OpenAI n'a jamais publié de mesure d'empreinte carbone de ChatGPT. Son seul chiffre public tient dans une parenthèse d'un billet de blog de Sam Altman du 10 juin 2025 : environ 0,34 Wh et 0,000085 gallon d'eau, soit à peu près 0,32 mL, pour une requête moyenne, sans méthode ni périmètre. Tout le reste vient de tiers. Epoch AI estime la requête typique à environ 0,3 Wh (février 2025). Google a mesuré 0,24 Wh, 0,03 gCO₂e en market-based (environ 0,09 en location-based, recalculé) et 0,26 mL d'eau pour le prompt texte médian de Gemini (arXiv 2508.15734, août 2025), mais sur son propre modèle. Mistral, dans son ACV de juillet 2025 menée avec Carbone 4 et l'ADEME, chiffre une réponse de 400 tokens de Mistral Large 2 à 1,14 gCO₂e et 45 mL d'eau. Voilà l'état des sources. À l'échelle d'une organisation, la requête unitaire ne raconte de toute façon rien : le sujet est le volume agrégé et le mix de modèles qui le compose.
Ce qu'OpenAI publie, et ce qui manque
Sur l'énergie, une valeur de blog, non documentée et non auditée. Sur le CO₂e, rien : aucun facteur par requête, aucun par million de tokens, aucun rapport de durabilité couvrant l'inférence. Le chiffre d'Altman a au moins le mérite de converger avec deux estimations indépendantes, les 0,3 Wh d'Epoch AI et la médiane de 0,31 Wh que Microsoft publie pour les modèles de plus de 200 milliards de paramètres sur nœuds H100 (arXiv 2509.20241). Trois sources, trois méthodes, un même ordre de grandeur pour la requête courante. Cela ne fait pas une mesure opposable, cela fait un intervalle raisonnable.
Le manque de transparence dépasse OpenAI. Le rapport de l'Arcep de mai 2026, réalisé avec le PEReN, le place parmi les premiers freins à l'évaluation de l'empreinte de l'IA. Conséquence pratique : tout chiffre carbone sur ChatGPT est une estimation tierce, et sa qualité tient à ce qu'elle documente. Les facteurs des fiches modèles OpenAI du registre reposent sur des estimations publiées, préprint ou modèle paramétrique, sources citées et niveau de confiance affiché.
Les chiffres publics, côte à côte
| Source | Date | Unité mesurée | Énergie | CO₂e | Eau |
|---|---|---|---|---|---|
| Sam Altman, blog | juin 2025 | requête ChatGPT moyenne | 0,34 Wh, sans méthode | non publié | 0,000085 gallon, environ 0,32 mL |
| Epoch AI | février 2025 | requête ChatGPT typique | ~0,3 Wh | non publié | non publié |
| Microsoft (arXiv 2509.20241) | 2025 | requête médiane, modèles > 200 Md de paramètres | 0,31 Wh | non publié | non publié |
| Google (arXiv 2508.15734) | août 2025 | prompt texte médian Gemini | 0,24 Wh | 0,03 g market-based (environ 0,09 g location-based, recalculé) | 0,26 mL, sur site seulement |
| Mistral, Carbone 4, ADEME | juillet 2025 | réponse de 400 tokens, Mistral Large 2 | non publié | 1,14 g | 45 mL |
Ces valeurs ne portent pas sur la même chose : une requête « moyenne », une requête « typique », un prompt médian, une réponse normée à 400 tokens. Les comparer terme à terme n'a pas de sens, les utiliser comme bornes d'ordre de grandeur, si. Les écarts s'expliquent autant par la méthode que par les modèles : taille du prompt retenu, matériel et taux d'utilisation des serveurs, efficacité énergétique du datacenter, mix électrique local, et ce que chaque étude choisit d'inclure (refroidissement, fabrication du matériel, réseau). Sur l'eau, c'est l'essentiel de l'écart : le 0,26 mL de Google ne compte que l'eau évaporée pour refroidir le datacenter, pas celle consommée pour produire l'électricité en amont, qui pèse la plus grande part du chiffre dans l'ACV de Mistral comme dans notre méthodologie.
Dans la gamme GPT, l'écart entre modèles dépasse l'écart entre fournisseurs
Dire « ChatGPT » ne dit presque rien de l'empreinte : le modèle derrière décide. Sur les facteurs du registre public, un million de tokens générés va d'une trentaine de grammes de CO₂e sur les petits modèles à plusieurs kilos sur les modèles de raisonnement les plus lourds de la même gamme, soit deux ordres de grandeur chez un seul fournisseur. La cause est documentée : les modèles de raisonnement consomment en moyenne 30 fois plus d'énergie que les modèles standard (AI Energy Score v2, Hugging Face, décembre 2025).
Une équipe qui bascule ses usages vers un modèle de raisonnement multiplie donc son empreinte sans changer son nombre de requêtes. Le mix de modèles détermine le résultat, pas le comptage de prompts. Le classement complet, avec les niveaux de confiance, est sur la page chiffres de référence.
La requête unitaire n'est pas le sujet
Un prompt pèse entre quelques centièmes de gramme et un peu plus d'un gramme de CO₂e selon les bornes publiées. L'arithmétique fait le reste. Un million de requêtes au facteur market-based du prompt médian Gemini : 30 kgCO₂e (environ 90 kg en location-based). Le même million au facteur de l'ACV Mistral : 1 140 kg. Un facteur 38 entre les deux bornes, pour un volume identique. Sans connaître son propre mix de modèles et ses propres volumes, impossible de dire si le poste IA de l'entreprise est négligeable ou matériel.
Mesurer votre usage plutôt que citer une moyenne
Trois niveaux de précision existent, du facteur monétaire au comptage de tokens : le guide mesurer la consommation IA de son entreprise les compare, écarts chiffrés à l'appui. Pour ChatGPT, les plans Business (l'ancien Team, renommé le 29 août 2025) et Enterprise donnent des statistiques d'usage, pas des tokens ; seule l'API expose les tokens. Un volume de tokens, même approximatif, passé au calculateur donne un ordre de grandeur en quelques minutes, avec les facteurs de la méthodologie. Pour transformer la mesure en livrable défendable face à un acheteur ou un comité RSE, voir bilan carbone de l'IA en entreprise.
FAQ
Quelle est l'empreinte carbone d'une requête ChatGPT ?
Aucune valeur officielle n'existe : OpenAI ne publie pas de CO₂e par requête. L'ordre de grandeur le plus défendable passe par l'énergie, entre 0,3 et 0,34 Wh pour une requête courante selon trois estimations indépendantes (Epoch AI, Microsoft, blog de Sam Altman), converti avec un facteur d'intensité électrique daté. Pour comparaison, la seule mesure de production publiée par un éditeur, celle de Google sur Gemini, donne 0,03 gCO₂e market-based par prompt médian.
Combien d'eau consomme une requête ChatGPT ?
Le seul chiffre attribué à OpenAI est 0,000085 gallon, environ 0,32 mL, cité par Sam Altman en juin 2025 sans méthode publiée. Il est cohérent avec la seule mesure de production existante, les 0,26 mL de Google pour un prompt Gemini médian, qui ne comptent que l'eau évaporée pour le refroidissement. L'eau mobilisée pour produire l'électricité, elle, n'est dans aucun des deux.
Ces chiffres incluent-ils l'entraînement des modèles ?
Non, ils couvrent l'inférence. L'énergie du modèle est documentée par son fournisseur au titre de l'AI Act (règlement (UE) 2024/1689, article 53, applicable depuis le 2 août 2025) : voir le guide AI Act et énergie de l'IA.
Comment récupérer les tokens consommés par ChatGPT en entreprise ?
Par l'API uniquement. Les plans Business et Enterprise exposent des statistiques d'usage, nombre de messages et d'utilisateurs actifs, pas des volumes de tokens. Un usage entièrement conversationnel se chiffre donc par estimation ; un usage passant par l'API se chiffre au token, avec la précision qui va avec.
Sources
- Sam Altman, « The Gentle Singularity » (10 juin 2025), 0,34 Wh et 0,000085 gallon par requête moyenne
- Epoch AI, énergie d'une requête ChatGPT (février 2025)
- Microsoft, énergie par requête des grands modèles (arXiv 2509.20241)
- Google, mesure par prompt Gemini (août 2025)
- ACV Mistral AI avec Carbone 4 et l'ADEME (juillet 2025)
- AI Energy Score v2, Hugging Face (décembre 2025)
- Arcep, « Intelligence artificielle générative : quels défis environnementaux ? », avec le PEReN (21 mai 2026)
- OpenAI, ChatGPT Team devient ChatGPT Business (29 août 2025)
- Règlement (UE) 2024/1689 (AI Act)