9 juin 2025

Une plongée dans l'empreinte hydrique de l'IA.

Dès 2025, la moitié de la population mondiale pourrait vivre dans des régions confrontées à une pénurie d'eau . (UNICEF)

TL : DR

L'IA a soif, et pas seulement de données. Derrière chaque conversation avec un chatbot et chaque apprentissage de modèle se cache un coût environnemental : l'eau. Du refroidissement des centres de données à la production d'électricité, l'empreinte hydrique de l'IA est en forte augmentation, et sa consommation mondiale devrait dépasser celle de certains pays. Cet article examine où et comment l'IA consomme de l'eau, pourquoi cela varie selon les régions et ce que les entreprises et les utilisateurs quotidiens peuvent faire pour réduire son impact. Vous souhaitez utiliser l'IA de manière plus durable ? Commencez par poser des questions plus intelligentes, plus légères et plus intentionnelles.

D'ici 2027, la consommation d'eau prévue pourrait équivaloir à la consommation totale de 110 millions de personnes au cours de leur vie.
(Privette, 2024)

Que puis-je faire à ce sujet ?

Résumé
L'expansion rapide de l'intelligence artificielle (IA), en particulier des grands modèles linguistiques (LLM), a suscité d'importantes préoccupations environnementales, notamment en ce qui concerne la consommation d'eau. Cet article examine l'utilisation directe et indirecte de l'eau associée à l'IA, qui englobe le fonctionnement des centres de données, la production d'énergie, ainsi que la formation et l'inférence des modèles. En synthétisant des études empiriques récentes et des rapports industriels, nous fournissons une analyse complète de l'empreinte hydrique de l'IA et proposons des stratégies pour atténuer son impact environnemental.

1. Introduction
L'intelligence artificielle est désormais indissociable de nombreux secteurs, de la santé à la finance, grâce aux progrès réalisés dans le domaine de l'apprentissage automatique et du traitement des données. Cependant, les implications environnementales de l'IA, en particulier sa consommation d'eau, suscitent de plus en plus d'attention. L'eau est essentielle au refroidissement des centres de données et à la production d'électricité, deux éléments indispensables au fonctionnement de l'IA. Il est donc crucial de comprendre l'empreinte hydrique de l'IA afin de développer des pratiques durables dans le déploiement des technologies.

2. Comprendre l'empreinte hydrique de l'IA
L'empreinte hydrique de l'IA englobe à la fois la consommation directe et indirecte :

Utilisation directe de l'eau: les centres de données ont besoin d'une quantité importante d'eau pour leurs systèmes de refroidissement afin de maintenir des températures de fonctionnement optimales.
Utilisation indirecte de l'eau: la production d'électricité pour alimenter les centres de données implique souvent des processus gourmands en eau, en particulier dans les centrales thermoélectriques.
Ces facteurs combinés contribuent à l'empreinte hydrique significative de l'IA.

3. Quantification de la consommation d'eau de l'IA
Des études récentes ont mis en évidence la consommation d'eau importante associée à l'IA :

Formation des modèles: la formation de grands modèles d'IA tels que GPT-3 peut consommer environ 700 000 litres d'eau, principalement pour le refroidissement lors de processus de calcul intensifs (Li et al., 2023).
Exploitation des centres de données: un centre de données hyperscale de 100 MW peut consommer directement environ 2,5 milliards de litres d'eau par an à des fins de refroidissement (Impax Asset Management, 2024).
Projections mondiales: la consommation annuelle mondiale d'eau de l'IA devrait atteindre entre 4,2 et 6,6 milliards de mètres cubes d'ici 2027, dépassant la consommation annuelle d'eau de pays comme le Danemark (Université de l'Illinois, 2024).

4. Variations régionales dans l'utilisation de l'eau
L'empreinte hydrique de l'IA varie considérablement d'une région à l'autre en raison des différences de climat, de sources d'énergie et de technologies de refroidissement :

Efficacité de l'utilisation de l'eau (WUE): la WUE mesure le nombre de litres d'eau utilisés par kilowattheure (kWh) d'énergie consommée. Dans les centres de données mondiaux de Microsoft, la WUE varie entre 1,8 et 12 litres par kWh, les variations étant attribuées aux conditions environnementales et aux infrastructures locales (OCDE, 2023).
Étude de cas – Iowa: les centres de données de Microsoft dans l'Iowa, utilisés pour la formation du GPT-4, ont considérablement augmenté la consommation d'eau de l'entreprise de 34 % entre 2021 et 2022, soulignant l'impact régional des opérations d'IA (AP News, 2023).

5. Stratégies visant à réduire l'empreinte hydrique de l'IA
Pour relever les défis environnementaux posés par l'IA, plusieurs stratégies peuvent être mises en œuvre :

Optimisation des calendriers de formation: planifier la formation des modèles d'IA pendant les périodes plus fraîches ou dans les régions où le stress hydrique est moindre peut réduire les besoins en refroidissement (Li et al., 2023).
Amélioration des technologies de refroidissement: l'adoption de méthodes de refroidissement avancées, telles que le refroidissement par immersion dans un liquide, peut améliorer l'efficacité et réduire la consommation d'eau (Submer, 2023).
Améliorer les sources d'énergie: la transition vers des sources d'énergie renouvelables qui nécessitent moins d'eau pour produire de l'électricité peut indirectement réduire l'empreinte hydrique de l'IA.
Transparence et rapports: Encourager les entreprises à divulguer leurs données sur la consommation d'eau favorise la responsabilisation et informe sur les pratiques durables.

6.1 Stratégies au niveau de l'utilisateur

Utilisez l'IA à bon escient: évitez les invites redondantes ou exploratoires qui nécessitent des calculs importants, sauf si cela est nécessaire. Rationalisez les requêtes afin de réduire le temps de traitement du modèle.
Optez pour des modèles locaux ou légers: lorsque cela est possible, privilégiez les modèles plus petits et moins gourmands en ressources ou les systèmes d'inférence locaux (IA intégrée à l'appareil) qui ne nécessitent pas de cloud computing énergivore.
Consolider les tâches: au lieu de multiplier les requêtes fragmentées, planifiez et structurez une seule invite qui permet d'atteindre l'objectif final plus efficacement.
Promouvoir la transparence: utiliser des modèles d'IA qui divulguent leur impact environnemental ou fournissent des indicateurs d'efficacité. Privilégier les plateformes qui démontrent leur engagement en faveur du développement durable.
Utilisez-les pendant les heures creuses: certains modèles peuvent être plus efficaces ou consommer moins d'eau pendant les heures nocturnes plus fraîches ou dans certaines régions géographiques spécifiques.

6.2 Exemples d'invites pour utiliser l'IA de manière durable

« Résumez ce rapport de 20 pages et mettez en évidence uniquement les risques, les dépendances et les stratégies d'atténuation sous forme de liste à puces. »
« Soulignez uniquement les différences entre ces deux documents — aucune comparaison complète n'est nécessaire. »
« Générez une liste d'idées de contenu pour une semaine, classées par thème. »
« Donnez-moi un résumé de la façon dont j'ai utilisé cette IA au cours de la semaine dernière et suggérez-moi comment je peux réduire son impact environnemental. »
« Créez un storyboard en basse résolution avec 3 images clés pour visualiser cette scène. »

7. Conclusion
À mesure que l'IA continue d'évoluer et de s'intégrer dans divers aspects de la société, son impact environnemental, en particulier en ce qui concerne la consommation d'eau, ne peut être négligé. En comprenant et en traitant la question de l'empreinte hydrique de l'IA, les parties prenantes et les utilisateurs individuels peuvent élaborer et mettre en œuvre des stratégies qui concilient progrès technologique et durabilité environnementale.

Références
AP News. (2023). La technologie d'intelligence artificielle derrière ChatGPT a été développée dans l'Iowa, avec beaucoup d'eau.
Impax Asset Management. (2024). Aborder l'empreinte hydrique cachée des données.
Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Rendre l'IA moins « assoiffée » : découvrir et traiter l'empreinte hydrique secrète des modèles d'IA. Prépublication arXiv arXiv:2304.03271.
OCDE. (2023). Quelle quantité d'eau l'IA consomme-t-elle ? Le public a le droit de le savoir.
Submer. (2023). Consommation d'eau des centres de données : où va toute cette eau ?
Ana Pinheiro Privette,Université de l'Illinois. (2024). Les défis de l'IA en matière d'eau.