Une analyse détaillée de l’utilisation de Claude Code suggère que les agents IA peuvent consommer beaucoup plus d’électricité que les simples invites de chat souvent utilisées pour décrire l’empreinte énergétique de l’IA. Le climatologue Zeke Hausfather a suivi pendant huit semaines sa propre activité d’agent de programmation et a estimé environ 170 kilowattheures d’électricité de centre de données pour 1 138 entrées tapées.

Cela correspond à environ 150 wattheures par entrée — soit approximativement 600 fois les 0,24 à 0,34 wattheure cités pour une requête textuelle typique par Google et OpenAI. La comparaison n’est pas une mesure universelle de toutes les charges de travail d’agents, mais elle met en évidence la quantité d’énergie qui peut se cacher derrière une seule demande utilisateur lorsque des agents logiciels multiplient les appels au modèle, traitent de grands contextes et travaillent de manière autonome.

Ce que Hausfather a mesuré dans Claude Code

Hausfather a publié ses conclusions via The Climate Brink, avec une couverture de The Decoder. Ses journaux locaux Claude Code enregistraient les nombres de tokens et les appels au modèle sur huit semaines d’utilisation. Les 1 138 invites ont déclenché plus de 14 000 appels au modèle — environ 12 appels par entrée — et traité environ 3,2 milliards de tokens.

La plus grande part de ce traitement provenait de la gestion du contexte plutôt que du texte affiché à l’utilisateur. Selon l’analyse, environ 96 % des tokens étaient des lectures de cache, car l’agent relisait à plusieurs reprises son contexte accumulé à des étapes successives. La sortie du modèle visible à l’écran ne représentait qu’environ 0,4 % des tokens traités.

Hausfather a estimé la consommation totale à 170 kWh, tout en donnant une large fourchette d’incertitude de 70 à 330 kWh. Les nombres de tokens provenaient des journaux de Claude Code ; convertir ces nombres en consommation d’électricité a nécessité trois méthodes d’estimation distinctes et des hypothèses sur l’énergie consommée par token.

La charge de travail qui en résultait était inégale. Une session médiane consommait environ 0,6 kWh, tandis que la consommation quotidienne moyenne atteignait 3,0 kWh, avec une plage de 1,2 à 5,9 kWh. La journée la plus intensive, impliquant plusieurs agents parallèles travaillant sur une analyse de géodonnées, a été estimée à 11 kWh.

Pourquoi les comparaisons simples d’invites sont insuffisantes

Google a indiqué qu’une invite textuelle médiane de Gemini consomme 0,24 wattheure. Le PDG d’OpenAI, Sam Altman, a estimé une requête moyenne de ChatGPT à 0,34 wattheure. Ces chiffres décrivent des types de requêtes étroits et ne sont pas nécessairement comparables à un agent de codage qui raisonne sur une tâche en de nombreuses étapes.

La distinction compte parce qu’« une invite » est un événement d’interface utilisateur, pas une unité de calcul cohérente. Un échange de chat classique peut impliquer environ mille tokens, selon la comparaison de Hausfather. Ses entrées Claude Code ont en moyenne environ 2,9 millions de tokens traités, y compris le contexte répété et les appels intermédiaires.

Les modèles de raisonnement, les recherches web, le traitement d’images et d’audio, la génération de code et les flux de travail multi-agents peuvent tous modifier la quantité de calcul derrière une requête. Un agent peut également réessayer des opérations, examiner des fichiers, exécuter des tests, réviser du code et appeler des outils avant de renvoyer un résultat. Un tableau de bord produit qui n’affiche que l’invite initiale pourrait donc masquer la charge de travail réelle.

Cela n’établit pas que chaque utilisation de agents IA consomme 600 fois plus d’électricité qu’une requête de chat. Le chiffre est une estimation basée sur le schéma d’utilisation intensif d’un seul utilisateur de Claude Code, comparé à des estimations publiées de faible consommation pour les requêtes. Il montre néanmoins pourquoi les chiffres moyens par invite ne doivent pas être considérés comme une comptabilisation complète de l’IA basée sur des agents.

Preuves, incertitudes et question du carbone

L’analyse fournit des données d’utilisation exceptionnellement concrètes mais ne mesure pas directement l’électricité du centre de données. La marge d’incertitude de Hausfather est importante, et les hypothèses d’énergie par token ne peuvent pas être vérifiées indépendamment de l’extérieur des entreprises d’IA. The Decoder note également que les personnes extérieures ne connaissent pas le coût énergétique exact par token des principaux modèles commerciaux.

L’impact carbone dépend de plus que du volume d’électricité. Hausfather a projeté que le maintien de ce niveau d’utilisation pendant un an nécessiterait environ 1,1 mégawattheure d’électricité de centre de données, avec une fourchette de 0,4 à 2,2 MWh. En utilisant le mix électrique moyen des États-Unis, il a estimé environ 370 kilogrammes d’équivalent dioxyde de carbone par an.

Ce chiffre serait plus faible sur un réseau largement propre et plus élevé lorsque l’électricité provient d’une production à forte intensité carbone. Hausfather estime que faire fonctionner la même charge de travail avec une électricité largement propre pourrait réduire son empreinte carbone d’environ 90 %. Sa conclusion est que la source d’électricité pourrait être un levier plus important que de demander à un petit nombre d’utilisateurs très intensifs d’arrêter d’utiliser des agents.

Il soutient également que les plus petits modèles sont utiles pour les tâches routinières car ils consomment environ cinq à sept fois moins d’énergie par token que les modèles de pointe, selon son analyse. Il s’agit d’une recommandation directionnelle plutôt que d’une règle d’achat universelle : l’efficacité du modèle, la qualité, la latence, le matériel et le nombre de réessais influencent tous le résultat final.

Ce que les résultats signifient pour les créateurs et acheteurs d’IA

Pour les développeurs, la leçon immédiate est de mesurer les exécutions complètes des agents plutôt que de compter les invites utilisateur. Les équipes devraient suivre les appels au modèle, les tokens d’entrée et de sortie, les lectures de cache, les invocations d’outils, les réessais, les travailleurs parallèles et le temps total consacré à une tâche. Ces indicateurs peuvent révéler qu’une fonctionnalité apparemment peu coûteuse génère un travail considérable en arrière-plan.

Les résultats rendent aussi les stratégies de routage plus importantes. Un modèle plus petit pourrait gérer la classification, la recherche de fichiers, la mise en forme ou de simples modifications de code, tandis qu’un modèle plus capable serait réservé aux tâches nécessitant réellement un raisonnement plus profond. L’élagage du contexte, la conception de la récupération, la mise en cache et les limites des boucles autonomes peuvent réduire à la fois les coûts et la consommation d’électricité, même si des limites trop strictes peuvent aussi réduire la fiabilité.

Les acheteurs d’entreprise devraient demander aux fournisseurs comment ils calculent leurs affirmations en matière d’énergie et de carbone. Un chiffre par requête peut exclure le raisonnement caché, le contexte mis en cache, les appels d’outils ou les frais généraux du centre de données. Les acheteurs qui évaluent des assistants de codage ou des déploiements d’agents de flux de travail ont besoin d’estimations spécifiques à la charge de travail, pas seulement de moyennes issues d’un trafic de chat léger.

L’analyse soulève également une question de déploiement pour les produits conçus pour fonctionner pendant des jours ou des semaines. Des tâches autonomes plus longues pourraient multiplier la demande d’énergie bien au-delà du schéma d’utilisation observé par Hausfather. Cette possibilité n’est pas une prévision, mais une raison d’intégrer des contrôles d’énergie, de coût et d’arrêt dans l’architecture des agents avant de déployer l’usage à grande échelle dans une organisation.

Ce qu’il faut surveiller ensuite

Le prochain signal utile sera la mesure indépendante de l’énergie par token selon les familles de modèles, les configurations matérielles et les cadres d’agents. Un reporting plus clair des laboratoires d’IA pourrait rendre les affirmations des fournisseurs plus comparables, surtout si les entreprises indiquent si leurs chiffres incluent le raisonnement, la mise en cache, les appels d’outils et les surcoûts de refroidissement.

Les équipes produit devraient également surveiller des contrôles pratiques tels que les routeurs de modèles, les paramètres de budget de contexte, les limites d’étapes des agents et les tableaux de bord énergétiques au niveau de la charge de travail. Du côté de l’infrastructure, la part de la nouvelle puissance des centres de données fournie par le gaz naturel, ainsi que les investissements dans l’énergie propre, l’expansion du réseau, la géothermie ou le nucléaire, détermineront quelle part de l’électricité supplémentaire se traduit en émissions.

Perspective Creati.ai

L’analyse de Hausfather ne montre pas que les agents IA sont intrinsèquement gaspilleurs, et elle n’invalide pas non plus les estimations plus basses de consommation pour le chat simple. Elle montre que l’unité mesurée compte. Pour un agent, l’invite de l’utilisateur n’est peut-être que le début d’un long flux de travail computationnel.

Pour les créateurs et les acheteurs d’entreprise, la réponse pratique est une meilleure comptabilité : mesurer la tâche complète, orienter le travail vers le plus petit modèle capable et définir des limites autour de l’exécution autonome. Le débat sur l’énergie deviendra plus utile lorsque les rapports au niveau produit refléteront ce que les agents font réellement plutôt que ce que les utilisateurs tapent.