Efficacité énergétique (PUE)
Le PUE (power usage effectiveness, indicateur d'efficacité énergétique) est l'énergie totale consommée par un centre de données divisée par celle de ses équipements informatiques. Un PUE de 1,0 signifierait que chaque watt sert au calcul ; une valeur plus élevée traduit davantage de refroidissement et de pertes électriques.
Aussi appelé : PUE
Par Divya Sharma · Vérifié le 20 nov. 2026 · Notre méthode
Chaque modèle d'IA que vous appelez tourne sur un GPU dans un bâtiment qu'il faut aussi refroidir et alimenter. Le PUE mesure ce surcoût. Divisez l'électricité consommée par tout le site par celle qui parvient aux serveurs, au stockage et au matériel réseau. Un PUE de 1,5 signifie un demi-watt de surcoût pour chaque watt de calcul.
Valeurs courantes
Google indique dans son rapport environnemental un PUE moyen de 1,09 sur l'ensemble de son parc en 2025, et cite une moyenne de 1,54 issue d'une enquête de l'Uptime Institute pour la même année. Pour 100 MW de charge informatique tournant toute l'année, cet écart représente environ 394 000 MWh d'électricité supplémentaire. Les valeurs réelles dépendent du climat, de la conception du refroidissement et du taux de remplissage du site.
Ce qu'il ne mesure pas
Le PUE ne dit rien de l'utilité du calcul. Un site rempli de serveurs inactifs peut afficher un excellent PUE. Il ignore aussi l'eau : le refroidissement par évaporation abaisse souvent le PUE tout en consommant plus d'eau, c'est pourquoi les chercheurs suivent à part l'efficacité d'utilisation de l'eau (WUE), en litres par kWh. Quand vous comparez des fournisseurs, par exemple un cloud GPU et l'auto-hébergement, le PUE vous renseigne sur le bâtiment, pas sur le prix par token.
Termes liés
- GPU
- Un GPU (graphics processing unit, processeur graphique) est un processeur doté de nombreux petits cœurs conçus pour exécuter beaucoup de calculs en parallèle. Sa rapidité en calcul matriciel en fait le matériel standard pour entraîner et faire tourner les modèles d'IA.
- Cloud GPU
- Un cloud GPU est un service qui loue des machines à GPU à l'heure ou à la seconde pour l'entraînement, le fine-tuning et l'inférence en IA. Des fournisseurs spécialisés, parfois appelés neoclouds, se concentrent sur les GPU et facturent souvent moins cher que les grands clouds généralistes.
- Auto-hébergement (modèles d'IA)
- Auto-héberger un modèle d'IA (self-hosting) signifie le faire tourner sur du matériel que vous contrôlez, comme vos propres serveurs, des GPU loués ou un ordinateur portable, au lieu d'appeler l'API d'un fournisseur. Vous choisissez le modèle et gardez les données, mais vous gérez l'infrastructure.
- Inférence
- L'inférence consiste à faire tourner un modèle entraîné pour produire une sortie à partir d'une nouvelle entrée, comme un LLM qui génère une réponse à un prompt. C'est l'étape que les utilisateurs paient à chaque appel d'un modèle, par opposition à l'entraînement.
- GPU serverless
- Le GPU serverless est un modèle cloud dans lequel vous déployez du code ou un modèle et la plateforme ne démarre des workers GPU qu'à l'arrivée des requêtes, facture le temps pendant lequel ils tournent et descend à zéro quand il n'y a pas d'activité.