L’IA boit une bouteille d’eau à chaque fois que vous discutez avec elle.

Les systèmes d’intelligence artificielle sont gourmands en eau : une courte conversation avec la version GPT-3 du système ChatGPT d’OpenAI peut mobiliser jusqu’à 500 milliliters d’eau - l’équivalent d’une petite bouteille individuelle. Une quantité du même ordre est évoquée pour la rédaction d’un e-mail de 100-word.

Ce total additionne à la fois l’eau nécessaire au refroidissement des serveurs du centre de données et celle consommée dans les centrales électriques qui produisent l’électricité indispensable à leur fonctionnement.

L’étude à l’origine de ces ordres de grandeur insiste toutefois sur un point : la consommation d’eau associée à l’IA peut fortement varier selon l’endroit et le moment où tourne l’ordinateur qui répond à la requête.

En tant que bibliothécaire universitaire et professeur en sciences de l’éducation, je considère que comprendre l’IA ne se résume pas à savoir écrire des prompts. Il faut aussi s’intéresser aux infrastructures, aux compromis, et aux choix citoyens qui encadrent ces technologies.

Beaucoup partent du principe que l’IA est forcément nocive, notamment à la lecture de titres pointant son empreinte énergétique et hydrique considérable. Ces impacts existent bel et bien, mais ils ne racontent pas toute l’histoire.

Lorsqu’on passe d’une vision de l’IA comme simple « gouffre à ressources » à une compréhension de son empreinte réelle - d’où elle vient, comment elle change selon les contextes, et ce qui peut la réduire - il devient plus facile d’arbitrer entre innovation et durabilité.

Deux flux cachés d’eau derrière l’IA

Chaque requête adressée à une IA s’appuie sur deux grands flux d’usage de l’eau.

Le premier concerne le refroidissement sur site des serveurs, qui dégagent une chaleur énorme. On y recourt souvent à des tours de refroidissement par évaporation : de grands dispositifs de brumisation qui projettent de l’eau sur des conduites chaudes ou dans des bassins ouverts. L’évaporation emporte la chaleur, mais l’eau évaporée est alors soustraite à la ressource locale (rivière, réservoir, nappe phréatique, etc.). D’autres solutions consomment moins d’eau, mais exigent davantage d’électricité.

Le second flux provient des centrales qui produisent l’électricité alimentant le centre de données. Les centrales au charbon, au gaz et les centrales nucléaires utilisent de gros volumes d’eau, notamment pour les cycles vapeur et le refroidissement.

L’hydroélectricité implique elle aussi des pertes d’eau notables, l’évaporation se produisant au niveau des retenues. Les centrales solaires thermodynamiques à concentration, qui fonctionnent davantage comme des centrales à vapeur classiques, peuvent également être très consommatrices d’eau lorsqu’elles reposent sur un refroidissement humide.

À l’inverse, une fois installés, les panneaux solaires et les éoliennes n’emploient quasiment pas d’eau, hormis un nettoyage ponctuel.

Le climat et le moment comptent (beaucoup) pour l’empreinte en eau de l’IA

Le lieu d’implantation change radicalement la donne. Un centre de données situé dans une Irlande fraîche et humide peut, pendant des mois, s’appuyer sur l’air extérieur ou sur des groupes froids et fonctionner avec une consommation d’eau très faible. À l’opposé, un centre de données en Arizona, en juillet, peut dépendre largement du refroidissement par évaporation. L’air chaud et sec rend cette méthode très performante, mais elle « brûle » beaucoup d’eau, puisque l’évaporation est précisément le mécanisme qui évacue la chaleur.

Le moment de la journée et la saison jouent aussi. Une étude de l’University of Massachusetts Amherst a observé qu’un centre de données peut n’utiliser qu’environ la moitié de l’eau en hiver par rapport à l’été. Et en pleine canicule, au milieu de la journée, les systèmes de refroidissement tournent à plein régime. La nuit, la demande diminue.

Des approches plus récentes ouvrent des pistes intéressantes. Le refroidissement par immersion, par exemple, plonge les serveurs dans des fluides non conducteurs d’électricité (comme certaines huiles synthétiques), ce qui réduit presque totalement l’évaporation d’eau.

De son côté, un nouveau design présenté par Microsoft affirme atteindre zéro consommation d’eau pour le refroidissement, grâce à la circulation d’un liquide spécifique dans des tuyaux scellés, passant directement au contact des puces. Le liquide capte la chaleur puis la restitue via une boucle fermée, sans recourir à l’évaporation. Les centres de données continueraient à utiliser un peu d’eau potable (sanitaires, locaux du personnel, etc.), mais le refroidissement ne puiserait plus dans les ressources locales.

Ces solutions ne sont pas encore la norme, surtout en raison du coût, de la complexité de maintenance et des difficultés de conversion des centres de données existants. La plupart des opérateurs s’appuient encore sur des dispositifs évaporatifs.

Une méthode simple pour estimer l’empreinte en eau de l’IA

Le modèle d’IA interrogé compte lui aussi, car les niveaux de complexité varient, tout comme le matériel et la puissance de calcul nécessaires. Certains modèles mobilisent bien plus de ressources que d’autres. Une étude a ainsi montré que certains peuvent consommer plus de 70 fois plus d’énergie et d’eau que des modèles ultra-efficients.

Il est possible d’estimer soi-même l’empreinte en eau de l’IA en trois étapes, sans calcul avancé.

Step 1 – Rechercher des travaux de recherche crédibles ou des publications officielles. Des analyses indépendantes estiment qu’une réponse GPT-5 de longueur moyenne - environ 150 to 200 words en sortie, soit à peu près 200 to 300 tokens - consomme environ 19.3 watt-hours. Une réponse de taille comparable avec GPT-4o serait d’environ 1.75 watt-hours.

Step 2 – Retenir une estimation pratique de la quantité d’eau par unité d’électricité, en combinant l’eau utilisée pour le refroidissement et celle liée à la production électrique.

Des chercheurs indépendants et des rapports du secteur indiquent qu’une fourchette raisonnable aujourd’hui se situe autour de 1.3 to 2.0 milliliters per watt-hour. Le bas de la fourchette correspond à des installations efficaces (refroidissement moderne et réseaux électriques plus propres). Le haut reflète des sites plus « classiques ».

Step 3 – Assembler les éléments. Prenez la valeur d’énergie trouvée en Step 1 et multipliez-la par le facteur eau de Step 2. Vous obtenez l’empreinte en eau d’une réponse unique.

Voici la formule sur une seule ligne :

Energy per prompt (watt-hours) × Water factor (milliliters per watt-hour) = Water per prompt (in milliliters)

Pour une requête de longueur moyenne vers GPT-5, en utilisant 19.3 watt-hours et 2 milliliters per watt-hour, on obtient : 19.3 x 2 = 39 milliliters d’eau par réponse.

Pour une requête de longueur moyenne vers GPT-4o, le calcul donne : 1.75 watt-hours x 2 milliliters per watt-hour = 3.5 milliliters d’eau par réponse.

Si l’on suppose des centres de données plus efficients, avec 1.3 milliliters per watt-hour, les résultats diminuent : environ 25 milliliters pour GPT-5 et 2.3 milliliters pour GPT-4o.

Un rapport technique récent de Google indique qu’un prompt texte médian vers son système Gemini n’emploie que 0.24 watt-hours d’électricité et environ 0.26 milliliters d’eau - soit à peu près le volume de cinq gouttes. Le rapport ne précise toutefois pas la longueur de ce prompt, ce qui empêche une comparaison directe avec l’usage en eau des GPT.

Ces évaluations, qui vont de 0.26 milliliters à 39 milliliters, montrent à quel point l’efficacité, le modèle d’IA et l’infrastructure de production d’électricité influencent l’impact.

Comparer pour remettre en perspective l’empreinte en eau de l’IA

Pour mesurer réellement ce que représentent ces volumes, il peut être utile de les confronter à d’autres usages courants de l’eau.

À l’échelle de millions de requêtes, la consommation s’additionne vite. OpenAI indique environ 2.5 billion prompts par jour. Ce chiffre regroupe des requêtes vers GPT-4o, GPT-4 Turbo, GPT-3.5 et GPT-5, sans détail public sur la répartition entre modèles.

En combinant des estimations indépendantes et les chiffres officiels de Google, on peut encadrer un ordre de grandeur :

• Tous les prompts médians Google Gemini : environ 650,000 liters per day.
• Tous les prompts moyens GPT 4o : environ 8.8 million liters per day.
• Tous les prompts moyens GPT 5 : environ 97.5 million liters per day.

À titre de comparaison, les Américains utiliseraient environ 34 billion liters per day pour arroser les pelouses et jardins résidentiels. Pour situer l’échelle, 1 gallon (US) correspond à environ 3.8 litres ; 1 litre représente donc environ un quart de gallon.

L’IA générative consomme bien de l’eau, mais - du moins à ce stade - les totaux quotidiens restent faibles au regard d’usages très répandus comme l’arrosage, les douches ou la lessive.

Cela dit, la demande en eau n’a rien d’immuable. La publication de Google illustre ce que l’optimisation peut permettre : puces spécialisées, refroidissement efficace et gestion intelligente des charges de travail. Le recyclage de l’eau, ainsi que l’implantation des centres de données dans des régions plus fraîches et plus humides, peuvent aussi contribuer à réduire l’impact.

La transparence compte également : lorsque les entreprises publient leurs données, le public, les décideurs et les chercheurs peuvent mieux cerner ce qui est atteignable et comparer les fournisseurs de manière équitable.

Leo S. Lo, Dean of Libraries; Advisor to the Provost for AI Literacy; Professor of Education, University of Virginia

Cet article est republié depuis The Conversation sous licence Creative Commons. Lire l’article original.