Quelle quantité d’eau consomme Gemini chaque fois que vous lui posez une question ?

Google a récemment publié une étude qui révèle les impacts environnementaux — notamment la consommation d’eau, l’électricité et les émissions de carbone — associés à chaque requête effectuée auprès de son assistant d’intelligence artificielle Gemini. Même si les chiffres semblent insignifiants à première vue, la réalité de l’utilisation massive de l’IA montre une complexité qui mérite réflexion.

Les chiffres annoncés par Google

Selon l’étude, chaque requête textuelle adressée à Gemini consomme environ 0,26 ml d’eau, soit l’équivalent de cinq gouttes. En termes d’électricité, il faut environ 0,24 Wh, une valeur comparable à moins de dix secondes de télévision. Quant aux émissions, chaque prompt génère environ 0,03 g de CO₂.

Ces valeurs représentent la médiane, c’est-à-dire une requête typique — et non les plus longues ou complexes — et ne concernent que la phase d’inférence du modèle, sans inclure les entraînements ni les interactions multimodales qui exigent davantage de ressources.

Les améliorations récentes en matière d’efficacité

Entre mai 2024 et mai 2025, Gemini a enregistré des progrès significatifs en matière d’efficacité. L’entreprise affirme avoir réduit par 33 la consommation d’énergie par requête et par 44 l’empreinte carbone associée à chaque interaction.

Ces améliorations ont été possibles grâce à une combinaison de matériel plus avancé, comme des unités de traitement optimisées, d’ajustements architecturaux dans les modèles d’IA, de techniques d’inférence allégées et de processus de centres de données plus efficaces.

Les critiques mettent en avant certains angles morts

Malgré ces réductions, des experts indépendants soulignent plusieurs points faibles.

L’une des critiques les plus courantes est que l’étude ne prend en compte que l’eau utilisée directement pour le refroidissement des centres de données, en ignorant l’eau évaporée dans les centrales électriques qui fournissent l’énergie consommée. Ce facteur peut représenter jusqu’à 60 % de la consommation totale.

Un autre aspect concerne la méthode choisie pour calculer les émissions de carbone. Google a opté pour l’approche “market-based”, qui tient compte des contrats d’énergie renouvelable de l’entreprise. Toutefois, de nombreux spécialistes estiment que l’approche “location-based”, qui reflète le mix énergétique réel de chaque région, serait plus représentative, car elle conduit souvent à des valeurs plus élevées.

On critique également l’utilisation de la médiane comme référence. Cela peut minimiser la perception de l’impact, puisque les requêtes plus longues et complexes ne sont pas vraiment reflétées. De plus, l’étude ne précise pas ce qui définit une requête typique en termes de nombre de tokens ou de complexité.

Un autre élément à considérer est que, même si l’impact par requête diminue, l’utilisation globale de l’intelligence artificielle croît à un rythme exponentiel. Depuis 2019, les émissions totales liées à l’IA chez Google ont augmenté d’environ 51 %, montrant que plus d’efficacité relative ne signifie pas nécessairement moins d’impact global.

Enfin, l’étude ne couvre que la phase d’inférence. Le processus d’entraînement des modèles, beaucoup plus intensif en ressources, n’a pas été inclus, ce qui soulève des questions sur l’ampleur réelle de l’impact.

L’impact réel à grande échelle

Pris individuellement, les chiffres peuvent paraître négligeables. Mais à grande échelle, le scénario est bien différent. Pour un million de requêtes adressées à Gemini, il faudrait environ 240 kWh d’énergie, 30 kg de CO₂ et 260 litres d’eau.

Si l’on multiplie cela par des centaines de millions d’utilisations mensuelles, la consommation et les émissions deviennent significatives, même si chaque interaction isolée semble anodine.

Le contexte plus large de l’IA et ses défis environnementaux

L’impact environnemental de l’intelligence artificielle ne se limite pas à la consommation par requête.

L’entraînement de grands modèles, par exemple, peut consommer des quantités massives d’eau. Certaines estimations indiquent que l’entraînement d’un seul modèle de grande échelle a nécessité des centaines de milliers de litres d’eau. Selon des projections, d’ici 2027, des milliards de mètres cubes pourraient être utilisés uniquement pour entraîner des modèles avancés.

Un autre point est l’impact du matériel. La construction et la maintenance des centres de données exigent d’énormes quantités de métaux et de composants électroniques, ce qui contribue à l’augmentation des déchets technologiques. Des études estiment que l’IA pourrait accroître ces déchets de 12 % d’ici 2030.

La quantité d’énergie nécessaire pour alimenter ces centres de données attire également l’attention. Dès 2022, la consommation mondiale des data centers équivalait à celle combinée de pays comme la France et l’Arabie Saoudite, un scénario qui s’aggrave avec l’expansion de l’IA.

Que pouvons-nous retenir ?

Points positifs

L’étude publiée par Google constitue une avancée importante en matière de transparence. Rares sont les entreprises qui divulguent des données aussi détaillées sur la consommation d’eau, d’énergie et les émissions par requête. De plus, les gains d’efficacité sont notables et démontrent que les progrès technologiques peuvent réduire considérablement le coût environnemental par interaction.

Défis persistants

Cependant, plusieurs défis demeurent. Le premier est que l’échelle globale compte davantage que l’efficacité relative. Même si chaque requête consomme seulement “cinq gouttes d’eau”, l’usage total peut atteindre des valeurs préoccupantes.

Un autre défi est la nécessité d’une transparence accrue. Les experts réclament des rapports plus complets, intégrant non seulement la consommation directe mais aussi la consommation indirecte, l’impact des entraînements et les variations régionales des sources d’énergie.

Enfin, il y a la question de la responsabilité collective. Les entreprises, les gouvernements et la société civile doivent travailler ensemble pour définir des métriques normalisées et fixer des objectifs clairs de durabilité dans le domaine de l’intelligence artificielle.