Eau des data centers : l’enjeu du refroidissement
Découvrez comment Omen AI et Aquatic Labs veulent mieux gérer l’eau des data centers, et ce que leur rapprochement révèle des enjeux de l’IA.
Pourquoi l'eau devient un enjeu stratégique pour les data centers d'IA
L'intelligence artificielle ne se résume pas à des processeurs et à de l'électricité. Dans les data centers qui font tourner les modèles, il faut aussi gérer la chaleur produite par les puces. Or, certains systèmes de refroidissement mobilisent... beaucoup d'eau. Et comme les infrastructures d'IA grossissent, la gestion de cette ressource devient à la fois un sujet industriel, économique et local.
Le rapprochement annoncé entre Omen AI et Aquatic Labs va dans une direction assez claire : mieux mesurer l'état des fluides de refroidissement pour éviter des remplacements inutiles et détecter les dérives avant qu'elles ne dégénèrent. Omen AI acquiert Aquatic Labs pour 16 millions de dollars, en numéraire et en actions. Les deux entreprises veulent ensuite rassembler leurs briques pour développer un capteur destiné aux data centers.
Ce rachat ne prouve pas, à lui seul, que les centres de données vont réduire leur consommation d'eau. Mais il éclaire un point plus concret : le rôle de la mesure dans la fiabilité des infrastructures d'IA. Voici ce que des capteurs peuvent changer, où se situe (potentiellement) leur intérêt économique, et ce qui reste à clarifier pour les opérateurs.
Pourquoi l'eau devient-elle un enjeu pour les data centers d'IA ?
Les puces utilisées pour entraîner et exécuter des modèles d'IA dégagent beaucoup de chaleur. Pour garder les équipements dans leurs conditions de fonctionnement, les exploitants doivent déployer des systèmes de refroidissement. D'après la Water Foundation, les data centers américains consomment chaque année entre 17 et 19 milliards de gallons d'eau, soit environ 64 à 72 milliards de litres. Et ces volumes pourraient tripler en cinq ans.
Attention : ces chiffres portent sur les États-Unis. Ils ne décrivent pas automatiquement la situation française ou européenne. Mais ils donnent une idée de l'ordre de grandeur, ce qui devient pertinent au moment où les infrastructures se multiplient. Sur un territoire, la pression sur la ressource dépendra aussi du climat, de la disponibilité locale de l'eau, de la technologie de refroidissement choisie et des autres usages en concurrence.
Un enjeu qui dépasse la facture d'eau
Pour un exploitant, l'eau n'est pas seulement un coût. Un refroidissement mal piloté peut se dégrader, favoriser la croissance de bactéries ou provoquer une défaillance de vanne. Un problème de circulation ou de qualité de fluide peut aussi menacer la disponibilité des équipements - et donc les services hébergés.
Le sujet est aussi politique. Un data center peut rester rentable pour son opérateur tout en créant une tension avec d'autres besoins locaux en eau. La question devient particulièrement sensible dans les zones où l'eau est déjà rare. En France comme ailleurs en Europe, les projets doivent donc être évalués sur leur consommation réelle et leur implantation, pas uniquement sur la capacité de calcul.
Pourquoi la mesure actuelle pose problème
D'après les éléments rapportés par TechCrunch, l'analyse de certains fluides passe encore par l'envoi d'échantillons à un laboratoire. Le résultat peut prendre plusieurs jours. C'est compliqué à intégrer dans des installations qui tournent en continu et où les équipements représentent des investissements lourds.
Une mesure en temps réel ne remplace pas une stratégie de refroidissement efficace, et elle ne fait pas disparaître les besoins en eau. En revanche, elle peut donner aux équipes une visibilité plus rapide sur l'évolution du fluide. Concrètement, détecter une dérive avant qu'elle ne force une intervention lourde permet de choisir une réponse proportionnée, plutôt que de découvrir le problème une fois le système déjà fragilisé.
Que vont réunir Omen AI et Aquatic Labs ?
Omen AI, fondée en 2024, développe des capteurs pour surveiller les fluides des systèmes de refroidissement. L'entreprise vise notamment à repérer des signes de défaillance des vannes ou une croissance bactérienne qui pourrait gêner la circulation de l'eau. Selon TechCrunch, Omen AI a levé 31 millions de dollars lors d'un tour de série A en juin.
L'acquisition d'Aquatic Labs, annoncée pour 16 millions de dollars en numéraire et en actions, combine deux approches. Les capteurs d'Omen détectent certains éléments présents dans l'eau, tandis qu'Aquatic Labs mesure son alcalinité. Ensemble, ces paramètres pourraient donner une lecture plus complète de l'état du fluide qu'une mesure prise isolément.
Des expertises différentes, un même problème opérationnel
Les deux équipes ne viennent pas du même parcours. Zach Laberge, fondateur d'Omen AI, avait auparavant créé une entreprise d'analyse des fluides pour de grandes machines de chantier équipées de systèmes hydrauliques. Allan Adams, dirigeant d'Aquatic Labs, est physicien de formation et a travaillé sur des technologies de mesure océanique, notamment au MIT et au Woods Hole Oceanographic Institution.
Cette différence compte, parce que le défi ne s'arrête pas à fabriquer un capteur. Il faut choisir les bons paramètres, comprendre comment ils évoluent dans un environnement industriel, puis transformer les résultats en décisions utilisables par les équipes d'exploitation. Une mesure supplémentaire n'a d'intérêt que si elle aide à intervenir plus tôt - ou à éviter une opération inutile.
Une intégration encore à réaliser
La suite est d'abord technique : intégrer les deux technologies dans un même capteur. Les entreprises visent une commercialisation au début de l'année suivante, selon TechCrunch. Autrement dit, c'est un calendrier annoncé, pas un produit déjà largement déployé.
Et ce point mérite d'être souligné. Combiner deux façons de mesurer ne garantit pas automatiquement un outil fiable, facile à maintenir et compatible avec les installations existantes. Il faudra vérifier la qualité des mesures dans la durée, la calibration, la résistance aux conditions réelles d'exploitation et la façon dont le capteur s'intègre à la supervision des data centers. Le résultat commercial dépendra autant de l'exécution que de la pertinence scientifique du capteur.
Comment la surveillance des fluides peut-elle créer de la valeur ?
L'idée portée par Omen AI et Aquatic Labs tient dans une chaîne assez directe : mieux mesurer l'état du fluide aide à détecter une anomalie plus tôt ; une détection plus précoce permet une intervention plus ciblée ; une intervention ciblée évite de remplacer tout le fluide ou d'interrompre l'exploitation plus longtemps que nécessaire.
Dans la pratique, quand la qualité du système devient incertaine, un opérateur peut préférer vider l'eau plutôt que de risquer d'endommager des équipements coûteux. Cette décision se comprend du point de vue de la continuité de service, mais elle peut entraîner des coûts de nettoyage et de remise en état, ainsi qu'un arrêt de l'activité. Pour un data center, une panne ne coûte pas seulement le fluide : il y a aussi la capacité de calcul indisponible et les effets sur les clients.
Le bon indicateur n'est pas seulement le volume économisé
Une évaluation sérieuse doit regarder plusieurs choses : durée de vie du fluide, nombre d'incidents évités, temps d'arrêt, interventions de maintenance, et quantité d'eau rejetée ou remplacée. Et il faut comparer ces résultats à une situation de référence. Sans comparaison, on peut « améliorer » quelque chose sans savoir si le changement vient vraiment du capteur, d'une nouvelle procédure, ou simplement de conditions d'exploitation différentes.
Aujourd'hui, les informations disponibles ne chiffrent pas encore des économies d'eau directement attribuables au capteur. Le bénéfice mis en avant concerne surtout la surveillance, la disponibilité, et la réduction des opérations de remplacement ou de nettoyage. C'est une promesse plausible, mais il faudra la confirmer avec des données issues du terrain.
Un déploiement qui dépend de l'organisation
Un capteur n'est utile que si le système de décision suit. Qui reçoit l'alerte ? Quel seuil déclenche une inspection ? Quelles actions peuvent être automatisées sans risque ? Et à quel moment, malgré tout, faut-il envoyer un échantillon en laboratoire ? Ces règles font partie de la solution, même si elles restent moins visibles que le matériel.
Un déploiement efficace passe souvent par un périmètre limité : instrumenter un circuit, comparer aux analyses déjà disponibles, puis vérifier si les alertes mènent réellement à de meilleures décisions. Si le système déclenche trop de faux positifs, il peut créer de la fatigue d'alerte et alourdir le travail des équipes. S'il rate des dérives, la confiance dans l'outil s'érode. Le retour d'expérience doit donc porter sur le processus complet, pas seulement sur la précision annoncée du capteur.
Que révèle cette acquisition sur le marché de l'IA ?
L'opération met en évidence une tendance importante : l'IA ne tire pas seulement sur les marchés « visibles » comme les puces ou les modèles. Elle stimule aussi des secteurs industriels moins exposés dans le débat public. La montée en puissance des capacités de calcul entraîne des infrastructures, des systèmes énergétiques et des dispositifs de refroidissement. Dans ce contexte, la mesure et la maintenance peuvent intéresser des opérateurs qui cherchent à sécuriser des sites déjà construits - ou en cours de construction.
Omen AI affirme que ses capteurs devraient surveiller, d'ici la fin de l'année, des puces consommant entre 250 et 300 mégawatts de puissance, ce qui représenterait, selon son fondateur, une valeur de 5 à 7 milliards de dollars. Ensuite, l'entreprise vise l'équivalent d'un gigawatt de puces d'ici la fin de 2027. Ces objectifs et estimations sont communiqués par la société : les informations disponibles ne permettent pas de vérifier ces chiffres de façon indépendante.
Un fournisseur d'infrastructure reste exposé au cycle du secteur
Le fondateur d'Omen AI estime que son activité dépend moins directement des variations d'appétit des investisseurs pour les grands projets d'IA, parce que ses clients travaillent sur des centres déjà construits ou déjà financés. L'argument se tient : la maintenance et l'exploitation d'actifs existants ne disparaissent pas parce qu'un nouveau chantier ralentit.
Mais ça ne rend pas l'entreprise totalement à l'abri. Si les opérateurs réduisent leurs dépenses, ils peuvent retarder l'achat de nouveaux équipements ou exiger un retour sur investissement plus rapide. Dans ce contexte, la capacité à prouver des économies, moins d'incidents et une meilleure disponibilité devient décisive. La demande liée aux infrastructures existantes apporte une forme de résistance, sans empêcher les arbitrages budgétaires.
Les questions à poser aux opérateurs européens
Pour un exploitant en France ou en Europe, l'enjeu est simple : ne pas confondre capacité de calcul et performance environnementale. Avant de retenir une solution de surveillance, il vaut mieux regarder :
- la consommation d'eau du site et la méthode de calcul ;
- l'origine de l'eau et la situation hydrique locale ;
- la part réellement réutilisée ou rejetée ;
- les incidents et arrêts que la mesure permet d'éviter ;
- la compatibilité du capteur avec les systèmes existants ;
- les coûts de maintenance, de calibration et d'exploitation.
Le même réflexe devrait s'appliquer aux choix « IA » au sens large. Un outil de mesure peut améliorer l'efficacité d'une infrastructure, mais il ne répond pas à lui seul à la question de la quantité de capacités de calcul qu'il est pertinent de construire. Le gain opérationnel doit être mis en face de l'empreinte totale du site et de la valeur des usages hébergés.
Conclusion
Le rachat d'Aquatic Labs par Omen AI montre que la gestion de l'eau s'invite directement dans l'exploitation des infrastructures d'IA. Des capteurs capables de donner une lecture plus rapide des fluides peuvent aider à éviter certaines interruptions et certains remplacements, mais leur impact devra être démontré sur des sites réels.
Pour les opérateurs, l'essentiel n'est pas de « se doter d'un outil », mais de comparer : coûts contre résultats, validation des alertes dans les conditions réelles, et suivi des effets sur l'eau, la maintenance et la disponibilité. C'est seulement comme ça que la surveillance devient un levier concret, et pas une simple promesse technologique.