2 août 2027 : cette date fixe l’horizon. En parallèle, la directive CSRD fait entrer l’empreinte du numérique et de l’IA dans le reporting extra-financier des grandes entreprises, et la norme ISO 42001 intègre la soutenabilité au système de management de l’IA.

Le contexte français ajoute une urgence propre. Selon l’ADEME, le numérique représente déjà 4,4 % de l’empreinte carbone nationale, et les datacenters en concentrent près de la moitié. Point décisif : ces chiffres ne reflètent pas encore la montée de l’IA générative. La trajectoire à documenter en 2027 partira donc d’un socle déjà en forte hausse.

Ce que cela change pour une DSI en 2027

Quatre arbitrages, dans cet ordre.

1. Mesurer avant d’optimiser. Adosser au FinOps IA existant un tableau de bord à double métrique : euros et grammes de CO₂ par résultat. Le déclencheur n’est pas le pilote, mais le passage en production à l’échelle, car c’est là que la variable devient significative. On ne pilote pas ce qu’on ne mesure pas.

2. Router par tâche et par modèle. Faire du choix du modèle une décision explicite et gouvernée, pas un réflexe par défaut vers le plus puissant. La cascade de modèles et les modèles spécialisés permettent d’atteindre le même niveau de service à une fraction du coût et de l’empreinte.

3. Gouverner au bon niveau. Intégrer la variable énergétique aux arbitrages budgétaires IA au même titre que le dollar, avec des points de contrôle coût et carbone en amont des décisions. Les trois échéances qui structurent l’agenda : l’entrée dans le périmètre CSRD, la date du 2 août 2027 de l’EU AI Act, une démarche ISO 42001.

4. Optimiser et capitaliser. Un contexte épuré, du caching, des fenêtres bien dimensionnées réduisent tokens, coût et énergie d’un même mouvement. Et si le prix du token de pointe continue de monter sous la contrainte de puissance de calcul, l’arbitrage vers des modèles ouverts ou hébergés en propre gagnera en pertinence, aussi bien financière qu’environnementale.

En une phrase

L’IA appliquée au SI a prouvé son ROI ; la prochaine bataille budgétaire se jouera sur le coût par résultat, et ce coût n’est complet que lorsqu’on l’exprime aussi en énergie et en carbone. En 2027, ce ne sera plus une option de gouvernance, mais une ligne de compte.

Faites le diagnostic avant que 2027 ne l’impose. Votre organisation sait-elle déjà combien coûte, en euros et en kWh, chaque résultat produit par ses IA ? Fruggr réunit le coût financier et l’empreinte environnementale de vos usages IA dans un même tableau de bord, pour piloter le vrai coût par résultat.

parlons-en