Introduction
Parmi les sujets qui suscitent aujourd’hui une attention croissante dans le domaine de l’intelligence artificielle (IA), celui de l’eau occupe une place centrale. Certaines affirmations circulent, comme celle selon laquelle « chaque requête IA consommerait l’équivalent d’une bouteille d’eau ». Si elles marquent les esprits, ces formules ne rendent pas compte de la diversité des situations ni de la complexité des usages de l’eau liés à l’IA.
Ces formules toutes faites masquent deux éléments essentiels :
1. La consommation d’eau de l’IA dépend d’abord de sa situation géographique
Un litre consommé dans une région en situation de stress hydrique élevé n’a pas la même criticité qu’un litre consommé dans une région à faible tension hydrique. L’accès à l’eau dépend autant des conditions géographiques et climatiques que des choix politiques de gestion de la ressource. C’est la raison pour laquelle certains territoires sont plus exposés que d’autres au développement des centre de données.
2. Derrière cette notion d’utilisation se cache trois notions distinctes :
« Eau prélevée »
« Eau consommée »
« Impact de la consommation d’eau »
Dans un contexte où les liens entre eau et IA sont de plus en plus discutés, mais souvent présentés sans mise en perspective, comment appréhender concrètement l’utilisation d’eau associée à l’IA ? Cet article se propose de présenter les notions essentielles afin d’étudier les mécanismes en jeu et de poser les bases nécessaires à une évaluation plus fine de l’impact de l’IA sur la ressource en eau.
Eau prélevée, eau consommée et impact de la consommation d’eau : trois réalités trop souvent confondues
Eau prélevée
L’eau prélevée correspond au volume d’eau douce retiré d’un milieu naturel (rivière, nappe souterraine) ou d’un réseau municipal. Ce prélèvement peut être temporaire (l’eau est ensuite restituée) ou permanent (l’eau n’est pas rendue au milieu). L’eau prélevée figure ainsi comme un indicateur de conflit d’usages : agriculture, eau potable, industrie, milieux aquatiques… Les tensions apparaissent lorsque plusieurs activités sollicitent cette même ressource limitée.
Eau consommée
L’eau consommée, elle, correspond à la part qui ne revient jamais au milieu naturel, c’est-à-dire à la fraction du prélèvement qui s’évapore ou reste intégrée dans un processus. C’est cette eau consommée qui mesure réellement la disponibilité de l’eau et les risques de stress hydrique dans une zone géographique. On parle de stress hydrique quand la demande en eau dépasse la quantité d’eau renouvelable disponible.
Noter que la consommation d’eau d’un centre de donnée est fortement influencée par le climat dans lequel il opère (température moyenne, pics de chaleur).
Impact de la consommation d’eau
À volume égal, la consommation d’eau n’a pas le même effet selon l’endroit et/ou les conditions dans lesquelles l’eau est restituée au milieu duquel elle a été prélevée. L’impact dépend de la disponibilité réelle de la ressource du territoire (contexte hydrique), de la capacité du milieu à se renouveler et de la présence éventuelle de conflits d’usage.
Près d’un tiers des centres de données en construction se trouvent dans des régions qui connaîtront un stress hydrique accru d’ici 2050 (scénario NGFS). (Source : MSCI, 2025)
Par exemple, dans une région abondante en eau, la consommation sera facilement compensée, tandis que dans une zone soumise au stress hydrique, il peut contribuer à fragiliser les écosystèmes ou accentuer la concurrence entre usages.
Plusieurs méthodologies permettent aujourd’hui d’estimer cet impact de manière standardisée. Parmi les plus utilisées, l’indicateur AWARE (Available WAter REmaining) évalue la pression exercée sur la ressource en mesurant la rareté de l’eau résiduelle dans un bassin versant après les usages existants.
2. Lire la consommation d’eau de l’IA à travers les trois « scopes »
À l’image de ce qui existe pour le calcul des émissions carbone, la consommation d’eau de l’IA peut être analysée selon trois périmètres : Scope 1, Scope 2 et Scope 3. Les « scopes » sont une manière standardisée de classer les impacts environnementaux d’une organisation selon leur degré de proximité avec ses activités.
Le Scope 1 regroupe les impacts directement générés par l’organisation elle‑même, sur ses sites et avec ses propres équipements.
Le Scope 2 couvre les impacts indirects liés à l’énergie achetée, c’est‑à‑dire ceux associés à la production de l’électricité, de la chaleur ou de la vapeur consommée par l’organisation.
Le Scope 3, enfin, englobe l’ensemble des autres impacts indirects de la chaîne de valeur, en amont (fabrication des équipements, extraction des ressources, transports) comme en aval (usage, fin de vie, services externalisés).
Cette approche permet de prendre en compte l’ensemble de la chaîne de valeur, depuis l’usage des centres de données jusqu’à l’impact de l’électricité consommée, en incluant la fabrication des composants électroniques, et, plus en amont, l’extraction des métaux nécessaires à leur production.
(Source: Making AI Less Thirsty, 2023)
Scope 1 : L’eau consommée directement dans les centres de données
Il s’agit de l’eau destinée au refroidissement des serveurs. Plusieurs technologies sont actuellement déployées sur le marché :
- Tours de refroidissement : une partie de l’eau s’évapore pour évacuer la chaleur, l’autre partie est rejetée et doit être remplacée régulièrement (≈ 80 % de l’eau prélevée est consommée)
- Refroidissement par air assisté par évaporation : efficace par climat tempéré, mais quand l’air extérieur est trop chaud ou trop sec, de l’eau est ajoutée pour refroidir ou humidifier (≈ 70 % de l’eau prélevée est consommée)
- Refroidissement à l’air (sans eau) : pas de consommation d’eau, mais davantage d’énergie utilisée (augmentation de la consommation d’eau indirecte, soit celle du Scope 2)
Scope 2 : L’eau nécessaire pour produire l’électricité qui alimente les centres de données
La prise en compte de cette dimension est souvent limitée dans les déclarations publiques de nombreuses entreprises du secteur. Par exemple, l’étude Data centre water consumption (Mytton, D., 2021) sur la consommation d’eau des centres de données note que les rapports des géants du cloud (Google, Microsoft, Amazon) se concentrent sur le scope 1 et omettent souvent le scope 2 lorsqu’ils publient leurs données sur l’usage de l’eau.
Pourtant, les centrales thermiques (gaz, charbon) et nucléaires prélèvent de très grandes quantités d’eau pour se refroidir. Ainsi, même si un centre de données consomme peu d’eau en scope 1, son scope 2 peut correspondre à un très fort niveau de prélèvement lié à la production d’électricité, tout en restant associé à une consommation d’eau très faible.
Scope 3 : L’eau consommée pour fabriquer les équipements numériques
Le scope 3 correspond à l’eau consommée en amont, pour produire les matériaux et composants indispensables aux équipements numériques.
Quantité d’eau utilisée pour l’extraction de minerai ou la réutilisation de déchets de l’industrie minière (d’après Sverdrup et Koca, 2016, cités dans EASAC, Priorities for critical materials for a circular economy, 2016)
Deux grandes étapes sont concernées :
1. Extraction minière
La séparation des métaux contenus dans la roche nécessite d’importants volumes d’eau, utilisée comme solvant et donc souvent mélangée à divers produits chimiques pour faciliter l’extraction. Ces eaux sont très difficiles à dépolluer, et sont confinées dans des Tailings Storage Facilities (TSF), des infrastructures de stockage de résidus miniers, bassins ouverts délimités par de hautes digues en terre (World Bank, 2021).
2. Fabrication des semi‑conducteurs (nécessaires aux composants électroniques, dont les puces GPU des serveurs IA)
Les usines de fabrication spécialisées dans la production de semi‑conducteurs, désignées sous le terme de « fab », consomment des volumes considérables d’eau et d’énergie, non seulement pour les procédés de production eux‑mêmes, mais aussi pour le fonctionnement des équipements industriels et des infrastructures de la fab en question.
Toutefois, l’industrie est en train de progresser vers des systèmes en boucle fermée, qui permettent de retraiter et réutiliser une large part de l’eau prélevée, en témoigne le développement rapide des technologies de recyclage de l’eau et des systèmes en circuit fermé dans la fabrication de semi‑conducteurs (Global Insight Services, 2025).
Ces besoins correspondent :
- Au nettoyage ultra‑pur des wafers (fines tranches de matériau semi‑conducteur servant de support aux circuits intégrés),
- Au refroidissement des équipements,
- Aux procédés chimiques (la photolithographie ou le décapage chimique).
3. Quelles projections ?
Le graphique ci-dessous met en évidence une hausse marquée à la fois des prélèvements et des consommations d’eau associées au développement de l’intelligence artificielle, à horizon 2030. Cette tendance renforce d’autant plus la nécessité d’activer rapidement des leviers de réduction, afin de maîtriser cette dynamique et de limiter la pression accrue de l’IA sur la ressource en eau.
Prélèvements et consommation d’eau liés à l’IA dans le scénario de référence BAU
(Sources : AIE, modélisation et analyses)
En définitive, ce qu’il faut retenir
- Concernant le prélèvement d’eau de l’IA : les leviers de réduction ne se situent pas au sein de la filière numérique mais principalement au sein de la filière de production électrique, avec l’enjeu de favoriser les modes de production électrique ayant le moins d’impact sur le prélèvement d’eau.
- Concernant la consommation d’eau de l’IA : les leviers de réduction se situent majoritairement au niveau des centres de données (technologies de refroidissement, minimisation de la consommation d’énergie primaire non électrique). Les autres leviers sont à chercher dans les processus de fabrication des composants numériques nécessaires aux serveurs IA.
- Les enjeux de l’IA sur l’eau ont la caractéristique d’être localisés dans l’espace (risques de conflits d’usages sur le territoire sur lequel un centre de données est implanté) voire dans le temps (criticité de la consommation d’eau plus importante en période de canicule).
Sources :
Barratt, L., Gambarini, C., Witherspoon, A., & Uteuova, A. (2025, April 9). Revealed: Big tech’s new datacentres will take water from the world’s driest areas. The Guardian. https://www.theguardian.com/environment/2025/apr/09/big-tech-datacentres-water
Banque mondiale. (s.d.). Annual freshwater withdrawals, total (billion cubic meters) [jeu de données]. Banque mondiale. Consulté le 13 mars 2026, sur https://data.worldbank.org/indicator/ER.H2O.FWTL.K3
Ceres & Bluerisk. (2025). Drained by Data: The cumulative impact of data centers on regional water stress. Ceres. https://www.ceres.org/resources/reports/drained-by-data-the-cumulative-impact-of-data-centers-on-regional-water-stress
Chung, Y. Y., Darakdjian, F., & Leahy, T. (2025, December 9). When AI meets water scarcity: Data centers in a thirsty world. MSCI. https://www.msci.com/research-and-insights/blog-post/when-ai-meets-water-scarcity-data-centers-in-a-thirsty-world
Deng, Y., Zhang, P., & Ren, K. (2023). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv. https://arxiv.org/pdf/2304.03271
Global Insight Services. (2025). Water reclamation in chip manufacturing market. Global Insight Services. https://www.globalinsightservices.com/reports/water-reclamation-in-chip-manufacturing-market/
Gouvernement français. Haut‑commissariat à la stratégie et au plan. (2024, April 18). Water withdrawals and consumptions in France. https://www.strategie-plan.gouv.fr
Harald Sverdrup & Deniz Koca (2016), Modelling the global extraction, supply, price and depletion of the extractable geological resources using the WORLD6 model, in : EASAC, “Priorities for critical materials for a circular economy”, 2016. easac-priorities_for_critical_materials_for_a_circular_economy.pdf
AIE. (2025). Modélisation et analyses basées sur Harris et al. (2019), Hamed et al. (2022), AIE (2016), Lei et al. (2025), Lei & Masanet (2022), et Shehabi et al. (2024). Agence internationale de l’énergie.
Lozano Carver, J. (2025, October 3). Texas’ thirst for rural data centers collides with water scarcity. The Texas Tribune. https://www.texastribune.org
Mytton, D. (2021). Data centre water consumption. npj Clean Water, 4(1), Article 11. https://doi.org/10.1038/s41545-021-00101-w
Yañez-Barnuevo, M. (2025, June 25). Data centers and water consumption. Environmental and Energy Study Institute (EESI). https://www.eesi.org/articles/view/data-centers-and-water-consumption
World Bank. (2021). *Tailings storage facilities: Risk assessment and management* (Technical Note 7). Open Knowledge World Bank Document
