Le 25 août 2026le futur data center de Microsoft à Petit-Landau et Hombourg, dans le Haut-Rhin, a reçu un avis favorable après l’enquête publique. Le projet, dédié aux besoins de l’intelligence artificielle, représente un investissement annoncé de 2 milliards d’euros et environ 200 emplois directs lorsque le site sera opérationnel. Il doit voir le jour à partir de 2029.
Sa consommation électrique pourrait atteindre 1 500 GWh par an, soit l’ordre de grandeur de la consommation annuelle de 375 000 foyers français. Le dossier prévoit aussi environ 5 000 m3 d’eau potable par an pour le refroidissement. Ces chiffres ne décrivent pas la même empreinte : l’un mesure l’électricité du site, l’autre l’eau prévue pour une fonction technique précise.
En apparence, le dossier prévoit une électricité principalement décarbonée, sans accès prioritaire à la ressource électrique au détriment des habitants. Il indique aussi que le site ne sera raccordé ni à la nappe phréatique d’Alsace ni au Rhin. Pendant l’enquête, 80 % des contributions citoyennes se sont opposées au projet. Les critiques locales portent notamment sur l’artificialisation des terres agricoles, le bruit et la consommation de ressources.
La facture physique reste entière.
Le Haut-Rhin chiffre le coût du calcul
L’avis du commissaire enquêteur considère que le projet répond à l’augmentation des besoins numériques et qu’il utilisera principalement une électricité décarbonée. Cette appréciation porte sur l’origine de l’électricité, pas sur le volume consommé : 1 500 GWh par an restent 1 500 GWh, quelle que soit la composition du mix.
Le même avis estime que les 5 000 m3 d’eau potable annuels ne provoqueront ni coupures ni dégradation de la ressource locale. Le site ne devrait être raccordé ni à la nappe d’Alsace ni au Rhin. Le dossier comporte une réserve sur les nuisances sonores : Microsoft devra mesurer le niveau de bruit après la mise en fonctionnement et prendre des mesures correctrices si nécessaire.
Les informations publiques du 25 août 2026 n’affichent pas la même surface. L’une évoque 15 hectares, l’autre environ 35 hectares de terres agricoles. Cette différence doit être levée avant toute comparaison : l’emprise totale ne se confond pas forcément avec la surface bâtie, les voiries et les équipements électriques.
Refroidir l’IA demande plus qu’une rangée de ventilateurs
Pour rappel, l’étude publiée en mai 2026 dans Environmental Science and Ecotechnology indique qu’un data center moderne consacre autour de 40 % de son électricité au refroidissement. L’air reste simple à exploiter, mais son efficacité diminue lorsque les charges de calcul deviennent très denses. Le refroidissement liquide transfère mieux la chaleur et devient donc plus pertinent pour les installations destinées à l’IA.
Le chiffre de Microsoft doit être lu dans ce contexte. Les 5 000 m3 annoncés correspondent à l’eau potable utilisée pour refroidir le site, et non à une mesure générale de toute l’eau mobilisée par la fabrication des serveurs, la production d’électricité ou les chaînes d’approvisionnement. Pour un riverain, la question concrète reste celle de la ressource prélevée localement et de la période à laquelle elle sera consommée, notamment pendant les épisodes de tension hydrique.
Le réemploi d’eaux usées traitées constitue une autre option. Le schéma ne consiste pas à envoyer de l’eau brute dans les équipements : il repose sur un effluent déjà traité et sur une infrastructure d’échange entre la station d’épuration et le data center.
Une étude de 2026 fait circuler l’eau et la chaleur
L’article scientifique Global data-water symbiosis reduces AI infrastructure’s carbon and water footprintpublié en mai 2026 avec le DOI 10.1016/j.ese.2026.100702, a modélisé cette organisation à l’échelle mondiale. Les chercheurs ont construit une base réunissant plus de 4 775 data centers et 57 547 stations municipales de traitement des eaux usées dans 98 pays, avec une analyse spatiale, une modélisation des systèmes et une analyse du cycle de vie.
Le scénario étudié associe deux flux. Les eaux usées traitées alimentent le refroidissement des data centers, tandis que la chaleur récupérée en retour aide le séchage des boues et la digestion anaérobie dans les stations d’épuration.
Le modèle estime qu’une telle symbiose pourrait éviter environ 84 millions de tonnes de CO2e par an, économiser près de 1,3 milliard de m3 d’eau douce et produire 95,4 milliards de dollars d’économies nettes annuelles. Le potentiel calculé est particulièrement élevé aux États-Unis, au Japon, en Chine, aux Pays-Bas et au Royaume-Uni.
Des économies calculées, pas encore encaissées
Les 84 millions de tonnes de CO2e, les 1,3 milliard de m3 et les 95,4 milliards de dollars sont des résultats de modélisation mondiale, pas des relevés d’exploitation du projet alsacien. L’étude évalue des appariements optimisés entre infrastructures et mesure leur potentiel environnemental et économique.
Dans 87,8 % des liaisons jugées bénéfiques par le modèle, le data center et la station d’épuration se trouvent à moins de 40 kilomètres. Cette proximité facilite l’hypothèse d’un échange, mais elle ne prouve pas qu’un raccordement a été construit pour chaque paire. L’optimisation est menée à l’échelle nationale.
Le montant de 95,4 milliards de dollars correspond à des économies nettes annuelles calculées sans subventions carbone ni prise en compte du coût social du carbone. Le chiffre décrit donc le résultat du scénario retenu, pas une recette déjà disponible pour les exploitants.
L’AIOps surveille la salle, pas le bilan carbone
Un article scientifique publié en 2022 dans Computational Intelligence and Neuroscienceintitulé AIOps Architecture in Data Center Site Infrastructure Monitoring (DOI 10.1155/2022/1988990), décrit une architecture consacrée à la surveillance des infrastructures de data centers. Elle couvre la puissance, l’environnement, la sécurité et, en option, le réseau.
Les équipements suivis peuvent inclure des compteurs électriques, des onduleurs, des groupes électrogènes, des systèmes de distribution, des capteurs de température et d’humidité, la climatisation de précision et la détection des fuites d’eau. L’architecture associe ensuite modules techniques, algorithmes d’apprentissage automatique, traitement des données massives et applications métier. L’exemple de l’étude utilise des données de température de salle et plusieurs algorithmes.
Le capteur ne fait pas le bilan
L’article de 2022 précise qu’il se concentre sur la partie technique et laisse de côté les exigences non fonctionnelles, notamment la performance, la disponibilité, la manageabilité et la sécurité. Ses tests portent sur une architecture de surveillance et des données de température, pas sur un bilan complet d’eau, d’électricité et d’émissions pour un site.
Pour le Haut-Rhin, un outil de surveillance pourra organiser les alertes et les séries de mesure si le site le configure ainsi. Il ne pourra pas, à lui seul, vérifier le volume d’eau potable consommé, la chaleur effectivement transférée ou la consommation électrique annuelle. Ces réponses relèvent des compteurs et des relevés d’exploitation.
Un projet se juge à ses compteurs
Quatre séries de relevés permettent de lire le projet sans mélanger les unités :
- Électricité : séparer la consommation informatique, le refroidissement et les autres équipements, puis publier la consommation annuelle et les pointes horaires. Le mix électrique doit accompagner les volumes.
- Eau : distinguer eau potable et eau recyclée, prélèvement et consommation, puis préciser la source, les périodes de pointe et le devenir des rejets.
- Chaleur : identifier le destinataire de la chaleur récupérée, par exemple le séchage des boues ou la digestion anaérobie, ainsi que la distance des canalisations et les heures de fonctionnement. Un potentiel théorique ne vaut pas un échange installé.
- Sol et bruit : réconcilier les chiffres de 15 et 35 hectares, préciser l’emprise totale et publier les mesures acoustiques réalisées après le démarrage.
Pour le projet du Haut-Rhin, ces relevés permettront de comparer les projections de 2026 aux résultats mesurés après la mise en service. L’étude scientifique fournit un potentiel mondial; l’AIOps, une architecture de surveillance. Aucun des deux ne remplace les compteurs du site. Mesurer l’empreinte vient avant promettre.
Sources et références scientifiques
- Global data-water symbiosis reduces AI infrastructure's carbon and water footprint – PMC. Environmental science and ecotechnology. DOI: 10.1016/j.ese.2026.100702 · PMID: 42100676.
- 1.Masanet E., Shehabi A., Lei N., Smith S., Koomey J. Recalibrating global data center energy-use estimates. Science. 2020;367:984-986. doi: 10.1126/science.aba3758. [DOI] [PubMed] [Google Scholar]. doi:10.1126/science.aba3758.
- 2.Pultarova T. Should we be moving data centers to space? 2025. >.
- 3.Guo Y., et al. Benefits of infrastructure symbiosis between coal power and wastewater treatment. Nat. Sustain. 2022;5 doi: 10.1038/s41893-022-00963-z. 1070-+ [DOI] [Google Scholar]. doi:10.1038/s41893-022-00963-z.
- 4.Liu S., et al. Diversifying heat sources in China's urban district heating systems will reduce risk of carbon lock-in. Nat. Energy. 2024;9:1021-1031. [Google Scholar].
- 5.Tasmiha K., Michael G. What is a green data center?.
- 6.McDonald R., Ballan S. 2023. Green Data Centers: towards a Sustainable Digital Transformation-A Practitioner's Guide. [Google Scholar].
- 7.Rahul M. How data centers are revolutionizing sustainability in the age of AI. 2024. >.
- 8.Shehabi A., Smith Sarah, Hubbard Alex, Newkirk Alex, Lei Nuoa, Abu Md, Siddik Bakar, Holecek Billie, Koomey Jonathan, Masanet Eric, Sartor Dale. 2024. United States Data Center Energy Usage Report. [Google Scholar].
- 9.Xiao T., Nerini F.F., Matthews H.D., Tavoni M., You F. Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA. Nat. Sustain. 2025;8:1541-1553. doi: 10.1038/s41893-025-01681-y. [DOI] [Google Scholar]. doi:10.1038/s41893-025-01681-y.
- 10.Masanet E., Lei N., Koomey J. To better understand AI's growing energy use, analysts need a data revolution. Joule. 2024;8:2427-2436. doi: 10.1016/j.joule.2024.07.018. [DOI] [Google Scholar]. doi:10.1016/j.joule.2024.07.018.
- 11.Minnesota Center for Environmental, A. 2025. MCEA Briefing on Data Centers in Minnesota. (Minnesota Center for Environmental Advocacy. [Google Scholar].
- 12.Dave P., Rogers R. An underwater data center in San Francisco Bay? Regulators say not So fast. Wired. 2024 [Google Scholar].
- AIOps Architecture in Data Center Site Infrastructure Monitoring – PMC. Computational intelligence and neuroscience. DOI: 10.1155/2022/1988990 · PMID: 35909833.
- 1.Zhang Y., Yan W., Hong G. S., et al. Data fusion analysis in the powder-bed fusion AM process monitoring by Dempster-Shafer evidence theory. Rapid Prototyping Journal. 2022;28(5):841-854. doi: 10.1108/rpj-10-2020-0242. [DOI] [Google Scholar]. doi:10.1108/rpj-10-2020-0242.
- 2.Georghiou T., Massou E., Morris S., et al. The impact of post-hospital remote monitoring of COVID-19 patients using pulse oximetry: a national observational study using hospital activity data. EClinicalMedicine. 2022;48 doi: 10.1016/j.eclinm.2022.101441.101441 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.eclinm.2022.101441.101441.
- 3.Zhang P. J., Wang C. S., Wu G. S., Wang Yu. Temperature gradient models of steel-concrete composite girder based on long-term monitoring data. Journal of Constructional Steel Research. 2022;194 doi: 10.1016/j.jcsr.2022.107309. [DOI] [Google Scholar]. doi:10.1016/j.jcsr.2022.107309.
- 4.Shang R., Zhu Z., Zhang J., et al. Near-real-time monitoring of land disturbance with harmonized Landsats 7-8 and Sentinel-2 data. Remote Sensing of Environment. 2022;278 doi: 10.1016/j.rse.2022.113073. [DOI] [Google Scholar]. doi:10.1016/j.rse.2022.113073.
- 5.Heller A., Nicholas P. W., Brandon T., Colby W. B., Davidson M. Z. An inductive approach to developing ecological site concepts with existing monitoring data. Rangeland Ecology amp; Management. 2022;83 doi: 10.1016/j.rama.2022.03.009. [DOI] [Google Scholar]. doi:10.1016/j.rama.2022.03.009.
- 6.Rasha M. A. S., Ali R. R. Monitoring of oil spill in the offshore zone of the Nile Delta using Sentinel data. Marine Pollution Bulletin. 2022;179 doi: 10.1016/j.marpolbul.2022.113718. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.marpolbul.2022.113718.
- 7.Erica F. S., Orin J. R., Emily R. B., et al. The potential of semi-structured citizen science data as a supplement for conservation decision-making: validating the performance of eBird against targeted avian monitoring efforts. Biological Conservation. 2022;270 doi: 10.1016/j.biocon.2022.109556. [DOI] [Google Scholar]. doi:10.1016/j.biocon.2022.109556.
- 8.Rossat D., Baroth J., Briffaut M., et al. Bayesian updating for nuclear containment buildings using both mechanical and hydraulic monitoring data. Engineering Structures. 2022;262 doi: 10.1016/j.engstruct.2022.114294.114294 [DOI] [Google Scholar]. doi:10.1016/j.engstruct.2022.114294.114294.
- 9.Li J., Wu Z., Chen J., Lu X., Li Z. FEM-Bayesian Kriging method for deformation field estimation of earth dams with limited monitoring data. Computers and Geotechnics. 2022;148 doi: 10.1016/pgeo.2022.104782. [DOI] [Google Scholar]. doi:10.1016/j.compgeo.2022.104782.
- 10.Rusne S., Arnout S., Vasileios B., Meister K., Alexander W., Arjan V. T. European waste statistics data for a circular economy monitor: opportunities and limitations from the amsterdam metropolitan region. Journal of Cleaner Production. 2022;358 doi: 10.1016/j.jclepro.2022.131767. [DOI] [Google Scholar]. doi:10.1016/j.jclepro.2022.131767.
- 11.Wu T., Tang L., Shao S., et al. Accurate structural displacement monitoring by data fusion of a consumer-grade camera and accelerometers. Engineering Structures. 2022;262 doi: 10.1016/j.engstruct.2022.114303. [DOI] [Google Scholar]. doi:10.1016/j.engstruct.2022.114303.
- 12.Hou J., Jiang H., Wan C., et al. Deep learning and data augmentation based data imputation for structural health monitoring system in multi-sensor damaged state. Measurement. 2022;196 doi: 10.1016/j.measurement.2022.111206.111206 [DOI] [Google Scholar]. doi:10.1016/j.measurement.2022.111206.111206.
- Feu vert pour les 15 hectares de datacenter de Microsoft en France : l’IA gagne du terrain. 2026.
- Permanencier La Tribune. Microsoft obtient un avis favorable pour son futur data center de 35 hectares dans le Haut-Rhin. 2026.
