ChatGPT et l'eau : vérité, énergie et impact climatique

Résumé de la controverse

Une statistique virale — « chaque requête ChatGPT utilise 64 litres d'eau » — a été partagée si fréquemment qu'elle sonne comme un fait. Ce n'est pas le cas. Sam Altman, le PDG d'OpenAI, a fortement rejeté ce chiffre lors d'une intervention organisée par The Indian Express en Inde, qualifiant ces affirmations sur la consommation d'eau de « sans fondement » et trompeuses.

Point court et net : l'ancienne histoire sur une consommation d'eau massive remontait à une époque où certains centres de données s'appuyaient sur le refroidissement évaporatif. Cette technique utilise effectivement de l'eau. Mais elle a en grande partie été abandonnée dans de nombreuses installations modernes. Altman explique que les chiffres qui circulent en ligne ignorent les évolutions de l'infrastructure et des stratégies de refroidissement — ils donnent une image déformée du véritable coût en eau de systèmes comme ChatGPT.

Origine du mythe et refroidissement évaporatif

Les rumeurs sur l'utilisation excessive d'eau proviennent principalement de modèles simplifiés et d'estimations anciennes. Dans certains climats et pour des installations spécifiques, le refroidissement évaporatif — qui refroidit l'air en faisant évaporer de l'eau — a été une solution économique pour réduire la consommation électrique des systèmes de climatisation. Mais l'efficacité du refroidissement évaporatif dépend fortement du climat, de la qualité de l'eau disponible et de la conception du centre de données.

Pourquoi le refroidissement évaporatif peut être trompeur

Le refroidissement évaporatif consomme de l'eau directement, ce qui permet de réduire la consommation électrique liée au refroidissement. Si l'on mesure seulement l'eau consommée par kilowatt-heure produit ou par unité de calcul, un scénario mal choisi peut donner l'impression que les centres de données aspirent des volumes d'eau énormes. Toutefois, ces évaluations ne tiennent pas compte des variantes suivantes :

• les progrès technologiques qui optimisent le rendement des unités de refroidissement ;
• la substitution progressive par des systèmes de refroidissement à air plus efficaces ou par le free cooling dans les climats favorables ;
• les pratiques de recyclage et de réutilisation de l'eau sur site ;
• les différences géographiques et réglementaires modulant l'usage de l'eau.

En conséquence, extrapoler une valeur unique comme « 64 litres par requête » à l'ensemble des déploiements d'IA est scientifiquement imprécis et potentiellement trompeur.

Consommation d'énergie : le véritable enjeu à grande échelle

Altman a admis que l'usage d'énergie est une préoccupation légitime et croissante. En effet, la consommation énergétique totale — plutôt que l'usage d'eau par requête — est l'indicateur clé pour comprendre l'impact environnemental de systèmes d'IA à grande échelle. Une seule requête peut nécessiter une fraction d'un kilowatt-heure ; mais la demande mondiale, continue et 24/7, augmente rapidement avec l'adoption généralisée de l'IA.

Pourquoi la charge cumulative importe davantage

Les décideurs politiques et les exploitants doivent se concentrer sur la charge cumulative pour trois raisons principales :

1. la consommation continue : les modèles d'IA fonctionnent en continu et sont accessibles à des millions d'utilisateurs simultanés ;
2. la croissance exponentielle : à mesure que l'IA devient intégrée aux services, appareils et entreprises, la demande d'électricité augmente rapidement ;
3. les externalités du réseau : l'utilisation concentrée d'énergie peut affecter la stabilité des réseaux, entraîner des hausses de prix et nécessiter des investissements supplémentaires en capacité et en distribution.

Ainsi, même si le coût énergétique d'une seule réponse reste faible, l'échelle opérationnelle transforme ce faible coût unitaire en un impact significatif sur l'approvisionnement électrique et sur les émissions de gaz à effet de serre si l'énergie est d'origine carbonée.

La comparaison provocatrice : intelligence humaine vs intelligence artificielle

Altman a introduit une comparaison stimulante pour cadrer la discussion sur l'efficacité énergétique de l'intelligence : comment juge-t-on le coût énergétique d'une capacité cognitive ? Un être humain met des décennies à apprendre. Altman a souligné qu'une personne consomme environ l'équivalent énergétique de vingt années de nourriture et métabolisme pour atteindre une capacité cognitive mature.

Apprentissage humain et coût évolutif

Il a également présenté la cognition humaine comme le résultat d'un effort évolutif étalé sur près de cent milliards de personnes ayant vécu sur Terre — un processus lent, diffus et coûteux en ressources sur le long terme. L'idée n'est pas d'absoudre l'IA de toute responsabilité environnementale, mais de replacer la comparaison dans un cadre plus large : si l'on mesure l'énergie nécessaire pour produire une réponse correcte, un modèle d'IA entraîné pourrait, dans certains scénarios, être plus économe que l'effort collectif et cumulatif qui produit une intelligence biologique.

Comparaison énergétique directe : quelles métriques utiliser ?

Pour évaluer correctement l'efficacité, Altman recommande de comparer l'énergie requise pour qu'un modèle d'IA entraîné fournisse une réponse à l'énergie que mettrait un humain à répondre à la même question. Cela implique plusieurs défis méthodologiques :

• définir l'unité de travail intellectuel comparable entre un humain et une machine ;
• prendre en compte les coûts d'entraînement du modèle (souvent lourds) ainsi que les coûts d'inférence répétés ;
• évaluer le profil d'empreinte carbone de l'électricité utilisée — un modèle alimenté par électricité bas-carbone est bien plus favorable d'un point de vue climatique.

Par ce prisme, l'IA peut apparaître plus efficace, mais seulement si l'énergie employée est principalement propre et que les pratiques d'infrastructure sont optimisées.

Solutions proposées : accélérer le déploiement d'énergie propre

Quelle est la solution ? Altman a plaidé pour un déploiement plus rapide des énergies propres : nucléaire, éolien et solaire. Selon lui, le monde doit être capable d'absorber une demande électrique croissante sans aggraver la crise climatique. Ce passage vers des sources bas-carbone n'est pas une option secondaire ; il constitue, selon lui, le cœur d'une montée en puissance responsable de l'IA.

Rôles complémentaires : stockage, réseaux et efficience

La transition énergétique ne repose pas seulement sur la production. Il s'agit aussi d'améliorer le stockage (batteries, hydrogène, autres solutions de longue durée), de renforcer les réseaux électriques pour gérer des flux intermittents, et d'améliorer l'efficience des centres de données (optimisation logicielle, matériel spécialisé, meilleure réutilisation de la chaleur). Ensemble, ces éléments permettent de réduire l'empreinte carbone et d'atténuer les contraintes sur l'approvisionnement local en énergie.

Transparence, réglementation et reporting

Un autre point important qu'Altman a soulevé : il n'existe pas actuellement d'obligation juridique mondiale contraignante exigeant des entreprises technologiques qu'elles publient des bilans précis et audités de leur consommation d'eau et d'énergie. Des chercheurs indépendants tentent de modéliser les impacts à partir d'estimations indirectes ; dans certaines régions, les centres de données ont contribué à des hausses de prix de l'électricité et à des tensions sur les réseaux de distribution.

Pourquoi la transparence compte

La transparence est importante pour plusieurs raisons :

• elle permet aux chercheurs et au public d'évaluer les véritables impacts environnementaux et de corriger les approximations ;
• elle oriente les politiques publiques et les investissements en infrastructure ;
• elle favorise la responsabilité des entreprises et encourage l'adoption de meilleures pratiques (par ex. achats d'électricité renouvelable, amélioration de l'efficacité, réutilisation de chaleur résiduelle).

L'absence d'un cadre normatif international complique la comparaison entre opérateurs et empêche l'émergence de standards de reporting homogènes.

Considérations régionales et socio-économiques

Il faut aussi prendre en compte les différences régionales. L'impact d'un centre de données sur une petite région isolée n'a pas la même portée que celui d'un centre situé dans une métropole bien connectée. Certains pays imposent des contraintes strictes sur l'utilisation de l'eau et de l'énergie ; d'autres offrent des tarifs avantageux pour attirer l'industrie numérique, parfois au prix d'effets secondaires sur les consommateurs locaux.

Exemples d'effets locaux

Dans certains cas, une augmentation importante de la demande d'électricité par des clusters technologiques a provoqué :

• des hausses de tarif pour les ménages ;
• une pression accrue sur la capacité de distribution, nécessitant des investissements coûteux ;
• des débats publics sur la priorisation des ressources (énergie, eau) entre industries et usages domestiques.

Débat public et priorités pour une IA durable

Le débat et la transparence progresseront en parallèle du déploiement technologique. Mais si l'on prend au sérieux l'idée d'une IA durable, la conversation doit évoluer : plutôt que des titres sensationnels sur des chiffres simplistes concernant l'eau, il faut poser des questions concrètes sur l'électricité propre, l'investissement dans l'infrastructure, et le reporting public et auditable.

Questions prioritaires à adresser

Parmi les priorités concrètes :

1. mettre en place des standards internationaux de mesure et de reporting de l'empreinte énergétique et hydrique des centres de données ;
2. favoriser des mécanismes d'incitation à l'utilisation d'électricité bas-carbone (contrats d'achat d'énergie, certificats renouvelables, tarification incitative) ;
3. soutenir l'innovation pour réduire les besoins énergétiques (matériel plus économe, optimisation logicielle, quantification de l'impact par requête) ;
4. évaluer et réglementer, le cas échéant, les effets locaux sur les prix et la fiabilité des réseaux électriques et d'eau.

Conclusion : recentrer la discussion sur l'énergie propre et la transparence

Le battage médiatique autour d'un chiffre simpliste — 64 litres d'eau par requête — détourne l'attention des enjeux structurants. Sam Altman a raison de rappeler que les chiffres anciens ou mal contextualisés peuvent être trompeurs. Il est toutefois impératif de ne pas en déduire qu'il n'existe aucun enjeu environnemental : la consommation d'énergie et la manière dont cette énergie est produite constituent des défis majeurs.

Pour avancer vers une intelligence artificielle durable, il faudra combiner plusieurs leviers : accélération du déploiement d'énergies bas-carbone, amélioration de l'efficacité des centres de données, investissements en réseaux et stockage, et transparence publique via des reportings audités. Ce n'est qu'ainsi que l'on pourra évaluer honnêtement le coût réel — en eau, en énergie et en émissions — des technologies d'IA et agir en conséquence.

En résumé : abandonnez les chiffres viraux non sourcés, exigez de meilleures données, et concentrez-vous sur la transition vers une énergie propre pour minimiser l'empreinte climatique de l'IA.