Des chercheurs de l’Université des Nations Unies pour l’eau, l’environnement et la santé (UNU-INWEH), Miriam Aczel (auteure principale du rapport), a averti le 7 juin que d’ici 2030, les installations de centres de données faisant tourner des systèmes d’IA pourraient consommer chaque année 9,3 billions de litres d’eau, ce qui correspond aux besoins annuels essentiels en eau de 1,3 milliard de personnes en Afrique subsaharienne.
Trois estimations de ressources confirmées pour 2030
D’après le rapport de l’UNU-INWEH, les trois chiffres principaux d’estimation des ressources sont les suivants : une consommation annuelle d’eau de 9,3 billions de litres (équivalant aux besoins annuels essentiels en eau de 1,3 milliard de personnes) ; une consommation d’électricité de 945 térawattheures ; des besoins en terrain dépassant 14 500 kilomètres carrés (couvrant les sites, les infrastructures énergétiques et la chaîne d’approvisionnement).
Un professeur d’ingénierie à l’Université de Californie à Riverside, Ren Shaolei (cité via la version anglaise de The National Newspaper), a déclaré : « Ce rapport arrive à temps et est crucial pour nous rappeler que l’IA ne se limite pas aux modèles et aux algorithmes : elle produit aussi des impacts physiques et environnementaux réels sur les centres de données, les systèmes électriques, les systèmes d’approvisionnement en eau, l’utilisation des terres et la chaîne d’approvisionnement en matériel. »
Mécanismes confirmés de consommation des ressources par l’IA
L’inférence de l’IA (c’est-à-dire l’usage quotidien, et non l’entraînement) représente 80 % à 90 % de la consommation totale d’énergie de l’IA, ce qui fait des utilisations quotidiennes régulières la principale source de consommation de ressources. ChatGPT traite environ 2,5 milliards de requêtes par jour ; une conversation standard avec un chatbot consomme bien plus d’énergie qu’une simple tâche de classification. Un chercheur de l’Institut de recherche en IA de Québec, Alex Hernandez, souligne que, pour l’instant, il reste difficile de mesurer avec précision la consommation énergétique des systèmes d’IA, ce qui limite l’exactitude des prévisions.
FAQ
Sur quelle base de calcul repose la prévision de 9,3 billions de litres d’eau de l’UNU-INWEH ?
L’estimation de l’eau de l’UNU-INWEH couvre deux dimensions : la consommation directe d’eau des systèmes de refroidissement des centres de données (empreinte hydrique), et la consommation indirecte liée à la production d’électricité. Le rapport intègre l’eau consommée par les sources d’électricité dans le cadre de calcul, et ne se limite pas à la consommation directe d’eau sur site dans les centres de données. Le chercheur Alex Hernandez indique qu’à ce stade, les données de consommation énergétique des installations d’IA restent elles-mêmes difficiles à mesurer avec précision, ce qui implique une incertitude intrinsèque dans cette estimation.
Pourquoi les mesures de réduction des émissions de carbone entraîneraient-elles une hausse de la quantité d’eau de plus de 30 fois ?
D’après l’analyse de l’UNU-INWEH, le fait de faire passer l’électricité des centres de données du charbon aux énergies biologiques constitue une voie courante de réduction des émissions de carbone, permettant de réduire celles-ci d’environ 70 % ; toutefois, la culture des énergies biologiques nécessite de grandes quantités d’eau d’irrigation et mobilise aussi beaucoup de terres agricoles, ce qui entraîne une augmentation de la quantité d’eau de plus de 30 fois et une hausse d’environ 100 fois de l’utilisation des terres. Aczel indique qu’en se basant uniquement sur les émissions de carbone comme critère d’évaluation de l’impact environnemental, on masque le coût de ces ressources en eau et de ces terres.
Les modèles d’IA plus efficaces peuvent-ils réduire significativement la consommation d’eau ?
Le rapport de l’UNU-INWEH mentionne le risque d’« effet rebond » : une IA moins chère et plus efficace pourrait réduire la consommation de ressources par utilisation, mais la baisse des coûts entraîne généralement une augmentation fortement plus élevée de la fréquence d’utilisation, de sorte que la consommation globale de ressources pourrait finalement dépasser le niveau observé avant les gains d’efficacité. Ainsi, la question de savoir si l’amélioration de l’efficacité des modèles peut réduire l’impact de l’IA sur les ressources en eau à l’échelle macro dépend de la vitesse à laquelle la croissance des volumes d’utilisation dépasse l’ampleur des gains d’efficacité.
