Combien pèse mon IA de travail ? J'ai mesuré l'empreinte de mes journées avec Claude

Je code avec une IA presque tous les jours. Claude Code lit mes fichiers, propose des modifications, lance des commandes, et je relis. Je travaille aussi dans une agence qui défend l’écoconception. Pour que les deux tiennent ensemble, je dois savoir ce que coûte l’IA. Anthropic, l’éditeur de Claude, ne publie aucun chiffre sur la consommation de ses modèles. J’ai donc fait le calcul moi-même, à partir de mes propres données.

Une journée de travail avec Claude Code

2,3 kg de CO₂e, dans une fourchette de 1,3 à 4,3 kg
5,8 kWh d'électricité, dans une fourchette de 3,4 à 10,7 kWh
16 km en voiture thermique pour le même CO₂
71 % de l'énergie sert à relire la conversation à chaque appel

Estimation sur mes 18 journées de travail du 28 septembre au 20 octobre 2026. Médiane, et intervalle à 80 %.

Ce que j’ai mesuré

Claude Code garde sur mon ordinateur le journal de chaque conversation. Pour chaque appel au modèle, il note le nombre de tokens, les morceaux de mots que le modèle lit et écrit.

J’ai compté les journées de travail, celles où j’ai passé plus de 300 appels : il y en a 18 entre le 28 septembre et le 20 octobre 2026. Une journée type, c’est environ 1 000 appels, presque tous à Opus 5.5, le plus gros modèle d’Anthropic. Les tokens d’une journée se répartissent en trois catégories :

4,8 millions de tokens d’entrée nouveaux : ce que je tape, les fichiers lus, les résultats des commandes ;
210 millions de tokens relus : à chaque appel, le modèle relit toute la conversation depuis le début, soit environ 217 000 tokens par appel. Cette relecture passe par un cache, beaucoup moins coûteux qu’une lecture neuve, mais pas gratuit ;
0,52 million de tokens de sortie : ce que le modèle écrit, code compris.

Des tokens aux kilowattheures

Faute de chiffres d’Anthropic, j’ai pris les estimations publiées par des chercheurs et des ingénieurs qui ont mesuré ou modélisé des modèles comparables. Elles divergent, parfois d’un facteur dix, et aucune ne porte sur Opus. La plupart donnent une énergie par requête, que j’ai convertie en énergie par million de tokens. Plutôt que de choisir une valeur, j’ai gardé pour chaque facteur une valeur basse, une centrale et une haute.

Facteur	Bas	Central	Haut
Texte produit (Wh par million)	600	1 500	6 000
Entrée nouvelle (Wh par million)	130	200	400
Relecture en cache (Wh par million)	3	20	80
Électricité (g CO₂e par kWh)	270	385	416
Fabrication des serveurs (majoration)	5 %	10 %	25 %

Compter les tokens Script

Un script lit les journaux de Claude Code et additionne, jour par jour, les tokens d'entrée, de relecture et de sortie. Rien ne quitte mon ordinateur.
Convertir en énergie Sources publiques

Chaque type de token est multiplié par sa consommation par million, refroidissement des centres de données compris.
Convertir en CO₂ Sources publiques

L'énergie est multipliée par l'intensité carbone de l'électricité américaine, là où le modèle tourne, puis majorée pour la fabrication des puces et des serveurs.
Mesurer l'incertitude Simulation

Le calcul est refait 200 000 fois en tirant chaque facteur au hasard dans sa fourchette. On garde la médiane, et l'intervalle où tombent 80 % des résultats.

L’électricité retenue est celle des États-Unis : l’API d’Anthropic route les requêtes dans le monde entier par défaut, et ses grands centres de calcul sont américains. La fourchette part du réseau de Virginie, le plus dense en centres de données, et monte jusqu’au réseau du Midwest, plus carboné. C’est dans cette région, en Indiana, qu’Amazon a ouvert fin 2025 un campus de centres de données dédié à Anthropic.

Ce qui pèse vraiment

Je m’attendais à ce que le texte écrit par l’IA domine. C’est l’inverse.

Répartition des tokens et de l'énergie estimée sur une journée de travail type, avec les valeurs centrales des facteurs.

Voir les données sous forme de tableau

Part des tokens et de l'énergie par type de token, en pourcentage
Indicateur	Relecture de la conversation	Entrée nouvelle	Texte produit
Part des tokens	97,6 %	2,2 %	0,2 %
Part de l'énergie	71 %	16 %	13 %

Produire un token coûte bien plus cher que le relire : c’est pour cela que 0,2 % des tokens représentent 13 % de l’énergie. Mais la relecture se compte en centaines de millions. Chaque nouveau message fait relire au modèle toute la conversation qui précède. Plus une session dure, plus chaque échange coûte cher, même pour une question d’une ligne.

C’est le facteur le plus incertain du calcul. Aucune source ne mesure directement l’énergie d’une relecture en cache. Je l’ai déduite du prix : pour Opus 5.5, Anthropic facture la relecture vingt fois moins cher qu’une lecture neuve. Le climatologue Zeke Hausfather, qui a fait le même exercice, retient 10 % du coût d’une lecture et teste de 1 à 25 %.

À quoi ça correspond

Activité	kg CO₂e
Une journée moyenne d'un Français	22,5 kg
Un repas avec du bœuf	5 kg
Une journée de travail avec Claude Code	2,3 kg
10 km en voiture thermique	1,4 kg
Un repas végétarien	0,85 kg

Émissions en kilogrammes d'équivalent CO₂. Repas et voiture : ADEME, Impact CO2. Journée moyenne : empreinte carbone d'un Français en 2024 (8,2 tonnes, SDES), divisée par 365.

Sur une année de 180 jours de travail, avec ma semaine de quatre jours, cela fait autour de 420 kg de CO₂e, entre 240 et 770 kg. Soit environ 5 % de l’empreinte annuelle d’un Français moyen. C’est autant que 2 900 km en voiture, pour un seul outil de travail.

Si les serveurs étaient en France

Le même calcul avec l’électricité française, à 41 g de CO₂e par kWh selon Ember, donne environ 0,26 kg par jour : neuf fois moins. Comme pour l’hébergement d’un site, le pays des serveurs fait une grande partie du résultat. Ce n’est pas un choix que j’ai aujourd’hui : l’API d’Anthropic laisse le choix entre « partout dans le monde » et « États-Unis », pas l’Europe.

Ce que je change

Des conversations plus courtes. Une tâche par session, et je repars d’une conversation vide dès que le sujet change. C’est ce qui compte le plus, puisque la relecture pèse 71 % de l’énergie.
Le bon modèle pour la bonne tâche. Une recherche dans des fichiers ou un tri simple n’a pas besoin du plus gros modèle. Les plus petits consomment moins, même si leurs chiffres restent à sourcer.
L’IA dans l’atelier, pas dans le produit. Les sites que nous livrons n’appellent pas de modèle à chaque visite. L’IA m’aide à les construire, puis elle s’arrête.
Mesurer. Le script est rejouable. Je le relance pour voir si ces changements font baisser la courbe.

Les limites de ce calcul

Tout est estimé. Anthropic ne publie ni consommation par token, ni bilan carbone, ni la localisation de ses calculs. Mes facteurs viennent de modèles comparables, souvent mesurés sur d’autres puces que celles qu’Anthropic utilise.
Les très longues conversations sont mal connues. Aucune étude ne mesure le coût d’un modèle qui relit plus de 200 000 tokens à chaque appel. C’est le premier risque de sous-estimation.
Trois semaines de données seulement, sur une période de forte activité.
Les engagements d’achat d’électricité renouvelable des hébergeurs ne sont pas comptés. Ils ne changent pas le courant qui alimente réellement les serveurs.
La fabrication du matériel est approximée. La majoration de 10 % vient des chiffres publiés par Google pour Gemini, que j’ai recalculés : Google ne donne pas ce pourcentage lui-même.
L’entraînement du modèle n’est pas compté, seulement son utilisation.

Pour comparaison, l’outil open source claude-carbon donnait 2,76 kg par jour sur mes données de mi-octobre, avec sa propre méthode. Les deux calculs tombent dans le même ordre de grandeur.

Sous le capot : le script

Le script tient en une centaine de lignes, sans dépendance. Il lit les journaux de Claude Code, dans ~/.claude/projects, et ne fait aucun appel réseau.

// Wh par million de tokens : bas, central, haut
const P = {
	out: [600, 1500, 6000], // texte produit
	inp: [130, 200, 400], // entrée nouvelle
	cr: [3, 20, 80], // relecture en cache
	ci: [270, 385, 416], // g CO₂e par kWh, réseau américain
	emb: [1.05, 1.1, 1.25], // fabrication du matériel
};

const kwh = (f) => (jour.out * f.out + jour.inp * f.inp + jour.cr * f.cr) / 1000;

Chaque facteur est tiré dans une loi triangulaire en échelle logarithmique, entre sa valeur basse et sa valeur haute. Sur 200 000 tirages, on lit le 10ᵉ centile, la médiane et le 90ᵉ centile.

Sources

L’illustration en tête d’article est générée par intelligence artificielle.

← Tous les articles