Consommation d’eau de l’IA : combien par requête, par jour et par an ? (2026)

Combien d’eau consomme l’IA ? Une seule requête textuelle consomme entre environ 0,26 ml, le chiffre officiel de Google pour une requête Gemini médiane, et quelques millilitres pour une réponse de chatbot typique. Le chiffre viral alarmant d’environ 500 ml « par e-mail » vient du fait qu’il compte aussi la chaîne d’approvisionnement électrique, ce qui explique des estimations qui varient de plus de 1 000 fois. À grande échelle, cela s’additionne. Google a consommé à lui seul 10,9 milliards de gallons d’eau en 2025, 34 % de plus qu’un an plus tôt, et les centres de données américains ont utilisé directement environ 17 milliards de gallons en 2023, un chiffre qui devrait doubler, voire quadrupler, d’ici 2028.

Ce guide vous donne des chiffres vérifiés pour chaque version de la question : par requête, par jour, par an et par centre de données. Chaque chiffre est daté et attribué à sa source, et les totaux des entreprises proviennent des rapports environnementaux 2026 de Google et de Microsoft. Vous verrez pourquoi des estimations crédibles divergent autant, quelles affirmations virales ont été démenties et comment la consommation d’eau de l’IA se compare à celle d’un burger ou d’un t-shirt en coton. Nous partons des données, pas de la panique, et nous vous disons aussi ce que les données ne montrent pas encore.

L’essentiel à retenir

• Oui, l’IA consomme de l’eau, et presque toute sert au refroidissement. Les centres de données évaporent de l’eau pour empêcher les puces d’IA de surchauffer, et les centrales électriques en consomment davantage pour produire l’électricité.
• Par requête : d’environ 0,26 ml à quelques ml. Le chiffre officiel de Google pour 2025 concernant une requête textuelle Gemini médiane est de 0,26 ml (environ cinq gouttes). Les estimations indépendantes pour des modèles plus lourds se situent dans les quelques dizaines de millilitres.
• Le chiffre de la « bouteille d’eau par e-mail » est d’environ 500 ml, issu d’une étude de l’UC Riverside de 2023, mais il inclut l’eau utilisée pour produire l’électricité, ce qui explique pourquoi il est plus de 1 000 fois supérieur aux chiffres limités au refroidissement.
• Les totaux des entreprises grimpent vite. Google a consommé 10,9 milliards de gallons en 2025 (+34 %) et Microsoft environ 2,2 milliards de gallons sur l’exercice 2025 (+22 %). Les centres de données américains ont utilisé directement environ 17 milliards de gallons en 2023, un volume qui devrait doubler ou quadrupler d’ici 2028.
• Le supercalculateur Grok de xAI à Memphis peut puiser environ 1 million de gallons d’eau potable par jour, avec une demande prévue proche de 5 millions. L’usine de recyclage censée remplacer ce prélèvement est à l’arrêt, avec une reprise des travaux promise d’ici début 2027.
• Le levier le plus important entre vos mains est le choix du modèle. Un modèle léger sur une tâche simple peut consommer une fraction de l’eau d’un modèle de pointe répondant à la même requête.

Combien d’eau l’IA consomme-t-elle par requête ?

Les estimations vont d’environ 0,26 ml par requête (le chiffre officiel de Google pour 2025 concernant une requête textuelle Gemini médiane, soit environ cinq gouttes) à environ 500 ml pour une session de 10 à 50 questions (une étude de l’UC Riverside de 2023). L’écart s’explique parce que le chiffre bas ne compte que le refroidissement du centre de données, alors que le chiffre haut y ajoute l’eau utilisée pour produire l’électricité qui alimente les puces. Un chiffre réaliste pour une requête de chatbot ordinaire se situe à quelques millilitres, les modèles de raisonnement plus lourds montant jusqu’à quelques dizaines.

Google Gemini : environ 0,26 ml par requête

En août 2025, Google a publié la mesure interne la plus détaillée à ce jour, fondée sur des données de production de mai 2025. Elle montre qu’une requête textuelle Google Gemini médiane consomme 0,24 wattheure d’énergie, émet 0,03 gramme d’équivalent CO2 et consomme 0,26 millilitre d’eau, ce que Google décrit comme environ cinq gouttes. Point essentiel, ce chiffre n’est pas un meilleur cas choisi sur mesure. La méthode de Google inclut le refroidissement, la capacité de réserve inactive, le CPU et la RAM, ainsi que la charge générale du centre de données, ce qui en fait l’un des chiffres uniques les plus honnêtes disponibles. Vous pouvez consulter la méthodologie dans le rapport de Google sur l’impact environnemental. Le Rapport environnemental 2026 de Google cite toujours les mêmes 0,26 ml et ajoute que l’énergie d’une requête textuelle Gemini médiane a été divisée par 33 entre mai 2024 et mai 2025. Il n’existe donc pas encore de chiffre plus récent sur l’eau par requête.

ChatGPT : de quelques millilitres à quelques dizaines

OpenAI n’a pas publié de ventilation comparable à celle de Google, si bien que les chiffres de ChatGPT sont des estimations indépendantes. Une réponse moyenne de GPT-4o de 150 à 200 mots représente environ 0,3 wattheure et à peu près 1,5 à 4 ml d’eau de refroidissement. Une réponse comparable de GPT-5 est bien plus lourde, avec environ 18 wattheures (jusqu’à 40) et une estimation de quelques ml à quelques dizaines de ml.

Le PDG d’OpenAI, Sam Altman, a affirmé qu’une requête moyenne consomme « environ un quinzième de cuillère à café », soit environ 0,32 ml. Il n’a pas défini cette « moyenne » ni précisé si l’entraînement était inclus, c’est pourquoi les chercheurs indépendants accueillent ce chiffre avec prudence. En septembre 2026, il est allé plus loin en déclarant à l’animateur de podcast Alex Heath que 38 000 requêtes ChatGPT consomment autant d’eau que la production d’une seule amande californienne. Des experts interrogés par CalMatters ont répondu que cette affirmation ne peut pas être vérifiée avec ce que le secteur rend public.

Notre analyse complète de la consommation d’eau de ChatGPT passe en revue chaque modèle. La vue d’ensemble est simple : les modèles de raisonnement récents sont plus gourmands en eau par réponse, pas plus sobres.

Mistral, Claude, DeepSeek et Llama : ce que chaque laboratoire publie réellement

Seuls deux laboratoires publient un chiffre propre sur l’eau. Google donne 0,26 ml pour une requête Gemini médiane, et Mistral a publié en juillet 2025 une analyse complète du cycle de vie, réalisée avec Carbone 4 et l’ADEME, qui évalue une réponse Le Chat d’environ 400 tokens à environ 45 ml d’eau et 1,14 g de CO2e. Pour Claude, DeepSeek et Meta Llama, il n’existe aucun chiffre propre sur l’eau. Les seuls chiffres disponibles sont des estimations énergétiques tierces que les chercheurs reconvertissent ensuite en eau à l’aide de facteurs de refroidissement régionaux.

Cette lacune compte pour un mythe répandu. DeepSeek est souvent qualifié d’« efficace », mais cette réputation concerne son coût d’entraînement. Un banc d’essai indépendant de 2025 a placé DeepSeek-R1 parmi les modèles les plus gourmands en inférence, avec environ 24 à 34 wattheures par réponse avec raisonnement, alors qu’un modèle léger sans raisonnement peut rester sous 1 wattheure. « Sobre » décrit la façon dont un modèle travaille sur une tâche donnée, pas une marque, et c’est précisément pourquoi votre choix de modèle et de mode pèse plus sur la consommation d’eau que tout le reste.

L’affirmation de la « bouteille d’eau par e-mail » : environ 500 ml

Le chiffre devenu viral provient de « Making AI Less Thirsty », une étude de 2023 menée par Pengfei Li et ses collègues de l’UC Riverside, popularisée ensuite par le Washington Post sous la forme d’environ 519 ml pour rédiger un e-mail de 100 mots avec GPT-4. Le Lincoln Institute l’a reformulé en octobre 2025 ainsi : « une session de chat d’environ 20 requêtes consomme jusqu’à une bouteille d’eau douce ». Ce chiffre n’est pas faux, mais il mesure un système bien plus large que le seul refroidissement, ce qui explique qu’il écrase les 0,26 ml de Google.

La même étude estime que l’entraînement de GPT-3 dans les centres de données américains de Microsoft a directement évaporé environ 700 000 litres d’eau douce propre. Vous pouvez vérifier les chiffres dans l’article original de l’UC Riverside.

Pourquoi les estimations de l’eau consommée par l’IA varient-elles autant ?

Si vous avez vu « cinq gouttes » et « une bouteille entière » pour la même requête et en avez conclu que quelqu’un ment, personne ne ment. Les chiffres diffèrent de plus de 1 000 fois parce qu’ils mesurent des choses différentes, et une fois le périmètre connu, ils cessent de se contredire.

L’eau sur site est celle qu’un centre de données évapore pour refroidir ses puces. L’eau indirecte est celle que consomment les centrales électriques pour produire l’électricité qui fait tourner ces puces, souvent plus importante que le refroidissement lui-même. Les estimations basses ne comptent que la première. Les estimations virales élevées comptent les deux, et parfois aussi la fabrication des puces. Jonathan Koomey, du Lawrence Berkeley National Laboratory, estime que l’eau indirecte liée à l’électricité ne devrait pas du tout figurer dans l’empreinte d’un centre de données, puisqu’aucun autre secteur n’est mesuré ainsi. Savoir si tout cela constitue un vrai problème est la question que nous traitons dans l’IA est-elle mauvaise pour l’environnement.

La méthodologie compte assez pour renverser des gros titres. En décembre 2025, une enquête journalistique a examiné une affirmation largement partagée selon laquelle un centre de données de Google au Chili consommerait plus de mille fois l’eau d’une ville. Elle a montré que le chiffre était faux d’un facteur 1 000 à cause d’une erreur d’unité, même si l’installation demandait tout de même plus que la consommation résidentielle de la population locale. La leçon n’est pas que la consommation d’eau de l’IA est imaginaire. C’est qu’il faut toujours se demander ce qui est compté, où et quand avant de reprendre un chiffre.

Combien d’eau un centre de données d’IA consomme-t-il par jour ?

Un centre de données typique consomme environ 300 000 gallons d’eau par jour, à peu près autant que 1 000 foyers. Une grande installation peut consommer jusqu’à 5 millions de gallons par jour, comparable à une ville de 50 000 habitants. Par requête, les chiffres semblent dérisoires, mais les centres de données traitent des milliards de requêtes, et c’est dans les totaux quotidiens que l’impact devient concret.

Des sites précis rendent cela tangible. Le site le plus gourmand de Google, à Council Bluffs dans l’Iowa, a consommé 1,35 milliard de gallons en 2025, soit environ 3,7 millions de gallons par jour. Une installation de Meta dans le comté de Newton, en Géorgie, prélève environ 500 000 gallons par jour, soit près de 10 % de l’eau de ce comté.

À l’échelle agrégée, la dimension est nationale. Les centres de données américains ont consommé directement environ 17 milliards de gallons en 2023 et environ 211 milliards de gallons indirectement via la production d’électricité, un chiffre que le rapport du LBNL voit doubler ou quadrupler d’ici 2028. Google a consommé 10,9 milliards de gallons dans ses centres de données et bureaux en 2025, dont 10,5 milliards dans les centres de données, 34 % de plus qu’en 2024, selon son Rapport environnemental 2026. Cela représente environ 30 millions de gallons par jour, et 13 % de ses prélèvements d’eau douce provenaient de sources à risque élevé d’épuisement ou de pénurie. Microsoft a recalculé toute sa série historique dans sa fiche de données 2026 et déclare désormais 8,2 milliards de litres consommés sur l’exercice 2025 (environ 2,2 milliards de gallons), un bond de 22 % en un an à mesure qu’il développait son infrastructure d’IA.

Combien d’eau l’IA consomme-t-elle par jour et par an ?

Il n’existe pas de total annuel mondial officiel, et quiconque en cite un avec précision fait une supposition. Les estimations crédibles de 2025 situent la consommation d’eau des centres de données liée à l’IA dans l’ordre de centaines de milliards de litres, en forte hausse. L’équipe de l’UC Riverside prévoit des prélèvements mondiaux d’eau par l’IA de 4,2 à 6,6 milliards de mètres cubes d’ici 2027, soit plus que les prélèvements annuels totaux de plusieurs petits pays. La trajectoire, plus que le chiffre d’une année donnée, est la vraie information.

Comment l’IA utilise-t-elle l’eau ?

Oui, l’IA consomme de l’eau, et presque toute sert au refroidissement. Les serveurs qui font tourner les modèles d’IA dégagent une chaleur intense, et beaucoup de grands centres de données les refroidissent en évaporant de l’eau, la même physique qui vous rafraîchit quand vous transpirez. Cette eau évaporée quitte le système local, c’est pourquoi les chercheurs la comptent comme une consommation, et pas seulement comme un prélèvement. Une grande partie est de l’eau traitée de qualité potable, même si les exploitants se tournent de plus en plus vers des sources recyclées ou non potables.

Il existe aussi un coût caché en amont. La fabrication des puces elles-mêmes est extrêmement gourmande en eau, une seule usine de semi-conducteurs avancée utilisant de l’ordre de 10 millions de gallons d’eau ultrapure par jour. L’entraînement d’un modèle est un pic ponctuel, mais l’inférence, c’est-à-dire le travail quotidien qui consiste à répondre à vos requêtes, représente désormais la part dominante et la plus dynamique de la demande en eau de l’IA. Comprendre comment fonctionnent réellement les systèmes d’IA rend la facture de refroidissement beaucoup moins mystérieuse.

Grok et la bataille de l’eau à Memphis

L’exemple le plus clair d’une consommation d’eau de l’IA devenue un problème local est le supercalculateur Colossus de xAI à Memphis, qui entraîne et fait tourner Grok. Memphis Light, Gas and Water a confirmé que le site peut puiser de l’ordre de 1 million de gallons d’eau potable par jour dans l’aquifère Memphis Sand pour refroidir ses puces, avec une demande prévue qui grimpe vers 5 millions de gallons par jour à mesure que le campus s’agrandit. Cet aquifère est aussi la principale source d’eau potable de la ville, ce qui explique pourquoi les services publics locaux, la NAACP et le Southern Environmental Law Center ont tous protesté.

xAI a lancé en octobre 2025 la construction d’une usine de recyclage de l’eau de 80 millions de dollars, conçue pour fournir à la place jusqu’à 13 millions de gallons par jour d’eaux usées traitées, ce qui, selon MLGW, épargnerait environ 5 milliards de gallons d’eau de l’aquifère par an. En avril 2026, Elon Musk a suspendu ce projet pour que xAI puisse terminer son deuxième site, Colossus 2, et les autorités de Memphis ont publiquement réclamé une reprise. En juin 2026, le maire Paul Young a annoncé que xAI s’était engagé à reprendre les travaux d’ici le premier trimestre 2027. Selon MLGW, une nouvelle équipe d’ingénierie doit d’abord être recrutée. C’est la meilleure illustration de l’idée centrale de cet article : la question de l’eau porte rarement sur votre requête et presque toujours sur l’endroit où se trouve le centre de données.

L’IA consomme-t-elle beaucoup d’eau ?

Par requête, non. Là où les centres de données se concentrent, oui. Pour une seule requête, l’IA est une erreur d’arrondi face à la consommation quotidienne. Un seul burger de bœuf nécessite plus de 600 gallons d’eau pour être produit, un t-shirt en coton plus de 700 gallons, et un seul terrain de golf américain peut consommer de 100 000 à 2 millions de gallons par jour. À cette aune, poser une question à un chatbot est négligeable.

La vraie préoccupation n’est pas le coût par requête, mais la concentration et le moment. Les centres de données se regroupent dans une poignée de régions, souvent en stress hydrique, et puisent massivement à des moments précis. Une installation qui prélève des millions de gallons par jour en Arizona ou au Texas pose un problème local, même si elle reste une erreur d’arrondi à l’échelle mondiale. Les deux sont vrais à la fois, et une bonne réponse à « est-ce grave ? » est « pas pour votre usage, oui là où les nouveaux centres se construisent ».

Ce que vous pouvez réellement faire

Le levier le plus efficace à la portée d’une personne est le choix du modèle, car l’écart entre modèles est énorme. Envoyer une question simple à un modèle de raisonnement lourd peut consommer environ dix fois l’énergie et l’eau d’un modèle léger qui donne une réponse tout aussi bonne. Adapter le modèle à la tâche fait plus que n’importe quel raccourcissement de requête. Des comparatifs comme DeepSeek vs ChatGPT et notre guide des modèles d’IA les plus performants montrent à quel point ces profils varient, et pourquoi la réputation « efficace » d’un modèle décrit généralement son coût d’entraînement, pas l’énergie qu’il dépense pour vous répondre. Notre guide de l’IA la plus écologique rassemble les outils les plus sobres vers lesquels passer. Les petits changements du quotidien comptent aussi, et associer cela à des choix plus verts comme OceanHero met vos recherches courantes au service du nettoyage des océans.

Concrètement, cela signifie utiliser par défaut un modèle plus léger pour les questions quotidiennes et réserver les modèles de raisonnement de pointe aux problèmes qui en ont vraiment besoin. Regroupez les questions liées dans une même session plutôt que de multiplier les démarrages à froid, et ne régénérez pas les réponses par réflexe. Cette habitude tient quand changer de modèle ne coûte rien. Dans Fello AI, vous envoyez la question courante à un modèle léger et la question difficile à un modèle de pointe dans la même fenêtre, sans second abonnement, et notre guide de prise en main vous montre comment faire. Rien de tout cela n’exige de culpabiliser. Il suffit de choisir l’option lourde délibérément plutôt que par défaut.

Conclusion

Alors, combien d’eau consomme l’IA ? Par requête, de façon réaliste, quelques millilitres. Le chiffre officiel de Google pour Gemini est de 0,26 ml, et l’affirmation virale de 500 ml est une mesure de cycle de vie bien plus large, pas une contradiction. À grande échelle, les chiffres sont élevés et augmentent vite. Google a consommé 10,9 milliards de gallons en 2025, 34 % de plus en un an, et la consommation directe des centres de données américains, d’environ 17 milliards de gallons en 2023, devrait doubler ou quadrupler d’ici 2028, en se concentrant là où l’eau est la plus rare. L’étape suivante la plus utile n’est pas d’arrêter d’utiliser l’IA, mais de choisir délibérément le modèle auquel vous faites appel, en commençant par regarder lucidement en quoi les principaux modèles diffèrent réellement.

FAQ