En bref
- Sam Altman affirme qu’environ 38.000 requêtes ChatGPT consomment autant d’eau qu’une amande, mais les estimations varient fortement.
- L’écart s’explique surtout par ce que l’on comptabilise : refroidissement des data centers ou aussi eau utilisée pour produire l’électricité.
- Même avec des data centers plus sobres, l’impact cumulé de milliards de requêtes et de l’entraînement des modèles reste considérable.
Le chiffre a tourné vite. Dans le podcast Sources avec Alex Heath, Sam Altman a assuré qu’environ 38.000 requêtes ChatGPT consommaient autant d’eau qu’une seule amande californienne. De quoi alléger, sur le papier, la fameuse culpabilité IA.
Le calcul qui a relancé le débat
Pour tester cette comparaison, il faut repartir de l’amande. La Californie produit près de 80% des amandes mondiales, et l’estimation agricole la plus citée donne environ 1,1 gallon d’eau par amande, soit 4,16 litres. D’autres analyses montent jusqu’à 12 litres si l’on ajoute la pluie et les effets liés à la pollution.
Avec le ratio avancé par Sam Altman, une requête sur ChatGPT représenterait environ 0,11 mL d’eau, à peine deux petites gouttes. Ce n’est pas absurde, mais ce n’est pas totalement aligné avec ses propres chiffres. En juin 2025, dans son billet The Gentle Singularity, il évoquait plutôt 0,32 mL par requête, soit autour de 11.000 requêtes pour une amande, pas 38.000.
Pourquoi les estimations ne racontent pas la même chose ?
Le gros écart vient d’abord d’une étude souvent citée, menée par des chercheurs de l’Université de Californie à Riverside et de l’Université du Texas à Arlington. Leur travail sur GPT-3, d’abord diffusé en 2023 puis publié en 2025 dans Communications of the ACM, estimait qu’une conversation courte de 10 à 50 réponses consommait environ 500 mL d’eau.
La différence n’est pas juste une histoire de vieux matériel contre nouvelles puces. Elle tient surtout à ce qu’on compte. Le chiffre de Sam Altman vise presque certainement l’eau utilisée sur site, pour le refroidissement direct du data center. L’étude universitaire intègre aussi l’eau mobilisée pour produire l’électricité consommée. Or, d’après des analyses indépendantes, cette couche énergétique peut représenter jusqu’à 75% de l’empreinte hydrique totale d’une requête.
Des data centers plus sobres, mais pas sans coût
Sam Altman a aussi défendu les centres récents. Les anciennes installations reposaient largement sur le refroidissement évaporatif, qui disperse de l’eau douce dans l’atmosphère. Les sites plus modernes misent davantage sur des boucles fermées, avec circulation de liquide dans des circuits scellés.
Résultat, l’eau consommée localement peut chuter fortement. Mais il y a une contrepartie, l’électricité. Réduire l’eau sur place suppose souvent davantage de groupes froids, de pompes à chaleur ou de ventilation mécanique. L’empreinte ne disparaît pas, elle se déplace.
Le vrai sujet, c’est l’échelle
Même si une requête légère coûte très peu, OpenAI sert environ 900 millions d’utilisateurs actifs par semaine. Avec des milliards de prompts chaque jour, plus les entraînements de modèles qui peuvent consommer des centaines de milliers de gallons en amont, le total reste énorme.
Et tous les usages ne se valent pas. Une simple réponse texte n’a rien à voir avec des modèles de raisonnement, des agents autonomes, de la recherche web en direct ou l’exécution de code Python. Ajoutez à ça l’implantation de centres dans des zones déjà sous tension, comme Phoenix, la Virginie du Nord, certaines parties du Texas ou de la Géorgie, et on comprend le vrai enjeu. Le chiffre de l’amande tient à peu près pour le meilleur scénario, pas pour toute l’histoire.
