Google vs IA : la recherche mobile révèle un coût énergétique caché

Le mythe de l'IA énergivore face à Google

L'idée largement répandue selon laquelle l'intelligence artificielle consommerait plus d'énergie que les recherches Google repose sur une comparaison biaisée. En réalité, les données révèlent une toute autre histoire, session par session.

Imaginez une situation courante : vous utilisez votre smartphone pour effectuer une recherche sur Google. Vous tapez votre requête, obtenez une liste de résultats, cliquez sur le premier lien, attendez que la page se charge, mais ce n'est pas ce que vous cherchiez. Vous revenez en arrière, essayez un autre lien, et ainsi de suite. En quinze minutes, combien d'énergie votre téléphone a-t-il consommée ? Peu de gens se posent cette question, et c'est là que réside le problème.

Depuis 2023, une idée dominante s'est installée : une requête d'intelligence artificielle consommerait dix fois plus d'énergie qu'une recherche Google. Cette affirmation a infiltré les rapports de responsabilité sociale des entreprises, les débats réglementaires et les discussions stratégiques. Elle est omniprésente dans les conférences et les benchmarks de maturité IA.

Cependant, cette comparaison est erronée. Elle se limite à comparer le coût serveur d'une requête Google avec celui d'une réponse générée par un modèle de langage, sans prendre en compte l'énergie consommée par votre appareil, le réseau et les systèmes publicitaires en arrière-plan.

En mars 2026, Charles Duprat de l'ICOM'Provence a publié un document de travail qui pose enfin la bonne question : combien d'énergie un utilisateur consomme-t-il pour obtenir une réponse complète à son besoin d'information, de la première recherche à la réponse finale ? Ce changement de perspective change tout.

Une comparaison biaisée par des données incomplètes

En 2023, une affirmation s'est répandue : une requête via un modèle de langage consomme dix fois plus d'énergie qu'une recherche Google. Cette idée s'est ancrée dans les discussions sur la responsabilité sociale des entreprises, les articles réglementaires et les discours d'experts.

Le problème est que cette comparaison ne prend en compte que l'énergie consommée par le data center de Google pour traiter une requête (environ 0,30 Wh) et celle nécessaire pour générer une réponse par un modèle de langage (entre 0,24 et 0,34 Wh, selon Google, Epoch AI et OpenAI). Mais cela ne représente qu'une partie de l'histoire.

Une recherche Google ne vous fournit pas directement l'information, mais plutôt une série de liens vers des sources d'information. L'énergie nécessaire pour naviguer sur ces pages, télécharger leur contenu, exécuter les scripts JavaScript et gérer les enchères publicitaires est supportée par votre appareil, votre réseau mobile et une infrastructure publicitaire souvent invisible. Rien de tout cela n'est pris en compte dans les calculs de consommation des data centers.

Les chiffres réels de la consommation énergétique

Prenons un exemple concret : comparer deux solutions techniques en utilisant trois sources différentes sur un réseau 5G non autonome, qui est encore la norme en France en 2026.

Consommation énergétique d'une session de recherche web :

• Traitement de la requête par le serveur : 0,30 Wh
• Réseau : 3 pages × 2,56 Mo (médiane HTTP Archive 2025) × 0,14 kWh/Go = 1,08 Wh
• Rendu des pages (CPU/GPU de l'appareil) : 0,60 Wh
• Charge publicitaire (30 % du rendu, selon Khan et al. 2024) : 0,18 Wh
• Temps d'écran (6 minutes × 2,5 W) : 0,25 Wh

Consommation énergétique d'une session LLM équivalente :

• Inférence (modèle standard, pas de raisonnement complexe) : 0,30 à 0,40 Wh
• Réseau : charge utile texte de 5 Ko, négligeable
• Temps d'écran (2,5 minutes) : 0,10 Wh

Total : 0,40 à 0,50 Wh

Le rapport central est de 5,4 fois en faveur du modèle de langage. Duprat a validé ce chiffre par une analyse Monte Carlo sur 10 000 simulations avec 9 paramètres variables. Aucune combinaison de valeurs ne fait descendre la consommation de la recherche en dessous de celle du modèle de langage. Dans le pire des cas pour le modèle de langage, le rapport est de 1,6 fois.

Les mécanismes derrière cette inversion

• Premier mécanisme : le réseau mobile est le principal responsable. En 2025, la page mobile médiane pèse 2,56 Mo. Sur un réseau 4G, cela représente un coût énergétique de 0,44 Wh pour la transmission d'une seule page, avant même d'afficher quoi que ce soit. Une réponse générée par un modèle de langage est un texte de 2 à 10 Ko, avec un rapport de transmission de l'ordre de 500:1. Le réseau n'est pas un coût marginal, mais la composante dominante de l'empreinte énergétique d'une session de recherche mobile.

• Deuxième mécanisme : la publicité programmatique est une taxe énergétique invisible. Lors du chargement d'une page soutenue par la publicité, une enchère s'ouvre en parallèle. Des dizaines de plateformes de demande reçoivent la requête, mais la plupart échouent, consommant des cycles CPU inutilement. Khan et al. (2024) ont mesuré que les bloqueurs de publicité intégrés réduisent la consommation énergétique de l'appareil de 15 à 44 % par rapport à une navigation normale. Cela signifie qu'une part significative de l'énergie consommée par votre smartphone lors de la navigation alimente l'écosystème publicitaire, et non le contenu que vous consultez. Un modèle de langage évite complètement cette infrastructure.

• Troisième mécanisme : la rapidité de complétion réduit le temps d'écran. L'étude CHI 2025 de Spatharioti et al. a montré que les utilisateurs de modèles de langage terminent leurs tâches de synthèse plus rapidement, avec moins de requêtes. Moins de temps d'écran signifie moins de consommation énergétique. Le comportement de "pogo-sticking" — cliquer, trouver la page décevante, revenir aux résultats de recherche, recommencer — crée une pénalité énergétique que les modèles statiques ne capturent jamais. Chaque retour aux résultats de recherche sur mobile coûte entre 0,30 et 0,60 Wh supplémentaires. Le modèle de langage élimine structurellement ce schéma en fournissant une synthèse complète dès le premier échange.

Les angles morts à prendre en compte

Trois limites réelles, et non des nuances de confort, doivent être prises en compte :

• Sur Wi-Fi fixe, l'avantage du modèle de langage s'effondre. Sur un réseau fixe (0,006 kWh/Go), le coût de transmission chute de 95 %. L'avantage du modèle de langage tombe à 1,5–2,5 fois pour des tâches complexes et atteint la parité pour des requêtes simples. L'inversion est un phénomène propre au mobile.

• Sur les modèles de raisonnement, la logique s'inverse, parfois de manière drastique. Claude Opus en mode de réflexion, GPT-o3, Gemini Deep Think : ces modèles génèrent des chaînes de raisonnement étendues. Jin et al. (2025) ont documenté une expansion moyenne de 4,4 fois les tokens de sortie en production, avec des cas extrêmes allant jusqu'à 113 fois. Le seuil de croisement avec la recherche mobile — le point où le modèle de langage devient plus énergivore — se situe à un facteur de 4 à 8 fois.

• Le paradoxe de Jevons n'est pas annulé par l'efficacité unitaire. ChatGPT a dépassé les 2 milliards de requêtes quotidiennes fin 2025. Si cette demande est nouvelle plutôt que substituée à de la recherche web, la consommation totale augmente indépendamment du ratio unitaire. L'efficacité par session ne dit rien de l'efficacité agrégée. Ce sont deux questions distinctes et les deux méritent une réponse sérieuse.

Implications concrètes pour les organisations

Pour ceux qui dirigent une stratégie de déploiement de l'IA ou une politique de responsabilité sociale numérique, voici trois implications directes :

• Premièrement : le choix du modèle est une décision énergétique, pas seulement une décision de performance. Utiliser un modèle de raisonnement pour des tâches de synthèse standard — ce que la majorité des entreprises font par défaut parce que "c'est le meilleur modèle" — multiplie l'empreinte par un facteur que personne ne chiffre dans les bilans carbone. Le routage intelligent par complexité de tâche n'est pas un luxe technique, c'est un impératif de cohérence RSE.

• Deuxièmement : vos équipes sur mobile font de la recherche web là où un modèle de langage standard serait cinq fois moins énergivore. Pour les tâches de synthèse, de veille, de comparaison multi-sources — la substitution est mesurable, immédiate et ne nécessite aucun investissement supplémentaire.

• Troisièmement : l'infrastructure publicitaire du web est un coût externalisé que vos collaborateurs supportent sans le voir. Auditer l'empreinte numérique de votre organisation sans compter les 15 à 44 % d'énergie de l'appareil absorbée par la publicité programmatique, c'est un angle mort comptable significatif.

Observations de terrain sur trois ans

Sur les 200 projets d'IA que j'ai déployés dans des entreprises B2B entre 2022 et 2025, un schéma revient systématiquement lors des audits de maturité numérique : les équipes qui ont basculé leurs tâches de recherche et de synthèse vers un modèle de langage standard ne l'ont pas fait pour des raisons écologiques. Elles l'ont fait parce que c'est plus rapide.

Le résultat collatéral est qu'elles ont mécaniquement réduit leur empreinte numérique mobile, sans s'en rendre compte, sans le mesurer. Duprat fournit maintenant le cadre pour le chiffrer. Et le chiffre est brutal.

Ce que cela change concrètement

Revenons à la scène du début. Vous cherchez une information complexe sur mobile.

Scénario A — Google :

Quatre requêtes, sept pages chargées, quinze minutes d'écran, enchères publicitaires en arrière-plan. Consommation estimée : 2,41 Wh.

Scénario B — Modèle de langage standard :

Une requête, réponse synthétisée en trente secondes. Consommation estimée : 0,40 Wh.

Vous n'avez pas fait un geste écologique. Vous avez simplement posé votre question au bon endroit.

Le narratif "l'IA consomme dix fois plus que Google" n'est pas seulement inexact. Il protège une infrastructure — le web publicitaire mobile — dont le coût énergétique réel n'a jamais été correctement comptabilisé parce que personne n'avait intérêt à le faire.

Une page web moderne n'est pas un document. C'est un package logiciel qui exécute des centaines d'opérations pour des annonceurs que vous ne verrez jamais. Vous en payez le coût en temps. Votre batterie en paye le coût en watts.

Le modèle de langage gagne cette comparaison parce que ses adversaires sont extraordinairement inefficaces. Pas parce qu'il est vertueux. C'est une différence qui compte — pour vos décisions d'achat.