44:["$","title",null,{"children":"SAE 303 — Gr 19 | MMI Montbéliard | Observable"}] 4c:T495, # Fiche d'intention *SAÉ Dataviz · Défi A · L'impact environnemental de l'IA générative* ## Problématique > **OpenAI, Google et Mistral publient-ils assez de chiffres pour qu'on puisse vérifier s'ils tiennent leurs objectifs climat ?** ## Public cible Notre datavisualisation s'adresse aux citoyens et aux utilisateurs de l'intelligence artificielle générative qui n'ont pas forcément d'ordre de grandeur en tête concernant son impact environnemental. ## Angle **Vérifier plutôt que croire.** Nous ne cherchons pas à déterminer quelle entreprise est la plus écologique. Nous souhaitons analyser les engagements climatiques d'OpenAI, de Google et de Mistral, les données environnementales qu'ils publient et la possibilité de vérifier leurs promesses. Les informations manquantes sont également un résultat de notre enquête. ## Nos trois questions 1. **Qu'ont promis OpenAI, Google et Mistral, et que publient-ils pour qu'on puisse le vérifier ?** 2. **Quand leur consommation explose, leurs émissions baissent-elles vraiment ?** 3. **Les chiffres publiés suffisent-ils à mesurer les progrès vers les objectifs climat annoncés ?** 4d:Ta78,## Les 5 questions avant de dessiner Avant de créer nos visualisations, nous avons étudié la nature des données, leurs limites et les comparaisons possibles. | Source | Nature des variables | La moyenne ment-elle ? | Distribution | Absolu ou relatif ? | Provenance et données manquantes | |---|---|---|---|---|---| | **Compar:IA** | Modèles, entreprises, tokens et consommations estimées. | Oui. Les conversations ont des longueurs différentes. La médiane limite l'influence des valeurs extrêmes. | Les consommations varient selon les conversations. Nous utilisons la moyenne et la médiane pour examiner les écarts. | Les Wh indiquent la consommation estimée. Les Wh pour 1 000 tokens permettent une comparaison normalisée, avec des limites. | Données Compar:IA estimées avec EcoLogits, et non mesurées directement. Elles n'incluent pas tous les impacts de l'IA. | | **Google** | Émissions de CO₂e, consommation électrique, évolutions en % et objectifs climatiques. | Oui. Un chiffre moyen ne représente pas nécessairement toutes les activités. | Les séries annuelles montrent l'évolution des émissions et de l'électricité, pas la distribution des requêtes. | Valeurs absolues pour les émissions et l'électricité ; pourcentages pour les évolutions. | Rapports environnementaux Google. Les méthodes et les périmètres de calcul doivent être distingués. | | **Mistral** | Émissions carbone, consommation d'eau et ressources mobilisées. | Oui. Une réponse type de 400 tokens ne représente pas tous les usages. | Les données publiées pour un cas type ne montrent pas la distribution de toutes les réponses. | Impacts du modèle étudié et estimations pour une réponse type. | Étude environnementale de Mistral Large 2, sans série annuelle complète des émissions de l'entreprise. | | **Stanford FMTI** | Critères binaires et scores de transparence par entreprise. | Oui. Un score global peut masquer des informations environnementales absentes. | La distribution des scores permet de situer Google, OpenAI et Mistral parmi les entreprises évaluées. | Scores sur 100 critères, mesurant la transparence et non la performance climatique. | Données du Stanford FMTI. Tous les critères ne concernent pas l'environnement. | ## Ce que nous retenons Ces sources ne mesurent pas la même chose : certaines estiment la consommation d'une conversation, d'autres décrivent les émissions d'une entreprise ou évaluent sa transparence. **Nous devons donc comparer uniquement des indicateurs compatibles et signaler les données manquantes.** L'absence de chiffres comparables peut empêcher de vérifier les engagements climatiques. 4e:T81b, # Sources et provenance des données Pour répondre à notre problématique, nous utilisons des données provenant de sources publiques, de rapports environnementaux d'entreprises et de travaux de recherche. ## Données publiques et institutionnelles - [Compar:IA — data.gouv.fr](https://www.data.gouv.fr/datasets/compar-ia) :: jeu de données « conversations » (échantillon aléatoire de 20 000 paires de conversations, version du 3 juin 2026), avec la consommation électrique estimée par EcoLogits. ## Rapports des entreprises - [Google — Rapport environnemental 2026](https://sustainability.google/files/google-2026-environmental-report.pdf) : variations 2025 (électricité, émissions opérationnelles, scope 3). - [Google — Rapport environnemental 2025](https://www.sustainability.google/reports/google-2025-environmental-report/) : série 2019 à 2024 (émissions totales, opérationnelles, scope 3, électricité). - [Mistral AI — Contribution à un standard environnemental pour l'IA](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai/) : analyse des impacts environnementaux de Mistral Large 2. - [Sam Altman (PDG d'OpenAI) — « The Gentle Singularity », juin 2025](https://blog.samaltman.com/the-gentle-singularity) : déclaration d'une consommation moyenne de 0,34 Wh par requête ChatGPT, sans méthode détaillée. OpenAI n'a pas publié de rapport environnemental que nous ayons trouvé. ## Indice de transparence - [Stanford — Foundation Model Transparency Index](https://crfm.stanford.edu/fmti/) : évaluation de la transparence des développeurs de modèles d'intelligence artificielle. ## Limites des sources Les chiffres utilisés ne sont pas tous issus de mesures directes. Les consommations de Compar:IA sont estimées à partir de modèles de calcul. Les données publiées par les entreprises peuvent reposer sur des méthodologies et des périmètres différents. Nous préciserons donc pour chaque graphique la source, l'année, les unités et les limites des données exploitées. 4f:T807, { // Contrôle des correspondances entre les // indicateurs Google et le registre des sources const idsAttendus = [ "g_elec_2025", "g_ops_2025", "g_scope3_2025" ]; // Recherche des correspondances par identifiant const controleJointure = idsAttendus.map(id => { const correspondances = registre.filter( d => d.id === id ); const fiche = correspondances[0]; const donneeGraphique = variationsGoogle.find( d => d.id === id ); let etat; if (correspondances.length === 0) { etat = "Non trouvé"; } else if (correspondances.length > 1) { etat = "Doublon"; } else { etat = "Correspondance trouvée"; } return { "Identifiant": id, "Correspondances": correspondances.length, "État": etat, "Dans le graphique": donneeGraphique ? "Oui" : "Non", "Valeur": fiche?.valeur ?? "—", "Source renseignée": fiche?.source ? "Oui" : "Non", "Page renseignée": fiche?.page ? "Oui" : "Non" }; }); // Affichage du contrôle display( Inputs.table(controleJointure, { columns: [ "Identifiant", "Correspondances", "État", "Dans le graphique", "Valeur", "Source renseignée", "Page renseignée" ], layout: "auto" }) ); // Contrôle des enregistrements sans correspondance const sansCorrespondance = controleJointure.filter( d => d.Correspondances === 0 ); const doublons = controleJointure.filter( d => d.Correspondances > 1 ); display(md` **Bilan du contrôle** - Indicateurs recherchés : **${idsAttendus.length}** - Identifiants sans correspondance : **${sansCorrespondance.length}** - Identifiants avec plusieurs correspondances : **${doublons.length}** Ce contrôle vérifie que les trois indicateurs sélectionnés pour le graphique Google existent dans le registre des sources. Il ne garantit pas à lui seul que les chiffres publiés sont exacts. `); } 50:Te32, { // Contrôle de la jointure des données Stanford // Source : Foundation Model Transparency Index 2025 // 1. Nettoyage des noms de critères const nettoyer = texte => String(texte ?? "").trim(); const criteresScores = scoresStanford.map(d => nettoyer(d.Indicator) ); const criteresDefinitions = definitionsStanford.map(d => nettoyer(d.Indicator) ); // 2. Création des ensembles pour comparer les fichiers const ensembleScores = new Set(criteresScores); const ensembleDefinitions = new Set(criteresDefinitions); // 3. Recherche des critères sans correspondance const sansDefinition = criteresScores.filter( critere => !ensembleDefinitions.has(critere) ); const sansScore = criteresDefinitions.filter( critere => !ensembleScores.has(critere) ); // 4. Recherche des doublons const compterDoublons = valeurs => valeurs.length - new Set(valeurs).size; const doublonsScores = compterDoublons( criteresScores ); const doublonsDefinitions = compterDoublons( criteresDefinitions ); // 5. Contrôle des valeurs numériques const entreprises = ["Google", "OpenAI", "Mistral"]; const valeursInvalides = scoresStanford.flatMap(d => entreprises .filter(entreprise => { const valeur = d[entreprise]; return valeur == null || String(valeur).trim() === "" || !Number.isFinite(Number(valeur)) || Number(valeur) < 0 || Number(valeur) > 1; }) .map(entreprise => ({ critere: nettoyer(d.Indicator), entreprise, valeur: d[entreprise] })) ); // 6. Tableau récapitulatif const controle = [ { "Contrôle": "Critères dans le fichier des scores", "Nombre": scoresStanford.length }, { "Contrôle": "Critères dans le fichier des définitions", "Nombre": definitionsStanford.length }, { "Contrôle": "Critères des scores sans définition", "Nombre": sansDefinition.length }, { "Contrôle": "Définitions sans critère dans les scores", "Nombre": sansScore.length }, { "Contrôle": "Doublons dans les scores", "Nombre": doublonsScores }, { "Contrôle": "Doublons dans les définitions", "Nombre": doublonsDefinitions }, { "Contrôle": "Valeurs invalides pour les 3 entreprises", "Nombre": valeursInvalides.length } ]; display(Inputs.table(controle, { columns: ["Contrôle", "Nombre"], layout: "auto" })); // 7. Affichage des anomalies éventuelles const anomalies = [ ...sansDefinition.map(critere => ({ probleme: "Score sans définition", critere })), ...sansScore.map(critere => ({ probleme: "Définition sans score", critere })), ...valeursInvalides.map(d => ({ probleme: `Valeur invalide : ${d.entreprise}`, critere: d.critere })) ]; if (anomalies.length > 0) { display(Inputs.table(anomalies, { columns: ["probleme", "critere"], layout: "auto" })); } else { display(md`**Contrôle réussi :** aucune correspondance manquante ni valeur invalide détectée pour les trois entreprises. Les éventuels doublons sont indiqués dans le tableau ci-dessus.`); } // 8. Vérification des scores calculés const totaux = entreprises.map(entreprise => ({ "Entreprise": entreprise, "Score calculé": d3.sum( scoresStanford, d => Number(d[entreprise]) || 0 ) })); display(Inputs.table(totaux, { columns: ["Entreprise", "Score calculé"], layout: "auto" })); } 51:Tab0, { // Bilan de la jointure Stanford const nettoyer = valeur => String(valeur ?? "").trim(); const scores = scoresStanford.map(d => nettoyer(d.Indicator) ); const definitions = definitionsStanford.map(d => nettoyer(d.Indicator) ); const nomsScores = new Set(scores); const nomsDefinitions = new Set(definitions); const sansDefinition = scores.filter( id => !nomsDefinitions.has(id) ); const sansScore = definitions.filter( id => !nomsScores.has(id) ); const doublonsScores = scores.length - nomsScores.size; const doublonsDefinitions = definitions.length - nomsDefinitions.size; display(md`### Documentation de la jointure — Stanford FMTI 2025 **Objectif :** associer les scores de transparence des entreprises aux descriptions des critères évalués. **1. Données utilisées** - \`scoresStanford\` : ${scoresStanford.length} lignes de scores. - \`definitionsStanford\` : ${definitionsStanford.length} définitions. - Clé commune : \`Indicator\`. **2. Transformations réalisées** Nous avons supprimé les espaces inutiles au début et à la fin des identifiants avec \`trim()\`. Nous avons ensuite associé les deux fichiers grâce à un dictionnaire construit avec \`Map()\` et à la colonne commune \`Indicator\`. Les scores des entreprises ont été convertis en nombres pour permettre les calculs et les visualisations. **3. Contrôle des correspondances** - Critères des scores sans définition : **${sansDefinition.length}**. - Définitions sans score correspondant : **${sansScore.length}**. - Identifiants répétés dans les scores : **${doublonsScores}**. - Identifiants répétés dans les définitions : **${doublonsDefinitions}**. **4. Résultat** Le tableau \`donneesStanford2025\` contient **${donneesStanford2025.length} lignes** après association. Les critères du fichier des scores sont conservés, même lorsqu'aucune définition correspondante n'est trouvée. Les informations manquantes sont alors représentées par \`null\`. **5. Limites** Une jointure réussie ne garantit pas que les données d'origine sont exactes. Nous utilisons les critères et les scores définis par Stanford. Cet indice mesure la transparence des développeurs de modèles d'IA et non directement leurs performances environnementales. ${sansDefinition.length + sansScore.length + doublonsScores + doublonsDefinitions === 0 ? "**Bilan :** aucune anomalie de correspondance ou d'identifiant répétée détectée." : "**Bilan :** certaines anomalies ont été détectées. Elles doivent être examinées avant de considérer la jointure comme entièrement validée."} *Source : Stanford CRFM, Foundation Model Transparency Index, décembre 2025.*`); } 52:T71a,### Contrôle des traitements et des jointures Nous avons nettoyé et organisé les données pour construire nos visualisations. Une seule opération constitue une véritable jointure entre deux fichiers : celle des données Stanford. | Données | Traitement effectué | Contrôle | Résultat | |---|---|---|---| | **Registre des publications** | Classement des informations par entreprise et par statut. | Vérification des identifiants utilisés pour les indicateurs Google. | 3 correspondances trouvées, aucun doublon sur ces 3 indicateurs. | | **Stanford FMTI** | Jointure entre les scores et les définitions à partir de la colonne \`Indicator\`. | Recherche des critères sans correspondance, des doublons et des valeurs invalides. | Jointure contrôlée dans les tableaux précédents. | | **Compar:IA** | Transformation des paires en conversations individuelles, classement des modèles par entreprise et conversion des kWh en Wh. | Repérage des consommations manquantes ou nulles et des modèles classés « Autres ». | Les consommations positives sont utilisées pour calculer les statistiques. | | **OpenStreetMap** | Sélection des infrastructures recherchées et transformation des géométries en points. | Contrôle des tags, des identifiants et des coordonnées. | 384 éléments au départ, 373 conservés après les filtres utilisés. | ### Limites des traitements Le classement des modèles Compar:IA et la préparation de la carte OpenStreetMap ne sont pas des jointures entre deux fichiers. Les consommations Compar:IA sont des estimations, tandis que la carte OpenStreetMap ne permet pas de connaître la consommation électrique des infrastructures. **Ces contrôles vérifient la cohérence de nos traitements, mais ne prouvent pas à eux seuls l'exactitude des données d'origine.** 53:Tc18, { // Contrôle global du registre des publications const entreprisesEtudiees = [ "Google", "OpenAI", "Mistral" ]; // 1. Données appartenant aux trois entreprises const donneesAssociees = registre.filter(d => entreprisesEtudiees.includes(d.entreprise) ); // 2. Données hors du périmètre étudié const horsPerimetre = registre.filter(d => !entreprisesEtudiees.includes(d.entreprise) ); // 3. Identifiants manquants const sansIdentifiant = registre.filter(d => String(d.id ?? "").trim() === "" ); // 4. Recherche des identifiants répétés const comptes = new Map(); for (const d of registre) { const id = String(d.id ?? "").trim(); if (id) { comptes.set(id, (comptes.get(id) ?? 0) + 1); } } const identifiantsDoublons = [...comptes] .filter(([id, nombre]) => nombre > 1); // 5. Tableau récapitulatif const bilan = [ { "Contrôle": "Total des lignes du registre", "Nombre": registre.length }, { "Contrôle": "Lignes associées aux 3 entreprises", "Nombre": donneesAssociees.length }, { "Contrôle": "Lignes hors du périmètre étudié", "Nombre": horsPerimetre.length }, { "Contrôle": "Lignes sans identifiant", "Nombre": sansIdentifiant.length }, { "Contrôle": "Identifiants présents plusieurs fois", "Nombre": identifiantsDoublons.length } ]; display(Inputs.table(bilan, { columns: ["Contrôle", "Nombre"], layout: "auto" })); // 6. Détail des données hors périmètre if (horsPerimetre.length > 0) { display(md`**Données non associées aux trois entreprises**`); display(Inputs.table( horsPerimetre.map(d => ({ "Identifiant": d.id ?? "—", "Entreprise": d.entreprise ?? "Non renseignée", "Information": d.libelle ?? "—", "Statut": d.statut ?? "—" })), {layout: "auto"} )); } // 7. Bilan méthodologique display(md` ### Bilan du contrôle du registre Sur **${registre.length} lignes**, **${donneesAssociees.length}** sont associées à Google, OpenAI ou Mistral. **${horsPerimetre.length} lignes** sont associées à une autre catégorie ou ne possèdent pas d'entreprise reconnue. Nous avons également repéré **${sansIdentifiant.length} lignes sans identifiant** et **${identifiantsDoublons.length} identifiants répétés**. Les éléments hors périmètre ne sont pas nécessairement des erreurs : ils peuvent correspondre à des facteurs environnementaux généraux ou à d'autres sources. Ce contrôle permet de repérer les données qui ne peuvent pas être utilisées directement dans notre comparaison des trois entreprises. *Une entrée de notre registre concerne la Base Carbone de l'ADEME. Cette donnée avait été envisagée pour estimer les émissions associées à une consommation électrique, mais elle n'a finalement pas été exploitée dans nos visualisations. Nous la conservons dans le contrôle pour documenter les données écartées de notre analyse.* `); } 54:T66d,{ // Jointure 1 : chiffres publiés → entreprise (registre) const parStatut = d3.rollups( registre, (v) => v.length, (d) => d.entreprise ?? "(sans entreprise)", (d) => d.statut ?? "(sans statut)" ).flatMap(([entreprise, l]) => l.map(([statut, n]) => ({entreprise, statut, nombre: n}))) .sort((a, b) => d3.ascending(a.entreprise, b.entreprise) || d3.ascending(a.statut, b.statut)); const sansEntreprise = registre.filter((d) => !d.entreprise); const variationsSansValeur = registre.filter((d) => d.type === "variation" && (d.valeur === null || d.valeur === undefined)); // Jointure 2 : scores Stanford → définition du critère const cles = new Set(scoresStanford.map((d) => d.Indicator.trim())); const scoresSansDefinition = donneesStanford2025.filter((d) => d.domaine == null); const definitionsSansScore = definitionsStanford.filter((d) => !cles.has(d.Indicator.trim())); display(md`**Contrôle de la jointure 1 · Chiffres publiés → entreprise.** Nombre de chiffres du registre par entreprise et par statut :`); display(Inputs.table(parStatut, {layout: "auto"})); display(md`Sans entreprise : **${sansEntreprise.length}** ligne(s)${sansEntreprise.length ? " (" + sansEntreprise.map((d) => d.libelle ?? d.id).join(" ; ") + ")" : ""}. Variations sans valeur, retirées de la figure des variations : **${variationsSansValeur.length}**.`); display(md`**Contrôle de la jointure 2 · Scores Stanford → définition du critère.** ${scoresSansDefinition.length} score(s) sans définition, ${definitionsSansScore.length} définition(s) sans score, sur ${scoresStanford.length} critères.`); }55:T419,{ const parEntreprise = d3.rollups(conversationsLong, (v) => v.length, (d) => d.entreprise) .map(([entreprise, conversations]) => ({entreprise, conversations})); const autres = d3.rollups(conversationsLong.filter((d) => d.entreprise === "Autres"), (v) => v.length, (d) => d.modele) .map(([modele, conversations]) => ({modele, conversations})) .sort((a, b) => d3.descending(a.conversations, b.conversations)); const sansKwh = conversationsLong.filter((d) => d.kwh == null).length; const kwhNul = conversationsLong.filter((d) => d.kwh === 0).length; display(md`**Contrôle du classement des modèles Compar:IA par entreprise.** ${conversationsLong.length} conversations. Sans consommation (kWh vide) : **${sansKwh}** ; à 0 kWh : **${kwhNul}**. Ces lignes sont exclues du graphique.`); display(Inputs.table(parEntreprise, {layout: "auto"})); display(md`**Modèles classés « Autres »**, à relire : aucun ne doit être d'OpenAI, de Google ou de Mistral.`); display(Inputs.table(autres, {layout: "auto", height: 260})); }56:T158f,{ // 1. Informations recherchées pour chaque entreprise (ordre des colonnes : Google, OpenAI, Mistral) const publications = [ ["Objectif climat daté", "oui", "non", "non"], ["Bilan annuel de CO₂e", "oui", "non", "non"], ["Énergie par requête", "oui", "oui", "non"], ["CO₂e par requête", "oui", "non", "oui"], ["Eau par requête", "oui", "oui", "oui"], ["Analyse du cycle de vie d'un modèle", "non", "non", "oui"] ]; const entreprises = ["Google", "OpenAI", "Mistral"]; // 2. Sources officielles const sources = { google: "https://sustainability.google/intl/fr_fr/google-2026-environmental-report/", googleRequete: "https://blog.google/intl/fr-fr/nouveautes-produits/dans-le-cloud/quelle-consommation-energetique-pour-lia-de-google-nous-avons-fait-le-calcul/", openai: "https://blog.samaltman.com/the-gentle-singularity", mistral: "https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai/" }; // 3. Précisions affichées au survol const precisions = { "Google|Objectif climat daté": { detail: "Google annonce des objectifs climatiques pour 2030.", source: sources.google }, "Google|Bilan annuel de CO₂e": { detail: "Google publie des bilans annuels de ses émissions de gaz à effet de serre.", source: sources.google }, "Google|Énergie par requête": { detail: "0,24 Wh pour un prompt textuel médian de Gemini Apps (2025).", source: sources.googleRequete }, "OpenAI|Énergie par requête": { detail: "0,34 Wh par requête moyenne selon Sam Altman (2025). La méthode n'est pas détaillée dans cette déclaration.", source: sources.openai }, "Google|CO₂e par requête": { detail: "0,03 gCO₂e pour un prompt textuel médian de Gemini Apps.", source: sources.googleRequete }, "Mistral|CO₂e par requête": { detail: "1,14 gCO₂e pour une réponse type de 400 tokens de Le Chat.", source: sources.mistral }, "Google|Eau par requête": { detail: "0,26 mL d'eau pour un prompt textuel médian de Gemini Apps.", source: sources.googleRequete }, "OpenAI|Eau par requête": { detail: "0,000085 gallon d'eau par requête moyenne selon Sam Altman (2025). Méthode non détaillée dans cette déclaration.", source: sources.openai }, "Mistral|Eau par requête": { detail: "45 mL d'eau pour une réponse type de 400 tokens de Le Chat.", source: sources.mistral }, "Mistral|Analyse du cycle de vie d'un modèle": { detail: "Analyse environnementale de Mistral Large 2 publiée en 2025, réalisée avec Carbone 4 et revue par Resilio et Hubblo.", source: sources.mistral } }; // 4. Transformation des données pour Observable Plot const donneesGraphique = publications.flatMap(ligne => entreprises.map((entreprise, i) => ({ indicateur: ligne[0], entreprise: entreprise, statut: ligne[i + 1] === "oui" ? "Publié" : "Non identifié" })) ); // 5. Nombre d'informations publiées par entreprise const nbPublies = e => donneesGraphique.filter(d => d.entreprise === e && d.statut === "Publié").length; // 6. Construction du graphique const graphique = Plot.plot({ title: "Objectif daté et bilan annuel : seul Google dans notre corpus", subtitle: `Sur ${publications.length} informations recherchées : Google en publie ${nbPublies("Google")}, Mistral ${nbPublies("Mistral")}, OpenAI ${nbPublies("OpenAI")}.`, width: 950, height: 420, marginLeft: 230, marginBottom: 55, marginTop: 65, x: { domain: entreprises, label: null, axis: "top" }, y: { domain: publications.map(d => d[0]), label: null }, color: { domain: ["Publié", "Non identifié"], range: ["#B5DFCA", "#E8E8E8"], legend: true }, marks: [ Plot.cell(donneesGraphique, { x: "entreprise", y: "indicateur", fill: "statut", inset: 3, title: d => { const info = precisions[`${d.entreprise}|${d.indicateur}`]; return `${d.entreprise}\n${d.indicateur}\n\nStatut : ${d.statut}\n\n${info ? info.detail : "Information non identifiée dans les sources étudiées."}\n\n${info ? "Source : " + info.source : "Aucune source correspondante retenue."}`; } }), Plot.text(donneesGraphique, { x: "entreprise", y: "indicateur", text: d => d.statut === "Publié" ? "✓" : "—", fill: "#263238", fontSize: 19 }) ], caption: "Sources : rapports Google (2025-2026), déclaration de Sam Altman (2025), étude Mistral AI (2025). « Publié » signifie qu'une information a été identifiée, pas qu'elle est vérifiable indépendamment. « Non identifié » ne signifie pas que l'entreprise n'a jamais publié l'information." }); // 7. Alternative textuelle pour l'accessibilité const alternativeTextuelle = `Matrice de transparence comparant Google, OpenAI et Mistral sur ${publications.length} informations environnementales. Google en publie ${nbPublies("Google")}, Mistral ${nbPublies("Mistral")} et OpenAI ${nbPublies("OpenAI")}. Seul Google dispose, dans notre corpus, d'un objectif climat daté et d'un bilan annuel de CO₂e. Les cases vertes indiquent une publication identifiée et les cases grises une information non identifiée.`; // 8. Affichage final display(avecAlt(graphique, alternativeTextuelle)); }57:T4e9, ### Ce qu'il faut retenir — Qui publie le plus d'informations ? Sur les **6 catégories d'informations environnementales** que nous avons recherchées : - **Google : 5 sur 6.** L'entreprise publie notamment des objectifs climatiques et des bilans annuels d'émissions. - **Mistral : 3 sur 6.** Elle présente des estimations environnementales pour un modèle, mais nous n'avons pas trouvé de bilan annuel complet dans nos sources. - **OpenAI : 2 sur 6.** Nous avons identifié des estimations d'électricité et d'eau par requête, sans série annuelle comparable. **Google fournit donc davantage d'informations pour suivre son évolution dans le temps.** ### Ce que ce graphique ne permet pas de dire Ces chiffres ne mesurent **ni la pollution des entreprises, ni leur respect des engagements climatiques**. En effet, un bilan annuel d'émissions et une estimation pour une requête ne décrivent pas la même chose. **Pour vérifier une promesse, il faut aussi des chiffres comparables dans le temps et une méthode de calcul claire.** *Limite : ces résultats concernent uniquement les sources et les six catégories étudiées dans notre enquête.* Nous allons maintenant approfondir la question de la transparence avec l'indice Stanford. 58:T648,### Fiche de visualisation — Matrice de transparence | Élément | Justification | |---|---| | **1. Question** | Quelles informations environnementales OpenAI, Google et Mistral publient-ils dans les sources étudiées ? | | **2. Famille** | Comparaison de données catégorielles sous forme de matrice de présence et d'absence. | | **3. Encodage choisi et pourquoi** | Chaque ligne représente une catégorie d'information environnementale et chaque colonne une entreprise. Le vert et le symbole ✓ indiquent une information publiée, tandis que le gris et le symbole — indiquent une information non identifiée. Cet encodage permet de comparer rapidement les trois entreprises. | | **4. Dénominateur** | Nous avons sélectionné 6 catégories d'informations environnementales. Le nombre d'informations publiées est rapporté à ces 6 catégories pour chaque entreprise. Ce n'est pas un score officiel de transparence et les catégories ne sont pas pondérées. | | **5. Titre et sous-titre porteur** | **Titre :** « Objectif daté et bilan annuel : seul Google dans notre corpus ». **Sous-titre :** « Sur 6 informations recherchées : Google en publie 5, Mistral 3, OpenAI 2. » | | **6. Alternative textuelle** | La matrice compare les trois entreprises sur six catégories d'informations environnementales. Google en publie cinq, Mistral trois et OpenAI deux. Dans notre corpus, seul Google possède à la fois un objectif climatique daté et des bilans annuels d'émissions. Les cases vertes représentent les informations publiées et les cases grises les informations non identifiées. | 59:T40f,const [scoresStanford, definitionsStanford] = await Promise.all([ d3.csv("https://raw.githubusercontent.com/stanford-crfm/fmti/main/Dec2025/Dec2025_scores.csv"), d3.csv("https://raw.githubusercontent.com/stanford-crfm/fmti/main/Dec2025/Dec2025_indicators.csv") ]); const dictionnaireStanford = new Map( definitionsStanford.map(d => [d.Indicator.trim(), d]) ); const donneesStanford2025 = scoresStanford.map((d, i) => { const info = dictionnaireStanford.get(d.Indicator.trim()); return { id: i + 1, domaine: info?.Domain ?? null, sous_domaine: info?.Subdomain ?? null, critere: d.Indicator.trim(), definition: info?.Definition ?? null, Google: Number(d.Google), OpenAI: Number(d.OpenAI), Mistral: Number(d.Mistral) }; }); display(Inputs.table(donneesStanford2025)); display({ nombreDeCriteres: donneesStanford2025.length, Google: d3.sum(donneesStanford2025, d => d.Google), OpenAI: d3.sum(donneesStanford2025, d => d.OpenAI), Mistral: d3.sum(donneesStanford2025, d => d.Mistral) }); 5a:Td84, { // V1 — Distribution des scores de transparence // Source : Stanford FMTI, décembre 2025 // 1. Récupération des entreprises présentes dans le CSV const colonnes = scoresStanford.columns.filter( colonne => colonne !== "Indicator" ); // 2. Calcul automatique du score de chaque entreprise const scores = colonnes.map(entreprise => ({ entreprise, score: d3.sum( scoresStanford, ligne => Number(ligne[entreprise]) ) })); // 3. Tri des entreprises par score scores.sort((a, b) => a.score - b.score); // 4. Position verticale légèrement décalée // pour éviter que les points se superposent scores.forEach((d, i) => { d.position = ((i % 5) - 2) * 0.18; }); // 5. Entreprises de notre enquête const entreprisesEtudiees = new Set([ "Google", "OpenAI", "Mistral" ]); // 6. Calcul de la médiane const mediane = d3.median(scores, d => d.score); // 7. Création du graphique const graphique = Plot.plot({ title: "Les entreprises d'IA sont loin d'être toutes aussi transparentes", subtitle: `Distribution des scores de ${scores.length} entreprises évaluées par Stanford en 2025. Médiane : ${mediane}/100.`, width: 950, height: 300, marginTop: 75, marginBottom: 60, marginLeft: 40, marginRight: 40, x: { domain: [0, 100], grid: true, label: "Critères de transparence satisfaits sur 100" }, y: { axis: null, domain: [-0.7, 0.7] }, marks: [ // Ligne représentant la médiane Plot.ruleX([mediane], { stroke: "#64748B", strokeWidth: 2, strokeDasharray: "5,5" }), // Un point pour chaque entreprise Plot.dot(scores, { x: "score", y: "position", r: 8, fill: d => entreprisesEtudiees.has(d.entreprise) ? "#157A65" : "#A8AFB4", stroke: "white", strokeWidth: 1.5, title: d => `${d.entreprise} : ${d.score}/100` }), // Nom des trois entreprises étudiées Plot.text( scores.filter(d => entreprisesEtudiees.has(d.entreprise) ), { x: "score", y: "position", text: d => `${d.entreprise} (${d.score})`, dy: -18, fontSize: 12, fontWeight: "bold", fill: "#157A65" } ) ], caption: "Source : Stanford CRFM, Foundation Model Transparency Index, décembre 2025. Chaque point représente une entreprise. Les trois entreprises étudiées sont en vert, les autres en gris. La ligne pointillée représente la médiane. Les positions verticales servent uniquement à séparer les points. Ces scores évaluent la transparence générale et non la performance climatique." }); // 8. Alternative textuelle const description = `Distribution des scores de transparence de ${scores.length} entreprises évaluées par Stanford en 2025. La médiane est de ${mediane} sur 100. Google obtient ${scores.find(d => d.entreprise === "Google")?.score} points, OpenAI ${scores.find(d => d.entreprise === "OpenAI")?.score} et Mistral ${scores.find(d => d.entreprise === "Mistral")?.score}. Chaque point représente une entreprise.`; graphique.setAttribute("role", "img"); graphique.setAttribute("aria-label", description); // 9. Affichage display(graphique); } 5b:T51e, ### Fiche de visualisation — V1 : Distribution Stanford | Élément | Justification | |---|---| | **1. Question** | Comment les scores de transparence des entreprises d'IA se répartissent-ils, et où se situent Google, OpenAI et Mistral ? | | **2. Famille** | Distribution, sous forme de strip plot (un point par entreprise). | | **3. Encodage choisi et pourquoi** | La position horizontale représente le score sur 100. Chaque point correspond à une entreprise. Les trois entreprises étudiées sont en vert et les autres en gris. La ligne pointillée indique la médiane. La position verticale sert uniquement à éviter les superpositions. | | **4. Dénominateur** | Chaque score est rapporté aux 100 critères du FMTI. La distribution porte sur les 13 entreprises évaluées en 2025. | | **5. Titre et sous-titre porteur** | Titre : « Les entreprises d'IA sont loin d'être toutes aussi transparentes ». Sous-titre : « Distribution des scores de 13 entreprises évaluées par Stanford en 2025. Médiane : 35/100. » | | **6. Alternative textuelle** | Treize points représentent les scores de transparence des entreprises. Les valeurs vont de 14 à 95 sur 100. La médiane est de 35. Google obtient 41, OpenAI 35 et Mistral 18. Les trois entreprises étudiées sont mises en évidence en vert. | 5c:Tc28, const domainesFMTI = ["Upstream", "Model", "Downstream"]; const entreprisesFMTI = ["Google", "OpenAI", "Mistral"]; // 1. Calcul automatique des scores depuis Stanford const comparaisonFMTI2025 = domainesFMTI.flatMap(domaine => { // On sélectionne les critères du domaine const criteres = donneesStanford2025.filter( d => d.domaine === domaine ); // On calcule les résultats pour chaque entreprise return entreprisesFMTI.map(entreprise => { const satisfaits = d3.sum( criteres, d => d[entreprise] ); const total = criteres.length; return { domaine, entreprise, satisfaits, total, pourcentage: total > 0 ? (satisfaits / total) * 100 : 0 }; }); }); // 2. Vérification du nombre de critères const totalCriteres = domainesFMTI.reduce( (somme, domaine) => somme + donneesStanford2025.filter( d => d.domaine === domaine ).length, 0 ); if (totalCriteres !== 100) { throw new Error( `Attention : ${totalCriteres} critères reconnus sur 100. Vérifier les domaines Stanford.` ); } // 3. Création du graphique const graphiqueFMTI = Plot.plot({ title: "En amont, Google satisfait 8 critères sur 34, OpenAI 1 et Mistral 0", subtitle: "Part des critères de transparence satisfaits par les trois entreprises selon les domaines du FMTI 2025.", width: 950, height: 400, marginTop: 70, marginBottom: 55, marginLeft: 80, marginRight: 35, x: { domain: [0, 100], grid: true, label: "Critères satisfaits (%)" }, y: { domain: entreprisesFMTI, label: null }, fx: { domain: domainesFMTI, label: null }, color: { domain: entreprisesFMTI, range: ["#4285F4", "#10B981", "#F59E0B"], legend: true, label: "Entreprise" }, marks: [ // Ligne de référence à 0 Plot.ruleX([0]), // Barres de comparaison Plot.barX(comparaisonFMTI2025, { fx: "domaine", y: "entreprise", x: "pourcentage", fill: "entreprise", inset: 5, title: d => `${d.entreprise} — ${d.domaine} ${d.satisfaits} critères sur ${d.total} ${d.pourcentage.toFixed(1)} %` }), // Valeurs affichées à droite des barres Plot.text(comparaisonFMTI2025, { fx: "domaine", y: "entreprise", x: "pourcentage", text: d => `${d.satisfaits}/${d.total}`, dx: 7, textAnchor: "start", fontSize: 11, fill: "currentColor" }) ], caption: "Source : Stanford CRFM, Foundation Model Transparency Index, décembre 2025. Scores calculés automatiquement à partir des 100 critères. Upstream : 34 critères ; Model : 30 ; Downstream : 36. Les scores mesurent la transparence générale, pas les émissions de CO₂." }); // 4. Alternative textuelle const altFMTI = comparaisonFMTI2025 .map(d => `${d.entreprise}, ${d.domaine} : ${d.satisfaits} critères sur ${d.total}` ) .join(". "); graphiqueFMTI.setAttribute("role", "img"); graphiqueFMTI.setAttribute("aria-label", altFMTI); // 5. Affichage display(graphiqueFMTI); 5d:Tbe7, ### Analyse — Dans quels domaines les entreprises sont-elles transparentes ? Le **Foundation Model Transparency Index (FMTI)** de Stanford évalue la transparence des développeurs de modèles d'intelligence artificielle à partir de 100 critères. Ces critères sont répartis en trois domaines : - **Upstream (34 critères)** : ce qui se passe avant la mise à disposition du modèle, notamment les données d'entraînement, les ressources utilisées et certains impacts environnementaux. - **Model (30 critères)** : les caractéristiques du modèle, son fonctionnement, ses capacités et ses évaluations. - **Downstream (36 critères)** : les informations concernant son déploiement, ses usages et les mécanismes de suivi. ### Que montrent les résultats ? **1. Upstream : le domaine le moins transparent** C'est le résultat le plus important pour notre enquête. Sur les 34 critères de transparence en amont : - Google satisfait 8 critères sur 34, soit environ 24 %. - OpenAI satisfait 1 critère sur 34, soit environ 3 %. - Mistral ne satisfait aucun de ces 34 critères. Ces résultats montrent un manque important de transparence concernant les étapes précédant l'utilisation des modèles. Les critères environnementaux relatifs à l'énergie, aux émissions carbone et à l'eau consommées pendant l'entraînement sont particulièrement importants pour notre problématique. **2. Model : des résultats intermédiaires** Google et OpenAI satisfont chacun 13 critères sur 30, contre 6 pour Mistral. Les trois entreprises communiquent donc davantage sur certaines caractéristiques de leurs modèles que sur les informations évaluées dans le domaine Upstream. **3. Downstream : le domaine le plus documenté** OpenAI obtient 21 critères sur 36, Google 20 et Mistral 12. Les scores sont globalement plus élevés dans ce domaine, consacré au déploiement et aux usages des modèles. ### Que pouvons-nous en conclure ? **Les trois entreprises étudiées satisfont nettement moins de critères de transparence en amont du développement que dans les autres domaines.** Cette différence est importante : certaines informations nécessaires pour comprendre l'empreinte environnementale des modèles concernent précisément leur entraînement et les ressources mobilisées avant leur utilisation. Cependant, les scores Upstream ne concernent pas uniquement l'environnement. Ils ne doivent donc pas être interprétés comme des scores de transparence climatique. De plus, une absence de point signifie que les exigences du critère Stanford ne sont pas satisfaites. Cela ne prouve pas qu'aucune information n'a jamais été publiée par l'entreprise. **Ce graphique confirme donc une difficulté centrale de notre enquête : disposer de quelques chiffres environnementaux ne suffit pas à reconstituer entièrement l'impact d'une intelligence artificielle ni à vérifier les engagements climatiques de son développeur.** *Source : Stanford CRFM, Foundation Model Transparency Index, décembre 2025.*` 5e:T5b2, ### Fiche de visualisation — Comparaison des domaines Stanford | Élément | Justification | |---|---| | **1. Question** | Dans quels domaines Google, OpenAI et Mistral publient-ils le plus et le moins d'informations sur leurs modèles d'IA ? | | **2. Famille** | Comparaison de valeurs relatives, à l'aide de diagrammes en barres horizontales répartis en trois domaines. | | **3. Encodage choisi et pourquoi** | La longueur des barres représente le pourcentage de critères satisfaits. Une couleur distingue chaque entreprise. Les trois graphiques utilisent une même échelle de 0 à 100 % pour faciliter les comparaisons. | | **4. Dénominateur** | Le nombre de critères de chaque domaine : 34 pour Upstream, 30 pour Model et 36 pour Downstream. Les valeurs sont exprimées en pourcentage pour comparer des domaines de tailles différentes. | | **5. Titre et sous-titre porteur** | **Titre :** « En amont, Google satisfait 8 critères sur 34, OpenAI 1 et Mistral 0 ». **Sous-titre :** « Part des critères de transparence satisfaits par les trois entreprises selon les domaines du FMTI 2025. » | | **6. Alternative textuelle** | Trois groupes de barres comparent la transparence de Google, OpenAI et Mistral. Dans Upstream, Google satisfait 8 critères sur 34, OpenAI 1 et Mistral aucun. Dans Model, Google et OpenAI satisfont 13 critères sur 30 et Mistral 6. Dans Downstream, OpenAI satisfait 21 critères sur 36, Google 20 et Mistral 12. | 5f:Tbc4, const graphiqueVariations = ( donnees, { largeur = 950, titre = "", sousTitre = "", alt = "" } = {} ) => { // 1. Raccourcir les intitulés pour éviter les chevauchements const etiquettes = { g_elec_2025: "Électricité consommée", g_ops_2025: "Émissions opérationnelles", g_scope3_2025: "Chaîne d'approvisionnement (scope 3)" }; const data = donnees.map(d => ({ ...d, etiquette: etiquettes[d.id] ?? d.libelle })); // 2. Trier les indicateurs par valeur const ordre = [...data] .sort((a, b) => b.valeur - a.valeur) .map(d => d.etiquette); // 3. Prévoir de la place à gauche et à droite des barres const borneGauche = Math.min( -12, d3.min(data, d => d.valeur) - 8 ); const borneDroite = Math.max( 45, d3.max(data, d => d.valeur) + 8 ); // 4. Construire le graphique const fig = Plot.plot({ title: titre, subtitle: sousTitre, width: largeur, height: 330, marginTop: 65, marginBottom: 55, marginLeft: 280, marginRight: 80, x: { domain: [borneGauche, borneDroite], label: "Variation annuelle (%)", grid: true, tickFormat: d => `${d > 0 ? "+" : ""}${d}` }, y: { domain: ordre, label: null, tickSize: 0, padding: 0.45 }, color: { domain: [ "Consommation d'électricité", "Émissions de gaz à effet de serre" ], range: ["#7a4fd0", "#a87600"], legend: true }, marks: [ // Axe de référence à 0 % Plot.ruleX([0], { stroke: "#444", strokeWidth: 1.5 }), // Barres horizontales Plot.barX(data, { x: "valeur", y: "etiquette", fill: "famille", insetTop: 6, insetBottom: 6, title: d => `${d.etiquette} : ${d.valeur > 0 ? "+" : ""}${d.valeur} %` }), // Étiquettes positives : à droite des barres Plot.text( data.filter(d => d.valeur >= 0), { x: "valeur", y: "etiquette", text: d => `+${d.valeur} %`, dx: 10, textAnchor: "start", fontSize: 13, fill: "#263238" } ), // Étiquettes négatives : à gauche des barres Plot.text( data.filter(d => d.valeur < 0), { x: "valeur", y: "etiquette", text: d => `−${Math.abs(d.valeur)} %`, dx: -10, textAnchor: "end", fontSize: 13, fill: "#263238" } ) ], caption: "Source : Google, rapport environnemental 2026. Variations en 2025 par rapport à 2024. Les indicateurs correspondent à des périmètres différents." }); // 5. Alternative textuelle const svg = fig.tagName.toLowerCase() === "svg" ? fig : fig.querySelector("svg"); if (svg) { svg.setAttribute("role", "img"); svg.setAttribute("aria-label", alt); } return fig; }; 60:T4a9, { // Sélection uniquement des indicateurs de 2025 const indicateurs2025 = [ "g_elec_2025", "g_ops_2025", "g_scope3_2025" ]; const donnees2025 = variationsGoogle.filter(d => indicateurs2025.includes(d.id) ); // Vérification des données if (donnees2025.length !== 3) { throw new Error( "Certains indicateurs de 2025 sont manquants." ); } const v = (id) => variationsGoogle.find((d) => d.id === id)?.valeur; // Affichage du graphique display( graphiqueVariations(donnees2025, { largeur: 950, titre: "Google : l'électricité augmente, mais ses émissions évoluent différemment", sousTitre: `En 2025 par rapport à 2024 : électricité ${signe(v("g_elec_2025"))} %, émissions opérationnelles ${signe(v("g_ops_2025"))} %, chaîne d'approvisionnement ${signe(v("g_scope3_2025"))} %.`, alt: `Graphique en barres horizontales comparant trois indicateurs environnementaux de Google entre 2024 et 2025. Électricité : ${signe(v("g_elec_2025"))} %. Émissions opérationnelles : ${signe(v("g_ops_2025"))} %. Chaîne d'approvisionnement : ${signe(v("g_scope3_2025"))} %.` }) ); }61:T5ed,### Fiche de visualisation — Comparaison des variations Google | Élément | Justification | |---|---| | **1. Question** | Quand la consommation électrique de Google augmente, ses émissions de gaz à effet de serre diminuent-elles aussi ? | | **2. Famille** | Comparaison de variations annuelles à l'aide de barres horizontales divergentes. | | **3. Encodage choisi et pourquoi** | La longueur des barres représente la variation en pourcentage. Les hausses sont à droite de zéro et les baisses à gauche. Le violet représente la consommation électrique et l'ocre les émissions de gaz à effet de serre. Cet encodage facilite la comparaison des évolutions. | | **4. Dénominateur** | Chaque variation est calculée par rapport à la valeur du même indicateur en 2024 : (valeur 2025 − valeur 2024) / valeur 2024 × 100. Les trois indicateurs ont des périmètres différents. | | **5. Titre et sous-titre porteur** | Titre : « Google : l'électricité augmente, mais ses émissions évoluent différemment ». Sous-titre : « En 2025 par rapport à 2024 : électricité +37 %, émissions opérationnelles −2 %, chaîne d'approvisionnement +25 %. » | | **6. Alternative textuelle** | Le graphique présente trois barres horizontales. La demande d'électricité de Google augmente de 37 %, les émissions de sa chaîne d'approvisionnement augmentent de 25 % et ses émissions opérationnelles diminuent de 2 %. Ces variations concernent l'ensemble des activités de Google et non uniquement Gemini. | 62:Tc01, { // Évolution des émissions totales de Google // Source : Google, rapport environnemental 2025 // 1. Récupération des données existantes const donnees = serieGoogle .filter(d => Number.isFinite(d.total)) .map(d => ({ annee: d.annee, emissions: d.total / 1000000 })) .sort((a, b) => a.annee - b.annee); // 2. Calcul de l'évolution entre 2019 et 2024 const debut = donnees[0]; const fin = donnees[donnees.length - 1]; const variation = Math.round( (fin.emissions / debut.emissions - 1) * 100 ); // 3. Construction de la courbe const graphique = Plot.plot({ title: `Les émissions totales de Google ont augmenté de ${variation} % entre ${debut.annee} et ${fin.annee}`, subtitle: "Émissions annuelles déclarées, scopes 1, 2 (market-based) et 3 total.", width: 950, height: 420, marginLeft: 85, marginRight: 60, marginTop: 70, marginBottom: 60, x: { label: "Année", domain: [debut.annee, fin.annee], ticks: donnees.length, tickFormat: d => String(d) }, y: { label: "Millions de tonnes de CO₂e", domain: [ 0, d3.max(donnees, d => d.emissions) * 1.2 ], grid: true }, marks: [ // Courbe d'évolution Plot.lineY(donnees, { x: "annee", y: "emissions", stroke: "#B66A35", strokeWidth: 3 }), // Un point pour chaque année Plot.dot(donnees, { x: "annee", y: "emissions", r: 6, fill: "#B66A35", title: d => `${d.annee} : ${d.emissions.toLocaleString( "fr-FR", {maximumFractionDigits: 2} )} millions de tonnes de CO₂e` }), // Valeurs au début et à la fin Plot.text( donnees.filter(d => d.annee === debut.annee || d.annee === fin.annee ), { x: "annee", y: "emissions", text: d => `${d.emissions.toLocaleString( "fr-FR", {maximumFractionDigits: 2} )} Mt`, dy: -18, fontWeight: "bold", fontSize: 13, fill: "#7A421E" } ) ], caption: "Source : Google, rapport environnemental 2025, données 2019-2024. Émissions totales déclarées, scopes 1, 2 (market-based) et 3. Données concernant l'ensemble des activités de Google et non uniquement l'IA générative." }); // 4. Alternative textuelle const description = `Courbe des émissions totales déclarées de Google entre 2019 et 2024. Les émissions passent de ${debut.emissions.toFixed(2)} à ${fin.emissions.toFixed(2)} millions de tonnes de CO₂e, soit une augmentation de ${variation} %.`; const svg = graphique.tagName.toLowerCase() === "svg" ? graphique : graphique.querySelector("svg"); if (svg) { svg.setAttribute("role", "img"); svg.setAttribute("aria-label", description); } // 5. Affichage display(graphique); } 63:T4d0,### Fiche de visualisation — Évolution des émissions totales Google | Élément | Justification | |---|---| | **1. Question** | Comment les émissions totales de Google ont-elles évolué entre 2019 et 2024 ? | | **2. Famille** | Évolution temporelle, représentée par une courbe. | | **3. Encodage choisi et pourquoi** | L'axe horizontal représente les années et l'axe vertical les émissions en millions de tonnes de CO₂e. Les points indiquent les valeurs annuelles et la ligne permet de visualiser leur évolution. | | **4. Dénominateur** | Il s'agit d'émissions annuelles absolues, sans dénominateur de normalisation. Pour calculer l'évolution de 54 %, la valeur de 2019 sert de référence. | | **5. Titre et sous-titre porteur** | Titre : « Les émissions totales de Google ont augmenté de 54 % entre 2019 et 2024 ». Sous-titre : « Émissions annuelles déclarées, scopes 1, 2 (market-based) et 3 total. » | | **6. Alternative textuelle** | Une courbe présente les émissions totales déclarées de Google entre 2019 et 2024. Elles passent de 9,87 à 15,19 millions de tonnes de CO₂e, soit une augmentation d'environ 54 %. Après une diminution en 2020, elles augmentent chaque année jusqu'en 2024. | 64:T597, Inputs.table( ["OpenAI", "Mistral"].map(entreprise => { // Données de l'entreprise dans notre registre const donnees = registre.filter( d => d.entreprise === entreprise ); // Vérification des informations disponibles const statut = type => { const lignes = donnees.filter(d => d.type === type); if (lignes.some(d => d.statut === "primaire")) { return "Publié par l'entreprise"; } if (lignes.some(d => d.statut === "presse")) { return "Mentionné dans la presse"; } if (lignes.some(d => d.statut === "a_saisir")) { return "Données à intégrer"; } if (lignes.some(d => d.statut === "non_trouve")) { return "Non identifié"; } return "Non étudié"; }; // Informations ponctuelles publiées const publications = donnees .filter(d => d.statut === "primaire") .map(d => d.libelle); return { "Entreprise": entreprise, "Émissions annuelles": statut("serie"), "Objectif climatique chiffré": statut("objectif"), "Informations publiées": publications.length > 0 ? publications.join(" · ") : "Aucune dans notre registre" }; }), { columns: [ "Entreprise", "Émissions annuelles", "Objectif climatique chiffré", "Informations publiées" ], layout: "auto" } ) 65:T5e3,const conditionsQ3 = ["Google", "OpenAI", "Mistral"].map(entreprise => { // 1. Récupération des données du registre const lignes = registre.filter( d => d.entreprise === entreprise ); // 2. Vérification de l'objectif climatique const objectif = etatQ3( registre, entreprise, "objectif" ); const objectifTrouve = [ "publie", "presse" ].includes(objectif); // 3. Vérification des séries annuelles const annees = entreprise === "Google" ? [...new Set( serieGoogle .filter(d => d.total != null && Number.isFinite(d.total) ) .map(d => d.annee) )].sort((a, b) => a - b) : []; const serieDisponible = annees.length >= 2; const serie = serieDisponible ? "publie" : "rien"; // 4. Évaluation des possibilités de vérification const resultat = objectifTrouve && serieDisponible ? "Partiellement vérifiable" : "Non vérifiable avec notre corpus"; // 5. Explication du résultat const limite = objectifTrouve && serieDisponible ? "Objectif et série annuelle identifiés, mais correspondance des périmètres et méthodes à vérifier." : !objectifTrouve ? "Aucun objectif chiffré et daté identifié dans notre registre." : "Série annuelle insuffisante pour suivre l'objectif."; // 6. Résultat par entreprise return { entreprise, objectif, serie, annees, resultat, limite, mesurable: false }; }) 66:T879,Inputs.table( ["Google", "OpenAI", "Mistral"].map(entreprise => { // 1. Informations du registre const lignes = registre.filter( d => d.entreprise === entreprise ); // 2. Recherche d'un objectif climatique const objectifOfficiel = lignes.some( d => d.type === "objectif" && d.statut === "primaire" ); const objectifPresse = lignes.some( d => d.type === "objectif" && d.statut === "presse" ); const objectifTrouve = objectifOfficiel || objectifPresse; const objectif = objectifOfficiel ? "Objectif annoncé dans une source officielle" : objectifPresse ? "Objectif mentionné dans la presse" : "Non identifié dans notre registre"; // 3. Vérification des séries annuelles const anneesGoogle = entreprise === "Google" ? [...new Set( serieGoogle .filter(d => Number.isFinite(d.total) ) .map(d => d.annee) )].sort((a, b) => a - b) : []; const serieDisponible = anneesGoogle.length >= 2; const serie = serieDisponible ? `Émissions totales déclarées : ${anneesGoogle[0]}–${anneesGoogle.at(-1)} (à contrôler)` : "Pas de série annuelle comparable exploitée"; // 4. Évaluation de la vérifiabilité const resultat = objectifTrouve && serieDisponible ? "Partiellement vérifiable" : "Non vérifiable avec notre corpus"; // 5. Explication du résultat const limite = objectifTrouve && serieDisponible ? "Série annuelle disponible, mais périmètre de l'objectif et méthode à vérifier." : !objectifTrouve ? "Aucun objectif chiffré et daté identifié dans le registre." : "Données annuelles insuffisantes pour suivre l'objectif."; return { "Entreprise": entreprise, "Objectif climatique": objectif, "Données de suivi": serie, "Résultat": resultat, "Pourquoi ?": limite }; }), { columns: [ "Entreprise", "Objectif climatique", "Données de suivi", "Résultat", "Pourquoi ?" ], layout: "auto" } ) 67:T8a6,const donneesChrono = (() => { // 1. Période et entreprises étudiées const annees = d3.range(2019, 2026); const entreprises = ["Google", "OpenAI", "Mistral"]; // 2. Publications retenues const citable = d => d.statut === "primaire" || d.statut === "presse"; // 3. Construction de la chronologie const lignes = []; for (const entreprise of entreprises) { const publicationsEntreprise = registre.filter( d => d.entreprise === entreprise && citable(d) ); for (const annee of annees) { // Recherche d'un bilan annuel dans notre série Google const bilanGoogle = entreprise === "Google" ? serieGoogle.find(d => Number(d.annee) === annee && Number.isFinite(d.total) ) : undefined; // Autres publications associées à cette année const publicationsAnnee = publicationsEntreprise.filter( d => Number(d.annee) === annee && d.type !== "objectif" ); let etat; let detail; let n; if (bilanGoogle) { etat = "suivi"; n = 1; detail = `Émissions totales déclarées : ${bilanGoogle.total.toLocaleString("fr-FR")} tonnes de CO₂e. Source : rapport environnemental Google 2025.`; } else if (publicationsAnnee.length > 0) { etat = "ponctuel"; n = publicationsAnnee.length; detail = publicationsAnnee .map(d => d.libelle) .join(" · "); } else { etat = "manquant"; n = 0; detail = "Aucune donnée annuelle exploitable identifiée dans notre corpus pour cette année."; } lignes.push({ entreprise, annee, etat, n, detail }); } // 4. Ajout des objectifs futurs identifiés const objectifs = publicationsEntreprise.filter( d => d.type === "objectif" && Number(d.annee) > 2025 ); for (const objectif of objectifs) { lignes.push({ entreprise, annee: Number(objectif.annee), etat: "objectif", n: 0, detail: objectif.libelle }); } } return lignes; })(); 68:Tf02, const graphiqueChronologie = ( donnees, { entreprises = ["Google", "OpenAI", "Mistral"], debut = 2019, finAttendue = 2025, objectifAnnee = 2030, largeur = 950, titre = "", sousTitre = "", alt = "" } = {} ) => { // 1. Années affichées const annees = [ ...d3.range(debut, finAttendue + 1).map(String), "…", String(objectifAnnee) ]; // 2. Catégories de données const couleurs = { "Suivi annuel disponible": "#1F6F8B", "Information ponctuelle": "#9AA7AE", "Non identifié": "#F6D5CF", "Objectif annoncé": "#C4571A", "Objectif non identifié": "#E8E8E8" }; // 3. Préparation des cases const cases = []; for (const entreprise of entreprises) { for (const annee of annees) { if (annee === "…") continue; const ligne = donnees.find(d => d.entreprise === entreprise && String(d.annee) === annee ); let statut; let symbole; let detail; if (annee === String(objectifAnnee)) { if (ligne?.etat === "objectif") { statut = "Objectif annoncé"; symbole = "O"; detail = ligne.detail; } else { statut = "Objectif non identifié"; symbole = "?"; detail = "Aucun objectif identifié dans notre registre pour cette échéance."; } } else if (ligne?.etat === "suivi") { statut = "Suivi annuel disponible"; symbole = "A"; detail = ligne.detail; } else if (ligne?.etat === "ponctuel") { statut = "Information ponctuelle"; symbole = "P"; detail = ligne.detail; } else { statut = "Non identifié"; symbole = "—"; detail = "Aucune donnée correspondante identifiée dans notre corpus."; } cases.push({ entreprise, annee, statut, symbole, detail }); } } // 4. Construction du graphique const graphique = Plot.plot({ title: titre, subtitle: sousTitre, width: largeur, height: 330, marginLeft: 110, marginRight: 40, marginTop: 80, marginBottom: 65, x: { domain: annees, axis: "top", label: null }, y: { domain: entreprises, label: null, padding: 0.25 }, color: { domain: Object.keys(couleurs), range: Object.values(couleurs), legend: true }, marks: [ // Cases de la chronologie Plot.cell(cases, { x: "annee", y: "entreprise", fill: "statut", inset: 3, title: d => `${d.entreprise} — ${d.annee} ${d.statut} ${d.detail}` }), // Symboles au centre des cases Plot.text(cases, { x: "annee", y: "entreprise", text: "symbole", fontSize: 16, fontWeight: "bold", fill: d => ["Non identifié", "Objectif non identifié"] .includes(d.statut) ? "#475569" : "#FFFFFF" }) ], caption: "Sources : registre des publications et rapports environnementaux étudiés. A = valeur annuelle d'émissions disponible ; P = information ponctuelle ; O = objectif annoncé. Une valeur annuelle n'est pas nécessairement comparable au périmètre de l'objectif. Non identifié ne signifie pas jamais publié." }); // 5. Alternative textuelle const description = alt || "Chronologie des données environnementales disponibles entre 2019 et 2025, avec les objectifs de 2030, pour Google, OpenAI et Mistral."; const svg = graphique.tagName.toLowerCase() === "svg" ? graphique : graphique.querySelector("svg"); if (svg) { svg.setAttribute("role", "img"); svg.setAttribute("aria-label", description); } return graphique; }; 69:T587,{ // Entreprises étudiées const entreprises = ["Google", "OpenAI", "Mistral"]; // Compter les années avec un bilan annuel identifié const nbAnnees = entreprise => donneesChrono.filter(d => d.entreprise === entreprise && d.etat === "suivi" && d.annee >= 2019 && d.annee <= 2025 ).length; // Résumé des données disponibles const resume = entreprises .map(e => `${e} : ${nbAnnees(e)} sur 7`) .join(" · "); // Alternative textuelle const description = `Chronologie des informations environnementales identifiées entre 2019 et 2025, avec les objectifs recensés pour 2030. Nombre d'années disposant d'une valeur annuelle d'émissions : ${resume}. Les cases distinguent les bilans annuels, les informations ponctuelles, les données non identifiées et les objectifs annoncés. Une valeur annuelle disponible ne garantit pas qu'elle corresponde au périmètre de l'objectif climatique.`; // Affichage de la chronologie display( graphiqueChronologie(donneesChrono, { entreprises, debut: 2019, finAttendue: 2025, objectifAnnee: 2030, largeur: 950, titre: "Des données annuelles inégales pour suivre les engagements climatiques", sousTitre: `Années avec un bilan d'émissions identifié entre 2019 et 2025 — ${resume}.`, alt: description }) ); } 6a:T6c5,### Fiche de visualisation — Chronologie des données climatiques | Élément | Justification | |---|---| | **1. Question** | Pour quelles années disposons-nous d'informations environnementales permettant de suivre les engagements climatiques de Google, OpenAI et Mistral ? | | **2. Famille** | Comparaison temporelle sous forme de matrice chronologique. | | **3. Encodage choisi et pourquoi** | L'axe horizontal représente les années et l'axe vertical les entreprises. Chaque case indique la nature des informations identifiées : suivi annuel, information ponctuelle, absence de donnée identifiée ou objectif annoncé. Les couleurs et les lettres permettent de distinguer ces catégories sans dépendre uniquement de la couleur. | | **4. Dénominateur** | La période étudiée comprend 7 années, de 2019 à 2025. Le nombre d'années avec suivi annuel est rapporté à ces 7 années pour chaque entreprise. L'échéance 2030 est affichée séparément et ne fait pas partie du dénominateur. | | **5. Titre et sous-titre porteur** | Titre : « Des données annuelles inégales pour suivre les engagements climatiques ». Sous-titre : « Années avec un bilan d'émissions identifié entre 2019 et 2025, selon les données de notre corpus ». | | **6. Alternative textuelle** | La chronologie compare les informations environnementales identifiées pour Google, OpenAI et Mistral entre 2019 et 2025. Google possède des valeurs annuelles d'émissions totales déclarées entre 2019 et 2024. Pour OpenAI et Mistral, notre corpus ne contient pas de série annuelle comparable. Les cases distinguent les données annuelles, les publications ponctuelles, les absences d'informations identifiées et les objectifs pour 2030. |` 6b:T4cc,const graphiquePeriode = (donnees, {largeur = 760, titre = "", sousTitre = "", alt = ""} = {}) => { const etendue = Math.max(10, Math.ceil(d3.max(donnees, (d) => Math.abs(d.pourcent)) / 10) * 10); const fig = Plot.plot({ title: titre, subtitle: sousTitre, width: largeur, height: 80 + donnees.length * 52, marginLeft: 170, marginRight: 60, x: {label: "Variation (%)", grid: true, domain: [-etendue, etendue]}, y: {label: null, domain: donnees.map((d) => d.mesure)}, marks: [ Plot.ruleX([0]), Plot.barX(donnees, {x: "pourcent", y: "mesure", fill: "couleur", inset: 6, tip: true, title: (d) => `${d.mesure}\n${d.pourcent.toLocaleString("fr-FR", {maximumFractionDigits: 1})} %`}), Plot.text(donnees, {x: "pourcent", y: "mesure", text: (d) => `${d.pourcent > 0 ? "+" : d.pourcent < 0 ? "−" : ""}${Math.abs(d.pourcent).toLocaleString("fr-FR", {maximumFractionDigits: 0})} %`, textAnchor: (d) => d.pourcent >= 0 ? "start" : "end", dx: (d) => d.pourcent >= 0 ? 6 : -6, fill: "#1f2a30", fontWeight: 600}) ] }); const svg = fig.tagName === "svg" ? fig : fig.querySelector("svg"); svg.setAttribute("role", "img"); svg.setAttribute("aria-label", alt); return fig; }6c:T4ab,const lecturePeriode = (() => { if (!variationsPeriode.length) return {titre: "Choisissez une année d'arrivée après l'année de départ", sous: "", texte: "Choix incomplet : l'année d'arrivée doit venir après l'année de départ."}; const p = (m) => variationsPeriode.find((d) => d.mesure === m)?.pourcent; const s = (x) => `${x > 0 ? "+" : x < 0 ? "−" : ""}${Math.abs(x).toLocaleString("fr-FR", {maximumFractionDigits: 0})} %`; const op = p("Émissions opérationnelles"); const tot = p("Émissions totales"); const titre = Math.sign(op) === Math.sign(tot) ? `De ${anneeDepart} à ${anneeArrivee}, émissions opérationnelles (${s(op)}) et émissions totales (${s(tot)}) vont dans le même sens` : `De ${anneeDepart} à ${anneeArrivee}, les émissions opérationnelles font ${s(op)} mais les émissions totales font ${s(tot)}`; const texte = variationsPeriode.map((d) => `${d.mesure} : ${s(d.pourcent)}`).join(" ; ") + "."; return {titre, sous: anneeDepart === 2019 ? "L'électricité n'est pas publiée pour 2019 : elle n'apparaît pas pour ce départ." : "Variation entre les deux années choisies. Source : rapport environnement de Google 2025.", texte}; })()6d:T761,### Fiche de visualisation — V4 : Comparaison interactive des années | Élément | Justification | |---|---| | **1. Question** | Si le lecteur choisit deux années, de combien la consommation électrique et les émissions de Google ont-elles augmenté ou diminué entre ces deux dates ? | | **2. Famille** | Comparaison interactive de variations temporelles, représentées par un diagramme en barres horizontales divergentes. | | **3. Encodage choisi et pourquoi** | La longueur des barres représente la variation en pourcentage. Les augmentations apparaissent à droite de zéro et les diminutions à gauche. Chaque couleur correspond à un indicateur environnemental. Deux menus déroulants permettent au lecteur de sélectionner une année de départ et une année d'arrivée. Le graphique se met automatiquement à jour selon son choix. | | **4. Dénominateur** | Chaque variation est calculée par rapport à la valeur de l'indicateur pour l'année de départ : (valeur d'arrivée − valeur de départ) / valeur de départ × 100. Les indicateurs ont des unités et des périmètres différents. | | **5. Titre et sous-titre porteur** | Le titre est dynamique et présente le principal résultat de la période choisie. Exemple : « De 2023 à 2024, les émissions opérationnelles font −11 % mais les émissions totales font +6 % ». Le sous-titre précise que les variations concernent les deux années sélectionnées et indique leur source. | | **6. Alternative textuelle** | Le graphique présente les variations de consommation électrique et d'émissions de Google entre les années choisies. Par exemple, entre 2023 et 2024, l'électricité augmente d'environ 27 %, les émissions totales de 6 %, les émissions opérationnelles diminuent de 11 % et le scope 3 augmente de 12 %. L'alternative textuelle est également actualisée selon les années sélectionnées. | 6e:T641,# V2 — Où se trouvent les centres de données en France ? ### Une cartographie des infrastructures numériques L'intelligence artificielle générative fonctionne grâce à des infrastructures informatiques, notamment des centres de données, qui nécessitent de l'électricité pour alimenter et refroidir leurs équipements. Mais **où se trouvent les centres de données identifiés en France ?** Pour répondre à cette question, nous allons utiliser les données géographiques d'OpenStreetMap (OSM). Notre carte représentera les emplacements des centres de données répertoriés dans cette base collaborative. ### Pourquoi une carte de lieux ? Nous avons choisi une carte de points, car notre question porte sur la localisation des infrastructures et non sur leur consommation électrique. Chaque point représentera un élément géographique identifié comme centre de données dans OpenStreetMap. **Les limites de cette représentation :** - OpenStreetMap ne recense pas nécessairement tous les centres de données. - Plusieurs éléments cartographiques peuvent correspondre à un même site. - Les centres de données identifiés ne sont pas nécessairement utilisés pour l'IA générative. - Leur localisation ne permet pas de connaître leur consommation énergétique ou leurs émissions de CO₂. - Nous ne pouvons pas attribuer ces infrastructures à OpenAI, Google ou Mistral sans preuve supplémentaire. Cette carte permettra donc de mieux comprendre la localisation des infrastructures numériques, tout en montrant les limites des données publiques disponibles. 6f:T89b,const preparationCentres = (() => { const statistiques = { initial: donneesOSM.features.length, sansTag: 0, sansCoordonnees: 0, horsMetropole: 0, doublons: 0 }; const identifiants = new Set(); const lieux = []; // Récupérer toutes les coordonnées d'une géométrie function extraireCoordonnees(geometrie) { const points = []; function parcourir(element) { if (!Array.isArray(element)) return; if ( typeof element[0] === "number" && typeof element[1] === "number" ) { points.push(element); } else { element.forEach(parcourir); } } parcourir(geometrie?.coordinates); return points; } for (const feature of donneesOSM.features) { const p = feature.properties ?? {}; // Vérifier les tags OpenStreetMap if ( p.telecom !== "data_center" && p.building !== "data_center" ) { statistiques.sansTag++; continue; } const points = extraireCoordonnees(feature.geometry) .filter(c => Number.isFinite(c[0]) && Number.isFinite(c[1]) ); if (!points.length) { statistiques.sansCoordonnees++; continue; } // Position représentative de chaque élément const longitudes = points.map(c => c[0]); const latitudes = points.map(c => c[1]); const longitude = (d3.min(longitudes) + d3.max(longitudes)) / 2; const latitude = (d3.min(latitudes) + d3.max(latitudes)) / 2; // France métropolitaine et Corse if ( longitude < -6 || longitude > 10 || latitude < 41 || latitude > 52 ) { statistiques.horsMetropole++; continue; } // Éviter les identifiants OSM répétés const id = feature.id ?? p["@id"]; if (identifiants.has(id)) { statistiques.doublons++; continue; } identifiants.add(id); lieux.push({ id, nom: p.name ?? "Centre de données non nommé", operateur: p.operator ?? "Non renseigné", longitude, latitude, typeGeometrie: feature.geometry.type }); } statistiques.conserves = lieux.length; return { lieux, statistiques }; })(); 70:T9e0, { // V2 — Carte des centres de données en France // Sources : OpenStreetMap et France GeoJSON // 1. Chargement du contour de la France métropolitaine const franceMetropole = await d3.json( "https://raw.githubusercontent.com/gregoiredavid/france-geojson/master/metropole-version-simplifiee.geojson" ); // 2. Données nettoyées const centres = preparationCentres.lieux; // 3. Nombre d'éléments représentés const nombreCentres = centres.length; // 4. Construction de la carte const carte = Plot.plot({ title: "Où se trouvent les centres de données identifiés en France ?", subtitle: `${nombreCentres} éléments cartographiques recensés dans OpenStreetMap, après nettoyage.`, width: 950, height: 650, marginTop: 65, marginBottom: 35, marginLeft: 30, marginRight: 30, // Projection géographique centrée sur la France projection: { type: "mercator", domain: franceMetropole, inset: 15 }, marks: [ // Fond de carte de la France Plot.geo(franceMetropole, { fill: "#F1F5F4", stroke: "#94A3A8", strokeWidth: 1.2 }), // Centres de données représentés par des points Plot.dot(centres, { x: "longitude", y: "latitude", r: 4, fill: "#167D75", fillOpacity: 0.75, stroke: "#FFFFFF", strokeWidth: 0.6, // Informations affichées au survol title: d => `${d.nom} Exploitant : ${d.operateur} Type OSM : ${d.typeGeometrie} Identifiant : ${d.id}` }) ], caption: "Sources : OpenStreetMap, extraction du 20 octobre 2026 ; contour France GeoJSON (IGN, 2018). Chaque point représente un élément cartographique identifié, et non nécessairement un centre de données distinct. La carte ne mesure ni la consommation électrique ni les émissions de CO₂." }); // 5. Alternative textuelle const description = `Carte de France métropolitaine représentant ${nombreCentres} éléments cartographiques associés à des centres de données dans OpenStreetMap. Les points indiquent leur localisation approximative. Plusieurs éléments peuvent appartenir à un même site et la base n'est pas exhaustive.`; const svg = carte.tagName.toLowerCase() === "svg" ? carte : carte.querySelector("svg"); if (svg) { svg.setAttribute("role", "img"); svg.setAttribute("aria-label", description); } // 6. Affichage display(carte); }71:T6d7,### Fiche de visualisation — V2 : Carte des centres de données en France | Élément | Justification | |---|---| | **1. Question** | Où se trouvent les centres de données identifiés dans OpenStreetMap en France métropolitaine ? | | **2. Famille** | Carte de lieux, sous forme de points géographiques. | | **3. Encodage choisi et pourquoi** | Chaque point vert représente un élément géographique identifié comme centre de données dans OpenStreetMap. Sa position correspond aux coordonnées géographiques extraites. Nous avons choisi une carte de points car notre question porte sur la localisation des infrastructures et non sur leur consommation électrique. Le survol permet de consulter les informations disponibles sur chaque élément. | | **4. Dénominateur** | Aucun dénominateur : nous représentons des emplacements et non une densité ou un taux. Après nettoyage, 373 éléments cartographiques sont conservés. Ce nombre ne correspond pas nécessairement à 373 centres de données distincts et ne constitue pas un recensement exhaustif. | | **5. Titre et sous-titre porteur** | **Titre :** « Où se trouvent les centres de données identifiés en France ? » **Sous-titre :** « 373 éléments cartographiques recensés dans OpenStreetMap, après nettoyage. » | | **6. Alternative textuelle** | Carte de France métropolitaine représentant 373 éléments cartographiques associés à des centres de données dans OpenStreetMap. Chaque point vert indique la position approximative d'un élément recensé. Plusieurs éléments peuvent appartenir à un même site. La carte ne permet pas de connaître leur consommation électrique ni d'identifier lesquels sont utilisés pour l'intelligence artificielle générative. | 72:T66a, { // Contrôle du nettoyage des données OpenStreetMap const s = preparationCentres.statistiques; const totalRetires = s.sansTag + s.sansCoordonnees + s.horsMetropole + s.doublons; const tauxConservation = (s.conserves / s.initial * 100).toFixed(1); const controleNettoyage = [ { "Étape": "Données initiales", "Nombre": s.initial, "Explication": "Tous les éléments du fichier GeoJSON" }, { "Étape": "Tags non correspondants", "Nombre": s.sansTag, "Explication": "Éléments sans les tags data_center recherchés" }, { "Étape": "Coordonnées manquantes", "Nombre": s.sansCoordonnees, "Explication": "Éléments sans coordonnées exploitables" }, { "Étape": "Hors zone géographique", "Nombre": s.horsMetropole, "Explication": "Éléments situés hors du rectangle de sélection de la métropole" }, { "Étape": "Identifiants en doublon", "Nombre": s.doublons, "Explication": "Identifiants OSM répétés" }, { "Étape": "Total des éléments retirés", "Nombre": totalRetires, "Explication": "Somme des exclusions" }, { "Étape": "Éléments conservés", "Nombre": s.conserves, "Explication": `${tauxConservation} % des éléments initiaux` } ]; if (s.initial !== totalRetires + s.conserves) { throw new Error( "Le bilan du nettoyage ne correspond pas au total initial." ); } display(Inputs.table(controleNettoyage, { columns: ["Étape", "Nombre", "Explication"], layout: "auto" })); } 73:T8a3,### Nettoyage des données — Méthode et limites Pour réaliser notre carte, nous avons utilisé une extraction OpenStreetMap au format GeoJSON. Le fichier initial contient **384 éléments géographiques**. ### Transformations réalisées **1. Sélection des centres de données** Nous avons conservé les éléments possédant le tag \`telecom=data_center\` ou \`building=data_center\`. Sept éléments sans ces tags ont été exclus. **2. Transformation des géométries** Les données contiennent des points, des lignes et des polygones. Pour pouvoir représenter chaque élément par un point sur la carte, nous avons conservé les coordonnées des points et calculé une position représentative pour les autres géométries à partir du centre de leur boîte englobante. Cette position reste approximative et ne correspond pas nécessairement au centre réel du bâtiment. **3. Filtrage géographique** Nous avons conservé les éléments situés dans une zone rectangulaire couvrant la France métropolitaine et la Corse. Quatre éléments ont été exclus. Cette méthode constitue un premier filtrage : elle ne garantit pas que tous les points conservés se trouvent exactement à l'intérieur des frontières françaises. **4. Contrôle des doublons** Nous avons recherché les identifiants OpenStreetMap répétés. Aucun doublon d'identifiant n'a été détecté. Cependant, plusieurs éléments différents peuvent désigner un même centre de données. ### Résultat Après nettoyage, nous conservons **373 éléments cartographiques sur 384**, soit environ 97,1 % des données initiales. ### Limites Notre carte ne constitue pas un recensement exhaustif des centres de données français. Les données ne fournissent pas directement leur consommation électrique ni leurs émissions de gaz à effet de serre. Enfin, aucune jointure avec les données de consommation électrique de l'ODRE n'a été effectuée pour cette carte. Nous ne pouvons donc pas attribuer de consommation à ces infrastructures. **Ce nettoyage permet de rendre notre méthode explicite et de montrer quelles données ont été conservées ou écartées, sans masquer les limites du résultat.**` 74:T679,const synthese = md`# Synthèse générale — Peut-on vérifier les promesses climatiques des entreprises d'IA ? **Notre réponse : pas complètement, avec les données que nous avons étudiées.** **1. Les entreprises ne publient pas les mêmes informations.** Google fournit des objectifs et des bilans annuels. OpenAI et Mistral publient notamment des estimations par requête ou des études sur un modèle. Le score Stanford renseigne leur transparence générale, mais pas directement leur performance climatique. **2. Une baisse d'émissions ne raconte pas toute l'histoire.** En 2025, Google affiche **+37 % d'électricité consommée**, **−2 % d'émissions opérationnelles** et **+25 % pour sa chaîne d'approvisionnement**. Entre 2019 et 2024, ses émissions totales déclarées ont augmenté d'environ **54 %**. **3. Vérifier un engagement demande plus que quelques chiffres.** Il faut un objectif précis, des résultats comparables d'année en année et une méthode expliquée. Même pour Google, les émissions totales de notre courbe ne correspondent pas exactement au périmètre de son objectif 2030. Les données Compar:IA et la carte OpenStreetMap apportent un éclairage complémentaire, mais ne permettent pas de calculer les émissions annuelles des trois entreprises. **Notre conclusion : une promesse climatique n'est réellement vérifiable que si chacun peut retrouver les chiffres, comprendre leur calcul et suivre leur évolution.** *Limite générale : notre étude repose sur une sélection de sources publiques. L'absence de données dans notre corpus ne prouve pas qu'elles n'existent pas.*`; display(synthese); 75:T10d3, const journalIA = md`## Journal IA du binôme ### 1. Quels outils avons-nous utilisés ? Nous avons utilisé deux assistants d'intelligence artificielle : **Claude (Anthropic)** et **ChatGPT (OpenAI)**. Claude nous a accompagnés dans la préparation du projet, l'organisation des données et le développement de certaines visualisations. ChatGPT nous a aidés à structurer notre notebook Observable, à améliorer les graphiques, à corriger les erreurs et à vérifier la cohérence de notre enquête. ### 2. Comment les IA nous ont-elles aidés ? Nous avons utilisé ces outils pour : - Organiser les différentes parties du notebook. - Comprendre les données environnementales et leurs limites. - Préparer le nettoyage et les traitements des données. - Écrire et améliorer du code JavaScript pour Observable. - Rendre les graphiques plus lisibles. - Raccourcir les analyses et clarifier les conclusions. - Vérifier la présence des éléments demandés dans les TP. Nous avons demandé à ChatGPT de nous accompagner **étape par étape**, en indiquant précisément où ajouter, modifier ou supprimer les cellules. ### 3. Comprendre le code plutôt que simplement le copier Nous avons également demandé à ChatGPT d'ajouter régulièrement des **commentaires explicatifs dans le code JavaScript**, avec la syntaxe \`//\`. Ces indications nous permettent de comprendre le rôle de chaque partie du code : importation des données, nettoyage, calculs, création des graphiques et affichage. Elles nous aident aussi à nous repérer plus facilement lorsqu'une modification est nécessaire. **Notre objectif était de comprendre le fonctionnement du code afin de pouvoir le modifier et le corriger nous-mêmes.** ### 4. Quelles erreurs avons-nous rencontrées ? Certaines propositions des IA ne fonctionnaient pas directement dans Observable. Nous avons notamment rencontré : - Des erreurs de déclaration de variables, comme \`Assignment to external variable\`. - Des problèmes de mise en page et de chevauchement des textes dans les graphiques. - Des difficultés avec les menus de sélection des années. - Des incohérences dans les noms des cellules et des graphiques. - Des passages trop longs ou répétitifs dans les analyses. Nous avons corrigé ces problèmes en testant les cellules progressivement et en demandant des explications supplémentaires à ChatGPT. ### 5. Comment avons-nous vérifié les données ? Nous avons mis en place plusieurs contrôles : - **Stanford FMTI :** vérification de la correspondance entre les scores et les définitions des critères. - **Google :** contrôle des indicateurs, des années et des différences entre les périmètres d'émissions. - **Compar:IA :** classement des modèles par entreprise et repérage des consommations manquantes ou nulles. - **OpenStreetMap :** filtrage des infrastructures et vérification des données géographiques. Nous avons aussi distingué les chiffres publiés par les entreprises des estimations produites par des sources extérieures. **Les réponses des IA ne sont pas considérées comme des preuves : les chiffres et les interprétations doivent être vérifiés à partir des sources d'origine.** ### 6. Quelles sont les limites de l'utilisation de l'IA ? Les assistants peuvent proposer du code incorrect, confondre des indicateurs ou formuler des conclusions trop affirmatives. Par exemple, une absence d'information dans notre corpus ne signifie pas forcément que cette information n'existe pas. De même, des estimations de consommation par conversation ne permettent pas de vérifier directement les émissions annuelles d'une entreprise. Nous avons donc conservé un regard critique sur les résultats et corrigé les propositions qui ne correspondaient pas à notre problématique. ### 7. Notre bilan L'utilisation de Claude et ChatGPT nous a permis de gagner du temps, de mieux comprendre certaines notions et d'améliorer la qualité de notre notebook. Nous avons cependant dû tester les codes, vérifier les sources et sélectionner les informations pertinentes. **Les IA ont été des outils d'accompagnement et d'apprentissage. Les choix de visualisation, les vérifications et les conclusions restent sous notre responsabilité.**`; display(journalIA); 76:[{"id":"c89474a3de9bdac8f05c135dab4ad00ce5c0640e067e6c14aceb598199d23e12b1f1d62f6a4ba27095adc0fcb70b867a1c3d3f9c5cd6b093318b3a7bbc38e7d5","href":"https://static.observableusercontent.com/files/c89474a3de9bdac8f05c135dab4ad00ce5c0640e067e6c14aceb598199d23e12b1f1d62f6a4ba27095adc0fcb70b867a1c3d3f9c5cd6b093318b3a7bbc38e7d5","name":"references_publications.json","type":"application/json","lastModified":1792438710000,"size":15155},{"id":"681462492ad005995195a96f56f118d7fc3d763e1376661751989be2c462b3968977bf607aa99cd59ed9a93f3c6bc71f5658de926dadfbd90fb8fa0e6d21404e","href":"https://static.observableusercontent.com/files/681462492ad005995195a96f56f118d7fc3d763e1376661751989be2c462b3968977bf607aa99cd59ed9a93f3c6bc71f5658de926dadfbd90fb8fa0e6d21404e","name":"sources.json","type":"application/json","lastModified":1792476328000,"size":3025},{"id":"a6d0458538c5441164d2d05a5fe84a661b2feef5255a573afa54a9e74c4b155471392d8884e76f151979eb21d1ab6fd03270d94322ef93d46246875eb29b5df6","href":"https://static.observableusercontent.com/files/a6d0458538c5441164d2d05a5fe84a661b2feef5255a573afa54a9e74c4b155471392d8884e76f151979eb21d1ab6fd03270d94322ef93d46246875eb29b5df6","name":"comparia_echantillon.csv","type":"text/csv","lastModified":1792486123000,"size":2186260},{"id":"bfbad0c6276b81110ae38c3b641cac1cde9e17b3ecdd992d4a4f7be7e447629d75f19adc933793dc897ad6d14b4d5544fc262163252f17c9f0cd75089040294c","href":"https://static.observableusercontent.com/files/bfbad0c6276b81110ae38c3b641cac1cde9e17b3ecdd992d4a4f7be7e447629d75f19adc933793dc897ad6d14b4d5544fc262163252f17c9f0cd75089040294c","name":"export.geojson","type":"application/geo+json","lastModified":1792490659000,"size":571755}] 48:{"id":"18018990b0accaa7","slug":"sae-303-gr-19","title":"SAE 303 — Gr 19","thumbnail":"49e3b8e7b5c25c76853ac31b4ed41e895e2facb91573182f4e68e995d0ccb899","access_level":"public","create_time":"$D2026-10-13T09:53:52.560Z","update_time":"$D2026-10-20T15:15:48.113Z","view_time":null,"first_public_time":"$D2026-10-21T13:19:33.343Z","has_unpublished_edits":null,"fork":false,"stars":0,"starred":false,"owner":{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","bio":"","following":false},"version":835,"publish_version":835,"role":null,"authored":false,"authors":[{"type":"individual","id":"9e994ecabe6cd753","login":"xaviersenente","name":"Xavier SENENTE","avatar_url":"https://avatars-next.observableusercontent.com/00724f3264dc62ce6303793b946b15214af84cf98487a4cdaa88dbdfea37786a","tier":null,"bio":"","following":false},{"type":"individual","id":"93825ce866e089ea","login":"noemiecaritey","name":"Ncaritey","avatar_url":"https://avatars-next.observableusercontent.com/0d31a408992ebf6a3983c221eb3d072eeeb30033df1548336d1a68c714184ef4","tier":null,"bio":"","following":false},{"type":"individual","id":"78b33f009f84d954","login":"konstance-kruger","name":"Konstance Kruger","avatar_url":"https://avatars-next.observableusercontent.com/80984bef480e4b964fb7f7aa71ab2c9e1dcb95d7e5a65cf548733d455c910ac2","tier":null,"bio":"","following":false}],"members":[{"type":"individual","id":"78b33f009f84d954","login":"konstance-kruger","name":"Konstance Kruger","avatar_url":"https://avatars-next.observableusercontent.com/80984bef480e4b964fb7f7aa71ab2c9e1dcb95d7e5a65cf548733d455c910ac2","tier":null,"role":"editor"},{"type":"individual","id":"93825ce866e089ea","login":"noemiecaritey","name":"Ncaritey","avatar_url":"https://avatars-next.observableusercontent.com/0d31a408992ebf6a3983c221eb3d072eeeb30033df1548336d1a68c714184ef4","tier":null,"role":"editor"},{"type":"individual","id":"9e994ecabe6cd753","login":"xaviersenente","name":"Xavier SENENTE","avatar_url":"https://avatars-next.observableusercontent.com/00724f3264dc62ce6303793b946b15214af84cf98487a4cdaa88dbdfea37786a","tier":null,"role":"editor"},{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","role":"viewer"}],"comments":[],"custom_thumbnail":false,"trashed":false,"lapsed":null,"subscribed":null,"forks":2,"collection":null,"type":"notebook","body":{"titling":"auto","title":"SAE 303 — Gr 19","cells":[{"id":0,"value":"# SAE 303 — Gr 19","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":1,"value":"$4c","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":85,"value":"$4d","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":86,"value":"$4e","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":87,"value":"# Introduction\n\nQuand nous utilisons ChatGPT, Gemini ou Le Chat, des ordinateurs travaillent dans des centres de données. Ils consomment de l'électricité, de l'eau et contribuent aux émissions de gaz à effet de serre.\n\nMais **comment savoir si ces entreprises réduisent réellement leur impact sur le climat ?**\n\nNous avons comparé ce qu'OpenAI, Google et Mistral promettent, les chiffres qu'ils publient et ce que ces chiffres permettent de vérifier.\n\n**Notre enquête ne cherche pas à désigner l'IA la moins polluante : elle cherche à savoir si les promesses climatiques sont vérifiables.**\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":88,"value":"\n## Les trois entreprises étudiées\n\nPour cette enquête, nous avons choisi trois acteurs importants de l'intelligence artificielle générative.\n\n| Entreprise | Pays | Service d'IA générative étudié |\n|---|---|---|\n| **OpenAI** | États-Unis | ChatGPT |\n| **Google** | États-Unis | Gemini |\n| **Mistral AI** | France | Le Chat |\n\nCes trois entreprises proposent des services d'intelligence artificielle générative accessibles au grand public.\n\nCependant, elles ne communiquent pas nécessairement leurs données environnementales de la même manière.\n\n**Notre objectif est de comparer leur transparence, et non de déterminer laquelle pollue le moins.**\n\nNous distinguerons donc les impacts d'un modèle, ceux d'une requête et les émissions de l'entreprise dans son ensemble.\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":142,"value":"## Petit lexique pour lire notre enquête\n\n| Mot | Explication simple |\n|---|---|\n| **Centre de données** | Bâtiment qui contient des ordinateurs et des serveurs utilisés pour faire fonctionner des services numériques. |\n| **Wh (wattheure)** | Unité qui mesure une quantité d'électricité. Une ampoule de 10 W allumée 6 minutes consomme 1 Wh. |\n| **CO₂e** | Unité qui regroupe différents gaz à effet de serre selon leur effet sur le climat. |\n| **Token** | Petit morceau de texte lu ou produit par un modèle d'IA. |\n| **Scope 1, 2 et 3** | Trois catégories d'émissions : directes, liées à l'énergie achetée, et liées aux autres activités de la chaîne de valeur. |\n| **FMTI** | Indice de Stanford qui évalue ce que les entreprises révèlent au sujet de leurs modèles d'IA. Il ne mesure pas leur performance écologique. |\n\n*Dans ce notebook, « notre corpus » désigne uniquement les sources que nous avons sélectionnées et étudiées.*","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":18,"value":"## Nettoyage et jointures\n\nTout ce qui a été retiré ou transformé est écrit ci-dessous, avec la raison. Chaque jointure est contrôlée : on liste ce qui ne trouve pas de correspondance.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":128,"value":"$4f","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":129,"value":"### Contrôle des correspondances — Données Google\n\nNous avons vérifié que les trois indicateurs utilisés dans notre graphique Google pour l'année 2025 possèdent une correspondance dans notre registre de sources.\n\n**Résultats du contrôle :**\n\n- 3 indicateurs recherchés.\n- 3 correspondances trouvées.\n- 0 identifiant sans correspondance.\n- 0 identifiant en doublon.\n\nChaque indicateur possède une source renseignée dans notre registre.\n\n**Limite :** ce contrôle vérifie la correspondance des identifiants et la présence des sources, mais ne garantit pas l'exactitude des valeurs. Il ne constitue pas non plus une vérification indépendante des chiffres publiés par Google.\n\nNous devons donc conserver les références des rapports et leurs méthodes de calcul pour justifier les données utilisées dans les graphiques.\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":130,"value":"$50","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":131,"value":"$51","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":30,"value":"const registre = FileAttachment(\"references_publications.json\").json()","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":33,"value":"$52","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":132,"value":"$53","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":92,"value":"$54","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":101,"value":"const statsCompar = (() => {\n const f = (x) => x.toLocaleString(\"fr-FR\", {maximumFractionDigits: x < 1 ? 2 : 1});\n const exploitables = conversationsLong.filter((d) => d.wh > 0);\n const stats = (e) => {\n const v = exploitables.filter((d) => d.entreprise === e).map((d) => d.wh);\n return {n: v.length, med: d3.median(v), moy: d3.mean(v), min: d3.min(v), max: d3.max(v)};\n };\n return {f, total: conversationsLong.length, exploitables: exploitables.length, OpenAI: stats(\"OpenAI\"), Google: stats(\"Google\"), Mistral: stats(\"Mistral\")};\n})()","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":98,"value":"{\n const f = statsCompar.f;\n display(md`### Ce qu'il faut retenir — Les estimations Compar:IA\n\nSur **${statsCompar.exploitables} réponses exploitables**, les consommations estimées varient fortement. La médiane est de **${f(statsCompar.OpenAI.med)} Wh** pour les modèles OpenAI de notre échantillon, **${f(statsCompar.Google.med)} Wh** pour Google et **${f(statsCompar.Mistral.med)} Wh** pour Mistral.\n\n**Ces valeurs ne constituent pas un classement écologique :** les modèles et les conversations comparés ne sont pas équivalents.\n\n**La limite :** ces estimations par réponse ne comprennent pas toutes les activités des entreprises. Elles ne peuvent pas servir à vérifier leurs émissions annuelles ou leurs objectifs climatiques.`);\n}","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":95,"value":"const entrepriseDuModele = (nom) => {\n const n = String(nom ?? \"\").toLowerCase();\n if (/^(gpt|chatgpt|o1|o3|o4)/.test(n)) return \"OpenAI\";\n if (/^(gemini|gemma)/.test(n)) return \"Google\";\n if (/^(mistral|mixtral|codestral|ministral|magistral|pixtral|devstral)/.test(n)) return \"Mistral\";\n return \"Autres\";\n}","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":96,"value":"const conversationsLong = comparaRaw.flatMap((r) => [\"a\", \"b\"].map((c) => {\n const kwh = r[`total_conv_${c}_kwh`];\n const tokens = r[`total_conv_${c}_output_tokens`];\n return {\n modele: r[`model_${c}_name`],\n entreprise: entrepriseDuModele(r[`model_${c}_name`]),\n kwh,\n tokens,\n wh: kwh > 0 ? kwh * 1000 : null,\n wh_par_1000_tokens: (kwh > 0 && tokens > 0) ? kwh * 1e6 / tokens : null\n };\n}))","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":135,"value":"### Nettoyage des données Compar:IA\n\nLe fichier Compar:IA contient des paires de conversations avec des consommations électriques estimées.\n\nNous avons effectué trois traitements :\n\n- **Réorganisation :** chaque paire est séparée en deux conversations pour faciliter les calculs.\n- **Classement :** les modèles sont associés à Google, OpenAI, Mistral ou « Autres », selon leur nom.\n- **Conversion et filtrage :** les kWh sont convertis en Wh. Seules les consommations positives sont retenues pour les moyennes et les médianes.\n\nLe contrôle ci-dessous permet de repérer les consommations manquantes ou nulles et les modèles non reconnus.\n\n**Limite :** les chiffres Compar:IA sont des estimations de consommation par conversation. Ils ne correspondent pas aux émissions annuelles des entreprises et ne permettent pas de vérifier directement leurs objectifs climatiques.\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":97,"value":"$55","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":40,"value":"# Question 1 · Qu'ont promis OpenAI, Google et Mistral, et que publient-ils pour qu'on puisse le vérifier ?\n\nAvant de vérifier une promesse climatique, il faut savoir **ce qui a été promis et quels chiffres sont disponibles**.\n\nNous avons recherché six types d'informations, notamment les objectifs climatiques, les bilans d'émissions et les données sur l'électricité et l'eau.\n\nLa matrice suivante montre ce que nous avons trouvé pour chaque entreprise.\n\n**Attention :** une case grise signifie « information non trouvée dans nos sources », et non « information jamais publiée ».\n\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":82,"value":" const avecAlt = (fig, alt) => {\n const svg = fig.tagName === \"svg\" ? fig : fig.querySelector(\"svg\");\n svg.setAttribute(\"role\", \"img\");\n svg.setAttribute(\"aria-label\", alt);\n return fig;\n}","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":79,"value":"$56","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":80,"value":"$57","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":89,"value":"$58","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":38,"value":"$59","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":90,"value":"$5a","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":143,"value":"### Ce qu'il faut retenir — Où manque la transparence ?\n\nStanford distingue trois étapes :\n\n- **Upstream (avant la mise à disposition)** : données d'entraînement et ressources utilisées.\n- **Model (le modèle lui-même)** : caractéristiques et évaluations.\n- **Downstream (après la mise à disposition)** : usages et suivi du modèle.\n\n**C'est en amont que les scores sont les plus faibles** : Google satisfait **8 critères sur 34**, OpenAI **1 sur 34** et Mistral **0 sur 34**.\n\nC'est important, car certaines informations sur l'énergie et les ressources mobilisées concernent justement cette étape.\n\n**La limite :** tous les critères Upstream ne sont pas environnementaux. Un faible score ne prouve pas, à lui seul, une forte pollution.\n\n*Source : Stanford CRFM, FMTI 2025.*","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":91,"value":"$5b","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":39,"value":"$5c","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":75,"value":"$5d","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":93,"value":"$5e","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":83,"value":"const critereEnvironnement = donneesStanford2025\n .filter((d) => /energy|carbon|water|emission/i.test(d.critere + \" \" + (d.definition ?? \"\")))\n .map((d) => ({critere: d.critere, Google: d.Google, OpenAI: d.OpenAI, Mistral: d.Mistral}));\n\ndisplay(Inputs.table(critereEnvironnement, {layout: \"auto\"}));","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":84,"value":"md`*Tableau ci-dessus : les ${critereEnvironnement.length} critères du FMTI 2025 qui portent sur l'énergie, le carbone, l'eau ou les émissions. Les trois entreprises obtiennent 0 sur chacun.*`","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":112,"value":"### Réponse à la question 1\n\n**Google est l'entreprise qui fournit le suivi environnemental le plus complet dans notre sélection de sources.** Elle publie des objectifs et des bilans annuels.\n\nOpenAI et Mistral rendent aussi publiques des informations utiles, mais surtout sous forme d'estimations ponctuelles ou d'études sur un modèle.\n\n**Ce qu'il faut retenir :** le nombre de chiffres publiés ne suffit pas. Pour contrôler une promesse, il faut connaître les émissions de l'entreprise, la méthode de calcul et leur évolution dans le temps.\n\n*Une information absente de notre corpus n'est pas forcément inexistante.*`\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":42,"value":"## Question 2 · Quand leur consommation explose, leurs émissions baissent-elles vraiment ?","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":43,"value":"### Quand l'électricité augmente, les émissions augmentent-elles aussi ?\n\nFaire fonctionner des serveurs consomme de l'électricité. Mais **consommer plus d'électricité ne signifie pas forcément que toutes les catégories d'émissions augmentent dans les mêmes proportions**.\n\nPour le comprendre, nous suivons trois indicateurs : l'électricité consommée, les émissions liées aux activités directes et à l'énergie achetée, puis celles liées notamment aux fournisseurs et aux équipements.\n\n**Nous étudions surtout Google**, car c'est la seule des trois entreprises pour laquelle nous avons trouvé une série annuelle suffisamment longue dans notre corpus.\n\n*Attention : les chiffres Google portent sur l'ensemble de l'entreprise, pas uniquement sur Gemini.*`","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":44,"value":"### Comprendre les trois types d'émissions\n\nPour comprendre les graphiques suivants, il faut distinguer **trois catégories**, appelées scopes.\n\n| Catégorie | Ce que cela compte | Exemple |\n|---|---|---|\n| **Scope 1** | Les émissions directes de l'entreprise. | Carburant utilisé par ses équipements. |\n| **Scope 2** | Les émissions liées à l'électricité ou à l'énergie achetée. | Électricité nécessaire aux serveurs. |\n| **Scope 3** | Les autres émissions de sa chaîne de valeur. | Fabrication des serveurs, achats et construction. |\n\nLes **émissions opérationnelles** regroupent ici les scopes 1 et 2.\n\n**À retenir :** si les scopes 1 et 2 baissent, cela ne signifie pas que le scope 3 ou l'ensemble des émissions baissent aussi.\n\n*Précision : Google peut compter les émissions liées à l'électricité selon différentes méthodes. Nous devons comparer des chiffres calculés avec des périmètres et des méthodes compatibles.*`","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":46,"value":"const signe = (x) => x == null ? \"—\" : (x > 0 ? \"+\" : x < 0 ? \"−\" : \"\") + Math.abs(x)","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":47,"value":"const variationsGoogle = registre\n .filter((d) => d.entreprise === \"Google\" && d.type === \"variation\" && d.valeur !== null)\n .map((d) => ({\n id: d.id,\n libelle: `${d.libelle} (${d.annee})`,\n valeur: d.valeur,\n famille: d.id.startsWith(\"g_elec\") ? \"Consommation d'électricité\" : \"Émissions de gaz à effet de serre\",\n page: d.page\n }))","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":48,"value":"$5f","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":49,"value":"$60","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":51,"value":"Inputs.table(\n variationsGoogle\n .filter(d => [\n \"g_elec_2025\",\n \"g_ops_2025\",\n \"g_scope3_2025\"\n ].includes(d.id))\n .map(d => {\n const r = registre.find(x => x.id === d.id);\n\n return {\n \"Chiffre\": d.libelle,\n \"Variation\": signe(d.valeur) + \" %\",\n \"Source\": r?.source ?? \"Non renseignée\",\n \"Page\": r?.page ?? \"—\"\n };\n }),\n {\n columns: [\"Chiffre\", \"Variation\", \"Source\", \"Page\"],\n layout: \"auto\"\n }\n)\n","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":99,"value":"{\n // On reprend les mêmes chiffres du registre : aucun résultat n'est saisi à la main.\n const v = id => variationsGoogle.find(d => d.id === id)?.valeur;\n const elec = signe(v(\"g_elec_2025\"));\n const ops = signe(v(\"g_ops_2025\"));\n const sc3 = signe(v(\"g_scope3_2025\"));\n\n display(md`### Ce qu'il faut retenir — Google en 2025\n\nPar rapport à 2024, Google annonce **${elec} % d'électricité consommée**, **${ops} % d'émissions opérationnelles** et **${sc3} % d'émissions dans sa chaîne d'approvisionnement**.\n\n**Cela signifie qu'une baisse d'une catégorie d'émissions ne prouve pas que l'ensemble de l'empreinte climatique diminue.**\n\n**La limite :** ces trois pourcentages ne suffisent pas à calculer l'évolution totale des émissions. Ils concernent toutes les activités de Google, pas uniquement l'IA.\n\n*Source : Google, rapport environnemental 2026, variations 2025 par rapport à 2024.*`);\n}","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":104,"value":"$61","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":109,"value":"$62","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":110,"value":"{\n // Chiffres issus de la série annuelle déjà utilisée pour le graphique.\n const g = an => serieGoogle.find(d => d.annee === an);\n const mt = x => (x / 1e6).toLocaleString(\"fr-FR\", {maximumFractionDigits: 2});\n const evolution = Math.round(100 * (g(2024).total / g(2019).total - 1));\n\n display(md`### Ce qu'il faut retenir — Les émissions totales de Google\n\nEntre 2019 et 2024, les émissions totales déclarées de Google passent de **${mt(g(2019).total)} à ${mt(g(2024).total)} millions de tonnes de CO₂e**, soit **+${evolution} %**.\n\n**La courbe montre une hausse sur le long terme**, même si certaines catégories d'émissions diminuent certaines années.\n\n**La limite :** ces chiffres concernent tout Google et ne correspondent pas exactement à la méthode utilisée pour son objectif climatique de 2030. Cette courbe ne suffit donc pas à dire si l'objectif sera atteint.\n\n*Source : Google, rapport environnemental 2025, données 2019–2024.*`);\n}\n","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":111,"value":"$63","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":52,"value":"$64","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":53,"value":"{\n const v = id => variationsGoogle.find(d => d.id === id)?.valeur;\n\n display(md`### Réponse à la question 2\n\n**Pas nécessairement.** En 2025, Google consomme ${signe(v(\"g_elec_2025\"))} % d'électricité, tandis que ses émissions opérationnelles évoluent de ${signe(v(\"g_ops_2025\"))} % et celles de sa chaîne d'approvisionnement de ${signe(v(\"g_scope3_2025\"))} %.\n\nCes chiffres montrent que les indicateurs ne suivent pas tous la même direction. Les émissions totales déclarées de Google ont aussi augmenté entre 2019 et 2024.\n\nPour OpenAI et Mistral, nous n'avons pas trouvé, dans notre corpus, de série annuelle comparable pour répondre à cette question.\n\n**La limite :** une variation isolée ne suffit pas pour juger le respect d'un engagement climatique.`);\n}\n","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":139,"value":"## Pour aller plus loin — Ce qu'on peut estimer sans les bilans des entreprises\n\n**Compar:IA fournit des estimations d'électricité pour des conversations avec différents modèles d'IA.** Nous pouvons ainsi observer l'énergie estimée d'une réponse, même lorsque nous n'avons pas de bilan annuel de l'entreprise.\n\nDans le tableau, la **médiane** représente la valeur du milieu : elle est moins influencée que la moyenne par quelques conversations très gourmandes.\n\n**Attention : les conversations et les modèles ne sont pas identiques d'une entreprise à l'autre. Ce tableau ne classe donc pas les entreprises de la moins polluante à la plus polluante.**`","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":140,"value":"Inputs.table(\n [\"OpenAI\", \"Google\", \"Mistral\"].map((e) => ({\n \"Entreprise\": e,\n \"Conversations exploitables\": statsCompar[e].n,\n \"Médiane (Wh)\": statsCompar.f(statsCompar[e].med),\n \"Moyenne (Wh)\": statsCompar.f(statsCompar[e].moy),\n \"Minimum (Wh)\": statsCompar.f(statsCompar[e].min),\n \"Maximum (Wh)\": statsCompar.f(statsCompar[e].max)\n })),\n {layout: \"auto\"}\n)","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":141,"value":"Inputs.table(\n d3.rollups(\n conversationsLong.filter((d) => d.wh > 0 && d.entreprise !== \"Autres\"),\n (v) => ({\n \"Entreprise\": v[0].entreprise,\n \"Conversations\": v.length,\n \"Médiane (Wh par conversation)\": d3.median(v, (d) => d.wh),\n \"Wh pour 1 000 tokens\": d3.median(v, (d) => d.wh_par_1000_tokens)\n }),\n (d) => d.modele\n )\n .map(([modele, o]) => ({\"Modèle\": modele, ...o}))\n .sort((a, b) => d3.descending(a[\"Conversations\"], b[\"Conversations\"])),\n {\n layout: \"auto\",\n height: 320,\n format: {\n \"Médiane (Wh par conversation)\": (x) => x.toLocaleString(\"fr-FR\", {maximumSignificantDigits: 2}),\n \"Wh pour 1 000 tokens\": (x) => x == null ? \"—\" : x.toLocaleString(\"fr-FR\", {maximumSignificantDigits: 2})\n }\n }\n)","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":138,"value":"const comparaRaw = FileAttachment(\"comparia_echantillon.csv\").csv({typed: true})","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":54,"value":"## Question 3 · Peut-on vérifier les objectifs climatiques annoncés ?\n\n**Publier un chiffre ne suffit pas pour prouver qu'une promesse est tenue.**\n\nPour vérifier un objectif climatique, il nous faut : **une promesse précise**, **une année de référence**, **des résultats publiés chaque année** et **une méthode de calcul comparable**.\n\nNous allons regarder quelles entreprises fournissent ces informations, puis comparer les années disponibles pour Google.\n\n*Attention : une donnée absente de notre sélection de sources peut exister ailleurs.*`","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":55,"value":"const etatQ3 = (registre, entreprise, type) => {\n const l = registre.filter((d) => d.entreprise === entreprise && d.type === type);\n return l.some((d) => d.statut === \"primaire\") ? \"publie\"\n : l.some((d) => d.statut === \"presse\") ? \"presse\"\n : l.some((d) => d.statut === \"a_saisir\") ? \"a_saisir\" : \"rien\";\n}","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":56,"value":"$65","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":57,"value":"$66","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":58,"value":"$67","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":59,"value":"### Comment lire la chronologie ?\n\nChaque case correspond à **une entreprise et une année**.\n\nLa frise distingue les années pour lesquelles nous avons identifié **des chiffres d'émissions annuels**, **des informations ponctuelles** ou **aucune donnée comparable dans notre corpus**. Les objectifs pour 2030 sont indiqués séparément.\n\n**L'enjeu :** une entreprise qui publie une estimation une seule année ne permet pas de suivre une trajectoire sur plusieurs années.\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":61,"value":"$68","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":64,"value":"$69","pinned":true,"hidden":false,"mode":"js","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":113,"value":"### Ce qu'il faut retenir — Peut-on suivre les émissions d'année en année ?\n\n**Google :** nous avons des émissions totales déclarées pour **2019 à 2024**. Elles montrent une évolution, mais leur calcul ne correspond pas exactement au périmètre de l'objectif climatique de 2030.\n\n**OpenAI et Mistral :** dans notre corpus, nous trouvons surtout des informations ponctuelles, pas une série annuelle complète des émissions de l'entreprise.\n\n**La limite :** une case sans donnée signifie seulement que nous n'en avons pas trouvé dans notre sélection de sources. Et une série annuelle, même complète, ne permet de vérifier une promesse que si elle mesure la même chose que cette promesse.`\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":114,"value":"$6a","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":66,"value":"- **Question du lecteur, en toutes lettres.** « Si je choisis moi-même les deux années à comparer, est-ce que les émissions de Google montent ou baissent ? »","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":67,"value":"const anneeDepart = view(Inputs.select(d3.range(2019, 2024), {label: \"Année de départ\", value: 2023}))","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":68,"value":"const anneeArrivee = view(\n Inputs.select(\n serieGoogle\n .map(d => d.annee)\n .filter(annee => annee > anneeDepart)\n .sort((a, b) => a - b),\n {\n label: \"Année d'arrivée\",\n value: 2024\n }\n )\n);\n","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":69,"value":"const INDICATEURS = [\n {cle: \"electricite\", nom: \"Électricité consommée\", court: \"Électricité\", couleur: \"#2a78d6\"},\n {cle: \"total\", nom: \"Émissions totales (scopes 1, 2 et 3)\", court: \"Émissions totales\", couleur: \"#c4571a\"},\n {cle: \"operationnel\", nom: \"Émissions opérationnelles (scopes 1 et 2)\", court: \"Émissions opérationnelles\", couleur: \"#7a4fd0\"},\n {cle: \"scope3\", nom: \"Émissions de la chaîne (scope 3)\", court: \"Scope 3\", couleur: \"#4f8a1e\"}\n]","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":71,"value":"const serieGoogle = [\n {annee: 2019, total: 9867800, operationnel: 917800, scope3: 8950000, electricite: null},\n {annee: 2020, total: 8737400, operationnel: 967400, scope3: 7770000, electricite: 15166800},\n {annee: 2021, total: 10520600, operationnel: 1887600, scope3: 8633000, electricite: 18287100},\n {annee: 2022, total: 11900300, operationnel: 2583300, scope3: 9317000, electricite: 21776200},\n {annee: 2023, total: 14296800, operationnel: 3502800, scope3: 10794000, electricite: 25307000},\n {annee: 2024, total: 15185200, operationnel: 3132200, scope3: 12053000, electricite: 32179900}\n]\n// Source : Google, rapport environnemental 2025, tableau des données environnementales, page 105 du rapport environnemental Google 2025.\n// https://www.sustainability.google/reports/google-2025-environmental-report/\n// Électricité 2019 non publiée (null). Unités : émissions en tonnes de CO₂e, électricité en MWh (relu dans le PDF).","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":70,"value":"const variationsPeriode = (() => {\n const a = serieGoogle.find((d) => d.annee === anneeDepart);\n const b = serieGoogle.find((d) => d.annee === anneeArrivee);\n if (!a || !b || anneeArrivee <= anneeDepart) return [];\n return INDICATEURS.filter((i) => a[i.cle] != null && b[i.cle] != null).map((i) => ({mesure: i.court, couleur: i.couleur, pourcent: 100 * (b[i.cle] / a[i.cle] - 1)}));\n})()","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":74,"value":"$6b","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":72,"value":"$6c","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":73,"value":"variationsPeriode.length ? graphiquePeriode(variationsPeriode, {titre: lecturePeriode.titre, sousTitre: lecturePeriode.sous, alt: lecturePeriode.texte}) : md`*${lecturePeriode.texte}*`","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":65,"value":"### Ce qu'il faut retenir — Comparez deux années de Google\n\n**Choisissez une année de départ et une année d'arrivée** : le graphique calcule les évolutions de l'électricité et de plusieurs catégories d'émissions.\n\nPar exemple, **de 2023 à 2024**, l'électricité augmente de **27 %**, les émissions totales déclarées de **6 %**, alors que les émissions opérationnelles diminuent de **11 %**. Les émissions du scope 3 augmentent de **12 %**.\n\n**Ce que cela montre :** une baisse d'une catégorie ne signifie pas que tout le bilan climatique s'améliore.\n\n**La limite :** ces indicateurs concernent tout Google. Leurs périmètres diffèrent, et les émissions totales déclarées ne suivent pas exactement la méthode de l'objectif 2030.\n\n*Source : Google, rapport environnemental 2025, série 2019–2024.*`\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":118,"value":"$6d","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":119,"value":"### Réponse à la question 3\n\n**Seulement en partie.** Google publie des objectifs et des chiffres annuels, mais les indicateurs utilisés dans notre courbe ne correspondent pas exactement au calcul de son objectif 2030.\n\nPour **OpenAI et Mistral**, les sources que nous avons étudiées ne permettent pas de reconstituer une série annuelle complète des émissions à l'échelle de l'entreprise.\n\n**Notre conclusion :** les données disponibles ne suffisent pas à vérifier de manière équivalente les engagements climatiques des trois entreprises.\n\n**Important : ne pas pouvoir vérifier une promesse ne signifie pas qu'elle est fausse ou non respectée.**`\n","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":120,"value":"$6e","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":121,"value":"const donneesOSM = await FileAttachment(\"export.geojson\").json();","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":122,"value":"$6f","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":123,"value":"$70","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":124,"value":"{\n const s = preparationCentres.statistiques;\n display(md`### Ce qu'il faut retenir — Localiser ne veut pas dire mesurer\n\nNotre fichier OpenStreetMap contenait **${s.initial} éléments géographiques**. Après les filtres et contrôles, **${s.conserves} éléments** sont représentés sur la carte.\n\nLes points permettent de voir où des infrastructures ont été signalées, notamment autour de grandes agglomérations.\n\n**La limite :** OpenStreetMap peut être incomplet, plusieurs éléments peuvent représenter un même site, et notre filtre géographique est approximatif. Surtout, **nous ne savons pas combien chaque centre consomme, ni s'il est utilisé par Google, OpenAI ou Mistral**.\n\n**Conclusion :** connaître le lieu d'un centre de données ne suffit pas à mesurer son impact environnemental.`);\n}","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":125,"value":"$71","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":126,"value":"$72","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":127,"value":"$73","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":133,"value":"$74","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":78,"value":"$75","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":136,"value":"{\n // Test de réutilisabilité du graphique (TP5)\n\n // On sélectionne seulement deux indicateurs\n const petitEchantillon = variationsPeriode.slice(0, 2);\n\n // On appelle la fonction avec cet échantillon\n const graphiqueTest = graphiquePeriode(\n petitEchantillon,\n {\n largeur: 700,\n\n titre: \"Test de réutilisabilité du graphique\",\n\n sousTitre:\n \"Seulement deux indicateurs sont transmis à la fonction.\",\n\n alt:\n \"Graphique de test présentant uniquement deux indicateurs pour vérifier que la fonction utilise les données reçues en paramètre.\"\n }\n );\n\n display(graphiqueTest);\n}\n","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":137,"value":"## Annexe technique — Test de réutilisation (TP5)\n\n**Vérification de la fonction réutilisable — TP5**\n\nNous avons testé la fonction \\`graphiquePeriode()\\` en lui transmettant seulement deux indicateurs issus de notre jeu de données.\n\nLe graphique obtenu affiche uniquement ces deux indicateurs.\n\nCela confirme que la fonction utilise les données reçues en paramètre, sans dépendre directement d'une cellule du notebook pour construire sa visualisation.\n\nCette fonction pourra donc être réutilisée dans notre site, à condition de lui transmettre les données nécessaires et de disposer de la bibliothèque Observable Plot.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"}],"files":"$W76","stdlib":"1"}} 24:null