Combien de CO₂ génère
un appel à GPT-4 ?

L'intelligence artificielle a transformé nos façons de travailler. Des chatbots aux agents autonomes, les appels à des modèles de langage (LLM) se multiplient dans chaque codebase, chaque pipeline de données, chaque application SaaS. Mais chaque requête a un coût invisible : une consommation énergétique, et donc une empreinte carbone.

La question "combien de CO₂ génère un appel à GPT-4 ?" est simple. La réponse, elle, nécessite de comprendre la chaîne de conversion : tokens → énergie (kWh) → grammes équivalent CO₂ (gCO₂e). Cet article vous donne les chiffres, les sources, et un exemple concret de mise à l'échelle.

Les chiffres : CO₂ par token selon le modèle

Les valeurs ci-dessous sont des estimations basées sur les données de consommation énergétique des data centers, les facteurs d'émission des réseaux électriques américains et européens, et les benchmarks publiés par des organismes de recherche indépendants (Goldman Sachs Research, IEA, Luccioni et al. 2023).

Sources : Luccioni et al. (2023), IEA Data Centres & Networks, Goldman Sachs Research (2024). Valeurs moyennées sur un mix électrique EU/US (0.4–0.5 kgCO₂/kWh).

Exemple concret : un chatbot à 10 000 requêtes/jour

Prenons un cas réel : une application de support client alimentée par GPT-4, recevant 10 000 messages par jour. Chaque échange implique en moyenne 500 tokens en entrée (contexte + question) et 200 tokens en sortie (réponse générée).

Pour contextualiser : 5 880 kg CO₂/an, c'est l'équivalent de 39 allers-retours Paris-Lyon en TGV, ou encore la consommation annuelle électrique de 2,5 foyers français. Difficile à visualiser sans outil dédié — c'est précisément le problème que TokenTrace résout.

Si vous passez de GPT-4 à GPT-3.5 pour les requêtes simples (éligibilité : ~60% du volume), vous réduisez l'empreinte de −83% sur ces appels, soit une économie potentielle de 2,9 tonnes CO₂/an sur ce seul levier.

Pourquoi mesurer son empreinte carbone IA est si difficile

Aucun fournisseur — OpenAI, Anthropic, Google — ne retourne directement le CO₂ généré dans ses API. Vous obtenez des compteurs de tokens (usage.prompt_tokens, usage.completion_tokens), mais la conversion en empreinte carbone requiert trois données supplémentaires :

• 1Le facteur d'émission du modèle (gCO₂/token) — variable selon le modèle et la version
• 2Le mix électrique du data center utilisé (US East ≠ EU West ≠ Singapour)
• 3L'overhead système : refroidissement, réseau, hardware lifecycle

Le calcul existe, il est simplement dispersé et jamais automatisé dans vos pipelines. C'est là qu'intervient une API dédiée.

Comment mesurer facilement avec TokenTrace

TokenTrace est une API qui reçoit vos données de consommation de tokens et retourne instantanément le CO₂ correspondant, avec des équivalences concrètes. L'intégration prend moins de 5 minutes.

curl -X POST https://tokentrace.nanocorp.app/api/track \
  -H "Content-Type: application/json" \
  -H "X-API-Key: ttk_votre_cle" \
  -d '{
    "model": "gpt-4",
    "tokens": 700
  }'

{
  "success": true,
  "co2_grams": 1.61,
  "model": "GPT-4",
  "tokens": 700,
  "equivalences": {
    "km_voiture": 0.011,
    "smartphone_charges": 0.20
  }
}

Chaque appel est enregistré dans votre dashboard. Vous visualisez en temps réel votre consommation par modèle, par jour, par équipe — et recevez des alertes quand vos seuils carbone sont dépassés. Plus aucun angle mort dans votre empreinte IA.