Une requête ChatGPT consomme-t-elle vraiment autant qu’une bouteille d’eau ?

Une question posée à ChatGPT, et quelque part une bouteille d’eau qui disparaît. L’image a fait le tour des réseaux sociaux. Elle est simple, mémorable, presque trop belle : l’intelligence artificielle serait invisible à l’écran, mais chaque réponse ferait couler de l’eau ailleurs, dans un centre de données que personne ne voit.

Le problème, c’est que cette phrase est généralement répétée sans sa notice. Quelle eau ? Quelle intelligence artificielle ? Combien de mots dans la réponse ? Dans quel pays ? À quelle température ? Avec quel système de refroidissement ?

J’ai repris l’étude scientifique à l’origine de la comparaison, puis les chiffres plus récents de l’Agence internationale de l’énergie. La réponse courte tient en une phrase : oui, l’IA a une empreinte en eau réelle, mais non, on ne peut pas dire honnêtement que chaque requête ChatGPT consomme une bouteille d’eau.

La différence entre ces deux phrases est toute l’histoire.

D’où vient cette histoire de bouteille ?

La comparaison vient d’une étude intitulée Making AI Less « Thirsty »: Uncovering and Addressing the Secret Water Footprint of AI Models. Elle a été publiée initialement en 2023, puis révisée en mars 2025. Ses auteurs proposent une méthode pour estimer l’eau utilisée par un modèle d’IA, en additionnant plusieurs postes généralement invisibles.

Ils prennent comme cas d’étude GPT-3, un modèle de 175 milliards de paramètres. Ce n’est donc pas une mesure publiée par OpenAI sur ChatGPT en 2026, ni un compteur branché sur une conversation réelle. C’est une estimation scientifique construite à partir d’une consommation électrique modélisée, de l’efficacité des centres de données, du climat et du lieu où les serveurs seraient installés.

Dans leur scénario moyen pour les États-Unis, les auteurs estiment qu’une réponse de taille moyenne représente environ 16,9 millilitres d’eau consommée. Leur réponse moyenne correspond à une requête comprenant jusqu’à 800 mots en entrée et 150 à 300 mots générés en sortie.

Le calcul donne donc environ 30 réponses pour 500 millilitres. Dans les différents lieux étudiés, l’écart est beaucoup plus large : l’étude trouve environ 10 à 70 réponses pour 500 ml. La bouteille n’est donc pas le prix fixe d’une question. C’est le résultat arrondi d’un scénario parmi d’autres.

500 ml selon le lieu du centre de données. Le graphique s’anime pour montrer l’écart entre les estimations : environ 10,5 réponses à Washington, 16,7 en Arizona, 29,6 dans la moyenne américaine, 24,5 en Finlande et 70,4 en Irlande. Source : Li et al., arXiv v5, tableau 1. Il s’agit d’une estimation située pour GPT-3, pas d’une mesure de ChatGPT en 2026.

« Consommer » ne veut pas dire « prélever »

C’est la distinction la plus importante du dossier, et celle que les titres oublient le plus souvent.

Prélever de l’eau signifie la prendre dans une rivière, une nappe ou un réseau pour l’utiliser. Une partie peut ensuite être rejetée. Consommer de l’eau signifie qu’elle n’est plus immédiatement disponible dans le même environnement, parce qu’elle s’est évaporée, a été incorporée dans un produit ou a été déplacée.

L’étude utilise principalement la notion de consommation. Dans le cas d’une tour de refroidissement, une partie de l’eau ajoutée s’évapore pour évacuer la chaleur des serveurs. Le reste peut être rejeté après plusieurs cycles et doit être remplacé pour éviter l’accumulation de sels et de minéraux.

Une analogie simple aide à comprendre : l’eau prélevée correspond à l’eau qui entre dans la maison ; l’eau consommée correspond à la partie qui ne revient pas tout de suite dans la rivière ou la nappe. Les deux mesures sont utiles, mais elles ne racontent pas le même problème.

Où part l’eau d’une IA ?

Il y a trois postes, et ils ne sont pas toujours comptés ensemble.

1. Le refroidissement du centre de données

Les processeurs transforment presque toute l’électricité qu’ils reçoivent en chaleur. Cette chaleur doit être évacuée en permanence. Certains centres utilisent des systèmes qui évaporent de l’eau dans des tours de refroidissement. D’autres utilisent de l’air, des échangeurs ou des boucles liquides qui peuvent réduire, voire supprimer, la consommation d’eau sur site.

Le climat compte énormément. Un centre situé dans une région chaude et sèche n’a pas le même besoin qu’un centre situé dans une région fraîche. L’étude cite une efficacité de refroidissement annuelle d’environ 1 litre par kWh dans un grand opérateur mondial, mais jusqu’à 9 litres par kWh pour un grand centre commercial en Arizona pendant l’été.

Il n’existe donc pas une consommation « de l’IA » indépendante du lieu. Il existe une charge de calcul, installée dans une infrastructure particulière, soumise à un climat particulier.

2. L’eau utilisée pour produire l’électricité

Même si le centre de données ne consomme presque pas d’eau sur place, l’électricité qui l’alimente peut en avoir nécessité ailleurs. Les centrales thermiques utilisent souvent de l’eau pour leur propre refroidissement. L’étude appelle cela l’eau de scope 2, liée à la production d’électricité achetée.

Dans son scénario américain, cette eau indirecte pèse davantage que l’eau évaporée directement sur le site. C’est une raison supplémentaire de se méfier d’une phrase comme « le data center utilise zéro eau ». Elle peut être exacte pour le refroidissement sur place et incomplète pour l’ensemble du système.

Une réponse, trois postes d’eau. L’étude chiffre les deux premiers dans son estimation opérationnelle de GPT-3 ; la fabrication des serveurs est signalée mais n’est pas incluse dans ce cas détaillé.

3. La fabrication des puces et des serveurs

La fabrication des semi-conducteurs utilise de l’eau ultrapure et des procédés chimiques complexes. Les serveurs et les accélérateurs ne sont pas apparus dans le centre de données par magie : leur fabrication a aussi un coût matériel, énergétique et hydrique.

C’est le troisième poste, souvent appelé scope 3. Il est beaucoup plus difficile à attribuer à une requête précise, parce qu’il faut répartir la fabrication d’un serveur sur toute sa durée de vie et sur toutes les tâches qu’il exécute. L’étude le signale, mais l’exclut de son estimation détaillée de GPT-3 faute de données publiques suffisantes.

Cette limite ne rend pas le chiffre faux. Elle signifie que le chiffre de 16,9 ml n’est pas une empreinte complète de toute la chaîne industrielle.

Ce que l’étude mesure vraiment

Voici le périmètre exact, résumé sans raccourci :

Élément	Ce que l’étude retient
Modèle	GPT-3, 175 milliards de paramètres
Type de tâche	Conversation avec une réponse de 150 à 300 mots
Électricité par requête	Environ 0,004 kWh dans l’hypothèse centrale
Eau opérationnelle moyenne aux États-Unis	Environ 16,9 ml par réponse
Équivalent de 500 ml	Environ 30 réponses dans ce scénario
Eau de fabrication des serveurs	Non incluse dans le cas détaillé GPT-3
ChatGPT actuel	Non mesuré directement

La formulation correcte n’est donc pas : « ChatGPT consomme une bouteille d’eau toutes les trente questions. »

La formulation correcte est : « Une étude de 2025 estime que GPT-3, dans un scénario américain donné, consomme indirectement et directement environ 500 ml d’eau pour une trentaine de réponses moyennes. » C’est moins spectaculaire, mais c’est vérifiable.

Pourquoi le chiffre varie autant

La taille de la réponse est le premier facteur. Générer quelques lignes ne demande pas la même quantité de calcul qu’une longue analyse. Une image, une vidéo, une transcription ou une tâche de raisonnement avancé ne se compare pas automatiquement à une réponse textuelle courte.

Le modèle utilisé est le deuxième facteur. Les modèles n’ont ni la même taille, ni la même architecture, ni le même matériel, ni les mêmes optimisations. L’étude elle-même avertit que les modèles ultérieurs peuvent consommer davantage pour une requête comparable, tout en reconnaissant que les progrès d’efficacité peuvent aussi faire baisser la consommation unitaire.

Le lieu et le moment sont le troisième facteur. La météo influe sur le refroidissement. Le mix électrique influe sur l’eau consommée pour produire l’électricité. Le même calcul déplacé dans un autre centre de données peut donc produire un résultat différent.

Enfin, l’efficacité des serveurs évolue vite. L’AIE souligne elle-même que les projections dépendent de l’adoption de l’IA, des progrès du matériel et des logiciels, ainsi que des contraintes du réseau électrique. Une estimation par requête vieillira donc plus vite qu’une consommation totale observée sur une année.

Le vrai changement d’échelle se trouve dans les centres de données

S’arrêter à l’empreinte d’une question est pratique pour faire culpabiliser l’utilisateur, mais cela masque le sujet le plus important : la multiplication des usages et des infrastructures.

Dans son rapport Energy and AI, publié le 10 avril 2025, l’AIE estime que les centres de données dans leur ensemble ont consommé 415 TWh d’électricité en 2024, soit environ 1,5 % de l’électricité mondiale. Ce chiffre inclut tous les usages des centres de données, pas uniquement l’IA.

Dans son scénario central, l’AIE projette environ 945 TWh en 2030, soit plus du double. Les serveurs accélérés, principalement tirés par l’IA, représenteraient près de la moitié de l’augmentation nette de la consommation électrique des centres de données sur la période 2024-2030.

Ces chiffres ne disent pas que l’IA va « prendre toute l’électricité du monde ». Ils disent autre chose, de plus précis : la part mondiale reste limitée, mais la croissance est rapide et les effets locaux peuvent être considérables, surtout lorsque plusieurs grands centres se concentrent dans une même région.

Les centres de données dans le système électrique : 415 TWh en 2024 contre 945 TWh projetés en 2030. Ces chiffres couvrent tous les usages des centres de données, pas uniquement l’IA. Source : AIE, Energy and AI, licence CC BY 4.0.

L’AIE donne d’ailleurs une fourchette très large pour 2035 : environ 700 à 1 700 TWh selon les hypothèses de croissance et d’efficacité. Cette dispersion est une information en soi. Elle rappelle qu’une projection n’est pas une promesse.

Faut-il alors arrêter d’utiliser ChatGPT ?

Ce serait une conclusion trop facile, et pas particulièrement utile. Une requête individuelle a une empreinte non nulle, mais l’essentiel du débat porte sur les décisions industrielles : où construire les centres de données, avec quel système de refroidissement, quelle électricité, quelle transparence et quels usages.

Cela ne dispense pas les utilisateurs de sobriété. Demander une image par réflexe, relancer dix fois une réponse ou faire générer de longs textes que personne ne lira ajoute du calcul pour un bénéfice parfois nul. Mais la responsabilité principale ne peut pas être renvoyée à l’utilisateur comme si chaque question isolée déterminait l’avenir du réseau électrique.

La bonne question n’est pas « combien de bouteilles ai-je bu aujourd’hui ? ». C’est plutôt : quelle tâche justifie réellement l’énergie, l’eau et les machines mobilisées pour la produire ?

Ce que les entreprises doivent enfin publier

Aujourd’hui, un utilisateur ne sait généralement pas quel modèle a répondu, dans quel centre de données il a tourné, quelle quantité d’électricité a été mobilisée, ni quelle intensité hydrique correspondait à cette heure et à ce lieu.

Les auteurs de l’étude demandent que les fiches de modèles et les tableaux de bord cloud publient aussi l’empreinte en eau, pas seulement les émissions carbone. C’est une demande raisonnable. Sans ces données, les chercheurs doivent reconstruire des estimations à partir de valeurs moyennes, et les lecteurs transforment ensuite ces estimations en slogans.

Les rapports des opérateurs montrent aussi pourquoi la transparence doit être lue avec méthode. Microsoft indique dans son rapport environnemental 2026 avoir reconstitué, via des projets de restauration, plus de 14,2 millions de mètres cubes d’eau pendant l’exercice 2025, soit davantage que ses prélèvements. Google publie ses propres indicateurs et projets de gestion de l’eau. Ces engagements sont utiles, mais ils ne donnent pas automatiquement la consommation d’une requête précise et ne remplacent pas une mesure indépendante.

Mon verdict selon les informations trouvées

– Oui, l’IA consomme de l’eau. Cette eau sert au refroidissement, à la production de l’électricité et, plus largement, à la fabrication de l’infrastructure qui rend le calcul possible.

– Oui, la comparaison avec une bouteille repose sur une étude sérieuse. Mais elle décrit GPT-3, une réponse moyenne et un scénario géographique précis. Elle ne mesure pas directement une requête ChatGPT actuelle.

– Non, une requête ChatGPT ne consomme pas systématiquement 500 ml. Dans le scénario américain de l’étude, il faut environ trente réponses moyennes pour atteindre cette quantité. Selon le lieu, le résultat estimé varie d’environ dix à soixante-dix réponses pour 500 ml.

Le chiffre de la bouteille n’est donc ni un mensonge pur, ni une vérité à répéter sans contexte. C’est une moyenne modélisée devenue un slogan. Le travail sérieux consiste à remettre autour d’elle les unités, la date, le modèle, le climat et les limites.

Le fil rouge d’Utopiaz Le Lab est toujours le même : reprendre la main sur les discours trop simples.
Ici, cela signifie tenir ensemble deux faits qui ne s’annulent pas. L’IA a un coût environnemental réel, et beaucoup de chiffres viraux donnent une fausse précision à ce coût.

Et pour toi, est-ce que cette information change ta façon d’utiliser les outils d’IA, ou est-ce que la question principale devrait plutôt être posée aux entreprises qui construisent les centres de données ? Partage ton avis sur le Discord Utopiaz.

Pour ne rien manquer des prochains dossiers tech, abonne-toi à la newsletter hebdomadaire.

---

Sources primaires et méthodologie.

• Pengfei Li, Jianyi Yang, Mohammad A. Islam et Shaolei Ren, Making AI Less « Thirsty »: Uncovering and Addressing the Secret Water Footprint of AI Models, arXiv:2304.03271v5, 26 mars 2025. Étude, définitions de withdrawal/consumption, hypothèses GPT-3 et tableau 1 : étude complète
• Agence internationale de l’énergie, Energy and AI, 10 avril 2025. Consommation électrique des centres de données, projections 2030 et scénarios 2035 : rapport
• AIE, chapitre « Energy demand from AI ». Graphiques réutilisables sous licence CC BY 4.0 : demande énergétique de l’IA
• AIE, chapitre « AI and climate change ». Émissions indirectes et limites de l’extrapolation : IA et changement climatique
• Google, rapport environnemental 2026 et ressources sur l’eau : rapports environnementaux Google
• Microsoft, rapport environnemental 2026 : rapport environnemental Microsoft.