Combien d’eau consomme l’IA ? Ce que cache une simple requête

0,26 millilitres. C'est la consommation d'eau qu'affichent les compteurs de Google pour une requête texte médiane sur ses applications Gemini en 2025. En face, une bouteille de 500 millilitres. C'est l'estimation académique, souvent citée, pour une conversation d'une vingtaine de questions avec un modèle comme GPT-3. Entre la goutte et la bouteille, un fossé qui illustre la complexité d'une question en apparence simple : combien d’eau consomme l’IA ?

La réponse immédiate est oui, l’intelligence artificielle consomme de l’eau. Mais il n’existe pas un chiffre universel par requête. Selon les méthodes de calcul et les infrastructures, on parle parfois d’une fraction de millilitre, parfois de plusieurs dizaines de millilitres par réponse. Le vrai enjeu n’est pas une question isolée, mais l’explosion mondiale des usages, des data centers et de leur refroidissement.

Pourquoi la question de l’eau consommée par l’IA devient centrale

Le sujet n'est plus marginal car l'IA s'industrialise à une vitesse sans précédent. Les centres de données, piliers de cette révolution, ont représenté environ 415 TWh d'électricité mondiale en 2024, soit 1,5 % de la consommation électrique globale. Selon les projections de l'Agence Internationale de l'Énergie (IEA), ce chiffre pourrait atteindre 945 TWh en 2030 dans son scénario de base, avec l'IA comme principal moteur de cette hausse spectaculaire.

Cette demande énergétique croissante se traduit directement par une pression accrue sur les ressources en eau, que ce soit pour le refroidissement des serveurs ou pour la production d'électricité elle-même. La tension entre innovation technologique, croissance exponentielle des usages et durabilité des ressources est désormais au cœur du modèle économique de l'IA. Chaque nouvelle application, de la génération d'image à l'analyse prédictive, ajoute une charge sur une infrastructure physique aux limites bien réelles.

Une requête IA, deux mesures : le grand écart des chiffres

Comment expliquer une telle divergence entre les estimations ? D'un côté, les chiffres des opérateurs. Google, dans un effort de transparence, a publié une estimation de 0,26 mL d'eau consommée par requête médiane sur Gemini Apps. Ce chiffre, obtenu en conditions de production réelles, se veut une moyenne sur un parc de data centers optimisé.

De l'autre, les estimations académiques. Une étude très médiatisée de l'Université de Californie à Riverside, publiée sur ArXiv, estime que 10 à 50 requêtes simples à un modèle comme GPT-3 peuvent consommer l'équivalent de 500 mL d'eau. Rapporté à une seule réponse, cela représente entre 10 et 50 mL, soit un ordre de grandeur 40 à 200 fois supérieur à celui de Google.

« Le public veut un chiffre simple pour un problème complexe. C'est impossible », analyse Hélène Verdier, analyste indépendante en infrastructures numériques. « C'est comme demander 'combien consomme une voiture ?'. Ça dépend du modèle, de la route, du conducteur... Ici, c'est pareil, mais à l'échelle d'une infrastructure mondiale. La divergence des chiffres n'est pas une erreur, elle est le reflet de cette complexité. »

Derrière les chiffres : les variables qui changent tout

Le fossé entre les estimations s'explique par une multitude de facteurs qui modifient radicalement l'empreinte hydrique de l'intelligence artificielle. Comprendre ces variables est essentiel pour décrypter l'impact environnemental de l’IA.

Le périmètre de calcul est la première source de divergence. Mesure-t-on uniquement l'eau évaporée par les tours de refroidissement des serveurs IA sur site, ou inclut-on l'eau utilisée pour produire l'électricité qui alimente le data center ? L'OCDE insiste sur la nécessité d'une analyse du cycle de vie complet pour obtenir une image juste.

Les autres variables incluent :

* Le modèle d'IA utilisé : Un modèle plus grand et plus complexe, comme ceux utilisés pour la génération d'images, est plus gourmand en calcul qu'un modèle plus petit optimisé pour le texte. Le choix du bon outil est donc crucial, comme le montre le comparatif des modèles d'IA pour PME.

* La localisation du data center : Un serveur en Finlande par une journée fraîche utilisera des techniques de refroidissement à l'air libre (free cooling) peu consommatrices d'eau. Le même serveur en Arizona durant l'été dépendra massivement d'un refroidissement par évaporation, bien plus gourmand.

* Le type de refroidissement : Systèmes à circuit ouvert, fermé, refroidissement liquide direct... chaque technologie a une efficacité hydrique (Water Usage Effectiveness, ou WUE) différente.

* Le mix énergétique local : Une centrale nucléaire ou à gaz consomme d'importantes quantités d'eau pour son propre refroidissement, ajoutant une empreinte hydrique indirecte à chaque kilowatt-heure consommé par l'IA.

* La différence entre prélèvement et consommation : Une partie de l'eau prélevée peut être restituée au milieu naturel après traitement (prélèvement ou *water withdrawal*), tandis que l'eau évaporée est définitivement perdue pour le bassin versant local (consommation ou *water consumption*).

Impacts environnementaux : quand le virtuel pèse sur le réel

L'échelle industrielle de l'IA transforme ces questions techniques en enjeux territoriaux concrets. La localisation des data centers devient un arbitrage stratégique. Microsoft a ainsi indiqué dans son rapport 2024 que 46% de ses prélèvements d'eau provenaient de zones soumises au stress hydrique. À l'inverse, Google affirme que 86 % de ses prélèvements d'eau douce sont effectués dans des zones à risque faible ou moyen de rareté, signe que combien d’eau consomme est désormais intégré à la stratégie d'implantation.

Ces tensions sur l'eau locale peuvent créer des conflits d'usage avec l'agriculture ou la consommation humaine, particulièrement dans des régions déjà vulnérables au changement climatique. L'impact de ces infrastructures numériques sur l'aménagement des territoires est un sujet de fond, qui dépasse le cadre technologique pour toucher à des questions de souveraineté et de développement local, comme l'émergence des tiers-lieux en France.

Au-delà de l'eau, l'empreinte environnementale de l'intelligence artificielle inclut la consommation de matières premières critiques pour les puces, la production de déchets électroniques et les émissions de carbone liées à la consommation d'énergie. Une approche d'éco-conception pour les services numériques devient donc indispensable pour maîtriser l'ensemble de ces externalités.

Quelles solutions pour une IA plus sobre ?

Face à ces défis, l'industrie n'est pas inactive. Les géants de la tech investissent massivement pour optimiser leurs infrastructures. La première piste est l'efficacité. Google affirme que ses data centers délivrent aujourd'hui six fois plus de puissance de calcul par unité d'électricité qu'il y a cinq ans.

La seconde est l'innovation dans le refroidissement. Microsoft a annoncé en 2024 le déploiement d'un nouveau design de data center ne nécessitant plus d'eau pour son refroidissement, avec un potentiel d'économie de plus de 125 millions de litres par an et par site. D'autres solutions émergent :

* Utilisation d'eaux non potables : Recours à l'eau de mer ou aux eaux usées traitées pour le refroidissement.

* Refroidissement liquide direct : Amener le liquide de refroidissement au plus près des puces pour une dissipation thermique plus efficace.

* Pilotage intelligent : Déplacer les charges de calcul vers les data centers où l'énergie est la plus décarbonée et l'eau la plus abondante en temps réel.

* Transparence accrue : Standardiser les indicateurs comme le WUE (Water Usage Effectiveness, en L/kWh) pour permettre des comparaisons fiables.

« Nous avons lancé notre premier prototype de data center sans eau pour le refroidissement en Arizona », explique un ingénieur de Microsoft sous couvert d'anonymat. « La sobriété hydrique n'est plus une option, c'est un impératif de licence d'exploitation dans de nombreuses régions. » Cette tendance à la sobriété et à la mesure est aussi visible dans des projets publics comme le MCP de data.gouv.fr, qui devra s'appuyer sur des infrastructures de plus en plus efficientes.

Le débat sur l'impact environnemental de l’IA ne fait que commencer. Il est probable qu'il redéfinisse en profondeur le futur de certains métiers menacés par l'IA en intégrant une composante de sobriété numérique. En définitive, le véritable enjeu n'est pas le chiffre viral de la consommation d'eau d'une requête, mais la capacité de l'industrie à opérer un arbitrage stratégique et transparent entre performance, consommation d'eau, consommation d'énergie et émissions de carbone. Un arbitrage qui sera, inévitablement, à la fois technologique, économique et politique.

Sources & références