Combien d'eau ChatGPT consomme-t-il vraiment ? Un développeur enquête sur les 0,32 ml

Combien d'eau ChatGPT consomme-t-il vraiment ? Un développeur enquête sur les 0,32 ml

La consommation d'eau de ChatGPT se résume depuis plus d'un an à un seul chiffre : environ 0,32 millilitre par requête, soit un quinzième de cuillère à café. J'écris du logiciel, et quand un nombre porte autant de poids, ma première question n'est pas de savoir s'il est vrai. C'est de savoir ce qu'il a mesuré.

Par Zubair Hussain, développeur full stack. Vérifié le 18 septembre 2026.

D'où vient ce chiffre

La source est un billet de blog personnel. Le 10 juin 2025, Sam Altman écrit dans The Gentle Singularity : "La requête moyenne consomme environ 0,34 wattheure... Elle consomme aussi environ 0,000085 gallon d'eau, à peu près un quinzième de cuillère à café" ^[1]. Aucune méthodologie, aucune définition de la requête moyenne, aucun matériel cité, aucune évaluation par les pairs ^[2].

Le 1er septembre 2026, Altman a affirmé que 38 000 requêtes équivalent à l'eau d'une amande californienne. PolitiFact a jugé la comparaison majoritairement fausse le 4 septembre 2026 ^[3].

L'arithmétique tient

0,000085 gal x 3785,411784 ml/gal = 0,32176 ml
1 cuillère à café = 4,92892 ml ; son quinzième = 0,3286 ml

Les deux formulations de la même phrase sont cohérentes entre elles. Le calcul n'est pas le point faible.

Les GPU ne boivent pas d'eau

Un GPU consomme de l'électricité et dégage de la chaleur. L'eau est consommée ailleurs : à la production électrique, dans le refroidissement du centre de données, et dans la chaîne d'approvisionnement. Un refroidissement liquide direct en boucle fermée ne consomme pas d'eau, puisque le même fluide revient.

Eau directe et eau indirecte

L'eau directe, scope 1, s'évapore dans les tours de refroidissement et se mesure par la water usage effectiveness, en litres par kWh. Google a déclaré 1,15 l/kWh pour 2023 et 2024 ^[4]. L'eau indirecte, scope 2, est consommée dans les centrales. Dans l'étude Making AI Less Thirsty, l'entraînement de GPT-3 a consommé environ 0,7 million de litres sur site et environ 5,4 millions en incluant l'eau de l'électricité ^[5].

Reconstituer le chiffre à l'envers

Google publie sa formule : eau = (énergie totale moins overhead) x WUE. Vérification sur ses propres données : (0,24 moins 0,02) x 1,15 = 0,253 ml, arrondi aux 0,26 ml publiés ^[4]. Appliquée au couple de chiffres d'OpenAI, avec 8 pour cent d'overhead :

0,32176 ml / 0,313 Wh = environ 1,03 l/kWh de WUE implicite

Cette valeur est réaliste pour une installation moderne. Le chiffre peut donc être plausible sous certaines hypothèses, à savoir s'il ne compte que le refroidissement sur site et exclut l'eau nécessaire à produire ces 0,34 wattheure.

Pourquoi aucune valeur universelle n'est possible

L'eau par requête est le produit de nombreuses variables : taille du modèle, tokens d'entrée et de sortie, charge de raisonnement, type d'accélérateur, batching, taux d'utilisation, localisation, météo, technologie de refroidissement, source d'électricité, PUE et WUE. Epoch AI estime une requête GPT-4o typique à environ 0,3 Wh, une entrée de 10 000 tokens à environ 2,5 Wh et 100 000 tokens à environ 40 Wh ^[6]. Jegham et ses collègues relèvent un facteur supérieur à 65 entre 30 modèles sur des prompts longs ^[7]. La même charge revenait à environ 7,6 ml au Texas et environ 47,6 ml dans l'État de Washington ^[5].

Comparaison des estimations publiées

Entraînement et inférence sont deux budgets

L'entraînement est un coût unique amorti sur toutes les requêtes suivantes. L'inférence est le coût marginal par requête, et c'est de cela que parle le chiffre de 0,32 ml. Pour l'ordre de grandeur : à 700 millions de requêtes par jour, 0,32 ml donnent environ 225 000 litres par jour et environ 82 millions de litres par an. Par requête, une erreur d'arrondi. Sur l'année, un compte d'eau municipal.

La comparaison avec l'amande

Selon PolitiFact, l'empreinte eau totale d'une amande californienne avoisine 12 litres, dont environ 6 litres d'irrigation directe, le reste étant la pluie et l'eau de dilution ^[3].

12,1 l / 0,32176 ml = environ 37 600 requêtes

La multiplication est juste, la comparaison ne l'est pas. D'un côté une empreinte complète, de l'autre, semble-t-il, seulement l'eau de refroidissement. En comparant eau directe et eau directe, on obtient environ 1 000 à 10 000 requêtes par amande ^[3].

Les frontières de mesure, expliquées par la latence

L'équipe A annonce 12 ms parce qu'elle n'instrumente que l'appel à la base. L'équipe B annonce 180 ms parce qu'elle mesure tout le trajet, réseau, TLS, authentification et sérialisation compris. Les deux mesurent correctement et les chiffres restent incomparables. L'eau par prompt a exactement ce problème, sans même une convention partagée.

Pourquoi la bouteille d'eau était aussi une simplification

Avant, le chiffre viral allait dans l'autre sens : une conversation boirait une bouteille de 500 ml. Cela venait aussi de vrais travaux, qui indiquaient 500 ml pour environ 10 à 50 réponses de longueur moyenne selon le lieu et le moment ^[5]. Les conditions ont disparu en route : modèle GPT-3, environ 800 mots en entrée, valeurs modélisées et non mesurées, et une fourchette qui reflète des sites différents.

Ce qu'un développeur doit demander

1. Quel modèle a été testé ?
2. Combien de tokens en entrée et en sortie ?
3. Quel matériel ?
4. Quel centre de données ?
5. Quel système de refroidissement ?
6. L'eau indirecte de l'électricité était-elle incluse ?
7. Quelle période de mesure ?
8. Moyenne, médiane ou estimation ?
9. Le calcul est-il reproductible de façon indépendante ?

Questions fréquentes

Conclusion

Les 0,32 ml ne sont pas inventés. La conversion est exacte et la WUE implicite tombe dans une plage réaliste, donc le chiffre peut être plausible sous certaines hypothèses. Il n'est pas vérifiable et ce n'est pas une constante universelle. La méthodologie publique se limite à deux phrases.

La vraie question n'est pas de savoir si une requête coûte 0,32 ml, cinq gouttes ou autre chose. C'est de savoir si la méthodologie, les hypothèses d'infrastructure et les frontières comptables sont assez transparentes pour que le chiffre puisse être interprété.

Sources

1. Sam Altman, The Gentle Singularity, 10/06/2025.
2. Data Center Dynamics, juin 2025.
3. PolitiFact, 04/09/2026.
4. Google, Measuring the environmental impact of delivering AI at Google Scale, arXiv:2508.15734.
5. Li, Yang, Islam, Ren, Making AI Less Thirsty, arXiv:2304.03271.
6. Epoch AI, How much energy does ChatGPT use?, 07/02/2025.
7. Jegham et al., How Hungry is AI?, arXiv:2505.09598.