Consommation d’eau de l’IA par requête : que pouvons-nous réellement savoir ?

Il n’existe pas de chiffre unique sur la consommation d’eau pour une requête d’IA. Les révélations récentes des opérateurs placent les invites de texte ordinaires à environ 0.26 ml pour la médiane Gemini Invite des applications et 0.32 ml pour une moyenne ChatGPT requête. UN 2023 le modèle académique a produit une gamme beaucoup plus élevée d'environ 10–25 ml par réponse de modèle de langage dans des emplacements particuliers et des limites du système.

Ces estimations ne doivent pas être moyennées ni traitées comme des mesures de la même chose. Ils couvrent différents modèles, matériels, refroidissement, grilles, dates et définitions de l'eau. La longueur et les outils d’une requête sont également importants. La réponse la plus précise du consommateur est une plage de sources avec sa limite attachée.

Les deux faibles chiffres d’opérateurs

Google signalé 0.26 ml d'eau pour une médiane Gemini Invite de génération de texte pour les applications en mai 2025. L'analyse qui l'accompagne a également signalé 0.24 Wh d'énergie et décrit une limite de desserte complète comprenant l'infrastructure de support.

OpenAI le directeur général Sam Altman a déclaré qu'une moyenne ChatGPT requête utilisée 0.000085 US gallons, environ 0.32 ml. La publication n’a pas publié de calcul ni défini la combinaison de demandes sous-jacente.

Les chiffres sont proches, mais cela ne permet pas d’établir un taux universel. L’une est une médiane ponctuelle mesurée pour une application nommée ; l'autre est une moyenne inexpliquée de la flotte. La médiane et la moyenne sont des statistiques différentes, et les deux services continuent de changer.

L’estimation la plus élevée de la recherche

Dans Rendre l’IA moins « assoiffée », les chercheurs ont modélisé le refroidissement direct et l'eau indirectement liée à l'électricité pour de grands modèles de langage. Leur exemple largement cité attribue un 500 flacon de ml à environ 20–50 réponses de longueur moyenne, équivalentes à environ 10–25 ml chacun.

Il s'agissait d'un scénario basé sur les emplacements de déploiement supposés, les conditions météorologiques, l'intensité de l'eau du réseau et l'énergie du modèle. Ce n'était pas un relevé de compteur de ChatGPT. L’intérêt de l’article montre que le moment et l’endroit où un modèle est exécuté peuvent modifier considérablement son empreinte eau.

L'écart d'un ordre de grandeur avec les chiffres ultérieurs des fournisseurs peut refléter un matériel et un refroidissement plus efficaces, une énergie de modèle différente et une comptabilité plus étroite ou simplement différente. Étant donné que les données sous-jacentes comparables ne sont pas publiques, attribuer l’écart à une seule cause relèverait de la spéculation.

Un calcul simple nécessite toujours des entrées concrètes

Dans sa forme la plus simple, l'eau directe par requête peut être estimée comme l'énergie de requête multipliée par l'efficacité de l'utilisation de l'eau des installations. L’eau indirecte ajoute l’énergie multipliée par l’intensité en eau de la production d’électricité. La formation et la fabrication nécessitent des allocations distinctes.

Chaque entrée bouge. Interrogez les changements d’énergie à l’aide de modèles, de jetons d’entrée et de sortie, de lots, d’appels de matériel et d’outils. L’eau de l’installation change en fonction de la météo et du mode de refroidissement. L’intensité de l’eau du réseau change avec la production. Une moyenne annuelle atténue les heures mêmes où la pression de l’eau locale peut être la plus élevée.

Le laboratoire de Berkeley a modélisé l'efficacité moyenne de l'utilisation de l'eau sur les sites américains à un peu plus de 0.36 litre par kWh en 2023. Multiplier cette estimation de la flotte nationale par une estimation rapide du produit mélangerait des systèmes non liés, sans révéler l’eau réelle du fournisseur.

« Requête » n'est pas une unité stable

La complétion d'un court texte peut générer quelques dizaines de jetons. Une demande de recherche peut traiter des documents longs, effectuer des recherches sur le web et appeler plusieurs fois un modèle. La génération d’images et de vidéos utilise des pipelines différents. Compter chaque requête comme une seule requête rend le dénominateur pratique mais fragile sur le plan environnemental.

La meilleure unité comprend la charge de travail : le modèle, les jetons d'entrée, les jetons de sortie, la modalité et l'activité de l'outil. Même dans ce cas, l’infrastructure de service partagée signifie que l’allocation est approximative. Les serveurs inactifs, la mise en réseau et le refroidissement prennent en charge plusieurs utilisateurs à la fois.

C'est pourquoi combien d'eau ChatGPT utilise ne peut pas être répondu à partir du seul nombre de messages. C’est aussi pourquoi les distributions des fournisseurs seraient plus utiles qu’une moyenne : les lecteurs doivent voir séparément l’utilisation ordinaire, haut de gamme et lourde en outils.

L’eau directe ne représente pas la totalité de l’empreinte

La consommation sur place est localement importante et souvent réglementée par les permis. Cela n’inclut pas l’eau utilisée par le système électrique. À l’inverse, un modèle indirect large peut attribuer de l’eau provenant d’une production distante qui est moins pertinente pour le bassin versant immédiat du centre de données.

Les usines de copeaux utilisent de l’eau ultra pure et la construction a un impact sur la chaîne d’approvisionnement. Ces étapes sont normalement absentes des divulgations par requête, car aucune méthode publique ne peut répartir en toute confiance la durée de vie d’un processeur sur l’ensemble de son travail. L’eau d’entraînement a le même problème de dénominateur.

Des rapports clairs présentent plusieurs niveaux plutôt que de prétendre qu'un seul est la vérité : opérationnel direct, électricité indirecte, allocation de formation et chaîne d'approvisionnement incorporée. Notre guide pour comment l'IA utilise l'eau explique où se trouve chaque couche.

Comment citer un numéro de manière responsable

Nommez le service et la statistique : «Google rapporté 0.26 ml pour sa médiane Gemini Invite de texte des applications en mai 2025. » Conservez la « médiane », le « texte » et la date. Pour ChatGPT, dites "Altman a indiqué une moyenne d'environ 0.32 ml, sans publier la méthode."

Lorsque vous citez des travaux universitaires, dites « le modèle a estimé 500 ml sur environ 20–50 réponses selon ses scénarios. Ne raccourcissez pas cela à une bouteille par message.

Treechat utilise une hypothèse fixe de millilitres par wattheure pour créer des estimations cohérentes à partir de l'énergie des messages. Le méthodologie il s'agit d'une estimation car l'eau de refroidissement et d'alimentation réelle n'est pas disponible. La cohérence peut aider à comparer Treechat messages ; il ne peut pas transformer un facteur générique en une mesure d'installation.

Le point pratique à retenir est de réduire les calculs inutiles et d’exiger une meilleure divulgation. Une gamme transparente est moins mémorisable qu’une bouteille, mais bien plus proche de ce que l’on connaît réellement.