41:null 42:["$","title",null,{"children":"SAE 303 — Gr 21 | MMI Montbéliard | Observable"}] 48:T80e,# L'électricité de l'IA ## Ce que mesure le laboratoire, est-ce ce que consomment nos vraies conversations ? Quand on lit combien d'électricité consomme une IA, on ne sait presque jamais d'où vient le chiffre. Parfois quelqu'un a **mesuré** un ordinateur en laboratoire, avec des questions standard. Parfois quelqu'un a **estimé** l'électricité de vraies conversations, avec une formule. Parfois quelqu'un a simplement **déclaré** un chiffre ou un lieu. Ces trois choses ne se valent pas, et les mélanger fait dire n'importe quoi aux graphiques. Nous partons de quatre fichiers que nous avons reliés entre eux : ${chiffres.aes.n} mesures de laboratoire (AI Energy Score), ${fr(chiffres.comparia.nConv, 0)} conversations réelles avec ${fr(chiffres.comparia.nReponses, 0)} réponses dont l'électricité est estimée (Compar:IA), ${chiffres.osm.n} centres de données déclarés par des contributeurs (OpenStreetMap) et l'électricité annuelle de ${fr(chiffres.iris.nZones, 0)} zones de France (IRIS). > **La question qui guide tout le notebook :** l'électricité de l'IA, ce que mesure le laboratoire, est-ce ce que consomment nos vraies conversations ? L'objectif n'est pas de dire si l'IA générative est « bonne » ou « mauvaise » pour la planète, mais de montrer ce que chaque type de chiffre permet de savoir, et ce qu'il ne permet pas de savoir. | Partie | Ce qu'on y fait | |---|---| | Fiche d'intention | Le public, la question, l'angle | | D'où viennent ces données | Quatre fichiers, leur nature (mesuré, estimé, déclaré), leur licence | | Nettoyage et jointures | Ce qui a été retiré ou transformé, ce qui a été relié, et ce qui tombe à côté | | Les 5 questions avant de dessiner | Variables, moyenne, distribution, absolu ou relatif, provenance | | V1 → V5 | Le laboratoire, la mesure face à l'estimation, le raisonnement, l'interaction, puis l'ouverture sur les centres de données | | Réponse, synthèse, journal IA | La réponse à la question, ce que nous retenons, comment nous avons utilisé l'IA |`49:T646,## Petit lexique Quelques mots reviennent souvent. Les voici en clair. | Mot | Ce que ça veut dire | |---|---| | **Requête** | Une question ou une tâche confiée à l'IA : une phrase à résumer, une image à décrire… | | **Wh (wattheure)** | Une quantité d'énergie. **Repère :** 1 Wh, c'est une ampoule LED de 10 watts allumée pendant 6 minutes. 1 kWh = 1 000 Wh. 1 MWh = 1 000 kWh. 1 TWh = 1 000 000 MWh. | | **GPU** | La puce (processeur graphique) qui fait tourner le modèle d'IA. C'est elle que le laboratoire mesure. | | **Token** | Un petit morceau de mot. Un modèle écrit sa réponse token par token : plus la réponse est longue, plus il y en a. | | **Mesuré, estimé, déclaré** | **Mesuré :** quelqu'un a branché un appareil et relevé la consommation. **Estimé :** quelqu'un a calculé avec une formule. **Déclaré :** quelqu'un affirme un chiffre ou un lieu, sans vérification. | | **Raisonnement** | Un mode où le modèle écrit des étapes de « réflexion » avant de répondre. | | **Facteur ×10, ×100** | « Dix fois plus », « cent fois plus ». | | **Médiane** | La valeur du milieu : la moitié des mesures est en dessous, la moitié au-dessus. Elle se laisse moins tromper que la moyenne par quelques valeurs énormes. | | **Échelle logarithmique** | Un axe où chaque graduation vaut **dix fois** la précédente (0,01 ; 0,1 ; 1 ; 10…). Il permet de voir ensemble des valeurs très petites et très grandes. | | **IRIS** | Un petit quartier statistique défini par l'Insee (environ 2 000 habitants). Le fichier d'électricité donne un total par IRIS. |4a:T4b1,ficheIntention = ` Public visé — Des citoyens qui utilisent l'IA générative au quotidien et lisent des chiffres sur sa consommation d'électricité, sans savoir s'ils viennent de mesures, d'estimations ou de simples déclarations. Question principale — L'électricité de l'IA : ce que mesure le laboratoire, est-ce ce que consomment nos vraies conversations ? Angle choisi — Nous partons de quatre fichiers et nous les relions. D'un côté, AI Energy Score mesure en laboratoire l'énergie de modèles d'IA sur des tests standard : nous comparons les tâches et les modèles. De l'autre, Compar:IA estime l'électricité de conversations réelles : nous confrontons ces estimations aux mesures pour les mêmes modèles, et nous cherchons où elles concordent et où l'estimation ne voit pas ce que la mesure voit (modèles de même taille, raisonnement). En ouverture, nous changeons d'échelle : où sont les centres de données déclarés dans OpenStreetMap, et que dit, ou ne dit pas, la consommation d'électricité des zones où ils se trouvent ? À chaque étape, nous écrivons si le chiffre est mesuré, estimé ou déclaré, d'où il vient, et ce qu'il ne permet pas de savoir. ` 4b:Tb38, | Fichier | Producteur | Nature du chiffre | Licence | Page | Version | |---|---|---|---|---|---| | **aies_energie_toutes_taches.json** (${chiffres.aes.n} lignes, 11 tâches) | AI Energy Score, projet ouvert hébergé sur Hugging Face | **Mesuré** : énergie des processeurs graphiques (GPU) en laboratoire, sur des tests standard identiques pour tous les modèles d'une tâche | Dépôt sous licence Apache-2.0 (déclarée pour le dépôt) | (dossier data/energy) | Campagnes de février et décembre 2025 | | **comparia_conversations_echantillon.json** (${fr(chiffres.comparia.nConv, 0)} conversations) | Compar:IA, service du ministère de la Culture, jeu publié sur data.gouv.fr | **Estimé** : électricité (kWh) de vraies conversations de volontaires avec deux modèles, calculée par le producteur ; le dictionnaire des colonnes ne décrit pas la méthode | Licence Ouverte 2.0 | | Jeu mis à jour le 3 juin 2026 ; conversations du ${chiffres.comparia.du} au ${chiffres.comparia.au} dans notre échantillon | | **export.geojson** (${chiffres.osm.n} objets) | Contributeurs d'OpenStreetMap, interrogés avec Overpass Turbo | **Déclaré** : un contributeur a placé et décrit un centre de données ; aucune vérification officielle | ODbL, © contributeurs d'OpenStreetMap | | Export du 19 octobre 2026 | | **consommation_iris_2023.json** (${fr(chiffres.iris.nZones, 0)} zones IRIS) | Jeu « consommation annuelle par IRIS », gestionnaires de réseaux de transport d'électricité et de gaz, sur data.gouv.fr | **Statistique officielle** : consommation annuelle d'électricité (colonne consommation_electricite_rte) par zone IRIS | Licence Ouverte 2.0 | (page de référence de la version 2012-2017 ; l'unité y est le MWh) | Extrait de l'année 2023 seulement | | **Fond de carte** (V5) | Contributeurs d'OpenStreetMap | Fond de carte | Selon OpenStreetMap | | Chargé à l'affichage | ⚠️ **Ces chiffres ne se comparent pas directement.** Un chiffre **mesuré** dit ce qu'un ordinateur a consommé pour un test précis. Un chiffre **estimé** dit ce qu'une formule attribue à une conversation réelle. Un chiffre **déclaré** dit ce que quelqu'un affirme. Aucun des quatre ne dit la consommation électrique réelle d'un centre de données qui répond à de vraies questions : c'est justement ce que le notebook cherche à rendre visible. La ligne écrite sous chaque graphique reprend cette information, par exemple : *Source : AI Energy Score (Hugging Face), campagne de décembre 2025 · énergie des GPU seulement, mesurée en laboratoire.*4c:Tfd6,Chaque fichier correspond à une seule source, converti en JSON sans fusion avec une autre. Les transformations sont faites dans le notebook (section Nettoyage et jointures). ### 1. aies_energie_toutes_taches.json : l'énergie mesurée en laboratoire - **Source :** AI Energy Score, fichiers data/energy/*.csv du dépôt Hugging Face, un fichier par tâche. [Lien](https://huggingface.co/spaces/AIEnergyScore/Leaderboard) - **Contenu :** ${chiffres.aes.n} lignes, 11 tâches (génération de texte, raisonnement, résumé, classification, reconnaissance de la parole, génération d'images…). Colonnes : tâche, modèle, énergie totale des GPU (total_gpu_energy), score en étoiles, classe de taille (A, B ou C, seulement pour la génération de texte et le raisonnement) et date du test (« Feb 25 » ou « Dec 25 »). - **Transformation :** les 11 fichiers CSV ont été rassemblés en un seul JSON, en ajoutant une colonne « tâche » ; valeurs inchangées. - **Unité :** total_gpu_energy est en kWh pour 1 000 requêtes, ce qui vaut numériquement des Wh par requête (lecture établie dans notre TP précédent, à citer avec la page de documentation d'AI Energy Score). ### 2. comparia_conversations_echantillon.json : l'électricité estimée de vraies conversations - **Source :** Compar:IA, ministère de la Culture, [page du jeu sur data.gouv.fr](https://www.data.gouv.fr/datasets/compar-ia). Le service permet de comparer deux modèles d'IA sur une même question. - **Contenu :** pour chaque conversation, les deux modèles comparés (côté A et côté B), leur taille en paramètres, le nombre de tokens produits, l'électricité estimée en kWh, le mode de la conversation (colonne mode), les catégories, les langues et un indicateur de raisonnement. - **Transformation :** échantillon aléatoire de 10 000 conversations sur 410 016 (graine 42), exporté en JSON depuis le fichier des conversations. Le notebook sépare ensuite les côtés A et B (une ligne par réponse). - **Méthode d'estimation :** le fichier de documentation (structuredatasetcomparia.csv) est un dictionnaire de colonnes : il qualifie le kWh d'« estimation » mais ne décrit pas le calcul. Ce que nous savons de la méthode vient donc de nos propres vérifications sur les données (section Nettoyage). ### 3. export.geojson : centres de données déclarés - **Source :** OpenStreetMap, interrogé avec [Overpass Turbo](https://overpass-turbo.eu). Requête : [out:json][timeout:180]; area["ISO3166-1"="FR"][admin_level=2]->.fr; nwr["telecom"="data_center"](area.fr); out center tags; - **Contenu :** ${chiffres.osm.n} objets ; pour les chemins et les relations, le point est le centre de l'objet. La puissance (clé data_center:power) n'est renseignée que pour ${chiffres.osm.puissance} objets. - **Export réalisé le :** 19 octobre 2026. **Licence :** ODbL. © contributeurs OpenStreetMap. [Mentions](https://www.openstreetmap.org/copyright) ### 4. consommation_iris_2023.json : l'électricité annuelle par zone - **Source :** jeu « consommation annuelle par IRIS » sur data.gouv.fr (années 2012 à 2023). La page de référence de la version 2012-2017 indique que le jeu décrit les sites raccordés au réseau de transport d'électricité, que l'unité est le MWh et que la licence est la Licence Ouverte 2.0. La page exacte de la version qui va jusqu'à 2023 reste à confirmer par l'équipe. - **Transformation :** le fichier d'origine (environ 102 Mo) a été réduit à l'année 2023 (${fr(chiffres.iris.nZones, 0)} zones, soit ${fr(controle.iris_lignes, 0)} lignes), sans modifier les valeurs, en gardant les colonnes de consommation, de commune et de géométrie arrondie à 5 décimales, pour pouvoir le charger dans Observable. - **Particularité :** une zone peut apparaître sur plusieurs lignes (une par source d'énergie) ; le notebook les additionne par code IRIS (section Nettoyage). - **Ce que ce fichier n'est pas :** une liste de centres de données. Il donne le total d'électricité d'une zone, tous consommateurs confondus.4d:Tad9,## 1. Quelle est la nature de nos variables ? **AI Energy Score** (une ligne = un modèle mesuré pour une tâche) | Variable | Nature | Remarque | |---|---|---| | Modèle, éditeur | Qualitatives nominales | ${chiffres.aes.n} mesures, ${chiffres.aes.taches} tâches ; uniquement des modèles ouverts. | | Tâche | Qualitative nominale | Texte, raisonnement, résumé, classification, image, parole… | | Niveau de raisonnement (low, medium, high) | Qualitative ordinale | Seulement pour les deux modèles gpt-oss, collé au nom dans le fichier brut. | | Campagne (février / décembre 2025) | Qualitative nominale | Deux protocoles à ne pas mélanger. | | Classe de taille (A, B, C) | Qualitative ordinale | Seulement pour le texte et le raisonnement. A : un GPU grand public ; B : un GPU cloud ; C : plusieurs GPU. | | Score en étoiles | Qualitative ordinale | Un classement relatif, recalculé dans chaque classe : pas une mesure. | | Énergie par requête (Wh) | Quantitative continue | Variable centrale, échelle de rapport. **Mesurée** : énergie du GPU, en laboratoire. | Variable que nous construisons. Le facteur multiplicatif du raisonnement : énergie avec raisonnement ÷ énergie sans, pour un même modèle. Quantitative continue. **Compar:IA** (une ligne = une conversation, avec deux réponses : côté A et côté B) | Variable | Nature | Remarque | |---|---|---| | Modèle | Qualitative nominale | ${chiffres.comparia.nModeles} modèles. | | Mode de la conversation | Qualitative nominale | ${chiffres.comparia.modes.map(m => m[0]).join(", ")} ; le dictionnaire ne définit pas cette colonne. | | Raisonnement (oui ou non) | Qualitative nominale (binaire) | Indicateur du fichier, par réponse. | | Tokens produits | Quantitative discrète | Compte issu des données ; mode de comptage non documenté. | | Électricité de la réponse (kWh) | Quantitative continue | **Estimée** par le producteur ; le dictionnaire dit « estimation » sans décrire la méthode. | | Paramètres du modèle | Quantitative | « Estimée ou connue » selon le dictionnaire. | Variable que nous construisons. Le coefficient du modèle : kWh ÷ tokens, par modèle. **IRIS** (une ligne = une zone et une source d'énergie). Code IRIS, commune, département (qualitatives nominales) ; électricité de l'année 2023 (quantitative continue, total absolu par zone, **statistique officielle**) ; nombre de points de livraison (quantitative discrète). **OpenStreetMap** (une ligne = un objet **déclaré** comme centre de données). Position (deux coordonnées), nom et opérateur (qualitatives nominales, renseignés chacun pour ${chiffres.osm.nommes} objets sur ${chiffres.osm.n}), puissance (quantitative, renseignée pour ${chiffres.osm.puissance} objets seulement).4e:T596,## 2. La moyenne ment-elle ? Oui, dès qu'on mélange des modèles de tailles différentes ou des réponses de longueurs différentes. **Mesure, génération de texte, décembre 2025** (${chiffres.aes.nTg} modèles). Moyenne de ${fr(chiffres.aes.tgMoy, 2)} Wh par requête, médiane de ${fr(chiffres.aes.tgMed, 3)} Wh : la moyenne est ${fr(chiffres.aes.tgMoy / chiffres.aes.tgMed, 0)} fois plus élevée. Quelques gros modèles suffisent à la tirer vers le haut. **À taille comparable, la moyenne ment beaucoup moins.** Dans la classe A (${chiffres.aes.nA} modèles), moyenne et médiane sont proches (${fr(chiffres.aes.aMoy, 3)} et ${fr(chiffres.aes.aMed, 3)} Wh). C'est le mélange des tailles qui fausse la moyenne. **Estimation, réponses de Compar:IA.** Médiane de ${fr(chiffres.comparia.kwhMed * 1000, 3)} Wh par réponse, moyenne de ${fr(chiffres.comparia.kwhMoy * 1000, 3)} Wh, soit ${fr(chiffres.comparia.kwhMoy / chiffres.comparia.kwhMed, 1)} fois plus : les réponses très longues pèsent lourd. **Zones IRIS** (${fr(chiffres.iris.nZonesElec, 0)} zones avec de l'électricité). Médiane de ${fr(chiffres.iris.med, 0)} MWh, moyenne de ${fr(chiffres.iris.moy, 0)} MWh. **Ce que nous en retenons.** Nous utilisons la médiane, par tâche, par classe de taille et par campagne, et nous montrons toujours la dispersion. Dire « une requête consomme X Wh » sans préciser le modèle et la tâche serait trompeur.4f:T534,## 3. À quoi ressemble la distribution ? **Mesure.** Très asymétrique, sur plusieurs ordres de grandeur : de ${fr(chiffres.aes.min, 5)} Wh à ${fr(chiffres.aes.max, 1)} Wh sur l'ensemble des tâches, soit un facteur d'environ ${fr(rond2(chiffres.aes.ecartTotal), 0)}. Dans une même tâche, l'écart entre le modèle le plus sobre et le plus gourmand va de ×${fr(rond2(chiffres.aes.ecartMin), 0)} (${chiffres.aes.tacheEcartMin}) à ×${fr(rond2(chiffres.aes.ecartMax), 0)} (${chiffres.aes.tacheEcartMax}). Sur une échelle linéaire, presque tous les points seraient écrasés contre zéro : l'échelle logarithmique est indispensable. **Estimation.** Les 10 % de réponses les plus gourmandes totalisent ${fr(chiffres.comparia.partDixieme * 100, 0)} % de l'électricité estimée de l'échantillon. **Zones IRIS.** Les 10 zones les plus consommatrices totalisent ${fr(chiffres.iris.partTop10 * 100, 0)} % de l'électricité du fichier ; la première seule en représente ${fr(chiffres.iris.partMax * 100, 1)} %. **Effectifs.** Ils sont petits pour la mesure (de 7 à ${chiffres.aes.nTg} modèles par tâche) : un point par modèle (strip plot) plutôt qu'un histogramme. **Valeurs extrêmes.** Ce ne sont pas des erreurs : ce sont de gros modèles, le mode raisonnement ou des zones industrielles. Nous les gardons toutes.50:T785,## 4. Absolu ou relatif ? **Notre unité de base est relative : l'énergie par requête.** AI Energy Score fait répondre chaque modèle au même jeu de 1 000 requêtes par tâche : comparer par requête, c'est comparer à travail égal. total_gpu_energy est en kWh pour 1 000 requêtes, ce qui vaut numériquement des Wh par requête. Nous ne parlons jamais de la consommation totale d'un modèle, qui dépend de son nombre d'utilisateurs, pas de son efficacité. **Pour comparer des modèles.** Dans une même tâche, à taille comparable (même classe A, B ou C) et dans une même campagne. **Pour comparer la mesure et l'estimation.** Les deux ne sont pas dans la même unité : Wh par requête de test d'un côté, Wh par 1 000 tokens de l'autre. Nous les comparons par leurs rangs et leurs écarts relatifs, jamais par leurs valeurs. Un contrôle de niveau : pour les ${chiffres.jointure.n} modèles appariés, le rapport entre l'énergie mesurée par requête et l'énergie estimée par réponse est compris entre ${fr(chiffres.jointure.niveauMin, 2)} et ${fr(chiffres.jointure.niveauMax, 2)} (tableau de la jointure mesure et estimation) : les deux sources ne se mesurent pas avec la même règle, et l'écart varie selon le modèle. **Pour les zones.** Un total annuel en MWh par zone, en valeur absolue, **sans** rapport au nombre d'habitants, à la surface ni au nombre de centres de données. Une zone qui consomme beaucoup n'est pas une zone où l'on consomme beaucoup par habitant. Les ${chiffres.osm.nZones} zones qui contiennent des centres déclarés totalisent ${fr(chiffres.osm.sommeZones / 1e6, 1)} TWh, soit ${fr(chiffres.osm.partSommeZones * 100, 0)} % du fichier, mais ce total contient aussi tous les sites industriels de ces zones. **Pour la carte.** Des lieux (« où ? »), pas des valeurs rapportées à un territoire : nous ne connaissons la puissance que de ${chiffres.osm.puissance} sites.51:T7a0,## 5. D'où sort cette donnée ? Qui manque ? **AI Energy Score : une mesure en laboratoire.** Chaque modèle répond à 1 000 requêtes par tâche sur une NVIDIA H100, et seule l'énergie de cette carte est mesurée. Ne sont pas comptés : le reste du serveur, le refroidissement, le réseau, l'entraînement, la fabrication du matériel. Les tests traitent les requêtes une par une, alors qu'en service les serveurs en traitent beaucoup à la fois : ce sont de vrais tests, mais pas de vraies conversations. **Compar:IA : une estimation.** Les conversations sont celles de volontaires qui choisissent de comparer des modèles : ce n'est pas un échantillon représentatif des usages. L'électricité est estimée par le producteur, sans méthode décrite dans le dictionnaire ; nous avons seulement vérifié qu'elle vaut les tokens multipliés par un coefficient par modèle. ${fr(controle.reponses_sans_kwh, 0)} réponses n'ont aucune estimation et quatre modèles n'en ont jamais. Notre échantillon compte ${fr(chiffres.comparia.nConv, 0)} conversations, tirées au hasard. **OpenStreetMap : une déclaration.** Recensement bénévole et incomplet, qui mélange grands centres et simples salles informatiques ; un site peut compter plusieurs objets (${chiffres.osm.dansZone} objets dans ${chiffres.osm.nZones} zones). Rien n'indique quels modèles d'IA tournent dans ces bâtiments. **IRIS : une statistique, pas un inventaire.** Le fichier couvre les zones qui ont au moins un consommateur raccordé au réseau de transport ; ${controle.iris_sans_forme} zones n'ont pas de contour. Il ne permet ni de repérer ni de chiffrer un centre de données en particulier. **Qui manque.** Les assistants que le public utilise vraiment (ChatGPT, Gemini, Claude, Le Chat) ne sont mesurés par personne de façon indépendante dans AI Energy Score. La part de l'IA dans la consommation des centres de données n'est connue nulle part dans nos fichiers.52:T653,controle = { const dupIris = brutIris.length - iris.length; const metro = centresZones.filter(c => c.territoire === "Métropole"); const dansZone = metro.filter(c => c.code_iris); const bruts = brutComparia.length; const ok = reponses.filter(r => r.kwh > 0 && r.tokens > 0); return { aes_lignes: aes.length, aes_taches: grouper(aes, d => d.tache).size, aes_valeurs_invalides: brutAES.length - aes.length, aes_sans_campagne: aes.filter(d => d.tache === "text_generation" || d.tache === "reasoning").filter(d => !d.campagne).length, conversations_brutes: bruts, conversations_retirees: bruts - conversations.length, reponses: reponses.length, reponses_sans_kwh: reponses.filter(r => r.kwh == null).length, reponses_zero_token: reponses.filter(r => r.tokens === 0).length, modeles_comparia: coefModele.size, modeles_coef_constant: [...coefModele.values()].filter(m => m.ecart_relatif != null && m.ecart_relatif < 1e-9).length, modeles_avec_coef: [...coefModele.values()].filter(m => m.ecart_relatif != null).length, iris_lignes: brutIris.length, iris_zones: iris.length, iris_lignes_doublees: dupIris, iris_sans_forme: iris.filter(z => !z.bbox).length, centres_objets: centres.length, centres_metropole: metro.length, centres_outre_mer: centres.length - metro.length, centres_dans_une_zone: dansZone.length, centres_zone_avec_elec: dansZone.filter(c => c.elec_mwh_zone > 0).length, zones_avec_centres: new Set(dansZone.map(c => c.code_iris)).size, appariements: paires.length, appariements_prevus: appariement.length, facteurs: facteurs.length }; }53:T1372,chiffres = { const ok = reponses.filter(r => r.kwh > 0 && r.tokens > 0); const kwh = ok.map(r => r.kwh), tok = ok.map(r => r.tokens); const triees = [...kwh].sort((a, b) => b - a), total = kwh.reduce((s, x) => s + x, 0); const dixieme = triees.slice(0, Math.ceil(triees.length / 10)).reduce((s, x) => s + x, 0) / total; const rai = ok.filter(r => r.raisonnement), sans = ok.filter(r => !r.raisonnement); const tg = aesComparable.filter(d => d.tache === "text_generation").map(d => d.wh); const tgA = aesComparable.filter(d => d.tache === "text_generation" && d.classe === "A").map(d => d.wh); const coefs = [...coefModele.values()].filter(m => m.coef); const parTache = [...grouper(aesComparable, d => d.tache)].map(([t, v]) => { const w = v.map(d => d.wh); return {tache: t, libelle: libellesTaches[t], n: v.length, min: Math.min(...w), med: mediane(w), max: Math.max(...w), ecart: Math.max(...w) / Math.min(...w)}; }).sort((a, b) => a.med - b.med); const tousWh = aesComparable.map(d => d.wh); const p70 = paires.filter(d => /70b/i.test(d.modele)); const reguliers = facteurs.filter(d => d.facteur >= 2), anomalies = facteurs.filter(d => d.facteur < 2); const fr_ = reguliers.map(d => d.facteur), fc = ratiosCompar.map(d => d.facteur); const rho = correlation(paires.map(d => d.rang_mesure), paires.map(d => d.rang_estimation)); const ratiosNiveau = paires.map(d => d.wh / d.wh_comparia); const zones = iris.filter(z => z.elec_mwh > 0), elecZones = zones.map(z => z.elec_mwh); const totalIris = iris.reduce((s, z) => s + z.elec_mwh, 0); const metro = centresZones.filter(c => c.territoire === "Métropole"); const dansZone = metro.filter(c => c.code_iris); const sommeZones = zonesAvecCentres.reduce((s, z) => s + z.elec_mwh, 0); const dates = reponses.map(r => r.date).sort(); return { aes: {n: aes.length, nComparable: aesComparable.length, taches: parTache.length, parTache, min: Math.min(...tousWh), max: Math.max(...tousWh), ecartTotal: Math.max(...tousWh) / Math.min(...tousWh), nA: tgA.length, aMed: mediane(tgA), aMoy: moyenne(tgA), nTg: tg.length, tgMed: mediane(tg), tgMoy: moyenne(tg), tgMax: Math.max(...tg), tgMin: Math.min(...tg), ecartMin: Math.min(...parTache.map(t => t.ecart)), ecartMax: Math.max(...parTache.map(t => t.ecart)), tacheEcartMax: parTache.reduce((a, b) => (b.ecart > a.ecart ? b : a)).libelle, tacheEcartMin: parTache.reduce((a, b) => (b.ecart < a.ecart ? b : a)).libelle, nFev: aes.filter(d => d.tache === "text_generation" && d.campagne === "2025-02").length, nDec: aes.filter(d => d.tache === "text_generation" && d.campagne === "2025-12").length}, comparia: {nReponses: ok.length, nConv: conversations.length, kwhMed: mediane(kwh), kwhMoy: moyenne(kwh), kwhMax: Math.max(...kwh), tokMed: mediane(tok), tokMoy: moyenne(tok), partDixieme: dixieme, nRai: rai.length, nSans: sans.length, kwhMedRai: mediane(rai.map(r => r.kwh)), kwhMedSans: mediane(sans.map(r => r.kwh)), tokMedRai: mediane(rai.map(r => r.tokens)), tokMedSans: mediane(sans.map(r => r.tokens)), nModeles: coefModele.size, nCoef: coefs.length, nDistincts: new Set(coefs.map(m => m.coef.toPrecision(6))).size, coefMin: Math.min(...coefs.map(m => m.coef)), coefMax: Math.max(...coefs.map(m => m.coef)), du: dates[0], au: dates.at(-1), corrKwhTok: correlation(ok.map(r => r.kwh), ok.map(r => r.tokens)), modes: [...grouper(conversations, d => d.mode ?? "(vide)")].map(([m, v]) => [m, v.length]).sort((a, b) => b[1] - a[1])}, jointure: {n: paires.length, rho, ratioWh70: Math.max(...p70.map(d => d.wh)) / Math.min(...p70.map(d => d.wh)), ratioCoef70: Math.max(...p70.map(d => d.coef)) / Math.min(...p70.map(d => d.coef)), n70: p70.length, niveauMin: Math.min(...ratiosNiveau), niveauMax: Math.max(...ratiosNiveau), nFacteurs: facteurs.length, nReguliers: reguliers.length, facMin: Math.min(...fr_), facMax: Math.max(...fr_), facMed: mediane(fr_), anomalies: anomalies.map(d => d.modele), nCompar: ratiosCompar.length, comMin: Math.min(...fc), comMax: Math.max(...fc), comMed: mediane(fc)}, iris: {nZones: iris.length, nZonesElec: zones.length, total: totalIris, med: mediane(elecZones), moy: moyenne(elecZones), max: Math.max(...elecZones), partMax: Math.max(...elecZones) / totalIris, partTop10: [...elecZones].sort((a, b) => b - a).slice(0, 10).reduce((s, x) => s + x, 0) / totalIris}, osm: {n: centres.length, metro: metro.length, outreMer: centres.length - metro.length, nommes: centres.filter(c => c.nom).length, avecOperateur: centres.filter(c => c.operateur).length, puissance: centres.filter(c => c.puissance_mw != null).length, dansZone: dansZone.length, dansZoneElec: dansZone.filter(c => c.elec_mwh_zone > 0).length, nZones: zonesAvecCentres.length, sommeZones, partSommeZones: sommeZones / totalIris, haut: zonesAvecCentres[0]} }; }54:Tbc1,## Ce que nous avons retiré ou transformé, et pourquoi **Conversion du fichier d'énergie.** Aucune ligne retirée : les ${chiffres.aes.n} mesures sont lisibles une fois converties (${controle.aes_valeurs_invalides} valeur illisible). Le niveau de raisonnement est séparé du nom pour les gpt-oss. Les ${chiffres.aes.nFev} mesures de février en génération de texte sont mises de côté, pour ne jamais mélanger deux campagnes : ${chiffres.aes.nComparable} mesures restent. **Compar:IA.** ${controle.conversations_retirees} conversation retirée (colonne mode corrompue). ${fr(controle.reponses, 0)} réponses après séparation des côtés A et B ; ${fr(controle.reponses_sans_kwh, 0)} n'ont pas d'estimation et ${controle.reponses_zero_token} ont zéro token : elles restent dans le fichier mais ne comptent pas dans les calculs d'électricité. Pour ${controle.modeles_coef_constant} modèles sur ${controle.modeles_avec_coef}, l'électricité divisée par les tokens est exactement la même pour toutes les réponses : l'estimation est les tokens multipliés par un coefficient par modèle (${fr(chiffres.comparia.nDistincts, 0)} valeurs de coefficient pour ${chiffres.comparia.nCoef} modèles). **La corrélation entre kWh et tokens (${fr(chiffres.comparia.corrKwhTok, 2)}) est donc construite : elle ne prouve rien.** **Jointure mesure ↔ estimation.** ${controle.appariements} modèles de décembre 2025 sur ${chiffres.aes.nDec} trouvent un équivalent exact dans Compar:IA. Les autres tombent à côté, faute d'équivalent. Nous avons préféré un appariement à la main, vérifiable, à un rapprochement automatique qui produisait de fausses paires. **Jointure raisonnement ↔ réponse directe.** ${chiffres.jointure.nFacteurs} modèles appariés, même modèle et même campagne. ${chiffres.jointure.anomalies.join(", ")} consomme autant avec que sans raisonnement (×1) ; les données ne permettent pas d'expliquer pourquoi : nous gardons ce modèle dans le tableau, nous le laissons de côté dans les chiffres (facteurs de ×${fr(chiffres.jointure.facMin, 0)} à ×${fr(chiffres.jointure.facMax, 0)}) et nous le signalons. **IRIS.** ${controle.iris_lignes_doublees} zones apparaissaient sur deux lignes : elles sont additionnées (${fr(controle.iris_zones, 0)} zones). ${controle.iris_sans_forme} zones n'ont pas de contour et ne peuvent pas recevoir de point. **OpenStreetMap et IRIS.** Les ${chiffres.osm.n} objets sont gardés pour les contrôles ; la carte affiche les ${controle.centres_metropole} objets de métropole. ${controle.centres_dans_une_zone} tombent dans une zone du fichier (${controle.centres_zone_avec_elec} avec une électricité supérieure à zéro) ; **les ${controle.centres_metropole - controle.centres_dans_une_zone} autres tombent à côté**, parce que le fichier ne contient que les zones qui ont des consommateurs raccordés au réseau de transport, pas toute la France. Aucun doublon n'est supprimé : un même campus peut compter plusieurs objets.55:T7af,fV1 = ({ question: `Les consommations mesurées se regroupent-elles autour d'une valeur typique, ou s'étalent-elles sur plusieurs ordres de grandeur selon la tâche et le modèle ?`, famille: `Distribution résumée : une barre par tâche (la valeur typique, c'est-à-dire le milieu des modèles testés), triées de la plus gourmande à la plus sobre.`, encodage: `Longueur de barre pour la valeur typique de chaque tâche (variable quantitative), une rangée par tâche (variable nominale), triées par valeur. La longueur est l'encodage le plus facile à lire ; la valeur est aussi écrite en temps d'ampoule LED de 10 W allumée (1 Wh = 6 minutes), une unité que tout le monde se représente. La couleur indique la famille de tâche (texte, image, parole ; palette Okabe-Ito, avec légende) et ne porte jamais seule l'information. Une barre par tâche cache les écarts entre modèles : ils sont donnés par le dénominateur et la note de fin ; une vue point par point était trop difficile à lire pour notre public.`, denominateur: `Wh par requête, même jeu de tests pour tous les modèles d'une tâche, converti en minutes d'ampoule (conversion posée par nous, hors des fichiers). Aucun total, aucune moyenne entre tâches.`, titreSousTitre: `${textesV1.titre}. ${textesV1.sousTitre}`, alt: `Graphique de barres horizontales, une barre pour chacune des ${chiffres.aes.taches} tâches, triées de la plus gourmande à la plus sobre, colorées selon la famille de tâche (texte, image ou parole). Chaque barre représente la valeur typique de la tâche, écrite aussi en temps d'ampoule LED. Elles vont de ${chiffres.aes.parTache[0].libelle} (${fr(chiffres.aes.parTache[0].med, 5)} Wh) à ${chiffres.aes.parTache.at(-1).libelle} (${fr(chiffres.aes.parTache.at(-1).med, 2)} Wh). On y lit que les tâches se classent sur plusieurs ordres de grandeur. On retient que la consommation d'une requête dépend d'abord de la tâche, puis du modèle.` })56:T5dd,stripPlot = function (donnees, {titre, sousTitre} = {}) { const fmt = d => d.toLocaleString("fr-FR", {maximumSignificantDigits: 2}); const duree = wh => { const m = wh * 6; return m < 1 ? fmt(m * 60) + " secondes" : m < 120 ? fmt(m) + " minutes" : fmt(m / 60) + " heures"; }; const couleurs = {Texte: "#0072B2", Image: "#E69F00", Parole: "#CC79A7"}; const lignes = [...d3.group(donnees, d => d.tache_libelle)] .map(([tache, v]) => ({tache, famille: v[0].famille, med: d3.median(v.map(d => d.wh))})) .sort((a, b) => b.med - a.med); const max = lignes[0].med; return html`

${titre}

${sousTitre}

${lignes.map(l => html`

${l.tache}

${duree(l.med)}

`)}

Couleur : texte, image, parole. Repère : 1 Wh = une ampoule LED de 10 W allumée 6 minutes.

`; }57:T73f,fV2 = ({ question: `Pour les mêmes modèles, l'estimation faite sur de vraies conversations donne-t-elle le même classement et les mêmes écarts que la mesure de laboratoire ?`, famille: `Comparaison : deux groupes de barres horizontales (estimation, mesure) pour deux modèles de même taille.`, encodage: `Longueur de barre, l'encodage le plus facile à lire pour comparer deux quantités. Deux modèles de 70 milliards de paramètres sont montrés dans deux colonnes (bleu pour l'estimation, orange pour la mesure) : les deux barres de gauche sont identiques, celles de droite très différentes. Chaque colonne a sa propre échelle, car les deux grandeurs n'ont pas la même unité (Wh pour 1 000 tokens, Wh par requête) ; ce sont les écarts entre les barres qui se comparent, pas les valeurs. Aucun axe : la valeur est écrite à côté de chaque barre.`, denominateur: `Deux grandeurs rapportées à des unités différentes : Wh pour 1 000 tokens pour l'estimation, Wh par requête de test pour la mesure. Elles ne se comparent donc que par leur rang et leurs écarts relatifs, pas par leur valeur.`, titreSousTitre: `${textesV2.titre}. ${textesV2.sousTitre}`, alt: `Deux colonnes de deux barres horizontales. Colonne estimation (bleu) : les deux modèles de 70 milliards de paramètres, ${paires.filter(d => d.groupe !== "Autres modèles").map(d => d.modele).join(" et ")}, ont deux barres identiques. Colonne mesure (orange) : leurs barres diffèrent d'un facteur ${fr(chiffres.jointure.ratioWh70, 0)}. On y lit que l'estimation ne distingue pas deux modèles de même taille alors que la mesure de laboratoire les sépare nettement. On retient que, sur ${chiffres.jointure.n} modèles appariés, les deux sources classent à peu près pareil (corrélation de rangs ${fr(chiffres.jointure.rho, 2)}) mais pas à taille égale.` })58:T4f3,nuage = function (donnees, {titre, sousTitre} = {}) { const fmt = d => d.toLocaleString("fr-FR", {maximumSignificantDigits: 3}); const paire = donnees.filter(d => d.groupe !== "Autres modèles"); const maxWh = Math.max(...paire.map(d => d.wh)); const maxEst = Math.max(...paire.map(d => d.coef * 1e6)); const bloc = (libelle, couleur, valeur, max, unite) => html`

${libelle}

${fmt(valeur)} ${unite}

`; return html`

${titre}

${sousTitre}

Estimation (vraies conversations)${paire.map(d => bloc(d.modele, "#0072B2", d.coef * 1e6, maxEst, "Wh pour 1 000 tokens"))}

Mesure (laboratoire)${paire.map(d => bloc(d.modele, "#D55E00", d.wh, maxWh, "Wh par requête"))}

`; }59:T790,fV3 = ({ question: `Quand on demande à un modèle de raisonner, l'électricité d'une réponse augmente-t-elle autant dans les conversations réelles que dans les mesures de laboratoire ?`, famille: `Comparaison : barres horizontales, une barre par modèle, deux groupes (laboratoire, conversations).`, encodage: `Longueur de barre pour le facteur multiplicatif (rapport sans unité) : c'est l'encodage le plus facile à lire pour comparer des quantités. Une barre par modèle, deux groupes de couleurs distinctes (orange pour le laboratoire, bleu pour les conversations) et la même échelle linéaire pour les deux : le lecteur voit tout de suite que les barres du laboratoire sont bien plus longues. Pas d'échelle logarithmique, trop difficile à lire pour un public non spécialiste. Un trait fin représente ×1 (aucune différence).`, denominateur: `Rapport sans unité entre une réponse avec raisonnement et une réponse sans, pour un même modèle. Côté laboratoire : énergie par requête. Côté conversations : tokens médians par réponse, car l'estimation est proportionnelle aux tokens (voir Nettoyage).`, titreSousTitre: `${textesV3.titre}. ${textesV3.sousTitre}`, alt: `Graphique de barres horizontales en deux groupes. Groupe laboratoire (${chiffres.jointure.nReguliers} modèles) : les facteurs vont de ×${fr(chiffres.jointure.facMin, 0)} à ×${fr(chiffres.jointure.facMax, 0)}, médiane ×${fr(chiffres.jointure.facMed, 0)}. Groupe conversations (${chiffres.jointure.nCompar} modèles) : de ×${fr(chiffres.jointure.comMin, 1)} à ×${fr(chiffres.jointure.comMax, 1)}, médiane ×${fr(chiffres.jointure.comMed, 1)}. Les deux groupes ont la même échelle : les barres du laboratoire sont de loin les plus longues. On retient que la mesure voit un effet de plusieurs centaines de fois là où l'estimation n'en voit que quelques fois, sans qu'on sache lequel est le plus proche de la réalité.` })5a:T52e,graphiqueRaisonnement = function (donnees, {titre, sousTitre} = {}) { const fmtF = d => "×" + d.toLocaleString("fr-FR", {maximumSignificantDigits: 3}); const max = Math.max(...donnees.map(d => d.facteur)); const sources = [...new Set(donnees.map(d => d.source))]; const couleurs = ["#D55E00", "#0072B2"]; const bloc = (s, c) => html`

${s}

${donnees.filter(d => d.source === s).sort((a, b) => b.facteur - a.facteur).map(d => html`

${d.modele}

${fmtF(d.facteur)}

`)}`; return html`

${titre}

${sousTitre}

${sources.map((s, i) => bloc(s, couleurs[i % 2]))}

Une barre de la largeur d'un trait fin = ×1 : aucune différence avec une réponse directe. Même échelle pour les deux groupes.

`; }5b:T46b,sourceV3 = md`Sources : AI Energy Score (mesure, décembre 2025 · énergie des GPU seulement) · Compar:IA (estimation, tokens médians). ${chiffres.jointure.anomalies.join(", ")} : même consommation avec ou sans raisonnement, sans explication dans les données ; il est écarté du calcul des facteurs. **Ce qu'il faut retenir.** En laboratoire, demander à un modèle de raisonner multiplie l'électricité par ${fr(chiffres.jointure.facMin, 0)} à ${fr(chiffres.jointure.facMax, 0)} (valeur du milieu : ×${fr(chiffres.jointure.facMed, 0)}). Dans les vraies conversations, le rapport estimé varie seulement de ×${fr(chiffres.jointure.comMin, 1)} à ×${fr(chiffres.jointure.comMax, 1)} (valeur du milieu : ×${fr(chiffres.jointure.comMed, 1)}). Les deux sources ne voient donc pas le même effet. **Ce que ce graphique ne dit pas.** Il ne dit pas laquelle est la plus proche de la réalité. Les deux groupes ne portent pas sur les mêmes modèles, et l'estimation ne sait compter que les tokens écrits : si le raisonnement du modèle reste caché, elle ne le voit pas (les fichiers ne le précisent pas).`5c:T592,v4 = { const u = usage; const fmt = x => x.toLocaleString("fr-FR", {maximumSignificantDigits: 2}); const jours = h => h >= 48 ? ` (environ ${fmt(h / 24)} jours en continu)` : ""; const max = Math.max(u.heuresLabo, u.heuresEstime); const barre = (libelle, valeur, couleur) => html`

${libelle} : ${fmt(valeur)} heures d'ampoule par an${jours(valeur)}

`; return html`

${u.questions} question${u.questions > 1 ? "s" : ""} par jour à ${u.modele} : de ${fmt(Math.min(u.heuresLabo, u.heuresEstime))} à ${fmt(Math.max(u.heuresLabo, u.heuresEstime))} heures d'ampoule LED par an

Selon la mesure du laboratoire ou l'estimation sur conversations réelles (ampoule de 10 W).${u.nReponses < 30 ? " Attention : l'estimation de ce modèle repose sur " + u.nReponses + " réponses seulement." : ""}

${barre("Mesuré en laboratoire", u.heuresLabo, "#D55E00")} ${barre("Estimé sur conversations réelles", u.heuresEstime, "#0072B2")}

Ordre de grandeur, pas une facture : GPU seulement, une réponse typique du modèle.

`; }5d:T790,fV4 = ({ question: `Si je pose chaque jour un certain nombre de questions à un modèle, combien d'électricité cela représente-t-il sur un an, selon le laboratoire et selon l'estimation sur conversations réelles ?`, famille: `Interaction de type « et si ? » : deux réglages (modèle, nombre de questions par jour) qui recalculent deux barres.`, encodage: `Longueur de deux barres qui partent de zéro, pour comparer sur le même modèle la mesure et l'estimation ; couleurs distinctes (orange pour le laboratoire, bleu pour l'estimation, comme dans V2 et V3) et valeurs écrites en toutes lettres. Les wattheures sont traduits en heures d'ampoule LED de 10 W, une unité que tout le monde se représente. L'interaction se justifie : un écart de plusieurs fois est abstrait, le lecteur veut voir son propre usage.`, denominateur: `Par an et par personne (questions par jour × 365), à partir de l'énergie par requête pour le laboratoire et de la médiane des réponses du modèle dans Compar:IA pour l'estimation. Conversion : 1 Wh = 6 minutes d'ampoule de 10 W.`, titreSousTitre: `Le titre est la réponse calculée (« … heures d'ampoule LED par an ») ; la phrase dessous rappelle les deux sources ; la note précise que ce sont des ordres de grandeur.`, alt: `Calculateur : en choisissant un modèle et un nombre de questions par jour, on obtient l'électricité consommée sur un an, exprimée en heures d'ampoule LED, selon la mesure de laboratoire et selon l'estimation faite sur de vraies conversations, représentées par deux barres horizontales qui partent de zéro. Par exemple, pour ${paires[0].modele} et 10 questions par jour, la mesure donne ${fr(paires[0].wh * 365, 0)} heures d'ampoule par an et l'estimation ${fr(paires[0].wh_comparia * 365, 0)} heures. On retient que les deux sources parlent du même ordre de grandeur pour un usage quotidien, avec des écarts qui dépendent du modèle.` })5e:T5df,fV5 = ({ question: `Où sont les centres de données déclarés en France, et que dit, ou ne dit pas, la consommation d'électricité des zones où ils se trouvent ?`, famille: `Carte de lieux : un point par centre de données déclaré.`, encodage: `Position géographique pour chaque centre (la question est « où ? »), couleur en deux catégories (orange : la zone du centre figure dans le fichier d'électricité ; gris : elle n'y figure pas), avec une légende. Nous n'utilisons ni carte colorée par région (choroplèthe), ni cercles proportionnels : le fichier d'électricité donne le total de toute une zone, pas celui d'un centre, et le dessiner en grand cercle laisserait croire que le centre consomme tout. La valeur de la zone est donnée au survol, sans être encodée.`, denominateur: `Aucune valeur rapportée : les points sont des lieux. Au survol, l'électricité est un total absolu en MWh pour toute la zone IRIS en 2023, tous consommateurs confondus.`, titreSousTitre: `${textesV5.titre}. ${textesV5.sousTitre}`, alt: `Carte de la France métropolitaine avec ${chiffres.osm.metro} points, un par centre de données déclaré, concentrés autour de quelques agglomérations. ${chiffres.osm.dansZone} points sont orange (leur zone figure dans le fichier d'électricité 2023), les autres gris. On lit où se concentrent les centres déclarés. On retient que l'électricité connue est celle de toute la zone : elle ne dit pas ce que consomme un centre de données.` })5f:T5ee,v5 = { const conteneur = html`

${textesV5.titre}

${textesV5.sousTitre}

● centre dont la zone figure dans le fichier d'électricité · ● centre dont la zone n'y figure pas

`; yield conteneur; const carte = L.map(conteneur.querySelector("div[role=img]"), {scrollWheelZoom: false}); L.tileLayer("https://tile.openstreetmap.org/{z}/{x}/{y}.png", {maxZoom: 18, attribution: "© contributeurs OpenStreetMap"}).addTo(carte); const metro = centresZones.filter(d => d.territoire === "Métropole"); const points = metro.map(d => { const connu = d.elec_mwh_zone != null && d.elec_mwh_zone > 0; const texte = [d.nom ?? "Sans nom", d.operateur ?? "opérateur non renseigné"].join(" · ") + (connu ? `\nZone ${d.commune_iris} : ${Math.round(d.elec_mwh_zone).toLocaleString("fr-FR")} MWh en 2023, toute la zone (pas seulement ce centre)` : "\nPas de donnée d'électricité pour sa zone"); return L.circleMarker([d.lat, d.lon], {radius: 6, color: "white", weight: 1, fillColor: connu ? "#D55E00" : "#444", fillOpacity: 0.9}).bindTooltip(texte).addTo(carte); }); carte.fitBounds(L.featureGroup(points).getBounds().pad(0.05)); invalidation.then(() => carte.remove()); }60:Ta00,rReponse = md`## Réponse à notre question principale **L'électricité de l'IA : ce que mesure le laboratoire, est-ce ce que consomment nos vraies conversations ? Pas tel quel.** Sur les ${chiffres.jointure.n} modèles que nous pouvons comparer : 1. **Le classement est assez proche.** Les modèles que le laboratoire mesure comme plus gourmands sont, le plus souvent, ceux que Compar:IA estime plus gourmands (corrélation de rangs ρ = ${fr(chiffres.jointure.rho, 2)}). Sur ${chiffres.jointure.n} points seulement : c'est un indice, pas une preuve. 2. **L'estimation ne voit pas ce que la mesure voit à taille égale (V2).** Deux modèles de 70 milliards de paramètres ont le même coefficient dans Compar:IA (rapport ×${fr(chiffres.jointure.ratioCoef70, 0)}) et sont séparés d'un facteur ${fr(chiffres.jointure.ratioWh70, 0)} dans la mesure. Cela s'explique par la construction de l'estimation : nous avons vérifié que, pour ${controle.modeles_coef_constant} modèles sur ${controle.modeles_avec_coef}, elle est égale aux tokens multipliés par un coefficient constant. 3. **Le raisonnement change tout dans la mesure, quelques fois au plus dans l'estimation (V3).** Facteur mesuré de ×${fr(chiffres.jointure.facMin, 0)} à ×${fr(chiffres.jointure.facMax, 0)} (valeur du milieu ×${fr(chiffres.jointure.facMed, 0)}), contre ×${fr(chiffres.jointure.comMin, 1)} à ×${fr(chiffres.jointure.comMax, 1)} dans les conversations. Un modèle fait exception côté mesure (${chiffres.jointure.anomalies.join(", ")}, facteur ×1) ; nous le laissons de côté dans les chiffres et le signalons. 4. **D'une tâche à l'autre, l'électricité d'une requête varie énormément (V1).** Pour une même tâche, le modèle choisi change l'énergie de ×${fr(rond2(chiffres.aes.ecartMin), 0)} à ×${fr(rond2(chiffres.aes.ecartMax), 0)}. 5. **Pour un usage quotidien**, la mesure et l'estimation donnent des totaux annuels qui peuvent différer, avec un écart qui dépend du modèle (V4). **Ce que nous ne pouvons pas dire.** Nous ne savons pas lequel des deux est le plus proche de la réalité. Le laboratoire mesure des tests standard et seulement les GPU ; Compar:IA estime de vraies conversations avec une méthode non décrite. Les tokens de raisonnement pourraient ne pas être comptés de la même façon dans les deux sources : nos fichiers ne le disent pas. Les ${chiffres.jointure.n} modèles appariés l'ont été à la main. Aucune des deux sources n'est une mesure de ce que consomme un centre de données qui répond à de vraies questions.`61:T820,rOuverture = md`## Ouverture : changer d'échelle Une requête consomme peu, mais l'IA en traite des milliards. Où sont les centres de données, et que dit l'électricité des zones où ils se trouvent ? Dans OpenStreetMap, ${chiffres.osm.n} objets sont déclarés comme centres de données en France (${chiffres.osm.metro} en métropole). Parmi eux, ${chiffres.osm.dansZone} tombent dans l'une des ${chiffres.osm.nZones} zones IRIS du fichier d'électricité de 2023, dont ${chiffres.osm.dansZoneElec} dans une zone où l'électricité est supérieure à zéro (V5). **Ce que l'on voit.** La zone la plus consommatrice qui contient un centre déclaré est ${chiffres.osm.haut.commune} : ${fr(chiffres.osm.haut.elec_mwh / 1e6, 2)} TWh en 2023 pour ${chiffres.osm.haut.pdl_elec} points de livraison. Les ${chiffres.osm.nZones} zones qui contiennent des centres totalisent ${fr(chiffres.osm.sommeZones / 1e6, 1)} TWh, soit ${fr(chiffres.osm.partSommeZones * 100, 0)} % de l'électricité du fichier, dont ${fr(chiffres.osm.haut.elec_mwh / chiffres.osm.sommeZones * 100, 0)} % pour la seule zone de ${chiffres.osm.haut.commune}. **Ce que cela ne dit pas.** - Ce total est celui de **toute** la zone : usines, sites industriels et centres de données ensemble. Rien ne permet d'en isoler la part d'un centre de données. - Les ${chiffres.osm.metro - chiffres.osm.dansZone} autres centres métropolitains sont dans des zones absentes du fichier : leur consommation est inconnue de nous, pas nulle. - Les centres sont déclarés par des contributeurs : des centres manquent ou sont mal placés, et plusieurs objets peuvent décrire un même site. - Ni OpenStreetMap ni le fichier IRIS ne disent quelle part de l'électricité va à l'IA générative. C'est la limite que nos deux premières parties annonçaient : on sait mesurer ou estimer l'électricité d'une requête, on sait où sont déclarés des centres de données, mais **aucun de nos fichiers ne relie une requête à un centre de données**. Faire ce lien demanderait des données que les opérateurs ne publient pas.`62:T533,synthese = md`Deux questions avant de dessiner un graphique ou une carte. **1. Quelle question le lecteur se pose-t-il ?** Elle décide de la forme du graphique : une distribution pour « une requête, c'est combien, et est-ce toujours pareil ? » (V1), une comparaison à taille égale pour « la mesure et l'estimation disent-elles la même chose ? » (V2), une comparaison de deux sources pour « que change le raisonnement ? » (V3), un calcul interactif pour « et moi, avec mon usage ? » (V4), une carte de lieux pour « où sont les centres et que sait-on de leur électricité ? » (V5). Nous avons choisi des formes simples (barres, traduction en heures d'ampoule) parce qu'un graphique que le public ne comprend pas en quelques secondes ne remplit pas son rôle. **2. De quelle donnée parle-t-on exactement ?** Mesurée, estimée ou déclarée, d'où vient-elle, absolue ou rapportée à quoi, et que ne compte-t-elle pas. C'est ce qui nous a fait comparer les mesures par tâche et jamais entre deux campagnes, comparer la mesure et l'estimation par les rangs et les écarts plutôt que par les valeurs, vérifier que l'estimation de Compar:IA est égale aux tokens multipliés par un coefficient avant d'en tirer des corrélations, et montrer des totaux de zones sans jamais les attribuer à un centre de données.`63:T103d,journalIA = md`### Entrée 1 : cadrage de la question Outil : Claude (Anthropic). Prompts (résumés) : nous avons demandé comment connaître l'électricité d'une requête à partir des données brutes, puis si cela respecte la consigne « tout est prouvé ». Nous avons décidé de ne partir que de jeux de données au format JSON déposés dans un dossier, et de repartir de zéro avec l'impact environnemental de l'IA générative. Apport : discussion sur ce que chaque type de chiffre permet de prouver (mesuré, estimé, déclaré). Ce que nous avons décidé : retenir l'axe « mesuré, estimé, déclaré » et la question sur le laboratoire et les vraies conversations, après avoir comparé trois formulations plus ou moins simples. ### Entrée 2 : recherche et préparation des données Outil : Claude (Anthropic). Prompts (résumés) : nous avons demandé comment télécharger les données de Compar:IA en JSON, où trouver des jeux de données fiables sur la consommation de l'IA, et de rassembler en un seul JSON les 11 fichiers d'AI Energy Score. Apport : explication des commandes, création d'un échantillon aléatoire de 10 000 conversations (graine 42), assemblage des 11 CSV, réduction du fichier IRIS à l'année 2023. Ce que nous avons fait nous-mêmes : téléchargements, export des centres de données avec Overpass Turbo, dépôt des fichiers dans le dossier. Ce qui a été corrigé : Claude avait d'abord évoqué une méthode « EcoLogits » pour Compar:IA sans preuve dans nos fichiers, l'affirmation a été retirée ; la documentation de Compar:IA ne décrit pas la méthode. ### Entrée 3 : analyse des fichiers Outil : Claude (Anthropic). Prompts (résumés) : nous avons demandé d'examiner nos fichiers et de proposer une note d'intention permettant de répondre à tout le sujet. Apport : repérage que l'estimation de Compar:IA est égale aux tokens multipliés par un coefficient propre au modèle, que le fichier IRIS a des zones sur plusieurs lignes, que la colonne mode contient une ligne corrompue, et que l'appariement automatique des noms de modèles produisait de fausses paires. Ce que nous avons décidé : relier les modèles à la main, ne jamais mélanger deux campagnes de mesure, signaler l'hypothèse d'unité d'AI Energy Score, et ne pas interpréter les corrélations entre kWh et tokens. ### Entrée 4 : code du notebook Outil : Claude (Anthropic). Prompts (résumés) : nous avons demandé de reproduire la structure de notre TP 4 pour la SAÉ, sans fork, avec nos quatre fichiers. Apport : cellules de chargement, de nettoyage, de jointure (dont un calcul de point dans polygone), de statistiques, de visualisations et de carte Leaflet. Vérification : les cellules de calcul ont été exécutées hors d'Observable sur nos fichiers et leurs résultats relus, puis les graphiques ont été contrôlés visuellement dans le notebook. ### Entrée 5 : simplification pour le grand public Outil : Claude (Anthropic). Prompts (résumés) : nous avons jugé les premiers graphiques (échelles logarithmiques, nuages de points) trop difficiles à comprendre pour un lecteur non spécialiste, et demandé des visuels simples, variés et compréhensibles en quelques secondes, sans termes compliqués. Apport : remplacement par des barres traduites en minutes ou en heures d'ampoule LED, une comparaison à barres, un calculateur et une carte de lieux, avec un encadré « Comment lire ce graphique » devant chacun. Ce que nous avons décidé : le choix de l'ampoule LED de 10 W comme unité de repère (conversion posée par nous, hors des fichiers) et la forme de chaque visuel, justifiée dans sa fiche. ### Entrée 6 : rédaction Outil : Claude (Anthropic). Apport : rédaction des textes, des fiches de visualisation, de la réponse, de l'ouverture et de ce journal ; mise en place des cellules dans Observable depuis notre compte, à notre demande. Les chiffres des textes sont calculés par le notebook à partir de nos fichiers. Ce que nous devons faire nous-mêmes : relire chaque texte d'analyse, le reformuler avec nos mots et adapter ce journal à ce que nous avons réellement fait.`64:[{"id":"05e48a8b4023e5f9b7e8c6150f892c6aa20cf5f3984858bccbf4db9c75b9ab1fd7de721cc2103f330eafce7fe75de604e9e186ec00f3cb1f8657673e21df5878","href":"https://static.observableusercontent.com/files/05e48a8b4023e5f9b7e8c6150f892c6aa20cf5f3984858bccbf4db9c75b9ab1fd7de721cc2103f330eafce7fe75de604e9e186ec00f3cb1f8657673e21df5878","name":"export.geojson","type":"application/geo+json","lastModified":1792401896000,"size":198398},{"id":"ccfec08ef41a9a464b6bb82bfd2a4ea1e1d8a9ee117b2b0f74627d0f189d85e5a7bea08ce624159f346191ab461c2f4e1917fd443a7b46ed2a05b9bf6b7b1ad9","href":"https://static.observableusercontent.com/files/ccfec08ef41a9a464b6bb82bfd2a4ea1e1d8a9ee117b2b0f74627d0f189d85e5a7bea08ce624159f346191ab461c2f4e1917fd443a7b46ed2a05b9bf6b7b1ad9","name":"aies_energie_toutes_taches.json","type":"application/json","lastModified":1792425004000,"size":36087},{"id":"fef29745e18bef34d85fd3309fa9243d84afa3aba4c316d7770abe28c1f9542b1ff23c65af81016b34d560a2a308d35cb0f497ced82556332d6e014d624baad6","href":"https://static.observableusercontent.com/files/fef29745e18bef34d85fd3309fa9243d84afa3aba4c316d7770abe28c1f9542b1ff23c65af81016b34d560a2a308d35cb0f497ced82556332d6e014d624baad6","name":"comparia_conversations_echantillon.json","type":"application/json","lastModified":1792424863000,"size":5694784},{"id":"40737e7567813347783efdf87bf3d80e88b7b910da94f047e4639824cb56856b0e105c5273108d9e58eca7e1be2ec5e264233ce035721bdbf48d19a84291d7c9","href":"https://static.observableusercontent.com/files/40737e7567813347783efdf87bf3d80e88b7b910da94f047e4639824cb56856b0e105c5273108d9e58eca7e1be2ec5e264233ce035721bdbf48d19a84291d7c9","name":"consommation_iris_2023.json","type":"application/json","lastModified":1792427328000,"size":6103180}] 46:{"id":"cc9546949f57385c","slug":"sae-303-gr-21","title":"SAE 303 — Gr 21","thumbnail":null,"access_level":"public","create_time":"$D2026-10-13T09:54:45.030Z","update_time":"$D2026-10-19T19:44:12.461Z","view_time":null,"first_public_time":"$D2026-10-19T08:19:16.585Z","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":1096,"publish_version":1096,"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":"066661850ac018e5","login":"thomasp","name":"Thomas Perruchot","avatar_url":"https://avatars-next.observableusercontent.com/8a59dea58df93662ef16f10a3b6ac5bfd4c436e4d80a228d6a1cf8b972dbc2a0","tier":null,"bio":"","following":false},{"type":"individual","id":"b2834fc48b547de2","login":"bamboufranceschini","name":"Bambou Franceschini","avatar_url":"https://avatars-next.observableusercontent.com/6d64db4c7031b90c654ca364d7019aa97f48610a44e123335ef2fb20f2d225ce","tier":null,"bio":"","following":false}],"members":[{"type":"individual","id":"b2834fc48b547de2","login":"bamboufranceschini","name":"Bambou Franceschini","avatar_url":"https://avatars-next.observableusercontent.com/6d64db4c7031b90c654ca364d7019aa97f48610a44e123335ef2fb20f2d225ce","tier":null,"role":"editor"},{"type":"individual","id":"066661850ac018e5","login":"thomasp","name":"Thomas Perruchot","avatar_url":"https://avatars-next.observableusercontent.com/8a59dea58df93662ef16f10a3b6ac5bfd4c436e4d80a228d6a1cf8b972dbc2a0","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 21","cells":[{"id":0,"value":"# SAE 303 — Gr 21\nXavier Senente, Thomas Perruchot, Bambou Franceschini · BUT MMI · Défi A (ADEME) : l'impact environnemental de l'IA générative","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":12,"value":"$48","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":221,"value":"$49","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":44,"value":"## Fiche d'intention\n\n *Notre réponse, dans la cellule ci-dessous.*","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":21,"value":"$4a","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":46,"value":"$4b","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":63,"value":"## Chargement des fichiers","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":164,"value":"Les fichiers sont attachés au notebook (menu Fichiers), une cellule par fichier. Ils viennent d'un seul dossier de travail et chacun garde sa source, sa nature et sa licence. Rien n'est chargé en ligne, sauf le fond de carte de V5.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":47,"value":"$4c","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":48,"value":"## Chargement des données\n\nChaque fichier est lu tel quel, sans transformation.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":52,"value":"brutIris = FileAttachment(\"consommation_iris_2023.json\").json()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":59,"value":"brutComparia = FileAttachment(\"comparia_conversations_echantillon.json\").json()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":53,"value":"brutAES = FileAttachment(\"aies_energie_toutes_taches.json\").json()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":62,"value":"brutOSM = FileAttachment(\"export.geojson\").json()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":61,"value":"**Regardez d'abord.** brutAES : ${chiffres.aes.n} lignes, une par modèle et par tâche ; triez sur total_gpu_energy : l'écart dépasse ${fr(rond2(chiffres.aes.ecartTotal), 0)}. Triez sur test date : deux séries de mesures, février et décembre 2025, qu'on ne mélangera jamais. brutComparia : une ligne par conversation, avec deux réponses (côtés a et b) ; regardez total_conv_a_kwh et total_conv_a_output_tokens côte à côte. brutIris : une même zone (code_iris) peut apparaître sur deux lignes. brutOSM : ${chiffres.osm.n} objets, avec un nom et un opérateur pour ${chiffres.osm.nommes} d'entre eux.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":100,"value":"# Les 5 questions avant de dessiner\n\nAvant le premier graphique, nous avons regardé nos données de près. Les chiffres cités ici ont été calculés sur nos fichiers ; la partie nettoyage, plus bas, les recalcule.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":101,"value":"$4d","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":106,"value":"$4e","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":103,"value":"$4f","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":104,"value":"$50","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":105,"value":"$51","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":165,"value":"## Nettoyage et jointures","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":108,"value":"Chaque étape dit ce qu'elle retire ou transforme, et pourquoi. Après chaque jointure, une cellule de contrôle montre ce qui tombe à côté. Les petites fonctions utilisées partout (regrouper, médiane, formatage) sont définies d'abord.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":110,"value":"grouper = (liste, cle) => { const m = new Map(); for (const x of liste) { const k = cle(x); if (!m.has(k)) m.set(k, []); m.get(k).push(x); } return m; }","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":112,"value":"fr = (x, n = 2) => x.toLocaleString(\"fr-FR\", {minimumFractionDigits: n, maximumFractionDigits: n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":113,"value":"mediane = v => { const s = [...v].sort((a, b) => a - b), n = s.length; return n === 0 ? null : n % 2 ? s[(n - 1) / 2] : (s[n / 2 - 1] + s[n / 2]) / 2; }","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":166,"value":"moyenne = v => v.reduce((s, x) => s + x, 0) / v.length","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":167,"value":"rond2 = x => Number(x.toPrecision(2))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":114,"value":"libellesTaches = ({\n asr: \"Reconnaissance de la parole\", image_captioning: \"Légendage d'images\", image_classification: \"Classification d'images\",\n image_generation: \"Génération d'images\", object_detection: \"Détection d'objets\", question_answering: \"Réponse à des questions\",\n reasoning: \"Raisonnement (texte)\", sentence_similarity: \"Similarité de phrases\", summarization: \"Résumé de texte\",\n text_classification: \"Classification de texte\", text_generation: \"Génération de texte (réponse directe)\"\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":115,"value":"### 1 · Convertir le fichier d'énergie mesurée\nTrois transformations : les nombres écrits en texte deviennent des nombres ; test date devient une campagne (Feb 25 → 2025-02, Dec 25 → 2025-12) ; le nom complet (google/gemma-3-4b-pt) est coupé en identifiant du modèle et niveau de raisonnement (pour les gpt-oss : openai/gpt-oss-20b low). **Nous ne mélangeons jamais deux campagnes** : pour la génération de texte, ${chiffres.aes.nFev} mesures datent de février et ${chiffres.aes.nDec} de décembre ; nous gardons décembre, qui contient aussi le raisonnement (cellule aesComparable).","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":116,"value":"aes = brutAES.filter(d => d.model && Number.isFinite(+d.total_gpu_energy)).map(d => {\n const m = d.model.match(/^(.*?)(?: (low|medium|high))?$/);\n return {\n tache: d.tache, famille: famillesTaches[d.tache] ?? \"Autre\", tache_libelle: libellesTaches[d.tache] ?? d.tache,\n modele: d.model, id_modele: m[1], niveau_raisonnement: m[2] ?? null,\n wh: +d.total_gpu_energy, etoiles: +d.energy_score,\n classe: d.class ?? null,\n campagne: d[\"test date\"] === \"Feb 25\" ? \"2025-02\" : d[\"test date\"] === \"Dec 25\" ? \"2025-12\" : null\n };\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":119,"value":"aesComparable = aes.filter(d => (d.tache !== \"text_generation\" && d.tache !== \"reasoning\") || d.campagne === \"2025-12\").map(d => ({...d, nom_court: d.modele.split(\"/\").pop()}))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":168,"value":"controleAES = ({lignes: controle.aes_lignes, taches: controle.aes_taches, energiesIllisibles: controle.aes_valeurs_invalides, campagnesInconnues: controle.aes_sans_campagne, mesuresComparables: chiffres.aes.nComparable})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":169,"value":"### 2 · Compar:IA : séparer les deux côtés et vérifier l'estimation\nChaque conversation compare deux modèles : nous la séparons en deux réponses, côté A et côté B (une ligne par réponse). Nous retirons la conversation dont la colonne mode contient une ligne de commande au lieu d'un mode. Puis nous calculons, pour chaque modèle, le coefficient kWh ÷ tokens et son écart d'une réponse à l'autre : c'est la vérification qui a changé notre lecture de l'estimation.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":121,"value":"modesConnus = [\"random\", \"custom\", \"big-vs-small\", \"reasoning\", \"small-models\"]","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":170,"value":"conversations = brutComparia.filter(d => d.mode == null || modesConnus.includes(d.mode))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":127,"value":"reponses = conversations.flatMap(d => [\"a\", \"b\"].map(c => ({\n conversation: d.id, cote: c, modele: d[`model_${c}_name`],\n kwh: d[`total_conv_${c}_kwh`], tokens: d[`total_conv_${c}_output_tokens`],\n params_totaux: d[`model_${c}_total_params`], params_actifs: d[`model_${c}_active_params`],\n raisonnement: d[`conv_${c}_raisonnement`] === true, tours: d.conv_turns, mode: d.mode ?? null,\n categories: d.categories ?? [], langues: d.languages ?? [], date: String(d.timestamp).slice(0, 10)\n})))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":131,"value":"coefModele = {\n const ok = reponses.filter(r => r.kwh > 0 && r.tokens > 0);\n const parModele = grouper(reponses, r => r.modele);\n const res = new Map();\n for (const [modele, toutes] of parModele) {\n const valides = ok.filter(r => r.modele === modele);\n const ratios = valides.map(r => r.kwh / r.tokens);\n const med = mediane(ratios);\n const avec = toutes.filter(r => r.raisonnement && r.tokens > 0).map(r => r.tokens);\n const sans = toutes.filter(r => !r.raisonnement && r.tokens > 0).map(r => r.tokens);\n res.set(modele, {\n modele, n: toutes.length, n_valides: valides.length,\n coef: med, kwh_med: mediane(valides.map(r => r.kwh)),\n ecart_relatif: ratios.length ? (Math.max(...ratios) - Math.min(...ratios)) / med : null,\n n_raisonnement: avec.length, n_sans: sans.length,\n tokens_med_raisonnement: mediane(avec), tokens_med_sans: mediane(sans)\n });\n }\n return res;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":132,"value":"controleCompar = ({conversationsBrutes: controle.conversations_brutes, conversationsRetirees: controle.conversations_retirees, reponses: controle.reponses, reponsesSansKwh: controle.reponses_sans_kwh, reponsesZeroToken: controle.reponses_zero_token, modeles: controle.modeles_comparia, modelesCoefficientConstant: controle.modeles_coef_constant, modelesAvecCoefficient: controle.modeles_avec_coef, coefficientsDistincts: chiffres.comparia.nDistincts})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":133,"value":"### 3 · IRIS : additionner par zone\nUne zone apparaît sur plusieurs lignes quand elle a plusieurs sources d'énergie. Nous additionnons par code IRIS, et nous gardons le contour de chaque zone pour la jointure avec OpenStreetMap.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":171,"value":"iris = [...grouper(brutIris.filter(d => d.code_iris), d => d.code_iris)].map(([code, lignes]) => {\n const somme = k => lignes.reduce((s, d) => s + (d[k] ?? 0), 0);\n const forme = lignes.find(d => d.geo_shape_iris)?.geo_shape_iris ?? null;\n const point = lignes.find(d => d.geo_point_iris)?.geo_point_iris ?? null;\n const polys = !forme ? [] : forme.type === \"Polygon\" ? [forme.coordinates] : forme.type === \"MultiPolygon\" ? forme.coordinates : [];\n const pts = polys.flatMap(p => p[0]);\n return {\n code_iris: code, commune: lignes[0].commune, departement: lignes[0].departement, region: lignes[0].region,\n lignes: lignes.length,\n elec_mwh: somme(\"consommation_electricite_rte\"), pdl_elec: somme(\"pdl_electricite_rte\"),\n gaz_mwh: somme(\"consommation_gaz_grtgaz\") + somme(\"consommation_gaz_terega\"),\n polys, point,\n bbox: pts.length ? [Math.min(...pts.map(p => p[0])), Math.max(...pts.map(p => p[0])), Math.min(...pts.map(p => p[1])), Math.max(...pts.map(p => p[1]))] : null\n };\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":172,"value":"### 4 · Jointure mesure ↔ estimation\nC'est la jointure qui porte notre question. AI Energy Score et Compar:IA n'ont pas d'identifiant commun : nous avons relié les modèles à la main, un par un, dans la cellule appariement. Un rapprochement automatique par ressemblance de noms avait produit de fausses paires (un modèle « Air » relié à un modèle plus grand, un modèle distillé relié à son modèle d'origine) : nous l'avons abandonné. **Cette table doit être relue par l'équipe : version, taille et quantification doivent être les mêmes des deux côtés.** Les rangs servent à la corrélation de Spearman, calculée dans le notebook.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":173,"value":"appariement = [\n {aes: \"google/gemma-3-4b-pt\", comparia: \"gemma-3-4b\"},\n {aes: \"google/gemma-3-27b-pt\", comparia: \"gemma-3-27b\"},\n {aes: \"mistralai/Mistral-Nemo-Instruct-2407\", comparia: \"mistral-nemo-2407\"},\n {aes: \"swiss-ai/Apertus-8B-Instruct-2509\", comparia: \"Apertus-8B-Instruct-2509\"},\n {aes: \"swiss-ai/Apertus-70B-Instruct-2509\", comparia: \"Apertus-70B-Instruct-2509\"},\n {aes: \"Qwen/Qwen3-30B-A3B\", comparia: \"qwen3-30b-a3b\"},\n {aes: \"zai-org/GLM-4.5\", comparia: \"glm-4.5\"},\n {aes: \"zai-org/GLM-4.6\", comparia: \"glm-4.6\"},\n {aes: \"deepseek-ai/DeepSeek-R1-Distill-Llama-70B\", comparia: \"deepseek-r1-distill-llama-70b\"}\n]","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":174,"value":"rangs = v => {\n const idx = v.map((x, i) => [x, i]).sort((a, b) => a[0] - b[0]);\n const r = Array(v.length);\n for (let i = 0; i < idx.length;) {\n let j = i; while (j + 1 < idx.length && idx[j + 1][0] === idx[i][0]) j++;\n for (let k = i; k <= j; k++) r[idx[k][1]] = (i + j) / 2 + 1;\n i = j + 1;\n }\n return r;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":175,"value":"correlation = (x, y) => {\n const mx = moyenne(x), my = moyenne(y);\n const sxy = x.reduce((s, a, i) => s + (a - mx) * (y[i] - my), 0);\n return sxy / Math.sqrt(x.reduce((s, a) => s + (a - mx) ** 2, 0) * y.reduce((s, b) => s + (b - my) ** 2, 0));\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":176,"value":"paires = {\n const lignes = appariement.map(p => {\n const a = aes.find(d => d.tache === \"text_generation\" && d.id_modele === p.aes && d.campagne === \"2025-12\");\n const c = coefModele.get(p.comparia);\n return a && c ? {\n modele: p.comparia, aes_id: p.aes, classe: a.classe, wh: a.wh,\n coef: c.coef, wh_comparia: c.kwh_med * 1000, n_reponses: c.n_valides,\n groupe: /70b/i.test(p.comparia) ? \"Deux modèles de 70 milliards de paramètres\" : \"Autres modèles\"\n } : null;\n }).filter(Boolean);\n const rM = rangs(lignes.map(d => d.wh)), rE = rangs(lignes.map(d => d.coef));\n return lignes.map((d, i) => ({...d, rang_mesure: rM[i], rang_estimation: rE[i]}));\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":177,"value":"tableAppariement = Inputs.table(paires.map(d => ({\n \"Modèle (Compar:IA)\": d.modele, \"Identifiant AI Energy Score\": d.aes_id, \"Classe\": d.classe,\n \"Énergie mesurée (Wh)\": d.wh, \"Réponses Compar:IA\": d.n_reponses, \"Estimation (Wh par 1 000 tokens)\": d.coef * 1e6,\n \"Rang mesure\": d.rang_mesure, \"Rang estimation\": d.rang_estimation\n})), {sort: \"Énergie mesurée (Wh)\", reverse: true})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":178,"value":"controleJointure1 = ({modelesMesuresDecembre: chiffres.aes.nDec, appariementsPrevus: controle.appariements_prevus, appariementsTrouves: controle.appariements, correlationDeRangs: chiffres.jointure.rho})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":179,"value":"### 5 · Jointure raisonnement ↔ réponse directe\nMême modèle, même campagne (décembre 2025) : le rapport entre l'énergie avec raisonnement et l'énergie sans donne le facteur du raisonnement. Côté conversations réelles, nous prenons les modèles qui ont au moins 10 réponses avec raisonnement et 10 sans, et nous comparons leurs tokens médians (l'estimation étant proportionnelle aux tokens, c'est aussi le rapport d'énergie estimée).","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":180,"value":"facteurs = aes.filter(d => d.tache === \"reasoning\" && d.niveau_raisonnement == null).map(r => {\n const direct = aes.find(d => d.tache === \"text_generation\" && d.campagne === \"2025-12\" && d.id_modele === r.id_modele);\n return direct ? {id: r.id_modele, modele: r.id_modele.split(\"/\").pop(), classe: direct.classe,\n wh_sans: direct.wh, wh_avec: r.wh, facteur: r.wh / direct.wh} : null;\n}).filter(Boolean)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":181,"value":"ratiosCompar = [...coefModele.values()].filter(m => m.n_raisonnement >= 10 && m.n_sans >= 10)\n .map(m => ({modele: m.modele, n_raisonnement: m.n_raisonnement, n_sans: m.n_sans, facteur: m.tokens_med_raisonnement / m.tokens_med_sans}))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":182,"value":"donneesV3 = [\n ...facteurs.map(d => ({source: \"Laboratoire (AI Energy Score, mesure)\", modele: d.modele, facteur: d.facteur})),\n ...ratiosCompar.map(d => ({source: \"Conversations réelles (Compar:IA, tokens)\", modele: d.modele, facteur: d.facteur}))\n]","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":183,"value":"controleJointure2 = ({mesuresRaisonnement: aes.filter(d => d.tache === \"reasoning\").length, modelesAppariesAvecReponseDirecte: chiffres.jointure.nFacteurs, modelesAnormaux: chiffres.jointure.anomalies, modelesConversationsRetenus: chiffres.jointure.nCompar})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":184,"value":"### 6 · OpenStreetMap ↔ IRIS : dans quelle zone tombe chaque centre ?\nNous gardons la métropole (l'emprise géographique est simple : latitude 41 à 51,5, longitude −5,5 à 10) et nous testons, avec un calcul de point dans polygone écrit dans le notebook, dans quelle zone IRIS tombe chaque objet. Les objets d'une même zone n'ajoutent pas leur consommation : la zone est comptée une seule fois (cellule zonesAvecCentres).","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":185,"value":"centres = brutOSM.features.map(f => {\n const t = f.properties, [lon, lat] = f.geometry.coordinates;\n const [osm_type, osm_id] = f.id.split(\"/\");\n const mw = t[\"data_center:power\"] ? parseFloat(String(t[\"data_center:power\"]).replace(\",\", \".\")) : null;\n const metropole = lat > 41 && lat < 51.5 && lon > -5.5 && lon < 10;\n return {\n osm_type, osm_id: +osm_id, osm_url: `https://www.openstreetmap.org/${f.id}`,\n lat, lon, nom: t.name ?? null, operateur: t.operator ?? null,\n puissance_mw: Number.isFinite(mw) ? mw : null,\n territoire: metropole ? \"Métropole\" : \"Outre-mer\"\n };\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":186,"value":"pointDansAnneau = (x, y, anneau) => {\n let dedans = false;\n for (let i = 0, j = anneau.length - 1; i < anneau.length; j = i++) {\n const [xi, yi] = anneau[i], [xj, yj] = anneau[j];\n if ((yi > y) !== (yj > y) && x < (xj - xi) * (y - yi) / (yj - yi) + xi) dedans = !dedans;\n }\n return dedans;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":187,"value":"zoneDuPoint = (lon, lat) => iris.find(z => z.bbox && lon >= z.bbox[0] && lon <= z.bbox[1] && lat >= z.bbox[2] && lat <= z.bbox[3]\n && z.polys.some(p => pointDansAnneau(lon, lat, p[0]) && !p.slice(1).some(t => pointDansAnneau(lon, lat, t)))) ?? null","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":188,"value":"centresZones = centres.map(c => {\n const z = c.territoire === \"Métropole\" ? zoneDuPoint(c.lon, c.lat) : null;\n return {...c, code_iris: z?.code_iris ?? null, commune_iris: z?.commune ?? null, elec_mwh_zone: z ? z.elec_mwh : null, pdl_elec_zone: z ? z.pdl_elec : null};\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":189,"value":"zonesAvecCentres = [...grouper(centresZones.filter(c => c.code_iris), c => c.code_iris)].map(([code, objets]) => {\n const z = iris.find(x => x.code_iris === code);\n return {code_iris: code, commune: z.commune, departement: z.departement, elec_mwh: z.elec_mwh, pdl_elec: z.pdl_elec,\n n_objets: objets.length, noms: objets.map(o => o.nom).filter(Boolean), lat: z.point?.lat ?? objets[0].lat, lon: z.point?.lon ?? objets[0].lon};\n}).sort((a, b) => b.elec_mwh - a.elec_mwh)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":190,"value":"tableZones = Inputs.table(zonesAvecCentres.map(z => ({\n \"Commune\": z.commune, \"Département\": z.departement, \"Code IRIS\": z.code_iris,\n \"Électricité 2023 de la zone (MWh)\": z.elec_mwh, \"Points de livraison\": z.pdl_elec,\n \"Objets OpenStreetMap dans la zone\": z.n_objets, \"Noms déclarés\": z.noms.join(\" · \")\n})), {sort: \"Électricité 2023 de la zone (MWh)\", reverse: true})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":191,"value":"controleCentres = ({objets: controle.centres_objets, metropole: controle.centres_metropole, outreMer: controle.centres_outre_mer, tombentDansUneZone: controle.centres_dans_une_zone, dontZoneAvecElectricite: controle.centres_zone_avec_elec, tombentACote: controle.centres_metropole - controle.centres_dans_une_zone, zonesConcernees: controle.zones_avec_centres})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":192,"value":"$52","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":193,"value":"$53","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":194,"value":"$54","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":195,"value":"## Les visualisations","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":196,"value":"Nous partons de ce que mesure le laboratoire, nous confrontons ces mesures à l'estimation faite sur de vraies conversations, nous regardons ce que change le raisonnement, puis chacun fait le calcul pour son propre usage. En ouverture, nous changeons d'échelle : où sont les centres de données déclarés, et que dit l'électricité de leur zone ?\n\nChaque visualisation est suivie de sa fiche : la question, la famille, l'encodage, le dénominateur, le titre et l'alternative textuelle.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":197,"value":"### V1 · La distribution : combien d'électricité pour une requête ?","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":222,"value":"**La question du lecteur :** une requête à une IA, c'est combien d'électricité, et est-ce toujours pareil ?\n\n> **Comment lire ce graphique.** Chaque barre est une tâche demandée à l'IA (résumer un texte, générer une image, reconnaître la parole…). Plus la barre est longue, plus la tâche consomme d'électricité. À droite de chaque barre, la même consommation est traduite en **temps d'ampoule LED de 10 W allumée**. La couleur indique la famille de la tâche : texte, image ou parole. Les valeurs viennent d'un laboratoire et sont celles du modèle « du milieu » pour chaque tâche. **Repère :** 1 Wh = une ampoule LED de 10 W allumée 6 minutes.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":198,"value":"textesV1 = ({\n titre: `Selon la tâche, une requête équivaut à ${(chiffres.aes.parTache[0].med * 360).toLocaleString(\"fr-FR\", {maximumSignificantDigits: 2})} secondes jusqu'à ${(chiffres.aes.parTache.at(-1).med * 6).toLocaleString(\"fr-FR\", {maximumSignificantDigits: 2})} minutes d'ampoule LED allumée`,\n sousTitre: `Chaque barre est la consommation typique d'une tâche, mesurée en laboratoire (puces GPU seulement). Plus la barre est longue, plus la tâche consomme.`\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":199,"value":"$55","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":203,"value":"famillesTaches = ({\n asr: \"Parole\", image_captioning: \"Image\", image_classification: \"Image\", image_generation: \"Image\", object_detection: \"Image\",\n question_answering: \"Texte\", reasoning: \"Texte\", sentence_similarity: \"Texte\", summarization: \"Texte\",\n text_classification: \"Texte\", text_generation: \"Texte\"\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":200,"value":"$56","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":201,"value":"donneesV1 = aesComparable","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":202,"value":"v1 = stripPlot(donneesV1, {titre: textesV1.titre, sousTitre: textesV1.sousTitre})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":204,"value":"Source : AI Energy Score (Hugging Face), mesure de laboratoire, énergie des GPU seulement, décembre 2025 pour la génération de texte et le raisonnement.\n\n**Ce qu'il faut retenir.** Il n'existe pas de « consommation d'une requête » unique. D'une tâche à l'autre, la valeur du milieu va de ${fr(chiffres.aes.parTache[0].med, 5)} Wh pour « ${chiffres.aes.parTache[0].libelle.toLowerCase()} » à ${fr(chiffres.aes.parTache.at(-1).med, 2)} Wh pour « ${chiffres.aes.parTache.at(-1).libelle.toLowerCase()} ». Et pour une même tâche, le modèle le plus gourmand consomme de ${fr(rond2(chiffres.aes.ecartMin), 0)} à ${fr(rond2(chiffres.aes.ecartMax), 0)} fois plus que le plus sobre.\n\n**Ce que ce graphique ne dit pas.** Il mesure la puce (GPU) en laboratoire, sur des tests identiques pour tous. Ce n'est ni une vraie conversation, ni la consommation du centre de données entier.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":205,"value":"### Fiche V1\n\n| | |\n|---|---|\n| **La question** | ${fV1.question} |\n| **La famille** | ${fV1.famille} |\n| **L'encodage** | ${fV1.encodage} |\n| **Le dénominateur** | ${fV1.denominateur} |\n| **Titre et sous-titre** | ${fV1.titreSousTitre} |\n| **L'alternative textuelle** | ${fV1.alt} |","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":206,"value":"### V2 · La mesure face à l'estimation","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":223,"value":"**La question du lecteur :** ce qu'on mesure en laboratoire, est-ce ce qu'on estime pour de vraies conversations ?\n\n> **Comment lire ce graphique.** On prend deux modèles de **même taille** (70 milliards de paramètres). À gauche, ce que Compar:IA **estime** : deux barres identiques. À droite, ce que le laboratoire a **mesuré** : deux barres très différentes. Plus la barre est longue, plus le modèle consomme. Conclusion à retenir : l'estimation ne voit pas la différence que la mesure révèle.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":207,"value":"textesV2 = ({\n titre: `À taille égale, la mesure sépare deux modèles de ×${fr(chiffres.jointure.ratioWh70, 0)} ; l'estimation les voit identiques`,\n sousTitre: `Deux modèles de 70 milliards de paramètres. À gauche, l'estimation sur conversations réelles (Compar:IA) : deux barres égales. À droite, la mesure de laboratoire (AI Energy Score, décembre 2025) : deux barres très différentes.`\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":209,"value":"$57","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":210,"value":"$58","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":211,"value":"v2 = nuage(paires, {titre: textesV2.titre, sousTitre: textesV2.sousTitre})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":212,"value":"Sources : AI Energy Score (mesure, décembre 2025) · Compar:IA, ministère de la Culture, data.gouv.fr (estimation sur conversations réelles, échantillon de ${fr(chiffres.comparia.nConv, 0)} conversations) · appariement des modèles fait par nous.\n\n**Ce qu'il faut retenir.** Les deux sources classent à peu près les modèles dans le même ordre (corrélation de rangs ${fr(chiffres.jointure.rho, 2)}, sur ${chiffres.jointure.n} modèles seulement). Mais à taille égale, le laboratoire voit un écart de ×${fr(chiffres.jointure.ratioWh70, 0)} entre deux modèles de 70 milliards de paramètres, alors que l'estimation leur donne exactement la même valeur : l'estimation ne dépend que de la taille du modèle et du nombre de tokens.\n\n**Ce que ce graphique ne dit pas.** Il ne dit pas laquelle des deux sources est la plus juste : le laboratoire mesure des tests standard, l'estimation vient d'une méthode que le producteur ne décrit pas.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":213,"value":"### Fiche V2\n\n| | |\n|---|---|\n| **La question** | ${fV2.question} |\n| **La famille** | ${fV2.famille} |\n| **L'encodage** | ${fV2.encodage} |\n| **Le dénominateur** | ${fV2.denominateur} |\n| **Titre et sous-titre** | ${fV2.titreSousTitre} |\n| **L'alternative textuelle** | ${fV2.alt} |","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":214,"value":"### V3 · Le raisonnement : laboratoire ou vraie vie ?","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":215,"value":"**La question du lecteur :** quand on demande à un modèle de « réfléchir », l'électricité augmente-t-elle autant dans la vraie vie que dans les mesures ?\n\n> **Comment lire ce graphique.** Chaque barre est un modèle d'IA. Sa longueur dit **combien de fois plus d'électricité** consomme une réponse avec « réflexion » qu'une réponse directe : ×10 = dix fois plus, ×100 = cent fois plus. Un trait fin veut dire ×1, c'est-à-dire aucune différence. **Groupe orange :** mesures du laboratoire. **Groupe bleu :** vraies conversations (Compar:IA), où l'on compare le nombre de mots (tokens) écrits. Les deux groupes utilisent la même échelle, donc on peut les comparer d'un coup d'œil.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":216,"value":"textesV3 = ({ titre: `Pour ${chiffres.jointure.nReguliers} modèles sur ${chiffres.jointure.nFacteurs}, une réponse avec « réflexion » consomme de ×${fr(chiffres.jointure.facMin, 0)} à ×${fr(chiffres.jointure.facMax, 0)} en laboratoire ; dans l'estimation, au plus ×${fr(chiffres.jointure.comMax, 1)}`, sousTitre: `Chaque barre compare un modèle qui réfléchit à un modèle qui répond directement. Le dixième modèle du laboratoire consomme autant avec et sans réflexion (×1) : nous le montrons, mais il n'entre pas dans la fourchette. Estimation : ${chiffres.jointure.nCompar} modèles, d'après les mots écrits dans de vraies conversations (Compar:IA).` })","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":217,"value":"$59","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":218,"value":"#### La fonction, prête pour le site\n\nCette fonction est pure : elle reçoit ses données en paramètre et ne va chercher aucune cellule du notebook. C'est ce code que nous reprendrons tel quel dans le site.","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":219,"value":"$5a","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":226,"value":"v3 = graphiqueRaisonnement(donneesV3, {titre: textesV3.titre, sousTitre: textesV3.sousTitre})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":227,"value":"$5b","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":228,"value":"ficheV3 = md`### Fiche V3\n\n| | |\n|---|---|\n| **La question** | ${fV3.question} |\n| **La famille** | ${fV3.famille} |\n| **L'encodage** | ${fV3.encodage} |\n| **Le dénominateur** | ${fV3.denominateur} |\n| **Titre et sous-titre** | ${fV3.titreSousTitre} |\n| **L'alternative textuelle** | ${fV3.alt} |`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":229,"value":"titreV4 = md`### V4 · Et moi, avec mon usage ?`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":230,"value":"lecteurV4 = md`**La question du lecteur :** si je pose chaque jour quelques questions à un modèle, combien d'électricité cela représente-t-il sur un an, selon le laboratoire et selon l'estimation ?\n\n> **Comment l'utiliser.** Choisissez un modèle dans la liste, puis réglez le nombre de questions que vous lui posez par jour. Les deux barres montrent le total sur une année, traduit en **heures d'ampoule LED de 10 W allumée** : **orange = ce que mesure le laboratoire, bleu = ce qu'estime Compar:IA** pour de vraies conversations. Les barres partent de zéro : la plus longue consomme le plus. **Repère :** 100 heures d'ampoule allumée, c'est environ 4 jours.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":231,"value":"viewof modeleChoisi = Inputs.select(paires.map(d => d.modele), {label: \"Modèle\", value: \"gemma-3-4b\"})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":232,"value":"viewof questionsParJour = Inputs.range([1, 100], {label: \"Questions par jour\", step: 1, value: 10})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":233,"value":"usage = {\n const p = paires.find(d => d.modele === modeleChoisi);\n const k = questionsParJour * 365;\n return {modele: p.modele, questions: questionsParJour, whLabo: p.wh * k, whEstime: p.wh_comparia * k, heuresLabo: p.wh * k / 10, heuresEstime: p.wh_comparia * k / 10, rapport: p.wh_comparia / p.wh, nReponses: p.n_reponses, classe: p.classe};\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":236,"value":"$5c","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":243,"value":"sourceV4 = md`Laboratoire : énergie des GPU seulement (AI Energy Score, décembre 2025). Estimation : médiane des réponses du modèle dans Compar:IA. Ce sont des ordres de grandeur, pas une facture.\n\n**Ce qu'il faut retenir.** Pour 10 questions par jour, le total annuel mesuré en laboratoire va de ${fr(Math.min(...paires.map(d => d.wh)) * 3650 / 10, 0)} heures d'ampoule LED à ${fr(Math.max(...paires.map(d => d.wh)) * 3650 / 10, 0)} heures selon le modèle. Les deux sources ne s'accordent pas : pour les modèles que nous avons pu apparier, la mesure vaut de ${fr(chiffres.jointure.niveauMin, 2)} à ${fr(chiffres.jointure.niveauMax, 2)} fois l'estimation. Autrement dit, selon le modèle, l'estimation est bien plus haute que la mesure, ou un peu plus basse.\n\n**Ce que ce calculateur ne dit pas.** Il ne compte que les puces (GPU) et il suppose que chacune de vos questions ressemble à la réponse médiane du modèle. Les modèles de raisonnement ou les réponses très longues consomment beaucoup plus.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":244,"value":"textesV4 = ({\n titre: `Vos questions sur un an : de quelques heures à plusieurs jours d'ampoule LED allumée`,\n sousTitre: `Choisissez un modèle et un nombre de questions par jour : le total annuel est traduit en heures d'une ampoule LED de 10 W, selon la mesure du laboratoire et selon l'estimation sur conversations réelles.`\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":245,"value":"$5d","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":246,"value":"ficheV4 = md`### Fiche V4\n\n| | |\n|---|---|\n| **La question** | ${fV4.question} |\n| **La famille** | ${fV4.famille} |\n| **L'encodage** | ${fV4.encodage} |\n| **Le dénominateur** | ${fV4.denominateur} |\n| **Titre et sous-titre** | ${fV4.titreSousTitre} |\n| **L'alternative textuelle** | ${fV4.alt} |`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":247,"value":"titreV5 = md`### V5 · L'ouverture : où sont les centres de données ?`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":248,"value":"lecteurV5 = md`**La question du lecteur :** où sont les centres de données en France, et que sait-on de leur électricité ?\n\n> **Comment lire cette carte.** Chaque point est un centre de données déclaré par un contributeur d'OpenStreetMap. **Point orange :** le centre se trouve dans une zone dont on connaît l'électricité 2023 (statistique officielle). **Point gris :** aucune donnée d'électricité pour sa zone. Survolez un point pour voir son nom et, s'il y en a un, le total d'électricité de **toute la zone** (usines comprises, pas seulement du centre). Plus les points sont serrés, plus la région en compte.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":249,"value":"textesV5 = ({\n titre: `Les centres de données déclarés se regroupent autour de quelques villes : pour ${chiffres.osm.dansZone} sur ${chiffres.osm.metro}, on connaît l'électricité de leur zone, pas la leur`,\n sousTitre: `Chaque point est un centre déclaré dans OpenStreetMap ; orange = zone dont l'électricité 2023 est connue (statistique officielle), gris = zone absente du fichier.`\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":250,"value":"$5e","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":251,"value":"leafletCss = html``","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":252,"value":"L = require(\"leaflet@1.9.4\")","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":253,"value":"$5f","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":254,"value":"sourceV5 = md`Sources : © contributeurs d'OpenStreetMap (telecom=data_center, déclaré), extrait du 19 octobre 2026 · jeu « consommation annuelle par IRIS » (data.gouv.fr, année 2023).\n\n**Ce qu'il faut retenir.** Les centres déclarés se concentrent autour de quelques agglomérations. Seuls ${chiffres.osm.dansZone} des ${chiffres.osm.metro} centres de métropole tombent dans une zone du fichier d'électricité, et dans une zone comme ${chiffres.osm.haut.commune}, l'électricité (${fr(chiffres.osm.haut.elec_mwh / 1e6, 2)} TWh) est celle de toute la zone.\n\n**Ce que cette carte ne dit pas.** Elle ne dit pas ce que consomme un centre de données, ni quelle part va à l'IA : aucun de nos fichiers ne relie une requête à un centre.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":255,"value":"ficheV5 = md`### Fiche V5\n\n| | |\n|---|---|\n| **La question** | ${fV5.question} |\n| **La famille** | ${fV5.famille} |\n| **L'encodage** | ${fV5.encodage} |\n| **Le dénominateur** | ${fV5.denominateur} |\n| **Titre et sous-titre** | ${fV5.titreSousTitre} |\n| **L'alternative textuelle** | ${fV5.alt} |`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":256,"value":"$60","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":257,"value":"$61","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":258,"value":"titreFinition = md`## Finition : palette et texte alternatif`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":259,"value":"rPalette = md`Nous utilisons la palette Okabe-Ito, conçue pour rester lisible par les personnes daltoniennes : orange pour ce que mesure le laboratoire, bleu pour ce qu'estime Compar:IA à partir de vraies conversations, et sur la carte orange ou gris selon qu'on connaît ou non l'électricité de la zone. La couleur ne porte jamais seule l'information : les valeurs sont écrites à côté des barres, les noms des modèles sont lisibles, et chaque graphique est précédé d'un encadré « Comment lire ce graphique ».`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":260,"value":"rAltText = md`Chaque visualisation a un texte alternatif en quatre temps, dans sa fiche : (1) le type de graphique, (2) son contenu, (3) ce qu'on y lit, (4) ce qu'on en retient. Exemple pour V3 : ${fV3.alt}`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":261,"value":"titreSynthese = md`## Synthèse`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":262,"value":"$62","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":263,"value":"titreJournal = md`## Journal IA`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":264,"value":"$63","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"}],"files":"$W64","stdlib":"1"}} 47:"$46:body"