L’IA utilise-t-elle vraiment une bouteille d’eau par message ?

Non. La recherche derrière cette affirmation n’indique pas qu’un message d’IA consomme un 500 bouteille d'eau de ml. On a estimé qu'une bouteille pouvait correspondre à peu près à 20–50 réponses de modèle de langage de longueur moyenne, en fonction de l'endroit et du moment où le système est exécuté. C'est à peu près 10–25 ml par réponse selon les hypothèses de l’étude.

Les chiffres d'opérateur les plus récents pour le texte ordinaire sont encore plus bas : environ 0.26 ml pour Google la médiane Gemini Invite d'applications et 0.32 ml pour une moyenne ChatGPT requête formulée par OpenAI le directeur général. Ces chiffres utilisent des systèmes et des méthodes différents, ils ne réfutent donc pas simplement l’étude. Ils réfutent la présentation d’une bouteille par message comme un fait établi.

Ce que disait réellement le document original

Le papier 2023 Rendre l’IA moins « assoiffée » a pour objectif de modéliser l’empreinte eau opérationnelle de grands modèles linguistiques. Il comprenait le refroidissement sur site et l'eau associée à la production d'électricité, puis testait la manière dont le lieu et l'heure modifiaient le résultat.

Son exemple mémorable estimait que GPT-3-class l'inférence pourrait consommer un 500 Flacon de ml pour environ 20–50 réponses. La plage était essentielle : le temps de refroidissement et l'intensité de l'eau du réseau variaient. Cela n’était pas basé sur l’observation d’une bouteille ou d’un tuyau dédié pour une seule conversation.

Certaines couvertures ont fait tomber le dénominateur. « Une bouteille pour une conversation » est devenue « une bouteille par invite » ou « par message ». Cette modification multiplie l'estimation initiale par 20–50 et supprime l'incertitude que les chercheurs tentaient de mettre en évidence.

La distinction entre une réponse et une conversation est également importante. La durée des conversations varie et les tours ultérieurs peuvent réintégrer le contexte antérieur dans le modèle, modifiant ainsi le calcul.

Ce que rapportent les nouveaux fournisseurs

Google a rapporté une médiane Gemini Invite textuelle des applications utilisée 0.26 ml d'eau dans une mesure ponctuelle de mai 2025. L'étude a inclus l'énergie de l'accélérateur, de l'hôte et des machines inactives ainsi que les frais généraux du centre de données, puis a calculé l'eau pour sa flotte de service.

Sam Altman a déclaré une moyenne ChatGPT requête utilisée 0.000085 US gallons, ce qui donne environ 0.32 ml. OpenAI n'a pas publié le calcul, la distribution demandée ou la limite complète de l'eau, la précision apparente doit donc être traitée avec prudence.

Les deux représentent environ une fraction de millilitre, bien en dessous 10–25 ml. Mais une médiane et une moyenne sont différentes, et l'infrastructure du produit a changé entre les scénarios académiques et 2025 divulgations.

Aucune des deux divulgations ne décrit chaque image, fichier, recherche ou mode de raisonnement. L’application d’un chiffre d’invite de texte à ces charges de travail répéterait la même erreur d’unité dans la direction opposée.

Pourquoi les estimations diffèrent tellement

Le modèle et la tâche affectent l'électricité, qui affecte la chaleur. La conception du centre de données affecte directement l’eau. Le temps change la demande de refroidissement. Le réseau électrique change l'eau indirectement. Le matériel, le traitement par lots et l'utilisation modifient la quantité d'infrastructure allouée à une réponse.

Les limites peuvent être la plus grande source de désaccord. Il est plus difficile de compter uniquement l’eau du site opérationnel que d’ajouter la production d’électricité. L’attribution de capacités inutilisées, de formation ou de fabrication en amont change encore une fois la réponse. Les divulgations publiques n’offrent pas suffisamment de détails pour rapprocher les chiffres avec précision.

Il serait tout aussi erroné de choisir le plus petit nombre et de déclarer la consommation d’eau de l’IA résolue. La répartition montre que des mesures spécifiques à un service sont possibles et que les estimations génériques nécessitent des réserves. Voir Consommation d'eau de l'IA par requête pour une explication côte à côte.

Les opérateurs pourraient réduire l'incertitude en publiant des fourchettes par modèle et charge de travail, ainsi que l'eau directe et indirecte pour les installations qui les desservent.

Une invite ne consomme pas littéralement d’eau

Les systèmes de refroidissement desservent les racks et les installations en permanence. Les chercheurs répartissent une partie de la consommation entre les charges de travail en fonction de l'énergie ou de l'activité. Cette allocation peut prendre en charge la planification, mais il ne s'agit pas d'un événement physique déclenché par le bouton d'envoi.

La même distinction s'applique à la formation. Une course d'entraînement peut consommer de l'eau en une seule fois ; les analystes peuvent le distribuer dans des messages ultérieurs, mais le partage dépend du trafic à vie. L'eau de fabrication des copeaux se trouve plus en amont et est rarement incluse.

Ces couches sont disposées en comment l'IA utilise l'eau. En les séparant, on évite qu’une estimation directe du refroidissement ne se fasse passer pour un cycle de vie complet, tout en reconnaissant les ressources réelles derrière les services numériques.

Cela permet également de garder la responsabilité à l'esprit : les exploitants des installations contrôlent le refroidissement et l'emplacement, tandis que les utilisateurs contrôlent principalement le volume et le type de travail qu'ils demandent.

Les comparaisons de bouteilles peuvent toujours être utiles

Un contenant familier rend compréhensible un volume invisible. Le problème n’est pas la métaphore ; c’est perdre la source, le dénominateur et la frontière. « Une bouteille pour 20–50 réponses dans un 2023 Le scénario de recherche" est exact. " Chaque message boit une bouteille " ne l'est pas.

Les ratios deviennent également ridicules pour de très petits volumes. À 0.26 ml, environ 1,900 médian Gemini les invites seraient mathématiquement égales 500 ml. À 0.32 ml, environ 1,560 moyenne déclarée ChatGPT les requêtes le feraient. Il s’agit de divisions transparentes de chiffres publiés et non d’affirmations selon lesquelles ces messages partagent un système de refroidissement ou une conséquence environnementale.

Notre comparaisons d'eau au quotidien préserver cette distinction. Un litre dans un bassin versant soumis à un stress hydrique et un litre dans un bassin où l’eau est abondante ont un volume égal mais n’ont pas un impact égal.

Quelle est la vraie préoccupation

Le problème environnemental concerne les infrastructures globales. Même une petite moyenne par requête peut contribuer à une demande substantielle lorsque l'utilisation et l'intensité de calcul augmentent. Les centres de données se regroupent également, concentrant les effets de l’eau et du réseau dans des communautés particulières.

Les utilisateurs peuvent éviter les régénérations inutiles, limiter les contextes non pertinents et choisir des modèles plus petits pour le travail de routine. Les fournisseurs peuvent faire bien plus en publiant l’eau directe et indirecte, l’emplacement, les pics saisonniers et les répartitions par charge de travail.

Treechat utilise un facteur énergie/eau fixe décrit sur son page méthodologie. Sa réception est une estimation et non une lecture en direct de l'installation. C'est la norme appropriée pour toutes les réclamations concernant l'eau : garder la méthode à côté du chiffre et corriger un mythe mémorable lorsqu'il dépasse sa source.