Combien d’eau consomment réellement GPT, Claude et Gemini ?

0,26 millilitre pour une requête texte médiane de Gemini ; environ 0,32 millilitre pour une requête ChatGPT moyenne. Ces deux valeurs publiées respectivement par Google en 2025 et par OpenAI en juin 2025 sont les estimations les plus récentes communiquées par les opérateurs. Anthropic ne publie toujours pas, au 17 août 2026, de consommation d’eau par requête pour Claude.

La réponse à la question « combien d’eau consomme l’IA ? » tient donc dans une fourchette étroite uniquement en apparence. Les chiffres de Google et d’OpenAI portent sur des périmètres, des modèles et des méthodes qui ne sont pas strictement comparables. Ils ne permettent ni de classer GPT, Claude et Gemini, ni d’établir une valeur universelle pour une requête.

La consommation d’eau dépend de la longueur du texte traité, du nombre de jetons générés, du modèle sélectionné, de la charge des serveurs et du lieu d’exécution. Une image, un raisonnement prolongé ou une tâche de programmation mobilisent davantage de calcul qu’une réponse textuelle courte. Le choix entre un modèle rapide et une architecture de raisonnement devient ainsi un arbitrage environnemental autant que financier.

GPT, Claude et Gemini : ce que les opérateurs publient vraiment

Google a fourni en 2025 la mesure la plus documentée à l’échelle d’un service grand public. Son étude sur l’empreinte environnementale de Gemini estime qu’une requête texte médiane consomme 0,26 millilitre d’eau, utilise 0,24 wattheure d’électricité et émet 0,03 gramme d’équivalent CO₂. La publication, intitulée Measuring the Environmental Impact of Delivering AI at Google Scale, porte sur les applications Gemini en production, et non sur un essai isolé en laboratoire.

La médiane constitue un point essentiel. La moitié des requêtes mesurées se situe sous cette valeur et l’autre moitié au-dessus. Une demande longue, accompagnée de documents ou faisant intervenir un modèle de raisonnement peut s’en écarter fortement. Google ne publie pas, dans cette étude, une ventilation permettant d’attribuer une consommation propre à chaque version commerciale de Gemini.

OpenAI a communiqué une valeur proche, sans publier un protocole aussi détaillé. Dans son texte du 10 juin 2025, The Gentle Singularity, Sam Altman indique qu’une requête ChatGPT moyenne consomme 0,000085 gallon d’eau, soit environ 0,32 millilitre. Le terme « moyenne » n’est toutefois accompagné ni d’une distribution des requêtes, ni d’un modèle de référence, ni d’une séparation entre refroidissement direct et eau associée à la production d’électricité.

Aucune valeur publique vérifiable ne permet d’isoler la consommation des générations de GPT disponibles en 2026. Présenter un chiffre distinct pour chaque nouveau modèle reviendrait donc à extrapoler une moyenne de service, ce qui serait méthodologiquement trompeur. Cette limite vaut aussi pour les outils autonomes tels qu’Astra d’OpenAI, capables d’enchaîner de nombreuses opérations derrière une consigne unique.

Anthropic ne fournit pas davantage de valeur par requête pour Claude. Ses communications sur l’efficacité des modèles et ses fiches techniques ne donnent pas les données nécessaires pour convertir un échange en millilitres. Les versions récentes de Claude peuvent mobiliser des outils, analyser des fichiers ou produire du code pendant plusieurs minutes : compter seulement le message initial masquerait le nombre réel d’inférences. L’évolution de Claude vers une traçabilité de ses contenus ne s’accompagne donc pas, à ce stade, d’une traçabilité environnementale équivalente.

Ces valeurs décrivent l’inférence, c’est-à-dire l’utilisation du modèle après son entraînement. Elles ne représentent pas l’eau consommée pour fabriquer les processeurs, construire les centres de données ou entraîner les modèles. Elles ne disent pas non plus combien d’appels secondaires un agent exécute pour produire une réponse visible.

Pourquoi l’ancienne estimation d’une bouteille reste citée

L’ordre de grandeur de 500 millilitres provient d’un travail académique publié en 2023 par des chercheurs des universités de Californie à Riverside et du Texas à Arlington. Leur modèle estimait qu’une conversation de 20 à 50 requêtes avec GPT-3 pouvait consommer environ une bouteille d’eau, selon le lieu et le moment d’exécution. Rapportée mécaniquement à une requête, cette estimation donne 10 à 25 millilitres.

Ce résultat n’était pas une mesure de ChatGPT en production. Les chercheurs avaient combiné la consommation électrique estimée des serveurs avec l’intensité hydrique du refroidissement et de la production d’électricité. L’étude avait le mérite d’intégrer une partie de l’eau indirecte, souvent absente des chiffres communiqués par les opérateurs.

La comparaison avec les valeurs de Google et d’OpenAI mélange cependant trois différences majeures. Les infrastructures ont gagné en efficacité depuis GPT-3 ; les modèles ne sont pas identiques ; le périmètre hydrique varie. Une mesure peut retenir l’eau consommée directement par le centre de données, tandis qu’une autre ajoute celle des centrales électriques. Un litre prélevé puis rejeté n’équivaut pas non plus à un litre évaporé.

L’OCDE, dans ses travaux sur la mesure des impacts environnementaux de l’IA, recommande précisément de distinguer l’entraînement, l’inférence, les équipements et les effets indirects. Sans ce découpage, deux chiffres exprimés en millilitres peuvent mesurer des réalités différentes.

Les modèles de 2026 compliquent encore le calcul. Une requête adressée à un modèle rapide peut produire une réponse en quelques secondes. La même question confiée à un système de raisonnement avancé déclenche davantage d’étapes de calcul. Un agent de programmation peut lire un dépôt, écrire du code, exécuter des tests et corriger ses erreurs avant d’afficher son résultat. La concurrence entre Meta, Claude Code et les outils d’OpenAI déplace ainsi l’unité pertinente : le coût d’une tâche complète compte davantage que celui d’un message.

Refroidissement, électricité et localisation changent le résultat

Les serveurs convertissent presque toute l’électricité absorbée en chaleur. Cette chaleur doit être évacuée afin de maintenir les processeurs dans leur plage de fonctionnement. Les tours évaporatives utilisent peu d’électricité mais consomment de l’eau ; le refroidissement à air réduit cette consommation hydrique directe au prix, dans certaines conditions, d’une dépense énergétique supérieure.

L’efficacité hydrique d’un centre de données se mesure généralement avec le Water Usage Effectiveness, ou efficacité d’utilisation de l’eau, exprimé en litres par kilowattheure. Cet indicateur doit être lu avec prudence. Une moyenne annuelle peut masquer une forte consommation pendant les mois les plus chauds, lorsque les ressources locales sont déjà sous tension.

La localisation modifie donc l’empreinte réelle d’une même opération. Un calcul exécuté dans une région fraîche et alimentée par une électricité peu consommatrice d’eau n’a pas le même bilan qu’une tâche réalisée dans une zone aride avec refroidissement évaporatif. Déplacer la charge vers un autre centre de données peut réduire la pression locale, mais augmenter la latence ou les émissions selon le mix électrique.

Microsoft a présenté fin 2024 une nouvelle conception de centre de données reposant sur un refroidissement en circuit fermé sans évaporation d’eau. L’entreprise estime que cette architecture peut éviter plus de 125 millions de litres d’eau par an et par site. Le gain hydrique n’est pas gratuit : les solutions sans évaporation peuvent nécessiter davantage d’électricité selon le climat et les équipements.

Cette contradiction interdit de piloter une infrastructure avec un indicateur unique. Réduire l’eau tout en augmentant fortement l’électricité peut détériorer le bilan carbone ou renchérir le service. La hausse du coût de l’électricité rappelle que l’efficacité des modèles influence directement les marges des fournisseurs et, à terme, les tarifs facturés aux entreprises.

Le refroidissement direct des puces par liquide progresse avec les accélérateurs d’IA à haute densité. Le liquide circule au plus près des composants, capte mieux la chaleur et peut fonctionner en boucle fermée. Le système n’élimine pourtant pas automatiquement toute consommation : le rejet final de la chaleur, la maintenance et la production électrique conservent une empreinte hydrique.

Le volume mondial compte plus que la goutte par requête

Une requête consommant moins d’un millilitre paraît négligeable. Multipliée par des milliards d’interactions, complétée par la génération d’images, de vidéos et de code, elle devient une charge industrielle. L’effet rebond menace même d’annuler les gains d’efficacité : une baisse du coût unitaire favorise de nouveaux usages, puis augmente le volume total de calcul.

L’Agence internationale de l’énergie estime que les centres de données ont consommé environ 415 térawattheures d’électricité dans le monde en 2024, soit près de 1,5 % de la demande mondiale. Dans son scénario central, cette consommation pourrait dépasser 945 térawattheures en 2030. L’IA représente le principal moteur de cette progression, même si les centres de données hébergent aussi des services cloud traditionnels, du stockage et des applications professionnelles.

La pression n’est pas répartie uniformément. L’eau est un enjeu territorial : une consommation limitée dans un bassin déficitaire peut être plus problématique qu’un volume supérieur dans une région abondante. Les données mondiales des groupes technologiques ne permettent pas toujours d’identifier le site qui exécute une requête ni la situation hydrologique au moment précis du calcul.

Pour une PME qui souhaite automatiser ses tâches administratives avec l’IA, l’unité pertinente n’est pas nécessairement le millilitre par message. Il faut mesurer le nombre d’appels nécessaires pour traiter une facture, classer un dossier ou répondre à un client. Une automatisation mal conçue peut interroger un grand modèle plusieurs fois, conserver des contextes excessivement longs et relancer une tâche après chaque erreur.

La génération multimodale accentue cette différence. Une image sollicite généralement plus de calcul qu’une courte réponse textuelle ; une vidéo en mobilise davantage encore. Les fournisseurs ne publient pas de valeurs hydriques standardisées pour ces opérations. Affirmer qu’une image correspond à un nombre précis de litres serait donc infondé sans accès aux données du modèle et du centre de données concernés.

Le nombre d’utilisateurs ne suffit pas non plus. Un utilisateur occasionnel qui pose trois questions courtes peut avoir une empreinte inférieure à celle d’un agent exécutant des centaines d’opérations quotidiennes. L’augmentation du nombre d’utilisateurs de ChatGPT doit être rapprochée de l’intensité d’usage et non transformée directement en volume d’eau.

Ce qu’une entreprise peut réellement mesurer

Un acheteur professionnel ne peut pas calculer une consommation fiable à partir des seules valeurs publiques de Google ou d’OpenAI. Il peut néanmoins obtenir un ordre de grandeur opérationnel en suivant les appels, les volumes de jetons et les modèles utilisés. Cette comptabilité permet d’identifier les fonctions coûteuses, même lorsque le fournisseur ne communique pas leur empreinte hydrique.

La première décision consiste à choisir le modèle adapté à la tâche. Classer un courrier ou extraire un montant ne nécessite pas systématiquement le modèle le plus puissant. Un modèle compact réduit généralement le calcul, le délai et la facture. Le gain exact en eau reste inconnu tant que l’opérateur ne publie pas l’intensité hydrique du site d’exécution.

La longueur du contexte constitue le deuxième levier. Transmettre à chaque requête l’intégralité d’un dossier, d’une messagerie ou d’une base documentaire multiplie les opérations inutiles. Une recherche documentaire ciblée, un cache et une limitation des réponses réduisent le nombre de jetons traités. L’efficacité doit être contrôlée avec un indicateur métier : eau ou énergie par facture traitée, par dossier clôturé ou par millier de réponses utiles.

Le contrat cloud peut aussi imposer des informations plus précises. L’entreprise peut demander l’efficacité hydrique annuelle des régions d’hébergement, la part d’eau potable, l’exposition au stress hydrique et la méthode de calcul. Une valeur mondiale consolidée ne suffit pas pour évaluer l’incidence locale d’un projet français.

L’entraînement personnalisé mérite un examen distinct. Adapter un modèle existant peut être pertinent pour un usage récurrent, mais entraîner ou réentraîner fréquemment une architecture lourde ajoute une consommation qui doit être amortie sur le volume d’utilisation. La conception sobre consiste parfois à améliorer les données, les règles métier ou la recherche documentaire plutôt qu’à augmenter la taille du modèle.

Ce qui reste inconnu au 17 août 2026

Le principal manque concerne la comparabilité. Google documente une requête médiane sur Gemini Apps ; OpenAI communique une moyenne générale pour ChatGPT ; Anthropic ne publie aucun chiffre par requête pour Claude. Aucun organisme indépendant ne dispose des données opérationnelles nécessaires pour reproduire ces trois mesures sur une base commune.

Les chiffres disponibles ne permettent pas non plus de distinguer chaque génération de GPT, Claude ou Gemini. Les appellations commerciales évoluent plus vite que les rapports environnementaux. Une nouvelle version peut être plus efficace à tâche constante tout en offrant des fonctions plus gourmandes, comme le raisonnement prolongé, l’analyse multimodale ou l’utilisation autonome d’outils.

La consommation d’eau associée à la fabrication des puces demeure largement absente des valeurs par requête. Or la production de semi-conducteurs requiert de l’eau ultrapure, et l’amortissement de cette empreinte dépend de la durée d’utilisation du matériel. Une comparaison limitée au refroidissement avantage potentiellement les architectures qui renouvellent rapidement leurs accélérateurs.

Les entreprises doivent enfin distinguer information publique et affirmation commerciale. Une valeur non assortie d’une méthode, d’une période, d’une région et d’un périmètre ne peut pas servir seule à une politique d’achats responsables. Les futures obligations de transparence environnementale pourraient rapprocher les pratiques, mais aucune norme mondiale n’impose encore un étiquetage hydrique par requête d’IA.

La prochaine avancée décisive ne viendra probablement pas d’un nouveau chiffre viral. Elle dépendra de la publication, par modèle et par région, de mesures vérifiables couvrant le refroidissement, l’électricité et le matériel. Tant que cette granularité manque, la consommation d’eau d’une requête reste une indication de service, pas une unité environnementale universelle.