Quelle quantité d’eau l’IA consomme-t-elle vraiment ?

Lorsqu’une question arrive à un assistant d’IA, des serveurs calculent la réponse en consommant de l’électricité et en produisant de la chaleur. Certaines infrastructures utilisent de l’eau pour évacuer cette chaleur ; l’électricité peut aussi avoir une empreinte hydrique dans les centrales qui la produisent. L’IA est donc bien associée à l’eau, mais pas nécessairement à l’endroit où vous écrivez ni dans votre appareil.

La question « quelle quantité d’eau l’IA consomme-t-elle ? » semble appeler un chiffre unique. En réalité, cela dépend du modèle, de la longueur et de la difficulté de la requête, du matériel, de l’utilisation du centre, du refroidissement, du climat et des étapes prises en compte. Les chiffres par prompt illustrent une méthode donnée ; ils ne sont pas des compteurs universels.

Quelle quantité d’eau l’IA consomme-t-elle vraiment ?

Il n’existe pas de mesure publique et comparable de la consommation totale d’eau de l’IA dans le monde. La plupart des centres combinent cloud, stockage, services Web et tâches d’IA ; les opérateurs ventilent rarement l’eau par modèle ou charge. Attribuer toute l’eau d’un centre à l’IA surestimerait sa part ; conclure à un impact nul faute de ventilation masquerait un effet réel.

Une référence au périmètre clair vient du Lawrence Berkeley National Laboratory (LBNL). Il a estimé que l’ensemble des centres de données des États-Unis a consommé directement environ 66 milliards de litres en 2023. Le même rapport estimait près de 800 milliards de litres de consommation indirecte associée à l’électricité utilisée par ces centres. Ce sont des estimations nationales pour tous les centres, pas seulement l’IA ; elles mesurent des voies différentes et ne doivent pas être additionnées sans préciser leur périmètre. (rapport du LBNL)

Une étude de production de Google et de ses coauteurs a estimé à 0,26 millilitre la médiane d’un prompt textuel de Gemini Apps en mai 2025. La méthode énergétique complète comptabilise les accélérateurs, le CPU, la mémoire, la capacité inactive réservée et les frais généraux du centre ; mais, pour estimer l’eau, l’article soustrait l’énergie de ces frais généraux avant d’appliquer la WUE Category 2 moyenne des centres qui servaient les modèles (1,15 l/kWh, moyenne 2023-2024). Il s’agit donc d’une estimation spécifique de la consommation d’eau sur site pour le refroidissement, fondée sur la télémétrie du service : ni un chiffre universel pour Gemini, ChatGPT ou toute l’IA, ni nécessairement représentatif des systèmes de 2026. L’eau indirecte de la production électrique et la fabrication du matériel sont exclues. (étude originale de Google et de ses coauteurs)

Pourquoi il n’existe pas de chiffre universel par prompt

Un prompt n’est pas une unité de travail fixe. « Quelle heure est-il ? » et demander d’analyser un long document, d’écrire du code ou de générer une image requièrent des calculs différents. Le modèle, le matériel, la longueur de la réponse, le regroupement des requêtes et la part de serveurs actifs ou en veille affectée au service comptent aussi.

Les études ne comptent pas toujours les mêmes éléments. L’une peut inclure uniquement l’eau évaporée pour refroidir ; une autre ajoute l’eau estimée pour produire l’électricité ; une troisième inclut la capacité réservée, les infrastructures partagées ou la fabrication. Un chiffre bas au périmètre étroit et un chiffre supérieur au périmètre plus large peuvent être compatibles, sans être directement comparables. L’intensité varie également selon l’heure et la saison.

Où un centre de données utilise de l’eau

Les serveurs et accélérateurs transforment l’électricité en calcul et en chaleur. Il faut évacuer cette chaleur en continu pour maintenir les équipements dans leurs limites de fonctionnement. Dans une installation classique, l’air circule dans les baies ; des systèmes transfèrent la chaleur vers des circuits d’eau froide et, dans certains bâtiments, des tours la dissipent dans l’atmosphère par évaporation.

L’évaporation peut dissiper la chaleur avec moins d’électricité que certaines solutions mécaniques, selon le climat et la conception. Mais l’eau devenue vapeur n’est plus immédiatement disponible dans le bassin local : elle compte comme consommée. Des purges peuvent aussi contrôler les minéraux et le traitement de l’eau. D’autres centres utilisent davantage l’air extérieur, le refroidissement sec, des systèmes hybrides ou des eaux usées traitées plutôt que l’eau potable. La mention « refroidissement à eau » ne révèle pas le volume prélevé ou consommé. (guide technique du ministère américain de l’Énergie)

Prélèvement et consommation d’eau : deux notions différentes

Le prélèvement d’eau (*water withdrawal*) est le volume retiré d’une source de surface ou souterraine pour être utilisé. La consommation d’eau (*water consumption*) est la part prélevée qui ne revient pas immédiatement à la disponibilité locale, par exemple parce qu’elle s’évapore, entre dans un produit ou quitte le bassin. Les définitions et les délais de retour comptent : une eau prélevée puis rejetée plus chaude n’équivaut pas automatiquement à une eau consommée. (glossaire de l’USGS)

Employer « consommation » pour chaque litre qui entre dans un site confond deux indicateurs. Un centre peut prélever beaucoup et en restituer une partie ; un autre peut prélever moins et en évaporer davantage. La source peut être potable, superficielle, souterraine ou issue d’eaux usées traitées. Il faut connaître la source, les volumes prélevés, consommés et restitués ainsi que le lieu. La compensation (*replenishment*) est un compte distinct : financer des projets de restauration ne signifie pas qu’un site n’a physiquement consommé aucune eau.

Eau directe et indirecte : deux voies distinctes

L’eau directe ou sur site est utilisée par le centre, principalement pour le refroidissement et l’humidification. L’eau indirecte ou hors site est liée à la production de son électricité : les centrales thermiques peuvent avoir besoin de refroidissement et les réservoirs hydroélectriques perdre de l’eau par évaporation. Le mix de production, la technologie et la région modifient cette intensité.

Pour 2023, le LBNL a estimé environ 800 milliards de litres de consommation indirecte liée à l’électricité des centres de données américains, et 66 milliards de litres de consommation directe sur site. Cette comparaison montre que regarder uniquement le bâtiment peut omettre une voie importante ; elle ne transforme pas ces chiffres en empreinte de l’IA seule. Le rapport précise que les facteurs électriques varient selon les régions et que son calcul n’intègre pas les contrats individuels d’achat d’électricité ni la production derrière le compteur.

Entraîner un modèle et l’utiliser sont deux choses différentes

L’entraînement, puis les réglages ultérieurs, mobilisent de grands volumes de calcul pour créer ou adapter un modèle. L’inférence correspond aux usages suivants : répondre, résumer ou générer une image. On ne peut pas répartir l’eau d’un entraînement entre les requêtes comme si chacune en héritait d’une part fixe : un modèle peut servir des millions de demandes, être mis à jour, fonctionner dans plusieurs régions et partager le matériel avec d’autres charges.

L’étude de Pengfei Li, Jianyi Yang, Mohammad A. Islam et Shaolei Ren a modélisé GPT-3, un modèle de 175 milliards de paramètres. À partir de données énergétiques, d’efficacités déclarées par Microsoft et d’hypothèses sur l’électricité, elle estimait environ 700 000 litres de consommation directe pour l’entraînement et près de 5,4 millions de litres en incluant l’eau opérationnelle indirecte de l’électricité. C’est une estimation pour un entraînement de GPT-3, pas une mesure au compteur ni un chiffre pour les modèles actuels. Les auteurs ont aussi modélisé des requêtes moyennes ; ce ne sont pas des mesures du ChatGPT actuel. (étude originale de Li et ses coauteurs)

D’où vient le chiffre viral de la « bouteille d’eau »

La métaphore de la bouteille vient surtout de l’article scientifique *Making AI Less “Thirsty”*, publié en prépublication en 2023 puis dans *Communications of the ACM*. Pour une conversation GPT-3 de taille moyenne, l’étude estimait environ 500 millilitres pour 10 à 50 réponses, selon le moment et le lieu d’exécution. Le chiffre combinait l’eau directe du refroidissement et l’eau indirecte de la production d’électricité, selon des hypothèses explicites. Les auteurs ont modélisé une conversation moyenne avec jusqu’à 800 mots en entrée et 150 à 300 en sortie, à partir d’hypothèses propres aux centres Microsoft et à l’eau de l’électricité selon le lieu. Ils n’ont pas mesuré des sessions actuelles de ChatGPT ni inclus l’eau incorporée à la fabrication du matériel. (article universitaire à l’origine de l’estimation de la bouteille)

Cela ne veut pas dire un demi-litre par question et ne fixe pas la consommation de chaque requête en 2026. Le modèle étudié était GPT-3 ; l’énergie par demande, le matériel, le lieu et les rendements ne représentent pas automatiquement les services actuels. Inversement, une mesure de Google n’invalide pas l’étude : l’objet, l’année, le service et les périmètres diffèrent. Les résumés viraux effacent ces nuances en transformant une fourchette pour une conversation en règle par prompt.

Pourquoi le lieu, le climat et l’heure changent le résultat

Avec des tours évaporatives, la température et l’humidité extérieures influencent la quantité d’eau à évaporer pour dissiper la chaleur. Dans un climat doux, l’air extérieur peut suffire plus souvent ; par temps chaud ou humide, le besoin de refroidissement peut augmenter. Une architecture et une charge identiques ne consomment donc pas forcément la même quantité d’eau toute l’année. La rareté locale compte aussi : un même volume n’a pas les mêmes conséquences dans un bassin abondant ou soumis au stress hydrique.

Si la production d’électricité est comptée, l’empreinte varie aussi avec la région et l’heure : les moyens de production marginaux ont des besoins en eau différents. L’indicateur de stress hydrique Aqueduct du WRI compare les prélèvements totaux aux ressources renouvelables disponibles ; il signale une concurrence sur la ressource, pas un dommage causé par un centre précis. Une moyenne nationale ne remplace pas les informations propres au bassin, à la source et à la saison. (méthodologie Aqueduct du WRI)

Ce que publient les grandes entreprises technologiques

Les rapports d’entreprise montrent des tendances, mais leurs périmètres diffèrent et l’eau des centres couvre généralement le cloud et d’autres services en plus de l’IA. Google indique que ses projets ont compensé environ 7,7 milliards de gallons en 2025, soit 78 % de sa consommation totale d’eau douce selon sa méthode d’entreprise. Il s’agit d’une compensation à l’échelle de la société ; cela ne signifie pas que ses centres ou son IA n’ont pas consommé d’eau. (rapport environnemental 2026 de Google)

AWS a déclaré une WUE globale de ses centres de données de 0,12 litre d’eau prélevée par kWh de charge informatique en 2025, un indicateur d’intensité défini par l’entreprise en termes de prélèvement. Microsoft a indiqué une baisse annuelle de 23 % de la WUE de ses centres de Phoenix en exercice 2025 et a dit avoir compensé davantage d’eau qu’il n’en avait prélevé à l’échelle mondiale en FY2025. Les périmètres et indicateurs diffèrent ; ce n’est pas un classement comparable et ces chiffres ne sont pas entièrement attribuables à l’IA. (données de durabilité d’AWS ; rapport de durabilité de Microsoft)

Les objectifs *water positive* ou de compensation visent à restituer ou restaurer aux bassins un volume équivalent ou supérieur à l’usage mesuré par l’entreprise, selon ses règles et par des projets. Ils peuvent financer la réparation de fuites, le traitement, la restauration ou l’efficacité agricole. Ces actions peuvent compter localement, mais elles n’effacent pas la consommation physique du site et ne garantissent pas à elles seules que l’eau revient au même bassin, à la même source ou au même moment.

WUE et refroidissement : moins d’eau peut demander plus d’électricité

La WUE (*Water Usage Effectiveness*) rapporte l’usage ou la consommation d’eau d’un site à l’énergie de ses équipements informatiques ; elle s’exprime souvent en litres par kilowattheure. ISO/IEC 30134-9 définit la WUE comme un indicateur de consommation d’eau pendant la phase d’utilisation du centre de données. Les rapports peuvent utiliser une variante fondée sur les prélèvements : il faut vérifier la définition avant toute comparaison. La WUE n’est pas le nombre de litres « d’une IA » et ne mesure pas à elle seule la rareté locale. (norme ISO/IEC 30134-9 sur la WUE)

La PUE mesure autre chose : énergie totale du site divisée par celle de l’informatique. Une valeur proche de 1 indique moins d’énergie auxiliaire relative, mais ni la PUE ni la WUE ne résument l’impact local, le mix électrique ou le volume total. Le refroidissement liquide direct amène un fluide aux composants et peut fonctionner en circuit fermé : le liquide circule et est réutilisé, puis la chaleur est évacuée à une autre étape. « Liquide » ne signifie pas consommation continue d’eau neuve.

Il peut y avoir un compromis entre eau et électricité. Une tour évaporative peut consommer de l’eau sur site tout en réduisant l’électricité nécessaire au refroidissement ; un système sec ou à air peut réduire la consommation directe et demander plus d’énergie dans certaines conditions. Les systèmes hybrides changent de méthode selon la température, l’humidité et la charge. Aucune solution n’est universelle : il faut étudier ensemble eau directe et indirecte, électricité et bassin.

Et l’eau nécessaire à la fabrication des puces ?

La fabrication des semi-conducteurs utilise de l’eau ultrapure pour nettoyer et traiter les plaquettes, ainsi que de l’énergie et des produits chimiques. Cette empreinte relève de la chaîne d’approvisionnement des accélérateurs et serveurs, pas du refroidissement quotidien du centre. Les informations publiques ne permettent pas d’affecter de façon cohérente cette eau à chaque modèle ou requête ; elle est donc exclue des chiffres principaux. L’inclure élargirait l’analyse au cycle de vie et nécessiterait un autre inventaire.

Quand l’usage de l’eau devient-il un problème ?

Un total mondial ne suffit pas. Pour une communauté, le bassin, la saison, la qualité de l’eau, son caractère potable ou usée traitée, les droits et usages existants, la capacité d’approvisionnement et l’effet des prélèvements pendant les sécheresses comptent. Un grand centre peut exercer une pression locale même si son volume est faible à l’échelle nationale ; un chiffre mondial seul ne prouve pas une crise locale.

Une transparence utile publierait, par site et période, prélèvements, consommation, retours, source et qualité de l’eau, méthode de refroidissement, WUE et périmètre du calcul ; pour l’électricité, l’intensité hydrique régionale retenue. Elle distinguerait aussi les centres des charges d’IA lorsque c’est mesurable et signalerait les changements de météo ou de conception. Des indicateurs comparables empêcheraient qu’un gain d’efficacité masque une hausse du volume total.

Alors, combien d’eau l’IA consomme-t-elle ?

La réponse rigoureuse n’est ni « aucune » ni « une bouteille par prompt ». L’IA a une empreinte hydrique opérationnelle : certains centres consomment de l’eau pour le refroidissement et l’électricité utilisée peut être associée à une consommation hors site. Des cas mesurés et des estimations documentées existent, mais aucun facteur fixe ne décrit tous les services, modèles, lieux et requêtes.

Pour comprendre l’impact, demandez où et quand la charge est traitée, d’où vient l’eau, quelle quantité est prélevée et consommée, quel refroidissement et quelle électricité sont employés, et si le lieu subit un stress hydrique. L’expansion des centres de données et ses enjeux économiques sont abordés dans notre article sur les investissements dans l’infrastructure de l’IA. Ces questions reconnaissent un coût réel sans transformer une estimation contextualisée en slogan.

Questions fréquentes

Combien d’eau consomme une question à ChatGPT ?

Il n’existe pas de chiffre public universel ni de mesure officielle comparable d’OpenAI par requête. Cela dépend du modèle, de la réponse, du centre, du refroidissement et de la prise en compte ou non de l’eau liée à l’électricité. Le chiffre d’un demi-litre vient généralement d’une estimation de 10 à 50 réponses moyennes avec GPT-3, pas d’une question actuelle.

ChatGPT utilise-t-il directement de l’eau ?

Le logiciel lui-même n’utilise pas d’eau. L’infrastructure informatique peut en prélever et en consommer pour le refroidissement ; la production d’électricité peut ajouter une consommation indirecte. L’usage direct dépend du centre de données et de son système thermique.

Le refroidissement liquide consomme-t-il davantage d’eau ?

Pas nécessairement. Le liquide peut circuler dans un circuit fermé et être réutilisé. Ce qui compte, c’est l’évacuation finale de la chaleur et la présence d’évaporation, de purges ou d’appoint d’eau. « Refroidissement liquide » décrit un transfert de chaleur, pas le volume d’eau consommé à lui seul.

Qu’est-ce qui consomme le plus : entraîner ou utiliser une IA ?

Il n’existe pas de proportion universelle. Un entraînement peut concentrer beaucoup d’énergie sur une période ; l’inférence se répète à chaque usage et son impact cumulé dépend du nombre de requêtes et de leur traitement. Les études disponibles utilisent des modèles et périmètres différents, sans permettre une règle générale pour tous les systèmes.