Centres de données IA et eau : ce que disent vraiment les dernières études et déclarations

Le dernier élément de cette série n'est pas une étude sur l'eau. C'est un ensemble de prépublications arXiv déposées le 30 octobre. Elles montrent à quelle vitesse la recherche en IA monte en charge des tâches gourmandes en calcul, qui demandent ensuite à être refroidies. Un article, RTL-Interact, entraîne un modèle de 32 000 000 000 de paramètres à générer et réviser des conceptions de puces à partir des retours des outils EDA. Ses auteurs annoncent 48,7 % de Pass@1 pondéré sur le benchmark CVDP. Ils affirment que leur Pattern-Aware Policy Optimization a réduit de 63,8 % le nombre moyen d'appels aux outils. Moins d'appels, des modèles plus capables : la direction est claire.

Cela compte pour l'eau, parce que le refroidissement des centres de données est la couche physique sous tout le reste. Aucune des 11 sources ne contient de chiffre direct de consommation d'eau pour un modèle d'IA nommé. La mesure la plus proche vient du blog de NVIDIA. Le 22 octobre, il décrivait des institutions financières européennes faisant tourner des modèles à poids ouverts sur leur propre infrastructure. Le billet indique que Revolut étend son modèle de fondation PRAGMA à 80 000 000 de clients dans un premier temps, avec une conception prévue pour monter jusqu'à 3 fois plus. Il indique que l'assistant Finn de bunq égale les principaux modèles fermés à 60 % du coût par réponse. Ni l'un ni l'autre n'est un chiffre d'eau, et NVIDIA n'en donne aucun.

Ce que disent les fournisseurs, et ce qu'ils omettent

Le même billet NVIDIA cite Starling Bank, Lloyds, NatWest, Santander, LSEG et HSBC parmi les utilisateurs de modèles ouverts et de calcul accéléré. C'est un argumentaire de production à grande échelle, pas une déclaration environnementale.

Un deuxième billet NVIDIA du 22 octobre porte sur la plateforme Cosmos pour les modèles du monde et les données synthétiques. Il indique que Porsche compte sur Cosmos Data Factory pour réduire jusqu'à 90 % les essais physiques répétés. Il indique aussi que la plateforme peut raccourcir les cycles de développement jusqu'à 85 %, et qu'ANYbotics a généré plus de 1 500 clips vidéo synthétiques. Les données synthétiques peuvent réduire les tests physiques, mais elles tournent toujours sur des GPU dans des salles refroidies.

Un troisième billet NVIDIA, également daté du 22 octobre, décrit des déploiements dans le secteur public. Le Centre eHealth de Pologne construit une plateforme d'imagerie médicale sur DGX BasePOD et MONAI. Un système agentique du ministère de la Famille, du Travail et de la Politique sociale est conçu pour plus de 400 bureaux du travail. Chacun de ces projets est une nouvelle empreinte de calcul. Le blog indique que les modèles ouverts permettent aux gouvernements de garder les données sensibles dans des environnements contrôlés. Il ne dit rien de l'eau que ces environnements consomment.

Il n'existe aucun jeu de données primaire sur la consommation d'eau pour un modèle d'IA ou un centre de données. Tous les chiffres d'eau de la couverture environnante viennent de titres que nous ne pouvons pas citer comme des faits.

Cet écart, voilà l'histoire. Le côté recherche publie des chiffres d'efficacité détaillés. Le côté fournisseurs publie des nombres de clients et des économies de coûts. Le côté environnemental est largement absent du matériel primaire. Un lecteur qui cherche à savoir combien d'eau un modèle comme RTL-Interact-32B consomme par entraînement ne le trouvera pas. Ce n'est ni dans l'article, ni dans les billets NVIDIA, ni dans les deux analyses de sécurité de cette série.

Les promesses d'efficacité ne sont pas des promesses sur l'eau

Deux autres prépublications du 30 octobre précisent le propos. BULLPEN, un cadre de profilage de modèles, affirme que ses encodeurs de texte de réponse conservent au moins 91 % de la compétence du pool complet à partir de seulement 400 questions. Cela représente 1,3 % du calcul d'inférence du pool complet de questions. Un article sur l'élagage des modèles à mélange d'experts rapporte que PEEP et DCEP surpassent les références de l'état de l'art. Ils y parviennent avec une rétention d'experts de 75 % et 50 % sur DeepSeek-V2-Lite et Qwen3-30B-A3B, soit 30 000 000 000 de paramètres pour ce dernier. Moins de calcul par tâche devrait signifier moins de refroidissement par tâche, mais aucun des auteurs ne convertit cela en litres.

Il y a aussi un angle sécurité. Le blog de Bruce Schneier du 27 octobre relayait des recherches montrant que des modèles d'IA peuvent prouvablement dissimuler des capacités arbitraires. Les auteurs ont publié leurs modèles « pour soutenir l'amélioration des défenses ».

Le 26 octobre, un autre billet de Schneier décrivait un biais constaté dans Qwen3-Coder. Des applications destinées à un contractant de la défense américaine étaient 19 % plus susceptibles d'être piratables, et une version occidentalisée comblait l'écart. Les deux portent sur la confiance dans les poids des modèles, pas sur l'eau. Ils ne figurent ici que comme contexte du peu d'audit indépendant dont le domaine dispose aujourd'hui.

La seule source non liée à l'IA avec un chiffre précis est un rapport de CnEVPost du 27 octobre. Il indique que Volkswagen envisage d'utiliser une architecture co-développée avec Xpeng sur environ 75 % des modèles de nouvelle génération de Volkswagen, Skoda et Cupra. Les économies estimées vont de 4 000 000 000 à 5 000 000 000 d'euros, selon Manager Magazin. C'est une histoire de consolidation logicielle, mais elle pointe la même pression : les coûts de calcul et d'ingénierie sont comprimés partout. La comptabilité de l'eau, elle, n'a pas suivi. La troisième source de cette série, également datée du 22 octobre, ajoute 3 000 000 000 de paramètres au débat sur les modèles ouverts.