Combien d'eau fait ChatGPT utiliser ?

La seule moyenne publique de première partie indique un ChatGPT La requête utilise environ 0.000085 gallons américains d'eau, soit environ 0.32 millilitres. OpenAI Le directeur général Sam Altman a publié ce chiffre en 2025, mais n'a pas fourni le calcul ni défini les modèles, les emplacements et les limites de l'eau qu'il couvre.

Des recherches indépendantes ont produit des estimations beaucoup plus élevées. UN 2023 article suggéré à propos de 500 ml pour 20–50 des réponses de longueur moyenne, ou à peu près 10–25 ml chacun, en fonction de l'endroit et du moment où le système a fonctionné. Ces chiffres ne sont pas directement comparables. La réponse honnête est que ChatGPT La consommation d'eau de varie et la divulgation publique n'est pas suffisamment détaillée pour calculer votre conversation exacte.

Le chiffre first party est une moyenne

Altman déclaration publiée a donné deux moyennes opérationnelles pour un ChatGPT requête : environ 0.34 Wh d’électricité et 0.000085 gallons américains d’eau. La conversion de ce dernier donne environ 0.32 ml.

Elle est utile car elle émane de l'opérateur, qui peut observer son infrastructure et son trafic. Il est limité car la publication ne divulgue pas sa période de mesure, la distribution des modèles, la longueur de la requête, la limite directe ou indirecte ou le traitement de la formation.

Une moyenne peut également cacher une large fourchette. Une requête courte et une longue session de raisonnement sont des tâches informatiques différentes. Les outils de recherche, de fichiers, d'images et d'agent peuvent faire appel à plusieurs systèmes. Il est préférable de considérer ce chiffre comme un panneau indicateur au niveau de la flotte pour un usage ordinaire, et non comme un compteur d'eau fixé à chaque ChatGPT message.

Pourquoi l'estimation académique est plus élevée

Le papier 2023 Rendre l’IA moins « assoiffée » estimé à la fois l’eau de refroidissement sur site et l’eau associée à l’électricité. Ses chercheurs ont modélisé des emplacements particuliers de centres de données, les conditions météorologiques et les réseaux électriques plutôt que de mesurer OpenAI La flotte privée de.

Leur principal exemple était qu'un 500 Une bouteille de ml pourrait servir environ 20–50 réponses. Cela équivaut à 10–25 ml par réponse selon les hypothèses du document. Il n’a jamais pris en charge « une bouteille par message ».

Le service modélisé, les hypothèses d’infrastructure et le temps diffèrent de la moyenne ultérieure d’Altman. Le matériel et le refroidissement ont également été améliorés. Une frontière incluant l’eau de production indirecte d’électricité sera généralement plus large qu’une frontière axée sur le refroidissement direct. Sans une méthodologie d'appariement de OpenAI, nous ne pouvons pas isoler quelle part de l’écart vient de l’efficacité et quelle part vient de la comptabilité.

La consommation d’eau change selon le lieu et le temps

Le refroidissement par évaporation consomme de l'eau pour évacuer la chaleur d'un centre de données. Le montant dépend de la température et de l'humidité, de l'équipement de refroidissement et de la charge du serveur. Une installation utilisant l’air extérieur ou le refroidissement en boucle fermée peut consommer moins sur site.

La production d’électricité peut également consommer de l’eau. Son taux change en fonction de la combinaison locale d’énergie thermique, éolienne, solaire et autres sources. La demande de refroidissement et la combinaison du réseau peuvent varier d'heure en heure, de sorte qu'un même modèle de demande peut avoir une allocation d'eau différente selon les régions.

La rareté change les conséquences ainsi que le volume. Un millilitre dans un bassin versant touché par la sécheresse n’a pas la même signification locale que celui d’une région riche en eau. Une moyenne mondiale ne peut pas exprimer cela. Voir comment l'IA utilise l'eau pour les étapes directes, indirectes et de fabrication.

La formation et les puces sont en dehors de la plupart des requêtes

L'article universitaire estime que la formation GPT-3 dans les centres de données de Microsoft aux États-Unis pourraient consommer directement environ 700,000 litres sous son modèle. Ce n'est pas une information divulguée OpenAI mesure, et plus récent ChatGPT les modèles ont des parcours d'entraînement différents. Il ne faut pas le présenter comme un total connu pour le produit d’aujourd’hui.

Partager l’eau de formation entre les requêtes est un choix comptable. L'allocation par requête diminue si un modèle répond à davantage de requêtes et augmente s'il est retiré prématurément. L'eau était consommée pendant l'entraînement, et non à chaque fois qu'un utilisateur appuyait sur envoyer.

La fabrication de semi-conducteurs utilise également de l’eau ultra pure, tandis que la construction de centres de données a des impacts en amont. Les chiffres demandés aux consommateurs incluent rarement l'un ou l'autre car l'utilisation, la durée de vie du matériel et l'allocation de la chaîne d'approvisionnement sont incertaines. Une estimation opérationnelle étroite reste utile, mais elle ne constitue pas un total du cycle de vie complet.

Ce qui ne va pas dans la comparaison des bouteilles

L'expression «ChatGPT boit une bouteille d’eau » fait ressembler une allocation modélisée à un événement physique. Les serveurs n'ouvrent pas de bouteille lorsqu'un message arrive. Les systèmes de refroidissement fonctionnent sur de nombreuses charges de travail et les chercheurs répartissent une partie de leur consommation sur une demande.

La comparaison encourage également un taux fixe. Même le document original donnait une 20–50 plage de réponse parce que le lieu et l’heure comptaient. Les figures ultérieures décrivent des fractions de millilitre. Le choix d'un point de terminaison sans sa source ni sa limite transforme l'incertitude en appât à clics.

Notre audit dédié—l'IA utilise-t-elle vraiment une bouteille par message ?- retrace la réclamation. La conclusion n’est pas que l’IA n’utilise pas d’eau. C'est que l'unité, le dénominateur et la portée doivent voyager avec le nombre.

Que pouvez-vous faire avec cette incertitude ?

Traiter 0.32 ml comme OpenAI C'est la moyenne indiquée, pas votre mesure exacte. Traiter 10–25 ml comme scénario de recherche pour une limite de service différente, et non un ChatGPT en lisant. Ne faites pas la moyenne : cela créerait un nombre pris en charge par aucune des deux sources.

Pour une utilisation à moindre impact, gardez les conversations ciblées, évitez les tentatives répétées et utilisez un raisonnement avancé ou des médias générés lorsque la tâche le justifie. Le choix d'un modèle adapté plus petit peut réduire le calcul et la charge de refroidissement allouée à la réponse.

Les fournisseurs détiennent les données décisives. Ils peuvent publier des répartitions par modèle et tâche, eau directe et indirecte, emplacements des installations et consommation saisonnière. En attendant, les estimations responsables doivent rester larges et explicites. Treechat suit ce principe dans sa méthodologie: sa réception d'eau provient d'une énergie estimée et d'un facteur fixe, et non d'une lecture en direct d'un centre de données.

Pour des comparaisons visuelles sans perdre les mises en garde, voir Utilisation de l'eau par l'IA par rapport aux choses du quotidien. La leçon clé est simple : le problème environnemental concerne l’ensemble des infrastructures locales, et non une simple gorgée devant votre écran.