IA et eau : en 2030, une consommation égale à l’Afrique subsaharienne

Temps de lecture : 5 min

L’alerte de l’ONU : des chiffres qui donnent le vertige

En juin 2026, l’Organisation des Nations Unies a publié un rapport qui fait l’effet d’une douche froide dans le secteur tech. Les chiffres sont tout simplement hallucinants : d’ici 2030, la consommation d’eau liée à l’intelligence artificielle pourrait atteindre 9 milliards de mètres cubes. Pour te donner une échelle concrète, c’est l’équivalent des besoins domestiques annuels de 1,3 milliard d’habitants d’Afrique subsaharienne. Je dis bien 1,3 milliard de personnes. Posé comme ça, le contraste entre le mirage de l’IA sans limites et la réalité des ressources hydriques est fracassant.

Concrètement, l’année 2025 a déjà vu les centres de données engloutir 4 500 milliards de litres d’eau, soit assez pour répondre aux besoins de plus de 600 millions de personnes. Et ce n’est que le début. Le rapport onusien dénonce une sous-estimation systématique des coûts réels de l’IA, et il a bien raison.

Pourquoi l’IA a-t-elle soif ?

Quand on lance une requête sur ChatGPT ou qu’on génère une image avec Midjourney, la plupart d’entre nous ne pensent pas à l’infrastructure physique derrière. Pourtant, chaque prompt déclenche une cascade de calculs dans des data centers suralimentés. Ces serveurs génèrent une chaleur phénoménale – on parle de températures qui frôlent les 60 °C. Pour les refroidir, deux familles de solutions :

• Le refroidissement par air : moins gourmand en eau, mais moins efficace et plus énergivore.
• Le refroidissement par évaporation : très efficace, mais avale des millions de litres d’eau par an. C’est le standard dans les régions chaudes.

Plus précisément, un data center de moyenne envergure peut consommer l’équivalent de plusieurs piscines olympiques par jour. Quand tu multiplies ça par les centaines de nouveaux centres construits chaque année pour répondre à la demande de l’IA, tu obtiens un bilan hydrique délirant.

Eau, électricité, foncier : le triptyque infernal

L’eau n’est que la partie émergée de l’iceberg. Le rapport de l’ONU met aussi en avant l’empreinte électrique de l’IA, qui équivaudrait en 2030 à la consommation annuelle de 1,3 milliard de personnes. Et ce n’est pas tout : l’empreinte au sol dépasserait 14 500 km², soit deux fois la superficie de la métropole de Jakarta (32 millions d’habitants).

Je te laisse imaginer le conflit d’usage : des centaines de km² de terres agricoles ou naturelles transformés en fermes de serveurs, pendant que des populations entières manquent d’eau potable et d’électricité. La pression énergétique et hydrique de l’IA devient un enjeu géopolitique et social majeur.

Ce qu’on peut faire : mon retour d’expérience

En tant que développeur qui a passé des années à optimiser des stacks techniques, je vois pourtant des pistes concrètes pour réduire cette empreinte. Sur mes propres projets, comme GymLog (une app fitness Android), j’ai toujours cherché à minimiser les appels API et à optimiser les calculs côté client. Transposé à l’échelle de l’IA, ça donne :

• Modèles plus légers : la tendance aux « small language models » (SLM) comme Phi-3 ou Gemma montre qu’on peut faire beaucoup avec moins de paramètres. Moins de calculs = moins de chaleur = moins d’eau.
• Refroidissement liquide direct : certaines startups proposent des solutions où le liquide diélectrique refroidit directement les puces, avec un circuit fermé qui réutilise l’eau en boucle. Bien plus économe que l’évaporation.
• Localisation des data centers : installer les fermes dans des régions froides ou à côté de sources d’énergie renouvelable (Islande, Norvège) réduit drastiquement les besoins en refroidissement. J’ai configuré des workflows n8n qui envoient des taches lourdes vers des serveurs nordiques justement pour cette raison.

La transparence commence par les API

Un autre point crucial, c’est la sous-estimation systématique que dénonce l’ONU. Les fournisseurs de cloud et les entreprises d’IA doivent publier des métriques fiables de consommation d’eau et d’énergie. Quand j’utilise une API d’IA générative, je n’ai aucun moyen de savoir combien d’eau a été utilisée pour ma requête. C’est un angle mort technique et éthique.

Concrètement, on pourrait imaginer un indice d’impact normalisé, un peu comme le score d’efficacité énergétique (PUE) pour les datacenters. Cela permettrait aux développeurs de faire des choix éclairés : choisir un prestataire dont l’infrastructure est moins gourmande en eau, ou accepter un temps de réponse un peu plus long si le calcul est fait dans un data center plus vertueux.

Vers une IA responsable : et si on arrêtait de faire l’autruche ?

Je ne vais pas te faire un sermon : je suis le premier à utiliser ChatGPT et Midjourney tous les jours – pour rédiger, brainstormer, prototyper. L’IA est un outil fabuleux, et en tant que full-stack, je mesure son potentiel pour automatiser des tâches, analyser des données, générer du code. Mais il serait délirant de continuer sans regarder le compteur.

Les chiffres de l’ONU sont une claque nécessaire. Ils nous rappellent que la revolution IGenerative n’est pas « immatérielle ». Chaque requête a un coût réel. En tant que développeurs, chefs de projet ou utilisateurs, on a le devoir de pousser pour des pratiques plus responsables : modèles plus efficaces, infrastructure sobre, transparence des métriques.

Sinon, dans quelques années, on se retrouvera avec une IA hyperperformante… et plus d’eau pour faire fonctionner les serveurs – ni pour les humains autour. L’équation est impossible à ignorer plus longtemps.