Le Blog GenerIA
IA et environnement (2/3) : l'eau, enjeu critique !
L'intelligence artificielle, à quel prix pour nos ressources en eau ? Au même titre que l'empreinte carbone, la consommation d'eau de l'IA, pour le refroidissement des serveurs de calcul, devient une véritable menace écologique.
Le saviez-vous ? Une interaction ordinaire avec ChatGPT, soit entre 10 et 50 tours de conversation, consomme environ un demi-litre d'eau douce (l'eau de mer, corrosive, est proscrite dans l'univers numérique). Cela peut sembler insignifiant mais, multipliés par des millions d'utilisateurs quotidiens, ces 50 petits centilitres s'avèrent problématiques.
Surtout si on les considère en tendance. Google rapporte officiellement 20 % d'augmentation annuelle de sa consommation d'eau depuis 2021, avec environ 6,1 milliards de litres en 2023. Pour bien fixer les ordres de grandeur, c'est une fois et demie la consommation annuelle de la population canadienne. Merci Gemini ! Chez Microsoft, on est à 34 % d'augmentation sur la même période, soit environ 6,4 milliards de litres, sachant par exemple qu'un seul entraînement de GPT-3 peut évaporer 700 000 litres d'eau généralement potable.
Selon les méthodologies de calcul, l'utilisation mondiale de l'IA pourrait ainsi être responsable du prélèvement de 4,2 à 6,6 milliards de mètres cubes en 2027. Soit entre 4 à 6 fois la totalité des prélèvements annuels du Danemark, ou la moitié de ceux du Royaume-Uni (y compris, donc, l'Irlande du Nord). Aux Etats-Unis, toujours à horizon 2027, les besoins liés à l'IA pourraient représenter entre 0,5 et 0,7 % du prélèvement hydrique annuel. Juste pour l'IA, hors autres domaines "informatiques". C'est beaucoup.
Comment l'IA consomme de l'eau
Les centres de données qui hébergent les systèmes d'IA génèrent une quantité de chaleur énorme. Ils ont besoin d'un refroidissement permanent capable de maintenir une température de fonctionnement optimale comprise entre 10°C et 27°C. Typiquement, ce processus implique le pompage d'eau à partir d'une source naturelle ou artificielle (un lac, par exemple), l'acheminement vers les conduits des bâtiments puis dans les serveurs ou à leur périphérie directe. Une fois chaude, l'eau est redirigée mécaniquement vers une tour de refroidissement, où l'évaporation dissipe la chaleur dans l'air. Cette climatisation ciblée est donc aussi source de chaleur diffuse. Et pour ne rien arranger, des purges régulières de ces installations sont impératives pour les débarrasser d'accumulations de sels et d'autres éléments - processus qui lui aussi nécessite de l'eau propre.
Dans la plupart des utilisations industrielles de l'eau, on distingue deux types d'impacts sur la ressource :
- Le prélèvement, c'est-à-dire le volume d'eau retiré des sources souterraines ou de surface. Le prélèvement implique une dépendance. Il est donc cause de compétition entre acteurs industriels, secteurs économiques ou pays voisins. Les experts en géopolitique prévoient les premières véritables "guerres de l'eau" pour la décennie 2030.
- La consommation, c'est-à-dire la différence de volume entre eau prélevée et eau rejetée. La consommation impacte fortement la disponibilité en aval, ce qui cause également d'importantes tensions inter-régionales. Elle est par ailleurs cruciale pour évaluer la sévérité des pénuries au niveau des bassins versants.
Ces deux impacts, les centres de données y contribuent de façon significative. Contrairement à l'utilisation résidentielle, où l'eau est rejetée dans les égouts puis retraitée avant réutilisation, les tours de refroidissement des centres de données évaporent l'eau dans l'atmosphère, où elle peut rester jusqu'à douze mois avant de retomber, en partie seulement, sur notre sol commun.
Il faut signaler un nombre croissant d'initiatives de récupération de la chaleur dissipée, pour le chauffage de bâtiments ou de piscines par exemple. Mais, pour méritoires qu'ils soient, ces efforts sont loin de compenser la dépense, a fortiori d'assurer un minimum de durabilité, d'autant que leurs bénéfices n'augmentent pas au rythme de la consommation.
C'est pour mieux appréhender le problème qu'est apparu, dès 2011, le concept de WUE (Water Usage Effectiveness). Cette métrique sert à évaluer l'efficacité de la consommation d'eau par kW/h dans les centres de données. Elle est à l'eau ce que le PUE (Power Usage Effectiveness), plus connu, est à l'énergie. Dans les faits, Meta déclare un WUE moyen de 0,26 (litre par kW/h) sur l'ensemble de ses infrastructures de calcul. La communication officielle de Microsoft rapporte un WUE de 0,49 en global, et 0,1 dans la zone EMEA. Ce sont là des valeurs assez remarquables, qui traduisent des efforts certains. Mais il reste de gros progrès à faire.
Car cette consommation massive d'eau par l'IA s'inscrit dans un contexte d'attrition globale déjà alarmant. Selon les Nations Unies, près de 700 millions de personnes sont actuellement touchées par des pénuries d'eau parfois très sévères. En 2025, 1,8 milliard de personnes vivront dans des régions affectées par des pénuries d'eau extrêmes. En 2030, près de la moitié de la population du globe souffrira d'un stress hydrique permanent, dont une pénurie quasi-totale pendant au minimum trente à soixante jours continus chaque année.
Défis majeurs et bon sens immédiat
Ces prévisions mettent l'industrie de l'IA face à ses responsabilités. Avec deux défis majeurs, difficiles à relever.
Le premier concerne l'équilibre entre énergie verte et consommation d'eau. Les régions ensoleillées permettent plus d'énergie solaire mais nécessitent plus d'eau pour le refroidissement. Construire dans des régions plus fraîches voire polaires pourrait réduire la consommation d'eau, mais ce n'est pas toujours possible, d'autant qu'aux problèmes logistiques s'ajoutent les conséquences de l'éloignement et de l'isolement (débits réseau, etc.).
Le second concerne la publication de données, si possible transparentes, afin que soient mises en place des stratégies de remédiation. Par exemple, les chiffres relatifs aux périodes d'utilisation intensive de l'eau pour le refroidissement des serveurs de calcul font défaut, ce qui empêche l'instauration d'heures creuses pour les producteurs de modèles ou pour les utilisateurs dont les retours d'inférence n'ont pas besoin d'être immédiats.
La littérature et différentes études sponsorisées par l'industrie mettent en avant plusieurs pistes pour faire face à ces défis :
- Améliorer l'efficacité du refroidissement liquide
- Mettre en œuvre des mesures de recyclage et de conservation de l'eau
- Explorer des méthodes de refroidissement alternatives moins gourmandes en eau
- Intégrer l'empreinte hydrique globale dans les cartes de modèles d'IA, comme pour l'empreinte carbone.
Si ces recommandations sont évidemment toutes louables, nous, GenerIA, pensons que la première des disciplines consiste à rester frugal de bout en bout, de la construction des modèles jusqu'à la consommation des inférences. La frugalité, ici, inclut notamment les méthodes de production, les approches algorithmiques, une juste sélection des données servant de fondation aux modèles ou encore le contrôle des utilisations. Nous préconisons que chacune de ces dimensions soit ajustée par cas d'usage. Avant toute métrologie, éviter le gaspillage reste une simple question de bon sens.
Conclusion
On ne peut plus l'ignorer : l'empreinte hydrique de l'IA atteint des niveaux dommageables, à terme, pour l'humanité. Pour continuer à bénéficier de sa puissance, nous devons certes innover pour minimiser son impact environnemental, mais également reconsidérer la façon dont elle se crée et s'utilise, en accordant à sa consommation d'eau la même importance critique qu'à ses émissions de carbone.
Références
Google's 2024 Environmental Report
Microsoft's 2024 Environmental Sustainability Report
Meta's 2023 Sustainability Report
Center for Data Innovation: Rethinking Concerns About Energy Use
UNESCO's Recommendation on the Ethics of Artificial Intelligence
Dans le blog GenerIA :
