IA, Dans 10 ans, tous au chômage :lensois: Options

[Pathfinder]

Suite a la remarque de Tchoune et mon interpretation du commentaire de florian sur ce meme topic, j'ai fait des recherches sur l'IA et son impact envirronemental. J'ai ecrit un article (avec l'aide de l'IA bien sur ) en Anglais que j'ai traduit ensuite en Francais.

C'est tres long (environ 15 minutes de letcure) donc je le met en spoiler.

Quelques chiffres issus de l'article:

* ×2 d'ici 2030 - La consommation mondiale d'électricité des centres de données passera de 485 TWh en 2025 à 950 TWh en 2030. Les charges IA au sein de ce total tripleront sur la même période.
* 50 – 70 GWh - L'éléctricité utilisée pour entrainer GPT-4 soit autant que la consommation annuelle de 5 000 à 6 700 foyers américains. Les modèles à l'échelle de GPT-5 approcheraient les 100 GWh par entraînement.
* 1,3 milliard - L'empreinte "eau" des centres de données IA sera équivalente aux besoins domestiques annuels de base de toute la population d'Afrique subsaharienne.
* ×70 - Un modèle de raisonnement comme o3 ou DeepSeek-R1 consomme plus de 70 fois l'énergie d'un modèle léger pour une tâche équivalente.
* 2 sur 10+ - Parmi les grands fournisseurs de modèles, seuls Google et OpenAI ont publié des chiffres d'énergie par requête. Anthropic, Microsoft, xAI et Apple n'ont divulgué aucune métrique environnementale par requête.

Spoiler :

La Géographie Cachée de Chaque Requête IA

Derrière chaque requête se cache une infrastructure croissante d'énergie, d'eau, de terres et de matériel mis au rebut. Une vague de recherches récentes émanant de l'AIE, du MIT, de Nature Sustainability et des Nations Unies rend ce tableau d'ensemble de plus en plus difficile à ignorer.


Note sur les citations : Chaque statistique de cet article est suivie d'une référence entre crochets. Les détails complets des sources sont listés en fin d'article. Pour les publications en ligne (AIE, Brookings, Pew), les numéros de page ne s'appliquent pas car les rapports sont structurés en chapitres web — des références de section sont données à la place. Pour les PDF, les numéros de page sont indiqués lorsqu'ils sont accessibles. Pour le rapport UNU-INWEH, le PDF complet est disponible sur inweh.unu.edu/publications (DOI : 10.53328/INR26RMA002) ; les chiffres cités ici figurent dans le résumé exécutif et les chapitres du document.




La manière habituelle d'aborder l'impact environnemental de l'IA est de parler de carbone. Quelle quantité de CO2 a été émise pour entraîner GPT-4 ? Quelle est l'empreinte carbone d'une requête ChatGPT ? Ce sont de vraies questions avec de vraies réponses, et les chiffres sont suffisamment significatifs pour être pris au sérieux. Mais une vague de recherches publiées au cours des dix-huit derniers mois avance un argument différent : le carbone n'est pas la seule métrique pertinente, et dans certains cas, ce n'est même pas la plus urgente.

Un rapport complet publié par l'Institut des Nations Unies pour l'eau, l'environnement et la santé le 3 juin 2026 l'a formulé clairement : « Les coûts environnementaux de l'IA et des centres de données ne peuvent pas être compris à travers les seules émissions de carbone. » [UNU-INWEH, 2026 — Résumé exécutif] Les chercheurs, dirigés par le professeur Kaveh Madani, ont pour la première fois quantifié dans une seule étude les empreintes carbone, eau et terres de la consommation électrique de l'IA à l'échelle mondiale. Ce qu'ils ont découvert complique considérablement le récit. Des solutions qui semblent vertes du point de vue du carbone peuvent être nettement plus néfastes pour l'eau ou les terres. Les communautés qui supportent les coûts physiques de l'infrastructure IA ne sont souvent pas celles qui en recueillent les bénéfices. Et les cadres de mesure que la plupart des entreprises utilisent pour rendre compte de leurs performances environnementales sont structurellement incomplets.

Cet article examine ce que la recherche dit réellement, dimension par dimension, puis s'interroge sur la signification des gains d'efficacité produits au cours de la même période.


Le Point de Départ Énergétique

Le point de départ, c'est l'électricité, car tout en découle.

Selon le rapport phare de l'AIE intitulé Énergie et IA, publié en avril 2025, la consommation mondiale d'électricité des centres de données a atteint environ 415 térawattheures en 2024, soit environ 1,5 % de la demande mondiale totale d'électricité [AIE Énergie et IA, 2025 — Chapitre 2, Section 2.2.1]. Ce chiffre a progressé d'environ 12 % par an depuis 2017, soit plus de quatre fois plus vite que la consommation mondiale totale d'électricité [AIE Énergie et IA, 2025 — Chapitre 2, Section 2.2.1]. Les États-Unis représentent la plus grande part avec environ 45 %, suivis de la Chine avec 25 % et de l'Europe avec 15 % [AIE Énergie et IA, 2025 — Résumé exécutif, p. 13].

En avril 2026, l'AIE a publié un rapport de suivi actualisant ses projections. Il a constaté que la demande d'électricité des centres de données avait augmenté de 17 % en 2025 [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif]. Plus précisément, la consommation d'électricité des centres de données axés sur l'IA a augmenté de 50 % en une seule année [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif]. La projection centrale de l'AIE prévoit un doublement de la consommation mondiale d'électricité des centres de données, passant de 485 térawattheures en 2025 à 950 térawattheures d'ici 2030, représentant alors environ 3 % de la demande mondiale totale d'électricité [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif]. Les charges de travail axées sur l'IA au sein de ce total devraient tripler sur la même période [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif].

Pour replacer ces chiffres dans leur contexte : d'ici 2030, la demande mondiale d'électricité des centres de données serait approximativement équivalente à la consommation annuelle combinée du Pakistan, du Bangladesh et du Nigeria, des pays qui comptent collectivement plus de 650 millions d'habitants [UNU-INWEH, 2026 — Résumé exécutif]. Cette comparaison est tirée directement du rapport UNU-INWEH.

La concentration géographique de cette demande est aussi importante que son volume global. Les centres de données irlandais utilisent déjà plus de 20 % de l'approvisionnement électrique national du pays [Brookings, 2026 — Section : « Geographic Concentration »]. En Virginie du Nord, ils représentent environ 26 % de la consommation totale d'électricité de l'État [Pew Research Center, 2025]. En 2023, un seul marché électrique s'étendant de l'Illinois à la Caroline du Nord a signalé que les centres de données avaient engendré 9,3 milliards de dollars de coûts de capacité supplémentaires, susceptibles de se traduire par des augmentations de factures d'électricité de 16 à 18 dollars par mois pour les clients résidentiels moyens des États les plus touchés [Pew Research Center, 2025]. Une étude de l'Université Carnegie Mellon a estimé que les centres de données et le minage de cryptomonnaies pourraient ensemble entraîner une augmentation de 8 % de la facture d'électricité moyenne aux États-Unis d'ici 2030, pouvant dépasser 25 % dans les marchés à la demande la plus élevée [Pew Research Center, 2025].


Le Tableau Carbone

La consommation d'électricité ne se traduit pas directement en émissions de carbone. Le mix énergétique alimentant un centre de données détermine son intensité d'émissions, qui varie considérablement selon les régions et dans le temps.

L'AIE a constaté que le charbon, avec une part d'environ 30 %, est actuellement la principale source d'électricité pour les centres de données à l'échelle mondiale, bien que cette concentration soit la plus élevée en Chine [AIE Énergie et IA, 2025 — Chapitre 3 : Approvisionnement énergétique pour l'IA]. Les énergies renouvelables fournissent environ 27 %, le gaz naturel 26 % et le nucléaire 15 % [AIE Énergie et IA, 2025 — Chapitre 3]. L'AIE prévoit que les énergies renouvelables couvriront près de la moitié de la demande électrique supplémentaire des centres de données d'ici 2030, mais aussi que le gaz naturel et le charbon ensemble couvriront plus de 40 % de la demande supplémentaire sur la même période [AIE Énergie et IA, 2025 — Chapitre 3]. Il en résulte que les émissions de CO2 liées à la production d'électricité pour les centres de données devraient culminer à environ 320 millions de tonnes d'ici 2030 avant d'amorcer un léger déclin [AIE Énergie et IA, 2025 — Chapitre 3].

L'entraînement des modèles frontier représente l'utilisation d'énergie la plus visible, et les chiffres sont frappants. Le rapport UNU-INWEH estime que l'entraînement de GPT-4 a vraisemblablement consommé entre 50 et 70 gigawattheures d'électricité sur environ 100 jours [UNU-INWEH, 2026 — Résumé exécutif]. Pour replacer cela dans son contexte : avec une consommation électrique annuelle moyenne des ménages américains d'environ 10 500 kilowattheures [US EIA, Enquête sur la consommation résidentielle d'énergie 2023], l'entraînement de GPT-4 une seule fois a consommé à peu près autant d'électricité que 5 000 à 6 700 foyers américains en utilisent en une année entière. Les projections pour des modèles à l'échelle de GPT-5 suggèrent des besoins d'électricité pour l'entraînement avoisinant les 100 gigawattheures [UNU-INWEH, 2026 — Résumé exécutif].

Il convient d'être précis sur ce qui contribue à l'empreinte carbone d'une requête IA. Un article de recherche Microsoft de 2026 signé Oviedo et ses collègues a proposé un cadre ascendant pour estimer l'énergie d'inférence dans des conditions proches de la production, tenant compte de l'utilisation des GPU et CPU, des frais généraux de refroidissement, des équipements réseau et de l'infrastructure des centres de données [Oviedo et al., 2026 — prépublication arXiv]. La propre divulgation de Google, publiée en août 2025, a révélé que les GPU et TPU ne représentent que 58 % de l'énergie par requête Gemini ; le reste est consommé par les CPU, la mémoire, les systèmes de redondance et les frais généraux des centres de données [Google / Elsworth et al., 2025 — arXiv:2508.15734, Section 4.3].

Les chiffres par requête varient considérablement selon le modèle et le type de tâche. Google a signalé une médiane de 0,24 watt-heure par requête texte Gemini [Google / Elsworth et al., 2025 — arXiv:2508.15734, Figure 4]. Le PDG d'OpenAI, Sam Altman, a divulgué environ 0,34 watt-heure par requête ChatGPT moyenne [tel que rapporté par Earth911, mars 2026, citant la déclaration publique d'Altman de juin 2025]. Les modèles de raisonnement racontent une autre histoire : une étude comparant 30 modèles a constaté que o3 et DeepSeek-R1 consommaient plus de 33 watt-heures par longue requête, soit plus de 70 fois l'énergie de modèles plus simples pour la même tâche [Jegham et al., cité dans Earth911, 2026]. La génération d'une courte vidéo nécessite environ 25 fois plus d'énergie qu'une requête textuelle [AIE Énergie et IA, 2025 — Chapitre 1, Section 1.4.1].


L'Eau : La Dimension que Personne ne Mesure

L'empreinte eau de l'IA est, selon une étude de 2025 publiée dans Nature Sustainability, « l'une des conséquences les moins explorées de l'expansion rapide de l'IA ». [Patterson et al., Nature Sustainability, 2025 — Résumé]

Les centres de données utilisent l'eau de deux façons. La consommation directe désigne l'eau utilisée sur site, principalement pour le refroidissement par évaporation dans les tours de refroidissement. La consommation indirecte désigne l'eau utilisée par les centrales électriques pour produire l'électricité qui alimente le centre de données. Les deux sont substantielles, et aucune n'est actuellement soumise à des exigences de divulgation complètes.

Li et ses collègues ont estimé que l'entraînement de GPT-3 dans les centres de données américains de Microsoft a nécessité environ 700 000 litres d'eau sur site pour le refroidissement seul, la consommation totale d'eau incluant l'empreinte indirecte atteignant environ 5,4 millions de litres [Li et al., 2023, cité dans l'Expert Assessment of Systemic Environmental Risks of AI, arXiv:2512.11863, Section 3.2.2]. Le même groupe de recherche a projeté que les prélèvements d'eau mondiaux liés à l'IA pourraient atteindre 4,2 à 6,6 milliards de mètres cubes par an d'ici 2027, soit quatre à six fois la consommation annuelle d'eau du Danemark ou environ la moitié de celle du Royaume-Uni [Li et al., 2023, cité dans arXiv:2512.11863, Section 3.2.2].

Le rapport UNU-INWEH projette qu'en 2030, l'empreinte eau des opérations des centres de données liées à l'IA sera équivalente aux besoins domestiques annuels de base en eau des 1,3 milliard de personnes d'Afrique subsaharienne [UNU-INWEH, 2026 — Résumé exécutif].

L'étude Nature Sustainability a constaté que les serveurs IA aux États-Unis seuls pourraient nécessiter entre 731 et 1 125 millions de mètres cubes d'eau par an d'ici 2030 [Patterson et al., Nature Sustainability, 2025 — Résumé ; doi:10.1038/s41893-025-01681-y]. Pour le contexte, les centres de données américains consommaient déjà environ 64 millions de mètres cubes d'eau en 2023, dont 84 % utilisés par les installations hyperscale et de colocation [Pew Research Center, 2025, citant le rapport AIE 2024 sur les centres de données].

La géographie aggrave le problème. De nombreux centres de données sont situés dans des régions confrontées à un stress hydrique existant. Les chercheurs de l'UNU-INWEH ont constaté que la cartographie de la construction des centres de données par rapport aux régions soumises au stress hydrique pointe fréquemment vers les mêmes endroits [UNU-INWEH, 2026 — Chapitre sur la distribution géographique]. Les communautés accueillant ces installations ne sont, selon les mots de l'un des co-auteurs du rapport, le Dr. Mir Matin, souvent « pas celles qui utilisent l'IA qui y est exécutée ». [Communiqué de presse UNU-INWEH, EurekAlert, 3 juin 2026]

Une autre complication identifiée dans la recherche est que les cadres de mesure de l'utilisation de l'eau sont eux-mêmes inadéquats. La métrique standard d'efficacité de l'utilisation de l'eau (Water Usage Effectiveness) utilisée par l'industrie mesure l'utilisation annuelle d'eau sur site divisée par la consommation d'énergie des équipements informatiques, mais elle ne tient pas compte des impacts en amont sur l'eau, du stress hydrique local ou de la durabilité des sources [Privette et al., AGU Advances, février 2026 — doi:10.1029/2025AV002140]. Un article de 2026 dans AGU Advances a constaté que les opérateurs de centres de données manquent de transparence et de cohérence dans leurs rapports pour permettre des comparaisons ou une responsabilisation significatives [Privette et al., AGU Advances, 2026].

Une mise en garde importante concernant les énergies renouvelables : le constat du rapport UNU-INWEH selon lequel « faible émission de carbone ne signifie pas automatiquement faible consommation d'eau ou faible occupation des terres » mérite une attention particulière. Le passage du charbon à la bioénergie, par exemple, peut réduire les émissions de carbone par kilowattheure d'environ 70 % en moyenne, tout en multipliant l'empreinte eau par plus de trente et l'empreinte foncière par cent [UNU-INWEH, 2026 — Résumé exécutif]. Les décisions prises au nom de la décarbonation peuvent déplacer les charges environnementales sans les réduire dans leur ensemble.


Usage des Terres et Déchets Électroniques : Les Empreintes Moins Discutées

Le rapport UNU-INWEH se distingue par l'inclusion de l'utilisation des terres comme troisième dimension environnementale, presque totalement absente des rapports sectoriels précédents. D'ici 2030, les chercheurs projettent que l'utilisation des terres par les centres de données liés à l'IA dépassera 14 500 kilomètres carrés, soit environ deux fois la superficie de la zone métropolitaine de Jakarta, qui abrite plus de 32 millions de personnes [UNU-INWEH, 2026 — Résumé exécutif].

La dimension des déchets électroniques croît en parallèle. Les cycles de renouvellement du matériel IA sont plus courts que ceux des équipements informatiques traditionnels, car les puces plus récentes traitent davantage de données, font fonctionner des modèles plus grands et fonctionnent de manière plus efficace, ce qui signifie que les générations plus anciennes deviennent économiquement obsolètes plus rapidement. La durée de vie des GPU dans les environnements de production IA est typiquement de deux à cinq ans [Conservation Nebraska, citant le MIT Technology Review, 2025].

Le groupe de recherche de Gröger et ses collègues a estimé en 2025 que l'expansion des centres de données entre 2023 et 2030 pourrait ajouter environ 4,2 millions de tonnes de déchets électroniques au flux mondial annuel de déchets électroniques de 62 millions de tonnes [Gröger et al., 2025, cité dans Expert Assessment arXiv:2512.11863, Section 3.3]. Une estimation plus large de Wang et ses collègues a situé le total des déchets électroniques supplémentaires provenant de l'IA générative seule entre 2020 et 2030 entre 1,2 et 5 millions de tonnes [Wang et al., 2024, cité dans arXiv:2512.11863, Section 3.3]. Le rapport UNU-INWEH projette que l'infrastructure IA pourrait générer jusqu'à 2,5 millions de tonnes de déchets électroniques par an d'ici 2030 [UNU-INWEH, 2026 — Résumé exécutif].

Les déchets électroniques de l'infrastructure IA ont une distribution géographique disproportionnée. La plupart sont traités dans des pays à faible revenu avec des garanties limitées. À l'échelle mondiale, seuls environ 22 % des déchets électroniques sont formellement collectés et recyclés [IndexBox, avril 2026, citant les données du Global E-Waste Monitor]. Les minéraux critiques intégrés dans le matériel IA, y compris les terres rares nécessaires à la fabrication des puces, sont également principalement extraits dans des juridictions à faible surveillance environnementale, et les déchets de fabrication de semi-conducteurs auraient doublé entre 2016 et 2024 [Expert Assessment arXiv:2512.11863, Section 3.3, citant Hess, 2024].


L'Argument de l'Efficacité

Un traitement honnête de l'empreinte environnementale de l'IA doit prendre au sérieux la question de l'efficacité, car elle est réelle et significative.

La mise à jour d'avril 2026 de l'AIE a déclaré que l'efficacité énergétique de l'IA s'améliore à un rythme « sans précédent dans l'histoire de l'énergie » [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif]. Les avancées logicielles et matérielles ont entraîné une réduction du coût énergétique par tâche IA d'au moins un ordre de grandeur par an ces dernières années [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif]. L'indice d'efficacité énergétique des supercalculateurs IA s'est amélioré d'environ 1,34 fois par an entre 2019 et 2025 [EpochAI Trends in AI Supercomputers, arXiv:2504.16026, Figure 11].

Google a publié un article détaillé en août 2025 montrant que sur une période de douze mois de mai 2024 à mai 2025, la consommation d'énergie médiane par requête texte Gemini a diminué de 33 fois et l'empreinte carbone associée de 44 fois [Google / Elsworth et al., 2025 — arXiv:2508.15734, Section 4.3]. Les gains étaient principalement d'origine logicielle, notamment une réduction de 23 fois grâce aux seules améliorations du modèle [Google / Elsworth et al., 2025 — arXiv:2508.15734, Section 4.3].

L'entraînement du modèle V3 de DeepSeek, divulgué fin 2024, a démontré que des capacités frontier compétitives pouvaient être atteintes à une fraction des coûts d'entraînement conventionnels, en partie grâce à des innovations architecturales incluant des approches Mixture-of-Experts qui n'activent qu'un sous-ensemble des paramètres du modèle pour chaque requête [Brookings, 2026 — Section : « Efficiency and DeepSeek »].

Ce ne sont pas des améliorations marginales. Elles représentent des réductions réelles et à grande échelle du coût environnemental de la fourniture d'une unité donnée de capacité IA. L'AIE note qu'une simple requête texte consomme désormais typiquement moins d'électricité que regarder la télévision pendant la même durée [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif].

Le problème, et c'est un problème structurel, est que les gains d'efficacité et la croissance de la demande évoluent dans des directions opposées, et que la demande l'emporte en termes absolus. De plus en plus de personnes utilisent l'IA. Les usages énergivores, notamment les modèles de raisonnement à contexte long et les systèmes agentiques qui enchaînent de multiples requêtes pour accomplir des tâches, représentent une part croissante de l'utilisation totale. Un modèle de raisonnement comme o3 ou DeepSeek-R1 peut consommer 70 fois plus d'énergie qu'un modèle plus léger pour une sortie équivalente [Jegham et al., cité dans Earth911, 2026]. Une seule tâche agentique déclenchant une chaîne d'opérations peut multiplier par un ordre de grandeur l'empreinte énergétique de ce qui apparaît comme une seule requête utilisateur [Oviedo et al., 2026, tel que discuté dans l'analyse devsustainability.com, mai 2026]. Les projections actualisées de l'AIE le reflètent : malgré les améliorations d'efficacité par tâche, la consommation totale d'électricité des centres de données reste sur la trajectoire d'un doublement d'ici 2030 [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif].

C'est une version d'un phénomène économique bien connu parfois appelé paradoxe de Jevons : les améliorations d'efficacité tendent à être dépassées par les augmentations de consommation, car des coûts unitaires plus faibles rendent une utilisation élargie économiquement attractive. L'histoire de l'informatique confirme ce schéma. Les ordinateurs sont devenus considérablement plus efficaces énergétiquement par calcul entre 1990 et 2010. La consommation totale d'énergie informatique a augmenté substantiellement sur la même période.


Le Problème de la Transparence

Traversant toutes ces dimensions se pose un problème de transparence qui rend le tableau environnemental plus difficile à évaluer qu'il ne devrait l'être.

Seules deux entreprises IA, Google et OpenAI, ont publié des chiffres d'énergie spécifiques par requête [Earth911, mars 2026 — « Your AI Carbon Footprint »]. L'article d'août 2025 de Google fournit une méthodologie détaillée [Elsworth et al., arXiv:2508.15734]. Le chiffre d'OpenAI provient d'une déclaration publique de son PDG. Anthropic, qui exploite Claude, n'a pas divulgué de chiffres d'énergie par requête et n'avait, au mars 2026, publié aucun rapport sur ses émissions de scope 1, 2 ou 3 [Earth911, mars 2026]. Microsoft Copilot, Grok de xAI et Apple n'ont publié aucune métrique environnementale par requête [Earth911, mars 2026].

Les incohérences méthodologiques dans les chiffres qui existent sont significatives. Les chiffres d'énergie par requête publiés utilisent des périmètres système différents, des définitions différentes de ce qui compte comme frais généraux d'infrastructure, des hypothèses différentes sur l'efficacité des centres de données et des règles différentes de comptabilisation du carbone [Brookings, 2026 — Section : « Transparency and Disclosure »]. Les comparaisons entre modèles dépendent donc d'hypothèses sous-jacentes qui sont rarement divulguées avec les chiffres titres.

Ce n'est pas un simple écart de reporting. C'est une limitation fondamentale à la capacité des chercheurs, des décideurs politiques et des organisations à prendre des décisions éclairées. Le rapport mondial 2026 des DSI de Logicalis a constaté que seulement 39 % des DSI sont confiants que leurs organisations gèrent activement l'impact environnemental de leurs charges de travail IA [Logicalis, Rapport mondial CIO 2026, mars 2026].

Le 23 juin 2026, le Secrétaire général des Nations Unies, António Guterres, a lancé l'Initiative de Transparence Environnementale IA lors de la Semaine d'action climatique de Londres, appelant les principales entreprises d'IA à divulguer publiquement l'intégralité des impacts environnementaux de leurs systèmes et à s'engager à alimenter tous les centres de données avec des énergies renouvelables d'ici 2030 [Communiqué de presse UNU-INWEH, EurekAlert, 23 juin 2026]. L'initiative a été directement inspirée par les recommandations du rapport UNU-INWEH.


L'Autre Côté du Bilan

La recherche ne soutient pas un récit simpliste faisant de l'IA un ennemi de l'environnement. Le même rapport de l'AIE qui documente la croissance de la consommation d'énergie des centres de données identifie également un potentiel significatif pour l'IA de réduire les émissions dans l'économie plus large.

La détection des pannes assistée par IA pourrait réduire la durée des pannes de réseau de 30 à 50 % [AIE Énergie et IA, 2025 — Résumé exécutif, p. 13]. L'optimisation de la capacité des lignes de transmission par IA pourrait libérer jusqu'à 175 gigawatts de capacité de transmission supplémentaire sans construire de nouvelles infrastructures, soit plus que l'augmentation totale prévue de la charge électrique des centres de données d'ici 2030 dans le scénario de base de l'AIE [AIE Énergie et IA, 2025 — Résumé exécutif, p. 13]. Les applications IA dans les industries énergivores pourraient réduire les coûts énergétiques de 3 à 10 points de pourcentage [AIE Questions clés sur l'énergie et l'IA, 2026 — Résumé exécutif]. Le système DeepMind de Google, appliqué à l'optimisation du refroidissement dans ses propres centres de données, a réduit la consommation d'énergie de refroidissement d'environ 40 % [ExplainX.ai, juin 2026, citant les résultats publiés par Google DeepMind].

Dans la modélisation climatique, les systèmes de prévision météorologique IA, notamment FourCastNet de NVIDIA et Pangu-Weather de Huawei, ont démontré des compétences comparables à la prévision numérique du temps conventionnelle à une fraction du coût de calcul [ExplainX.ai, juin 2026]. Le Centre européen pour les prévisions météorologiques à moyen terme a intégré des composants IA dans ses systèmes opérationnels en juillet 2025 [ECMWF Media Centre News, 1er juillet 2025]. Ces applications ont des conséquences matérielles pour les alertes aux inondations, le suivi des tempêtes et la gestion du réseau électrique lors d'événements météorologiques extrêmes.

Un article de 2025 publié dans npj Climate Action par Stern, Romani, Pierfederici et leurs collègues a présenté le cas de l'IA comme outil de la transition énergétique : optimisation de la gestion du réseau, prévision de la production d'énergies renouvelables, gestion des ressources énergétiques distribuées, accélération de la découverte de matériaux pour les batteries et les cellules solaires [Stern et al., npj Climate Action, 2025 — doi:10.1038/s44168-025-00252-3].

La position honnête est que l'impact environnemental net de l'IA est genuinement incertain et dépend fortement de la façon dont la technologie se développe et dont elle est gouvernée. Si l'IA accélère substantiellement la décarbonation de l'industrie lourde, des transports et des systèmes énergétiques, l'effet net sur les émissions pourrait être positif même en tenant compte de la demande des centres de données. Si elle génère principalement de nouveaux usages de divertissement grand public et de travail intellectuel sans déplacer les activités à fortes émissions, la balance se présente différemment.


Ce que la Recherche Demande Réellement

La convergence de rapports de l'AIE, du MIT, de Nature Sustainability, de l'Université des Nations Unies, de Brookings et de multiples revues scientifiques à comité de lecture n'est pas un appel à arrêter d'utiliser l'IA. La formulation du professeur Kaveh Madani dans le rapport UNU-INWEH vaut la peine d'être citée directement : « Ce rapport n'est pas un réquisitoire contre l'intelligence artificielle, une transformation technologique qui améliore la vie de milliards de personnes dans le monde. C'est un appel à l'utiliser de manière responsable. » [UNU-INWEH, 2026 — Avant-propos / Résumé exécutif]

Ce que la recherche demande de manière cohérente est plus spécifique : des rapports environnementaux standardisés couvrant les empreintes carbone, eau et terres sur l'ensemble du cycle de vie des systèmes IA ; l'intégration de l'infrastructure IA dans la planification nationale de l'énergie, de l'eau et de l'utilisation des terres ; l'efficacité dès la conception comme exigence plutôt qu'une réflexion après coup ; et des cadres de gouvernance tenant compte de l'iniquité géographique des coûts et des bénéfices de l'IA [UNU-INWEH, 2026 — Section Recommandations ; Privette et al., AGU Advances, 2026].

L'initiative de transparence du Secrétaire général des Nations Unies, si elle produit des exigences contraignantes, comblerait le déficit de divulgation qui rend actuellement la plupart des autres approches de gouvernance difficiles à mettre en œuvre. Comme l'a formulé le professeur Madani : « Nous ne pouvons pas gérer correctement ce que nous ne mesurons pas. » [Communiqué de presse UNU-INWEH, EurekAlert, 23 juin 2026]

Pour les organisations utilisant l'IA, l'implication pratique est que le coût environnemental des charges de travail IA n'est actuellement pas visible dans les données que la plupart des entreprises suivent. La consommation d'énergie se situe chez les fournisseurs cloud. L'utilisation d'eau se situe dans les centres de données d'autres géographies. Les déchets électroniques arrivent à la fin des cycles de renouvellement du matériel. La comptabilisation du carbone utilise typiquement des certificats contractuels d'énergie renouvelable qui peuvent ne pas refléter le mix énergétique réel de l'électricité physiquement consommée. Construire un tableau plus précis nécessite de poser des questions différentes aux fournisseurs et d'aller au-delà des métriques que les cadres actuels de reporting en matière de développement durable ont été conçus pour capturer.

L'infrastructure derrière chaque requête IA est profondément physique. La recherche des dix-huit derniers mois a rendu l'ampleur de cette empreinte physique plus claire qu'elle ne l'a jamais été. Ce qui advient de cette clarté relève désormais autant d'une question de gouvernance et d'institutions que d'une question technique.


Liste Complète des Sources

[AIE Énergie et IA, 2025]
AIE. Énergie et IA. Avril 2025. Paris : Agence internationale de l'énergie.
Web : https://www.iea.org/reports/energy-and-ai
PDF : https://iea.blob.core.windows.net/assets/de...EnergyandAI.pdf
Note : La version web est structurée par chapitre, sans pagination. La table des matières du PDF commence à la p. 9. Le Chapitre 1 (L'essor de l'IA) commence à la p. 19 ; le Chapitre 2 (Énergie pour l'IA) commence à la p. 49 ; le Chapitre 3 (Approvisionnement énergétique) suit plus loin dans le document. Résumé exécutif pp. 13–17.

[AIE Questions clés sur l'énergie et l'IA, 2026]
AIE. Questions clés sur l'énergie et l'IA. Avril 2026. Paris : Agence internationale de l'énergie.
Web : https://www.iea.org/reports/key-questions-o...ecutive-summary
Note : Publication uniquement en ligne, sans pagination PDF. Tous les chiffres cités proviennent du chapitre Résumé exécutif.

[UNU-INWEH, 2026]
Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T., Madani, K. (2026). Coût environnemental de l'utilisation d'énergie par l'IA : empreintes carbone, eau et terres. Institut des Nations Unies pour l'eau, l'environnement et la santé (UNU-INWEH), Richmond Hill, Ontario, Canada.
DOI : 10.53328/INR26RMA002
Téléchargement : https://inweh.unu.edu/publications
Note : PDF complet disponible au lien ci-dessus. Les chiffres cités — 945 TWh d'ici 2030, empreinte eau équivalente aux besoins de 1,3 milliard de personnes, utilisation des terres dépassant 14 500 km², 2,5 millions de tonnes de déchets électroniques par an d'ici 2030, énergie GPT-4 de 50–70 GWh — figurent dans le résumé exécutif et les chapitres du document. Les numéros de page varient selon la version PDF ; le lien DOI fournit la version canonique.

[Patterson et al., Nature Sustainability, 2025]
Patterson, J. et al. « Environmental impacts and net-zero pathways for sustainable artificial intelligence servers in the USA. » Nature Sustainability, 2025.
DOI : 10.1038/s41893-025-01681-y
Web : https://www.nature.com/articles/s41893-025-01681-y
Chiffres clés : 731–1 125 millions de m³ de demande annuelle en eau aux États-Unis liée aux serveurs IA d'ici 2030 ; 24–44 Mt d'équivalent CO2 d'émissions carbone annuelles supplémentaires. Ces chiffres figurent dans le Résumé et la section Résultats.

[Google / Elsworth et al., 2025]
Elsworth, R. et al. « Measuring the environmental impact of delivering AI at Google Scale. » Août 2025.
arXiv : 2508.15734
PDF : https://arxiv.org/pdf/2508.15734
Chiffres clés : réduction de 33x de l'énergie par requête, réduction de 44x de l'empreinte carbone sur 12 mois. Section 4.3 (Gemini Emissions Efficiency Gains) ; les GPU/TPU représentent 58 % de l'énergie par requête, également Section 4.3.

[Oviedo et al., 2026]
Oviedo, F. et al. « Energy use of AI inference: estimates and efficiency opportunities. » Microsoft Research, 2026.
Analyse et discussion : https://www.devsustainability.com/p/energy-...rence-estimates
Chiffres clés : cadre ascendant d'estimation de l'énergie d'inférence ; mise à l'échelle de l'énergie des modèles de raisonnement de 0,31 Wh à 3,91 Wh par requête en mise à l'échelle au moment du test.

[Brookings, 2026]
Brookings Institution. « Global energy demands within the AI regulatory landscape. » Avril 2026.
Web : https://www.brookings.edu/articles/global-e...tory-landscape/
Chiffres clés : Irlande 20%+ d'électricité nationale ; Virginie du Nord 26% de l'électricité de l'État ; projections AIE, Deloitte, Goldman Sachs et Bloomberg consolidées.

[Pew Research Center, 2025]
Pew Research Center. « What we know about energy use at U.S. data centers amid the AI boom. » Octobre 2025.
Web : https://www.pewresearch.org/short-reads/202...id-the-ai-boom/
Chiffres clés : augmentation de 9,3 milliards de dollars du marché de capacité PJM ; augmentations des factures résidentielles de 16–18 $/mois ; utilisation d'eau des centres de données américains en 2023 de 17 milliards de gallons (64 millions de m³) ; estimations Carnegie Mellon de 8% et 25% d'augmentation des factures d'électricité.

[Privette et al., AGU Advances, 2026]
Privette, A. et al. « Data Centers Water Footprint: The Need for More Transparency. » AGU Advances, février 2026.
DOI : 10.1029/2025AV002140
Web : https://agupubs.onlinelibrary.wiley.com/doi...29/2025AV002140

[Expert Assessment arXiv:2512.11863]
« Expert Assessment: The Systemic Environmental Risks of Artificial Intelligence. » arXiv:2512.11863, 2025.
PDF : https://arxiv.org/pdf/2512.11863
Chiffres clés : données eau GPT-3 de Li et al., Section 3.2.2 ; estimation de 4,2 Mt de déchets électroniques de Gröger et al. et estimation de 1,2–5 Mt de déchets électroniques IA générative de Wang et al., Section 3.3.

[EpochAI, arXiv:2504.16026]
« Trends in AI Supercomputers. » arXiv:2504.16026, 2025.
PDF : https://arxiv.org/pdf/2504.16026
Chiffre clé : amélioration de l'efficacité énergétique de 1,34x/an pour les supercalculateurs IA 2019–2025, Figure 11.

[Stern et al., npj Climate Action, 2025]
Stern, N., Romani, M., Pierfederici, R. et al. « Green and intelligent: the role of AI in the climate transition. » npj Climate Action 4, 56 (2025).
DOI : 10.1038/s44168-025-00252-3
Web : https://www.nature.com/articles/s44168-025-00252-3

[Earth911, 2026]
« Your AI Carbon Footprint: What Every Query Really Costs. » Earth911, 29 mars 2026.
Web : https://earth911.com/home-garden/your-ai-ca...y-really-costs/
Chiffres clés : divulgations d'énergie par requête de Google et OpenAI ; statut de divulgation d'Anthropic et autres fournisseurs ; comparaison de 30 modèles par Jegham et al.

[MIT News, 2025]
Bashir, N. et al. « Explained: Generative AI's environmental impact. » MIT News, janvier 2025.
Web : https://news.mit.edu/2025/explained-generat...tal-impact-0117

[Logicalis, 2026]
Logicalis. « Rapport mondial CIO 2026. » Mars 2026.
Web : https://www.us.logicalis.com/news/Logicalis-2026-CIO-Report
Chiffre clé : 39 % des DSI confiants que leur organisation gère l'impact environnemental de l'IA.

[UNU-INWEH / Communiqués de presse EurekAlert]
3 juin 2026 : https://www.eurekalert.org/news-releases/1130097
23 juin 2026 (Initiative SG ONU) : https://www.eurekalert.org/news-releases/1133347

[US EIA, Consommation résidentielle d'énergie]
Agence américaine d'information sur l'énergie. Enquête sur la consommation résidentielle d'énergie 2023.
Web : https://www.eia.gov/consumption/residential/
Chiffre clé : consommation électrique annuelle moyenne d'un foyer américain d'environ 10 500 kWh/an.

[ECMWF, 2025]
ECMWF. « ECMWF's Ensemble AI Forecasts Become Operational. » 1er juillet 2025.
Web : https://www.ecmwf.int/en/about/media-centre...ome-operational

[TrappACouilles]

Faut voir ce que ça remplace surtout.

[Pathfinder]

Faut voir ce que ça remplace surtout.

C'est une partie que je traite a la fin, c'est pas tout noir: "La position honnête est que l'impact environnemental net de l'IA est incertain et dépend fortement de la façon dont la technologie se développe et dont elle est gouvernée. Si l'IA accélère substantiellement la décarbonation de l'industrie lourde, des transports et des systèmes énergétiques, l'effet net sur les émissions pourrait être positif même en tenant compte de la demande des centres de données. Si elle génère principalement de nouveaux usages de divertissement grand public et de travail intellectuel sans déplacer les activités à fortes émissions, la balance se présente différemment."

[florian]

Suite a la remarque de Tchoune et mon interpretation du commentaire de florian sur ce meme topic, j'ai fait des recherches sur l'IA et son impact envirronemental

Oui j'évoquais en effet la catastrophe écologique que représente l'avènement de l'IA. Et je vous citais car ça illustre bien l'évolution en cours, mais je sais bien que même si Trapp et toi ne déléguiez pas autant vos tâches quotidiennes pour passer plus de temps ici ça ne changerait pas grand chose au problème
Merci pour l'article, je ne sais pas si ces estimations prennent bien en compte le délire de la course à l'armement que se mènent actuellement USA et Chine pour s'assurer la domination dans le secteur. En tout cas, savoir qu'on en n'est qu'aux balbutiements et que des frappadingues comme Elon Musk sont aux manettes me terrifie.
Pour tenter de positiver il faut plutôt regarder du coté de ceux qui cherchent à réinventer le matériel informatique à cette nouvelle donne, comme cette startup nantaise sait-on jamais...

Faut voir ce que ça remplace surtout.

Si elle génère principalement de nouveaux usages de divertissement grand public et de travail intellectuel sans déplacer les activités à fortes émissions

Oui oui on va en faire bon usage y a aucun doute à avoir

[sukercop]

Je comprends toujours pas ce que cette merde nous apporte.

[Alain Miamdelin]

* 1,3 milliard - L'empreinte "eau" des centres de données IA sera équivalente aux besoins domestiques annuels de base de toute la population d'Afrique subsaharienne.

Ça marche toujours cet argument ? C'est les robots qui boivent de l'eau ?

Ces gens ont-ils visités un datacenter ?

[Rjay]

C'est Path qui a écrit l'article. Mais je ne sais pas sur quelles sources.

[Alain Miamdelin]

C'est Path qui a écrit l'article. Mais je ne sais pas sur quelles sources.

Je les connais les sources. Déjà ils sont passés de consommation à "emprunte eau" cimer.

[Pathfinder]

Ça marche toujours cet argument ? C'est les robots qui boivent de l'eau ?

Ces gens ont-ils visités un datacenter ?

Les deux sources principales de consommation d'eau sont:
- Les tours de refroidissements qui permettent aux data-centers de se maintenir au froid -> Utilisation directe
- L'eau utilisée pour produire l'éléctricité, par exemple pour refoidir une centrale nucleaire -> Utilisation indirecte

A titre d'exemple, pour faire l'entrainement de GPT-4, on estime que cela a utilisé environ 700m3 d'eau en utilisation directe et environ 5,400m3 d'eau en utilisation indirecte (Une piscine olympique fait environ 2,500m3).

Je les connais les sources. Déjà ils sont passés de consommation à "emprunte eau" cimer.

J'ai ecrit l'artcile en Anglais, j'ai juste fait une traduction avec Claude, j'allais pas passé des heures a traduire en Francais juste pour le forum.

Sinon les sources:
[IEA Energy and AI, 2025] IEA. Energy and AI. April 2025. Paris: International Energy Agency.

[IEA Key Questions on Energy and AI, 2026] IEA. Key Questions on Energy and AI. April 2026. Paris: International Energy Agency.

[UNU-INWEH, 2026] Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T., Madani, K. (2026). Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints. United Nations University Institute for Water, Environment and Health (UNU-INWEH), Richmond Hill, Ontario, Canada.

[Patterson et al., Nature Sustainability, 2025] Patterson, J. et al. “Environmental impacts and net-zero pathways for sustainable artificial intelligence servers in the USA.” Nature Sustainability, 2025.

[Google / Elsworth et al., 2025] Elsworth, R. et al. “Measuring the environmental impact of delivering AI at Google Scale.” August 2025. arXiv: 2508.15734

[Oviedo et al., 2026] Oviedo, F. et al. “Energy use of AI inference: estimates and efficiency opportunities.” Microsoft Research, 2026.

[Brookings, 2026] Brookings Institution. “Global energy demands within the AI regulatory landscape.” April 2026.

[Pew Research Center, 2025] Pew Research Center. “What we know about energy use at U.S. data centers amid the AI boom.” October 2025.

[Privette et al., AGU Advances, 2026] Privette, A. et al. “Data Centers Water Footprint: The Need for More Transparency.” AGU Advances, February 2026.

[Expert Assessment arXiv:2512.11863] “Expert Assessment: The Systemic Environmental Risks of Artificial Intelligence.” arXiv:2512.11863, 2025.

[EpochAI, arXiv:2504.16026] “Trends in AI Supercomputers.” arXiv:2504.16026, 2025.

[Stern et al., npj Climate Action, 2025] Stern, N., Romani, M., Pierfederici, R. et al. “Green and intelligent: the role of AI in the climate transition.” npj Climate Action 4, 56 (2025).

[Earth911, 2026] “Your AI Carbon Footprint: What Every Query Really Costs.” Earth911, March 29, 2026.

[MIT News, 2025] Bashir, N. et al. “Explained: Generative AI’s environmental impact.” MIT News, January 2025.

[Logicalis, 2026] Logicalis. “2026 Global CIO Report.” March 2026.

[UNU-INWEH / EurekAlert press releases] June 3, 2026.

[US EIA, Residential Energy Consumption] US Energy Information Administration. 2023 Residential Energy Consumption Survey.

[ECMWF, 2025] ECMWF. “ECMWF’s Ensemble AI Forecasts Become Operational.” July 1, 2025.

Je comprends toujours pas ce que cette merde nous apporte.

Liste non-exhaustive:
- Ca permet de decouvrir et corriger des failles en cyber-securite, ca evitera a l'avenir qu'un hopital entier soit bloque pour une demande de rancon par exemple
- Ca permet d'accelerer la recherche dans le domaine medical
- En restant dans le medical, ca permet aussi d'avoir des diagnostiques plus rapides et plus precis
- Dans l'article, ca explique que l'IA permet d'optimiser les canaux de distrîbutions d'electricite sans avoir a modifier le reseau
- C'est utilise en recherche pour experimenter des expriences qui sont tres couteuses en terme de temps. Par exemple, dans le developpement de peau artificielle, chaque phase d'experimentation prend au minimum 30 jours donc ne peux tester que 12 combinaisaons par an, l'IA permet de faire un tri et de ne selectionner que les combinaisons les plus prometeuses

Bref, c'est vaste, ca ne va pas s'arreter, donc a chacun de decider comment il apprehende cela.

[Alain Miamdelin]

Les deux sources principales de consommation d'eau sont:
- Les tours de refroidissements qui permettent aux data-centers de se maintenir au froid -> Utilisation directe
- L'eau utilisée pour produire l'éléctricité, par exemple pour refoidir une centrale nucleaire -> Utilisation indirecte

A titre d'exemple, pour faire l'entrainement de GPT-4, on estime que cela a utilisé environ 700m3 d'eau en utilisation directe et environ 5,400m3 d'eau en utilisation indirecte (Une piscine olympique fait environ 2,500m3).

Mais l'eau de refroidissement n'est pas consommée, ça tourne en circuit fermé. Localement tu peux avoir des soucis de température de l'eau rejeté, etc. Mais l'eau ne disparaît pas. Je comprends pas l'analogie.

[florian]

Mais l'eau de refroidissement n'est pas consommée, ça tourne en circuit fermé. Localement tu peux avoir des soucis de température de l'eau rejeté, etc. Mais l'eau ne disparaît pas. Je comprends pas l'analogie.

D’après Véolia, “environ 80 % de l’eau des tours de refroidissement s’évapore, le reste étant rejeté vers les stations d’épuration municipales”. Les data centers doivent donc constamment renouveler l’eau injectée dans le circuit, ce qui explique pourquoi ils en consomment autant.

De manière plus générale, la principale source de perte en eau lors du fonctionnement des centres de données vient du fait qu’ils reposent aujourd’hui pour la plupart sur des circuits ouverts, conduisant à l’évaporation d’une grande partie de l’eau utilisée. C’est pourquoi les nouveaux centres de données devraient idéalement reposer, autant que possible, sur des systèmes de refroidissement en circuit fermé, évitant ce phénomène d’évaporation. Néanmoins, ce type de refroidissement peut s’avérer plus cher, conduit souvent à une hausse du besoin en électricité, et n’est pas évident à mettre en œuvre dans tous les centres de données « historiques » qui n’ont pas été conçus pour le mettre en œuvre.

[Alain Miamdelin]

Les datacenters récents ne fonctionnent plus sur ce principe comme indiqué dans le 2e quote, donc projeter une croissance de consommation sur ces données est trompeur.

Pour donner une échelle Google a utilisé, pour refroidir l'ensemble de ses datacenters en 2023, l'équivalent de l'eau utilisée pour arrosé 41 terrain de golfs dans le sud ouest américain. Et c'est très loin d'être 100% de l'IA. D'autant que les centres dédiés à l'IA ont tendance à être moderne et à avoir besoin de méthodes de refroidissement plus efficaces que les tours d'évaporation.

Et il y a encore plein d'endroits sur terre où l'eau existe en abondance et si elle n'est pas prélevée elle va se déverser dans la mer. Ce qui est, j'imagine, le pire scénario pour l'eau qui s'évapore dans les scénarios donnés.
C'est quand même très malhonnête de comparer à la conso dans une région qui souffre cruellement d'un manque d'eau. Fermer un datacenter au canada ne donnera pas plus d'eau en Afrique sub saharienne.

[Pathfinder]

J’ai pas cherché de sources fiables mais en 10 secondes sur Google: Eau et Data Center

Bref, tu as sûrement raison, ça consomme rien en eau

[Raijojp]

Les datacenters récents ne fonctionnent plus sur ce principe comme indiqué dans le 2e quote, donc projeter une croissance de consommation sur ces données est trompeur.

Pour donner une échelle Google a utilisé, pour refroidir l'ensemble de ses datacenters en 2023, l'équivalent de l'eau utilisée pour arrosé 41 terrain de golfs dans le sud ouest américain. Et c'est très loin d'être 100% de l'IA. D'autant que les centres dédiés à l'IA ont tendance à être moderne et à avoir besoin de méthodes de refroidissement plus efficaces que les tours d'évaporation.

Et il y a encore plein d'endroits sur terre où l'eau existe en abondance et si elle n'est pas prélevée elle va se déverser dans la mer. Ce qui est, j'imagine, le pire scénario pour l'eau qui s'évapore dans les scénarios donnés.
C'est quand même très malhonnête de comparer à la conso dans une région qui souffre cruellement d'un manque d'eau. Fermer un datacenter au canada ne donnera pas plus d'eau en Afrique sub saharienne.

1 - Ben si, une grande partie du parc actuel fonctionne de cette manière.
Il y a bien des nouveaux designs qui tendent à réduire l'évaporation, sauf qu'en l'état, par exemple, Google c'est 2/3 en système évaporatif. Et rien ne dit que le parc des plus anciens subiront réellement une transition pour moins de conso.

2 - Ca concerne uniquement Google, pas l'ensemble du secteur. Et l'IA est bien sûr responsable d'une hausse certaine, arrête d'être malhonnête.

3 - Oui, bien évidemment, sauf que les débits des rivières et estuaires ont une fonction écologique, et cela les perturbe forcément. Eau non utilisée par l'être humain ne veut pas dire Eau inutile

[Alain Miamdelin]

J’ai pas cherché de sources fiables mais en 10 secondes sur Google: Eau et Data Center

Bref, tu as sûrement raison, ça consomme rien en eau

S'ils promettent d'en restituer plus c'est qu'ils en consomment pas l'équivalent de la conso d'un continent. Ou alors faut m'expliquer comment ils inventent de l'eau.

Le truc c'est qu'il y a de vrais enjeux, mais si on peut pas avoir la discussion sur les trucs qui comptent on améliorera rien du tout à la fin.

Et c'est une partie de mon taf de choisir où et avec qui faire tourner des calculs pour limiter notre empreinte écologique. Donc je suis assez touché par le sujet.

1 - Ben si, une grande partie du parc actuel fonctionne de cette manière.
Il y a bien des nouveaux designs qui tendent à réduire l'évaporation, sauf qu'en l'état, par exemple, Google c'est 2/3 en système évaporatif. Et rien ne dit que le parc des plus anciens subiront réellement une transition pour moins de conso.

2 - Ca concerne uniquement Google, pas l'ensemble du secteur. Et l'IA est bien sûr responsable d'une hausse certaine, arrête d'être malhonnête.

3 - Oui, bien évidemment, sauf que les débits des rivières et estuaires ont une fonction écologique, et cela les perturbe forcément. Eau non utilisée par l'être humain ne veut pas dire Eau inutile

1. Oui mais les datacenters historiques ne supportent pas les workloads IA. Donc accuser l'IA n'a pas de sens. L'informatique au sens large pourquoi pas. Mais quand on ramène aux ordres de grandeurs de d'autres secteurs c'est toujours très faible (sans prendre en compte les usages remplacés). L'exemple du golf plus haut. Dans ma boîte (pure player informatique), le marketing c'est 10x l'impact de la tech.

2. Google est un exemple, mais pas un acteur à part. Et oui l'IA crée une augmentation des usages, je dis pas le contraire. Mais si c'est surévalué dun ou deux ordres de grandeur ça tue la discussion et t'améliore rien.


3. J'ai pas dit inutile. C'est de la caricature systématique. Enfin j'ai l'habitude dès qu'on est pas purement catastrophiste. C'est dommage parce qu'il y aura des solutions à trouver, mais croiser les doigts pour que le monde entier arrête d'utiliser telle ou telle techno n'en fait pas partie.
Donc pour en revenir à la question quand tu prélève 0,1% Ou 10% t'as pas le même impact. Est-ce que tu restitue l'eau? A quelle température ? Etc. Ce sont des études locales. Pas dire que ça va assoiffer les gens dans 5 ou 10 ans.


Aujourd'hui on a déjà assécher un fleuve immense à cause de l'agriculture. Une mer aussi. Jamais pour un datacenter. A une époque où dessaler l'eau de mer est devenu relativement bon marché avec le solaire (et non on a pas arrêté d'assecher le Colorado pour autant )

[Pathfinder]

...

Je ne sais pas quoi te repondre car tu remets en questions des etudes donc c'est difficile. Si tu as des articles qui confirment tes affirmations, je serais vraiment super interessé de les voir.

En attendant, dans un des articles (section 3.2.2, page 21) ca dit ceci:

"Water demand has only recently gained attention as a key element of AI’s operational footprint. Data centers
consume water both directly, mainly for cooling, and indirectly, via electricity generation (Hoffmann et al., 2025;
Ristic et al., 2015a). Cooling alone can represent 30-40% of a facility’s total energy use, underscoring the close
coupling between energy and water footprints (Q. Zhang et al., 2021). Case studies already suggest substantial
demands during model training. Li et al. (2023) estimated that training GPT-3 in Microsoft’s U.S. data centers
could consume a total of 5.4 million liters of water, including a total of 700,000 liters of on-site water
consumption for cooling. The same study projected that global AI-related withdrawals could reach 4.2-6.6
billion cubic meters annually by 2027—equivalent to 4-6 times the yearly consumption of Denmark or half that
of the United Kingdom."

[Alain Miamdelin]

Je ne sais pas quoi te repondre car tu remets en questions des etudes donc c'est difficile. Si tu as des articles qui confirment tes affirmations, je serais vraiment super interessé de les voir.

En attendant, dans un des articles (section 3.2.2, page 21) ca dit ceci:

"Water demand has only recently gained attention as a key element of AI’s operational footprint. Data centers
consume water both directly, mainly for cooling, and indirectly, via electricity generation (Hoffmann et al., 2025;
Ristic et al., 2015a). Cooling alone can represent 30-40% of a facility’s total energy use, underscoring the close
coupling between energy and water footprints (Q. Zhang et al., 2021). Case studies already suggest substantial
demands during model training. Li et al. (2023) estimated that training GPT-3 in Microsoft’s U.S. data centers
could consume a total of 5.4 million liters of water, including a total of 700,000 liters of on-site water
consumption for cooling. The same study projected that global AI-related withdrawals could reach 4.2-6.6
billion cubic meters annually by 2027—equivalent to 4-6 times the yearly consumption of Denmark or half that
of the United Kingdom."

Je parle spécifiquement de la consommation directe. Ce qui vient de la production d'énergie c'est pas spécifique aux datacenters et encore moins à l'IA. C'est proportionnel a la conso d'énergie donc on se concentre là-dessus généralement. Pourquoi c'est la première fois qu'on parle de la conso d'eau liée à la conso d'énergie d'un secteur? Jamais entendu cet argument avant.

Et c'est malhonnête vu que la seule techno qui peut amener des GW en ligne d'ici à 2027 c'est solaire + batterie. A priori pas les techno les plus consommatrice en eau. Et tous les nouveaux usages basés sur l'IA (qui fera pas la croissance qu'on lui promet à mon avis) auront besoin de nouveaux datacenters (tous en retard ou annulés) et de nouvelles sources d'énergie... Donc du solaire si ça doit arriver en ligne en 1 ou 2 ans.

Après t'as vraiment des endroits/des boîtes qui essaient de faire ça bien et d'autres ou c'est horrible. Mais tout moyenner dans un seul paquet ça n'apporte pas de valeur (d'une manière générale les moyennes sont un très mauvais outil d'analyse).
Je trouve dommage de pas se concentrer là-dessus.

[Cara]

Oui j'évoquais en effet la catastrophe écologique que représente l'avènement de l'IA. Et je vous citais car ça illustre bien l'évolution en cours, mais je sais bien que même si Trapp et toi ne déléguiez pas autant vos tâches quotidiennes pour passer plus de temps ici ça ne changerait pas grand chose au problème
Merci pour l'article, je ne sais pas si ces estimations prennent bien en compte le délire de la course à l'armement que se mènent actuellement USA et Chine pour s'assurer la domination dans le secteur. En tout cas, savoir qu'on en n'est qu'aux balbutiements et que des frappadingues comme Elon Musk sont aux manettes me terrifie.
Pour tenter de positiver il faut plutôt regarder du coté de ceux qui cherchent à réinventer le matériel informatique à cette nouvelle donne, comme cette startup nantaise sait-on jamais...





Oui oui on va en faire bon usage y a aucun doute à avoir

Tu t’es déjà demandé sur quoi se basent tes peurs sur Elon Musk qui aussi fou soit il va factuellement enrichir les gens. A l’inverse que penses-tu des milliers de politiciens véreux qui sont eux des destructeurs de valeurs ?

[TrappACouilles]

Tu t’es déjà demandé sur quoi se basent tes peurs sur Elon Musk qui aussi fou soit il va factuellement enrichir les gens. A l’inverse que penses-tu des milliers de politiciens véreux qui sont eux des destructeurs de valeurs ?

Enrichir des gens ça veut pas dire que ça crée de la valeur et encore moins que c'est sain pour la société.