Impact environnemental de GPT-5 : que fait OpenAI ?

GPT-5 et consommation énergétique

OpenAI ne publie pas les chiffres officiels pour GPT‑5, mais des chercheurs estiment qu’une réponse de longueur moyenne consomme un peu plus de 18 Wh, soit l’équivalent d’une ampoule incandescente allumée pendant 18 minutes.

L’Institut d’URI estime même que ce chiffre peut atteindre 40 Wh pour une réponse de ~1000 tokens. En comparaison, un modèle précédent comme GPT‑4o consomme nettement moins par requête.

Avec environ 2,5 milliards de requêtes quotidiennes, GPT‑5 pourrait consommer autant d’électricité que 1,5 million de foyers américains en un jour.

GPT-5 : transparence limitée sur l’impact

OpenAI garde le silence sur les données précises concernant les paramètres du modèle, l’entraînement, et l’infrastructure liée à l’usage. Cela rend difficile une analyse complète de son empreinte carbone et hydrique.

Consommation d’eau et refroidissement

Bien qu’on ne dispose pas de chiffres spécifiques à GPT‑5, des données sur les modèles antérieurs comme GPT‑3 montrent des usages d’eau considérables. L’entraînement de GPT‑3 aurait nécessité 700 000 litres d’eau, et une conversation typique (20 à 50 réponses) consommerait jusqu’à 0,5 litre pour le refroidissement des serveurs.

Alternatives et bonnes pratiques d’infrastructure

OpenAI et d’autres acteurs commencent à explorer des infrastructures plus vertes :

• Microsoft envisage de réactiver une centrale nucléaire (Three Mile Island) pour alimenter ses centres de données.

• Des entreprises comme Google investissent dans des centres de données refroidis naturellement et alimentés par des énergies renouvelables.

Innovation et efficacité

Selon Sam Altman (PDG d’OpenAI), l’innovation future devra concilier capacités de l’IA et coût énergétique, car “le coût de l’IA convergera vers le coût de l’énergie”.

Des dispositifs comme le suivi des émissions ou des flux d’eau, et des optimisations matérielles (GPU plus efficaces, meilleure distribution des requêtes), sont clés pour maîtriser l’impact écologique.

Exemple de calcul approximatif en Python (estimation pratique)

# Estimation consommation énergétique GPT-5
wh_per_response = 18  # watt-heures
responses_per_day = 2_500_000_000
total_wh = wh_per_response * responses_per_day
total_mwh = total_wh / 1e6  # en MWh
# On estime qu’1 foyer US consomme ~30 kWh/jour
homes_equivalent = total_wh / 30_000

print(f"Consommation totale (MWh/jour): {total_mwh:.1f}")
print(f"Equivalent foyers US/jour: {homes_equivalent:.0f}")

Ce code permet d’estimer facilement l’impact à un instant donné, utile pour reporter ou suivre l’évolution.

Synthèse pratique