Une requête ChatGPT boirait « un demi-litre d’eau ». Le chiffre a circulé partout, dans la presse, sur les réseaux, jusqu’au 20 heures. Il est faux. Ou plutôt, c’est un vrai chiffre mal recopié, sorti de son périmètre et périmé depuis des années. Cet article remonte aux sources pour établir ce que l’IA consomme réellement, ce qu’elle rapporte aussi, et où le débat mérite vraiment d’avoir lieu.
L’écoanxiété, un point de départ légitime
Le terme « éco-anxiété », qu’on attribue généralement à la médecin belgo-canadienne Véronique Lapaige à la fin des années 1990, est entré dans Le Robert en 2023. L’American Psychological Association parlait dès 2017 d’une « peur chronique d’un désastre environnemental ». Ce n’est pas une maladie (elle ne figure pas au DSM), mais le phénomène est massif et sérieusement documenté. L’étude de référence publiée dans The Lancet Planetary Health en 2021 auprès de 10 000 jeunes de 16 à 25 ans dans dix pays est frappante : 59 % se disent « très ou extrêmement inquiets » du changement climatique, et plus de 45 % déclarent que ces sentiments affectent leur vie quotidienne.
L’IA générative est arrivée en plein milieu de cette inquiétude. Selon le Baromètre du numérique CRÉDOC 2025 publié début 2026 pour l’Arcep, 46 % des Français estiment que l’impact environnemental de l’IA générative dépasse celui des moteurs de recherche, contre 17 % qui pensent l’inverse. Chez les non-utilisateurs, l’argument environnemental revient parmi les principaux freins. Détail curieux au passage : quand on interroge les Français sur leurs inquiétudes principales vis-à-vis de l’IA (baromètre Talan/Ifop, avril 2025), l’environnement n’arrive même pas dans le trio de tête, loin derrière la sécurité des données (65 %), le droit d’auteur (64 %) et la dépendance technologique (60 %). L’inquiétude est réelle mais diffuse, nourrie par quelques chiffres chocs. Ce sont eux qu’il faut examiner.
Car l’inquiétude de fond, elle, est fondée. L’eau douce est un enjeu majeur : l’agriculture absorbe environ 70 % des prélèvements mondiaux selon la FAO, l’industrie environ 19 %, les usages domestiques le reste. Des régions entières vivent en stress hydrique chronique. La question n’est donc pas de savoir si l’eau compte. Elle compte. La question est de savoir combien l’IA en consomme vraiment, où, et par rapport à quoi.
Autopsie d’un chiffre viral : le fameux demi-litre
Tout part d’une étude académique sérieuse, « Making AI Less “Thirsty” » (Li, Yang, Islam et Ren, universités de Californie à Riverside et du Texas à Arlington, avril 2023). Elle affirmait que GPT-3 « consomme une bouteille de 500 mL d’eau pour environ 10 à 50 réponses de longueur moyenne ». Il faut relire la phrase : 500 mL pour 10 à 50 réponses, soit 10 à 50 mL par réponse, pas 500.
Ce chiffre d’origine reposait déjà sur trois choix méthodologiques qu’il faut avoir en tête. D’abord, il inclut l’eau des centrales électriques : l’essentiel du volume n’est pas l’eau qui refroidit les serveurs, mais l’eau évaporée par les centrales (notamment les barrages hydroélectriques) qui produisent l’électricité. Aux États-Unis, produire 1 kWh « consomme » en moyenne 3,1 litres d’eau par ce biais. Ensuite, il porte sur GPT-3, un modèle de 2020, déployé sur le matériel de l’époque. Enfin, il dépend énormément du lieu : d’un data center à l’autre, le même calcul varie jusqu’à un facteur 80 entre l’Arizona et l’Irlande.
Puis la machine médiatique s’est emballée. En septembre 2024, le Washington Post, avec la même équipe de Riverside, titre sur « une bouteille d’eau par e-mail de 100 mots » (519 mL précisément). L’analyste Andy Masley a décortiqué ce chiffre : sur les 519 mL, environ 2 mL correspondent au refroidissement du data center. Tout le reste est de l’eau imputée à la production d’électricité, calculée à partir d’une hypothèse énergétique (140 Wh par e-mail) elle-même surestimée d’un facteur 54 à 270, car extrapolée vers un GPT-4 fantasmé à 1 800 milliards de paramètres denses, en ignorant son architecture réelle.
En France, le raccourci final (« une requête ChatGPT égale 50 cl d’eau ») s’est installé tranquillement dans les rédactions, jusqu’à l’infographie du 20 heures de France Télévisions du 26 octobre 2025, démontée par Les Électrons Libres puis par Next.ink. Ce dernier propose un test de cohérence tout bête. À 2,5 milliards de requêtes ChatGPT par jour, 50 cl par requête donnerait environ 450 millions de m³ par an, soit 43 fois la consommation d’eau totale de Microsoft dans le monde (10,4 millions de m³ en 2024, tous data centers compris). Le chiffre ne passe tout simplement pas le contrôle de vraisemblance.
Que disent les mesures récentes ? Voici les chiffres publiés en 2025 et 2026, avec leur périmètre, car c’est là que tout se joue :
| Source | Par requête texte | Ce qui est compté |
|---|---|---|
| Google, août 2025 (étude publiée) | 0,26 mL d’eau, 0,24 Wh, 0,03 g CO₂e (prompt Gemini médian) | Refroidissement sur site uniquement, méthodologie détaillée (puces, hôte, machines inactives, PUE) |
| Sam Altman, juin 2025 | ~0,32 mL, 0,34 Wh (requête ChatGPT moyenne) | Périmètre non précisé, chiffre non audité |
| Epoch AI, février 2025 (estimation indépendante) | ~0,3 Wh (GPT-4o) | Énergie seule ; dix fois moins que l’estimation de 3 Wh qui circulait jusque-là |
| Mistral AI, juillet 2025 (ACV revue par des tiers, avec l’ADEME et Carbone 4) | 45 mL d’eau, 1,14 g CO₂e (réponse de 400 tokens) | Cycle de vie complet : eau de l’électricité, entraînement amorti, fabrication des serveurs |
| Shaolei Ren, révision 2026 | ~15 mL par prompt GPT-4, dont ~5 mL sur site | Scopes 1 et 2 actualisés |
Ce tableau raconte trois choses. L’ordre de grandeur honnête d’une requête texte va d’une fraction de millilitre (eau de refroidissement seule) à quelques dizaines de millilitres (cycle de vie complet). Même le chiffre le plus englobant, les 45 mL de Mistral, qui incluent jusqu’à la fabrication des serveurs, reste dix fois sous le demi-litre médiatique. Deuxième chose : ces chiffres ne se comparent qu’à périmètre égal. Ren reproche d’ailleurs publiquement à Google d’exclure l’eau indirecte de l’électricité, et il n’a pas tort. Mais l’inverse est vrai aussi : présenter l’eau évaporée par un barrage comme de l’eau « bue par ChatGPT » a fabriqué la panique du demi-litre. Troisième chose, savoureuse : tout le monde a révisé à la baisse, y compris l’auteur de l’étude d’origine, passé de 500 mL pour quelques requêtes à environ 15 mL par requête.
Un peu de plomberie : comment un data center consomme (ou pas) de l’eau
Pour juger ces chiffres, il faut trois distinctions que presque aucun article grand public ne prend le temps de faire.
La première : prélever n’est pas consommer. L’eau prélevée est pompée puis en grande partie restituée au milieu naturel. L’eau consommée est celle qui s’évapore et ne revient pas localement. Confondre les deux gonfle les chiffres d’un facteur 10 à 20.
La deuxième : il existe plusieurs façons de refroidir des serveurs, et elles n’ont rien à voir entre elles. Le refroidissement évaporatif, en circuit ouvert, évapore de l’eau pour dissiper la chaleur : 70 à 80 % de l’eau prélevée part dans l’atmosphère. C’est gourmand en eau (1,5 à 3 L/kWh) mais économe en électricité, et Google assume ce choix : ses data centers refroidis à l’eau consomment environ 10 % d’électricité en moins que l’équivalent refroidi à l’air. Cet arbitrage structure tout le sujet : économiser l’eau coûte de l’énergie, et inversement. À l’opposé, le circuit fermé (liquid cooling sur puce, immersion) est rempli une fois à la construction, puis l’eau tourne en boucle indéfiniment. Consommation en exploitation : à peu près rien. Microsoft a annoncé en décembre 2024 que tous ses nouveaux data centers consommeront zéro eau pour le refroidissement, avec plus de 125 millions de litres économisés par an et par site, et des premières mises en service fin 2027. Reste le refroidissement à l’air : zéro eau, mais plus d’électricité.
L’indicateur du secteur s’appelle le WUE (Water Usage Effectiveness, en litres par kWh informatique). La moyenne historique du secteur tourne autour de 1,8 L/kWh. Google est à 1,1 (choix évaporatif assumé), Microsoft à 0,30 puis 0,27, soit 90 % de baisse en vingt ans, et AWS à 0,15. Le laboratoire fédéral américain LBNL calcule de son côté une moyenne de flotte réelle bien plus basse, autour de 0,36 L/kWh, beaucoup de sites étant refroidis à l’air.
Troisième distinction : le refroidissement n’exige pas de l’eau potable, et les opérateurs s’en éloignent peu à peu. Google utilise de l’eau recyclée ou non potable sur plus d’un quart de ses campus : son site de Douglas County, en Géorgie, tourne depuis 2012 aux eaux usées municipales retraitées, celui de Hamina, en Finlande, à l’eau de la Baltique. Microsoft affiche 99 % d’eau recyclée à Singapour et 79 % à San Antonio. AWS refroidit 24 data centers aux eaux recyclées et vise 120 sites en 2030. Cela reste minoritaire à l’échelle du parc mondial, mais la direction est claire.
Et puis il y a l’eau cachée, celle dont personne ne parle alors qu’elle domine tout : l’électricité. Aux États-Unis en 2023, d’après le LBNL, les data centers ont consommé directement 66 milliards de litres, et indirectement près de 800 milliards via leur alimentation électrique. Douze fois plus. Cette eau-là dépend du mix : une centrale thermique ou nucléaire à tours de refroidissement évapore environ 2 L/kWh, certains grands barrages bien davantage par évaporation des retenues, tandis que le solaire et l’éolien ne consomment presque rien. Décarboner l’électricité des data centers revient donc aussi à les déshydrater.
Les trois soifs de l’IA
L’exploitation, on vient de la voir : de quelques dixièmes de millilitre à quelques dizaines de millilitres par requête selon le périmètre retenu.
La fabrication du matériel est un poste plus discret et pourtant plus lourd. Une usine de semi-conducteurs engloutit autour de 38 millions de litres d’eau ultra-pure par jour. TSMC, qui grave la quasi-totalité des puces d’IA, a consommé environ 101 milliards de litres en 2023, grosso modo trois fois tous les data centers de Google. L’industrie recycle massivement (86 % de l’eau de procédé chez TSMC, objectif 90 % et plus en Arizona), mais la sécheresse taïwanaise de 2021, avec ses fabs alimentées par camions-citernes pendant que l’irrigation agricole était coupée, a rappelé que ce poste n’a rien d’anecdotique.
Reste l’entraînement des modèles. Celui de GPT-3 a été estimé à 700 000 litres évaporés sur site, 5,4 millions en comptant l’eau de l’électricité. Deux piscines olympiques, pour un modèle servi ensuite à des centaines de millions d’utilisateurs : c’est un coût fixe, amorti sur des milliards de requêtes. Dans l’analyse de cycle de vie de Mistral, entraînement compris, on retombe d’ailleurs sur les 45 mL par réponse. Le vrai scandale est ailleurs : aucun grand laboratoire américain n’a publié l’eau d’entraînement de ses modèles récents, ni GPT-4, ni Gemini, ni Llama. Mistral reste à ce jour la seule entreprise à avoir publié une ACV complète et revue par des tiers.
Tous les usages ne se valent pas, et de loin
Parler « du » coût de « l’IA », c’est comme parler du coût « du transport » en mélangeant vélo et A380. Les mesures publiées s’étagent sur plus de trois ordres de grandeur :
| Usage | Énergie par opération | Source |
|---|---|---|
| Classification de texte | ~0,002 Wh | Luccioni et al., ACM FAccT 2024 |
| Requête texte type chatbot (médiane) | ~0,24 à 0,3 Wh | Google, Epoch AI |
| Génération d’une image | ~2,9 Wh, jusqu’à 11,5 pour les gros modèles (une charge de smartphone) | Luccioni et al., MIT Tech Review |
| Requête longue à un modèle de raisonnement (o3, DeepSeek-R1) | 30 Wh et plus | Jegham et al., 2025 |
| Requête agentique (modèle 70B outillé, multi-étapes) | ~348 Wh, soit 137 fois une requête classique | KAIST, IEEE HPCA 2026 |
| 5 secondes de vidéo générée | ~940 Wh, environ 700 fois une image | MIT Tech Review, mai 2025 |
Autrement dit, la question « l’IA consomme-t-elle trop ? » n’a pas de réponse unique. Demander une recette à un chatbot, à l’écrit ou en vocal, coûte l’équivalent de quelques secondes de télévision. Générer des vidéos à la chaîne pour alimenter un fil TikTok, ou faire tourner des flottes d’agents autonomes en continu, joue dans une catégorie mille fois supérieure. C’est là que se situe le véritable enjeu de sobriété, pas dans l’usage conversationnel personnel. L’efficacité progresse par ailleurs à toute vitesse : Google indique avoir divisé par 33 l’énergie de son prompt médian en un an.
Le numérique d’avant l’IA n’a jamais été gratuit
Petit rappel utile, parce qu’on utilise tous ces services sans y penser depuis quinze ans.
Une recherche Google coûtait 0,3 Wh selon Google en 2009 ; les estimations actuelles tournent plutôt autour de 0,04 Wh. Le fameux « ChatGPT égale dix recherches Google » compare donc une estimation moderne d’un côté à un chiffre de 2009 de l’autre. L’écart existe, mais les deux termes de la comparaison ont bougé.
Une heure de streaming vidéo, c’est environ 77 Wh selon l’IEA, dont 72 % pour votre écran, 23 % pour le réseau et 5 % seulement pour le data center. Le calcul est vite fait : une heure de Netflix vaut environ 250 requêtes Gemini, et personne ne culpabilise à la 251e minute de série. Le secteur a d’ailleurs déjà connu sa panique chiffrée : les estimations du Shift Project en 2019, supérieures d’un facteur 4 à 8, reposaient notamment sur une confusion bits/octets reconnue ensuite par ses auteurs.
Quant au tristement célèbre e-mail « à 4 grammes de CO₂ », le chiffre date de 2010, son auteur l’a lui-même désavoué, et le CNRS l’a démonté : supprimer ses e-mails est un geste symbolique, l’impact du numérique venant surtout de la fabrication de nos appareils. Une console de jeu, pour finir, tire environ 200 W, soit l’équivalent d’une image générée par IA toutes les 50 secondes, des heures durant.
Pour situer l’ensemble : les data centers du monde entier, IA comprise, représentent environ 1,5 % de l’électricité mondiale en 2024, peut-être 3 % en 2030 d’après l’IEA. En France, tout le numérique pèse 4,4 % de l’empreinte carbone, et la moitié de ce total vient de la fabrication de nos équipements, pas des serveurs.
Résoudre un problème à la main ou avec l’IA : le calcul que personne ne fait
Un cas concret : un bug informatique, une démarche administrative, une synthèse à rédiger.
Méthode classique : une demi-heure sur un ordinateur (30 à 200 W selon qu’il s’agit d’un portable ou d’un fixe avec écran), une dizaine de recherches Google, des onglets partout, des essais, des erreurs. Bilan : 15 à 100 Wh. Si on tient à convertir en eau via l’électricité, comme le font les études alarmistes, à 3 L/kWh cela donne 50 à 300 mL.
Méthode IA : deux ou trois requêtes (souvent une seule suffit), cinq minutes de lecture. Bilan : 5 à 10 Wh, soit 15 à 30 mL au même taux de conversion.
Le résultat est contre-intuitif mais robuste : c’est le temps d’écran humain qui domine le bilan, pas la requête. Dès que l’IA fait gagner quelques minutes, elle consomme moins que la recherche manuelle qu’elle remplace. Une étude parue dans Scientific Reports en février 2024 pousse le raisonnement jusqu’au bout : en comptant le temps de travail humain, une page rédigée par IA émettrait 130 à 1 500 fois moins de CO₂e qu’une page rédigée par un humain. Le chiffre exact est fragile (imputer le mode de vie du rédacteur à sa tâche se discute, et les auteurs reconnaissent ne pas traiter les effets rebond), mais l’ordre de grandeur du principe tient : lire un article pendant vingt minutes sur un portable consomme autant qu’une vingtaine de requêtes ChatGPT.
La vraie réserve, c’est l’effet rebond. Si la facilité de l’IA multiplie les usages, et surtout les usages lourds comme la vidéo ou les agents, le gain unitaire peut être mangé par le volume. L’argument est sérieux. Mais c’est un argument sur nos usages collectifs, pas sur la culpabilité d’une requête individuelle.
Remettre les millilitres à leur place
Les empreintes eau ci-dessous viennent des travaux de référence de Mekonnen et Hoekstra pour le Water Footprint Network. Une précision trop rarement faite : ces chiffres agrègent l’eau « verte » (la pluie évapotranspirée par les cultures, 94 % du total pour le bœuf), l’eau « bleue » (celle qu’on prélève pour irriguer) et l’eau « grise » (le volume théorique de dilution des polluants). L’eau verte ne vide pas les nappes. Mais même en ne comptant que le bleu et le gris, les ordres de grandeur restent parlants.
| Eau consommée (ordre de grandeur) | En requêtes IA* | |
|---|---|---|
| 1 requête texte (refroidissement sur site) | ~0,3 mL, cinq gouttes | 1 |
| 1 requête texte (cycle de vie complet, Mistral) | ~45 mL | 1 |
| 1 chasse d’eau | 3 à 9 L | 10 000 à 30 000 (site) / ~130 (ACV) |
| 1 douche de 5 minutes | 60 à 80 L | ~200 000 / ~1 500 |
| 1 tasse de café | ~130 L, surtout de l’eau verte | ~430 000 / ~2 900 |
| Conso domestique d’un Français, par jour | ~148 L | ~490 000 / ~3 300 |
| 1 litre de lait | ~1 020 L | ~3,4 M / ~23 000 |
| 100 g de bœuf | ~1 540 L, dont ~93 L d’eau bleue et grise | ~5 M / ~34 000 |
| 1 t-shirt en coton | ~2 700 L | ~9 M / ~60 000 |
| 1 jean | 3 800 à 10 000 L | 13 à 33 M / 85 000 à 220 000 |
| 1 smartphone (fabrication) | ~12 000 L | ~40 M / ~270 000 |
| Remplissage d’une piscine privée | ~19 000 L | ~63 M / ~420 000 |
* Calculs de l’auteur, à 0,3 mL (refroidissement sur site, chiffres Google et OpenAI) ou 45 mL (cycle de vie complet, Mistral) par requête. Arrondis.
Ce que dit ce tableau : même en retenant le périmètre le plus défavorable à l’IA, un steak de 100 g « vaut » 34 000 requêtes, une douche 1 500, un smartphone 270 000. Un utilisateur intensif qui enverrait 100 requêtes par jour pendant un an consommerait, en cycle de vie complet, environ 1 600 litres. Moins que deux kilos de bœuf. Moins qu’un jean.
Même exercice à l’échelle macro. Les data centers mondiaux consomment environ 560 milliards de litres d’eau par an selon l’IEA, indirect compris, soit 0,56 km³, à comparer aux quelque 2 800 km³ prélevés par l’agriculture mondiale. Aux États-Unis, les parcours de golf irriguent environ 2 milliards de gallons par jour, quatre à cinq fois plus que la consommation directe de tous les data centers du pays.
Là où le débat est légitime
Dédramatiser les moyennes mondiales n’autorise pas à balayer les problèmes réels. Ils existent, mais ils sont ailleurs.
Il y a d’abord la concentration locale. L’eau est un enjeu de bassin versant, pas de moyenne planétaire. À The Dalles, dans l’Oregon, les data centers de Google absorbent plus d’un quart de l’eau de la ville, environ 40 % en 2025. En Uruguay, un projet Google annoncé pendant la pire sécheresse du pays en 74 ans a mis des manifestants dans la rue avant d’être converti au refroidissement à air. En Espagne, des projets en zone de sécheresse ont dû être revus à la baisse. Un data center moyen n’assèche pas un pays ; un data center mal placé peut mettre une petite ville sous tension.
Il y a ensuite la croissance. La consommation directe des data centers américains a triplé entre 2014 et 2023 et pourrait encore doubler, voire quadrupler, d’ici 2028 selon le LBNL. L’étude de Ren projette 4,2 à 6,6 milliards de m³ de prélèvements pour l’IA mondiale en 2027. Les gains d’efficacité par requête sont spectaculaires, mais la question du volume total reste entière.
Il y a enfin l’opacité, et c’est peut-être le point le plus agaçant du dossier. La ville de The Dalles a poursuivi un journal local pendant treize mois, procédure financée par Google, pour empêcher la publication de ses chiffres de consommation. OpenAI n’a jamais publié de méthodologie. Les chiffres rassurants de 2025 sont pour partie des auto-déclarations. La transparence à la Mistral (ACV complète, revue indépendante) devrait être la norme, pas l’exception. C’est sans doute la revendication la plus utile que le débat public puisse porter.
Ce que l’IA rend : de l’eau, de l’énergie, des vies
Un bilan honnête doit aussi remplir l’autre colonne.
Sur l’eau elle-même, d’abord. En France, les réseaux de distribution perdent en fuites près de 20 % de l’eau potable mise en circulation, environ un milliard de m³ par an d’après l’observatoire SISPEA. Des algorithmes de ciblage permettent désormais de concentrer la recherche de fuites sur les tronçons à risque : sur des secteurs pilotes, les pertes ont été divisées par deux, soit 105 000 m³ économisés par an. Au tarif « cycle de vie complet », cela représente plusieurs milliards de requêtes. En agriculture, qui concentre à elle seule 70 % de l’eau mondiale, l’irrigation pilotée par capteurs et IA démontre 25 à 40 % d’économies d’eau dans les expérimentations documentées, des vignobles bordelais au périmètre d’El Guerdane au Maroc.
Sur l’énergie ensuite. Dès 2016, DeepMind réduisait de 40 % l’énergie de refroidissement des data centers de Google (autour de 30 % en continu depuis le passage en pilotage autonome). La prévision météo par IA (GraphCast dans Science en 2023, GenCast dans Nature en 2024) bat les meilleurs modèles physiques sur la quasi-totalité des variables testées, en une minute de calcul sur une seule puce là où il fallait des heures de supercalculateur. Le Flood Hub de Google alerte gratuitement 700 millions de personnes dans 100 pays sur les risques d’inondation. Plus loin de nous : contrôle du plasma de fusion par apprentissage par renforcement (Nature, 2022, DeepMind et l’EPFL) et 2,2 millions de structures cristallines prédites par GNoME pour les batteries et supraconducteurs de demain, dont 736 déjà synthétisées par des équipes indépendantes.
Sur la santé enfin. AlphaFold, prix Nobel de chimie 2024, a mis 214 millions de structures de protéines à disposition de plus de 3 millions de chercheurs dans 190 pays. Dans le dépistage du cancer du sein, l’essai randomisé suédois MASAI, mené sur 100 000 femmes, montre 29 % de cancers détectés en plus sans hausse des faux positifs, avec 44 % de charge de lecture en moins pour les radiologues. Le deep learning a permis de découvrir de nouveaux antibiotiques contre des bactéries multirésistantes (halicine dans Cell en 2020, abaucine dans Nature Chemical Biology en 2023). Aucun de ces résultats n’efface comptablement des litres d’eau. Mais un débat qui compte les millilitres des requêtes en ignorant ces colonnes-là n’est pas un bilan, c’est un réquisitoire.
Ce que font vraiment les entreprises, et ce qu’il faut surveiller
Les faits vérifiables d’abord. Côté eau, Microsoft a annoncé avoir atteint son objectif « water positive », restituer plus d’eau qu’elle n’en consomme, dès 2025, avec cinq ans d’avance, via 76 projets de restauration. Google restitue 78 % de sa consommation en 2025 et vise 120 % en 2030. Meta et AWS ont pris des engagements comparables. Surtout, les designs « zéro eau » de Microsoft et la montée du circuit fermé attaquent le problème à la racine plutôt qu’en compensation.
Côté énergie, Amazon, Meta, Google et Microsoft représentent à eux quatre 49 % des achats mondiaux d’énergie propre par les entreprises en 2025 selon BloombergNEF. Google vise un fonctionnement sans carbone 24 heures sur 24 en 2030 (66 % atteints en comptage horaire) et a réduit les émissions de ses data centers de 12 % en 2024 alors que leur consommation électrique augmentait de 27 %. Le virage nucléaire est engagé : redémarrage de Three Mile Island pour Microsoft, avec un contrat de vingt ans sur 835 MW, petits réacteurs modulaires pour Google avec Kairos et Amazon avec X-energy. Rappel utile : moins de centrales thermiques, c’est moins d’eau évaporée là où se cache justement la majorité de l’empreinte eau de l’IA.
Les réserves maintenant, parce que l’indépendance l’exige. Ces bilans sont auto-déclarés. Le « water positive » compare parfois des restitutions contractées à des consommations effectives, sans garantir que l’eau restituée le soit dans le bassin versant sous tension. Et la croissance globale du secteur peut absorber les gains unitaires. Ces engagements sont réels et mesurables ; ils méritent d’être suivis, pas récités.
Déplacer le curseur du bon côté
Au terme de cette plongée dans les chiffres, trois conclusions se dégagent.
L’usage personnel de l’IA est un non-sujet hydrique. Une requête texte, c’est entre cinq gouttes et trois cuillères à soupe d’eau selon le périmètre, et une année entière de vos requêtes pèse moins que votre jean. Culpabiliser l’utilisateur qui demande une recette ou fait corriger un e-mail relève de l’erreur d’échelle, exactement comme le « supprimez vos e-mails pour la planète » d’hier. L’écoanxiété est légitime, mais elle mérite d’être investie là où les litres sont réels : l’assiette, la mobilité, le logement, et côté numérique le renouvellement de nos appareils, qui pèse plus lourd que tous les serveurs.
Les vrais enjeux de l’IA sont spécifiques et localisés : la génération massive de vidéos et les flottes d’agents (mille fois le coût d’une requête texte), l’implantation de data centers dans des bassins déjà en stress, l’eau de fabrication des puces, la croissance agrégée du secteur. C’est sur ces points que la pression citoyenne et réglementaire est utile, pas sur les cinq gouttes.
Et puis la transparence reste le combat à gagner. Le fiasco du demi-litre a prospéré sur le vide laissé par les entreprises elles-mêmes. Tant qu’OpenAI, Google ou Meta ne publieront pas d’analyses de cycle de vie complètes et auditées, comme l’a fait Mistral, les périmètres incomparables continueront de fabriquer tantôt de la panique, tantôt de la complaisance.
Le débat sur l’eau et l’IA mérite mieux que des bouteilles imaginaires. Il mérite des compteurs.
Note de méthode. L’article distingue tout du long l’eau prélevée de l’eau consommée ; l’eau de refroidissement sur site de celle de la production électrique et du cycle de vie complet (fabrication et entraînement compris) ; l’eau verte, bleue et grise pour les comparaisons agricoles. Les équivalences en requêtes sont des calculs de l’auteur, indiqués comme tels, donnés aux deux bornes de périmètre (0,3 mL et 45 mL). Les chiffres de Google, OpenAI, Microsoft, Amazon, Meta et Mistral sont des déclarations d’entreprises, dont une seule (Mistral) constitue une ACV revue par des tiers ; les critiques académiques de ces chiffres, celles de Shaolei Ren notamment, sont mentionnées. Dans un domaine où l’efficacité évolue aussi vite, tout chiffre antérieur à 2024 doit être lu comme un majorant probable. Dernière vérification des sources : août 2026.