Est-il justifié de se sentir coupable à propos de ChatGPT ? Nous avons examiné les déclarations de Sam Altman et découvert la vérité.
Faut-il culpabiliser d'utiliser ChatGPT ? Nous examinons les affirmations de Sam Altman et faisons la lumière sur la réalité de l'utilisation de l'intelligence artificielle.
Les choses les plus importantes que vous devez savoir
- La grande disparité des estimations de consommation d'eau de l'IA réside dans l'échelle de mesure ; alors que l'estimation d'Altman se concentre sur l'eau de refroidissement directe sur site, d'autres études incluent l'eau consommée pour la production d'électricité, qui peut représenter 75 % de l'empreinte hydrique totale.
- L'affirmation de Sam Altman selon laquelle 38 000 requêtes ChatGPT consomment l'équivalent en eau d'une amande repose sur les scénarios les plus favorables pour les appareils modernes et les requêtes légères, tandis que des études indépendantes indiquent que la consommation réelle pourrait être des centaines de fois supérieure.
- Comparer la consommation de chatbots à celle des amandes est trompeur ; bien que la consommation individuelle soit faible, le volume global de milliards de requêtes quotidiennes et d’opérations d’entraînement de modèles reste énorme, et les centres de données augmentent le stress hydrique local dans les régions arides.
Si vous passez du temps sur les réseaux sociaux, vous avez probablement déjà entendu parler du concept de « culpabilité de l'IA ». En résumé, chaque fois que vous demandez à ChatGPT de rédiger un courriel poli ou de vous préparer une recette de dîner rapide, un centre de données quelque part consomme une quantité massive d'eau potable juste pour éviter que les puces ne se dissolvent.
Sam Altman , PDG d' OpenAI , s'efforce aujourd'hui de dissiper cette idée reçue. Dans le premier épisode du podcast Sources avec Alex Heath , il a fermement remis en question l'idée que les applications d'IA simples soient des catastrophes environnementales.
Son contre-argument consistait en une comparaison avec une collation populaire.
38 000 requêtes ChatGPT = une amande ? Nous avons analysé les chiffres pour découvrir la vérité.
Regardez sur YouTube
D'après Altman, les centres de données qui consomment des millions de litres d'eau utilisent des technologies de refroidissement obsolètes. Il a affirmé que l'exécution de 38 000 requêtes ChatGPT dans des installations modernes consomme autant d'eau que la production d'une seule amande de Californie . Il a reconnu avoir cité ce chiffre de mémoire et qu'il pourrait ne pas être tout à fait exact, mais a maintenu qu'il se situait dans la fourchette acceptable.
C'est une affirmation surprenante, conçue pour faire croire que votre utilisation quotidienne des chatbots est presque neutre sur le plan environnemental. Mais ces chiffres résistent-ils à l'analyse ? Devriez- vous cesser de vous préoccuper du coût environnemental de vos requêtes ?
Calculs : Quelle quantité d'eau une amande consomme-t-elle réellement ?
Pour évaluer l'affirmation d'Altman, il faut commencer par l'amande.
La Californie produit environ 80 % des amandes mondiales , et l'estimation agricole la plus courante évalue la consommation d'eau nécessaire à la culture d'une seule amande à environ 4.16 litres (1.1 gallon) . Une autre analyse, prenant en compte les précipitations et la compensation de la pollution, détermine l'empreinte hydrique totale à environ 12 litres (3.2 gallons). Les amandiers sont connus pour être une culture gourmande en eau, car ils nécessitent une irrigation constante tout au long de l'année.
Si l'on prend au sérieux le ratio d'Altman en utilisant l'estimation de l'irrigation directe :
1 amande = environ 1.1 gallon (4 164 ml) d'eau
38 000 requêtes ChatGPT = 1 amande
1 requête ChatGPT = ~0.0000289 gallons (~0.11 ml d'eau)
Pour mettre 0.11 ml en perspective, une goutte d'eau standard de laboratoire ou un compte-gouttes contient environ 0.05 ml.
D'après les chiffres d'Altman, poser une question sur ChatGPT consomme environ deux gouttes d'eau.
Si ce chiffre vous paraît ridiculement bas par rapport à ce que vous avez lu précédemment, vous ne vous trompez pas. Il ne concorde d'ailleurs pas vraiment avec les déclarations antérieures d'Altman.
En juin 2025, il a écrit dans son article de blog « La douce singularité » qu’une requête ChatGPT typique consomme environ 0.000085 gallons d’eau, soit environ 0.32 ml.
En utilisant ce chiffre et les estimations courantes de consommation d'amandes, on obtient environ 11 000 demandes par amande, et non 38 000. Ses propres chiffres vont dans le même sens, mais diffèrent sur les détails.
D’où vient l’histoire selon laquelle « l’intelligence artificielle épuise vos réserves d’eau » ?
Le débat public sur la consommation d'eau de l'intelligence artificielle remonte à une étude largement médiatisée menée par des chercheurs de l'Université de Californie à Riverside et de l'Université du Texas à Arlington.
L’article de recherche, intitulé « Making AI Less Thirsty » (Rendre l’IA moins gourmande en eau), publié sous forme d’ébauche en 2023 puis dans la revue Communications of the ACM en 2025, estimait qu’une courte conversation composée de 10 à 50 réponses d’un grand modèle de langage (LLM) tel que GPT-3 consomme environ 500 millilitres d’eau, soit l’équivalent d’une bouteille d’eau en plastique standard. Cela représente environ 10 à 50 millilitres par réponse, ce qui pourrait être des centaines de fois supérieur à l’estimation d’Altman.
Alors, quelle est la raison de cet écart important ?
Une partie de la réponse réside dans le matériel et le modèle utilisés. L'estimation d'Altman se réfère à des requêtes légères exécutées sur des infrastructures modernes utilisant les modèles actuels. L'étude de l'Université de Californie à Riverside, en revanche, a analysé le modèle GPT-3 sur des systèmes plus anciens.
Mais le facteur le plus important réside dans la nature exacte de chaque chiffre. L'estimation d'Altman reflète presque exclusivement l'eau de refroidissement sur site, c'est-à-dire l'eau consommée directement dans le centre de données. Le chiffre de l'Université de Californie à Riverside, en revanche, inclut à la fois le refroidissement sur site et l'eau utilisée dans les centrales électriques pour produire l'électricité consommée par ces serveurs ; il s'agit d'un calcul plus large, connu sous le nom de consommation d'eau à l'échelle 1 et à l'échelle 2. Des analyses indépendantes suggèrent que la production d'électricité peut représenter jusqu'à 75 % de l'empreinte hydrique totale d'une seule requête d'IA. Cela signifie que l'écart ne se résume pas à une simple question de matériel ancien ou récent ; il s'agit de la définition des limites de mesure.
Altman a abordé directement la question du matériel obsolète dans le podcast, expliquant que les estimations précédentes étaient basées sur des installations utilisant le refroidissement par évaporation. Dans ces anciennes configurations, d'immenses tours de refroidissement vaporisent littéralement de l'eau douce dans l'atmosphère pour refroidir l'air chaud émis par les baies de serveurs. Une fois évaporée, cette eau est perdue pour le bassin versant local.
Altman a fait valoir que les centres de données modernes de très grande taille ont largement adopté les systèmes de refroidissement liquide en circuit fermé, où l'eau ou un fluide frigorigène spécialisé circule dans des tuyaux étanches, à l'instar d'un radiateur de voiture, sans pratiquement aucune perte de liquide par évaporation. Dans ces installations, a-t-il observé, la consommation d'eau est sans commune mesure avec celle d'un immeuble de bureaux classique équipé de lavabos et de toilettes standard.
L'ironie : comparer les amandes n'est qu'un gadget classique de la Silicon Valley.
Bien que l'efficacité des centres de données modernes par jeton soit indéniablement en augmentation, comparer les commandes des chatbots aux cultures agricoles ignore plusieurs faits fondamentaux.
L'ampleur du problème face à la responsabilité individuelle. Deux gouttes d'eau suffisent peut-être à vérifier une formule dans un tableur, mais OpenAI compte actuellement environ 900 millions d'utilisateurs actifs hebdomadaires qui traitent des milliards de commandes par jour . Multipliez ces infimes fractions de millimètre à l'échelle mondiale, en y ajoutant l'entraînement continu des modèles, qui, selon les estimations des chercheurs de l'Université de Californie à Riverside, consomme des centaines de milliers de litres d'eau en amont : le total reste colossal.
Le stress hydrique local est supérieur à la moyenne mondiale. Les vergers d'amandiers de la Vallée centrale dépendent des allocations d'eau de l'État et des canaux d'irrigation agricole existants. À l'inverse, les centres de données dédiés à l'IA sont souvent construits dans des zones périurbaines et des régions semi-arides (comme Phoenix, le nord de la Virginie et certaines parties du Texas et de la Géorgie) où ils dépendent directement des réseaux d'eau municipaux. Même une installation moderne et performante peut engendrer des tensions lorsqu'elle entre en concurrence avec les zones résidentielles lors des vagues de chaleur estivales extrêmes.
Toutes les requêtes d'IA ne se valent pas. Le chiffre de 38 000 requêtes avancé par Altman repose sur un raisonnement standard et léger, comme les réponses textuelles basiques de GPT-40. Or, le secteur évolue rapidement vers des modèles de raisonnement et des agents d'IA autonomes. Lorsqu'une IA « réfléchit » avant de répondre, exécute du code Python dans un environnement de test interne et isolé, effectue des recherches sur le web en temps réel et se corrige par de multiples boucles logiques, elle consomme beaucoup plus de puissance de traitement par commande qu'un simple chatbot. Des chercheurs indépendants ont souligné que ces charges de travail plus importantes peuvent consommer plusieurs fois plus d'énergie , et donc plus d'eau, qu'un bot.
Compromis énergétique. Lorsque les exploitants de centres de données renoncent au refroidissement par évaporation d'eau, ils le remplacent souvent par des refroidisseurs énergivores, des pompes à chaleur mécaniques et des ventilateurs à grande vitesse. En bref : réduire la consommation d'eau sur site implique souvent de puiser beaucoup plus d'électricité sur le réseau électrique local, ce qui a son propre impact indirect sur l'eau et le carbone, selon le mode de production de cette électricité.
Réflexions finales
L'affirmation d'Altman repose largement sur des scénarios optimistes concernant les dispositifs modernes en boucle fermée, tout en ignorant les énormes besoins en infrastructure pour que l'IA puisse se développer pleinement. Son chiffre de 38 000 requêtes par amygdale peut être acceptable comme estimation approximative d'une seule requête légère sur le matériel le plus récent, mais il ne donne qu'une vision partielle de la situation et ignore l'évolution du secteur.
Les commentaires sont fermés.