IA et énergie : le défi des centres de données face aux objectifs climatiques

L’intelligence artificielle semble immatérielle lorsqu’elle répond à une question ou génère une image. Pourtant, derrière chaque requête se trouvent des processeurs, des systèmes de refroidissement, des bâtiments et, surtout, une alimentation électrique. En juillet 2025, la croissance des usages de l’IA place donc le secteur énergétique devant un double impératif : construire assez vite pour répondre à la demande, tout en évitant d’alourdir le bilan climatique de cette révolution numérique.

Le débat ne se résume pas à savoir si l’IA « consomme trop ». Toute activité économique a besoin d’énergie. La question décisive porte sur la manière dont cette nouvelle consommation sera produite, acheminée, pilotée et répartie. Des chercheurs, industriels et spécialistes de l’énergie réunis autour de ces enjeux défendent une idée centrale : l’IA peut accroître fortement les besoins électriques, mais elle peut aussi devenir un outil pour rendre le système énergétique plus efficace.

Une demande électrique qui change d’échelle

Les centres de données, ou datacenters, regroupent les serveurs qui stockent des données et exécutent les calculs nécessaires aux services numériques. Les modèles d’IA générative et les applications comme ChatGPT y font tourner un très grand nombre de processeurs spécialisés. Leur déploiement à grande échelle transforme les besoins du secteur.

Les centres de données consomment actuellement environ 4 % de l’électricité des États-Unis. Cette part pourrait atteindre de 12 à 15 % d’ici à 2030, principalement sous l’effet des applications d’intelligence artificielle. Une telle progression ne se traduit pas uniquement par davantage de factures d’électricité pour les exploitants. Elle oblige aussi les réseaux à absorber des charges très concentrées, souvent à proximité immédiate de nouveaux sites industriels.

Les projets les plus imposants nécessitent désormais entre 50 et 100 mégawatts. Pour situer cet ordre de grandeur, un mégawatt correspond à un million de watts : à cette échelle, le raccordement d’un seul centre de calcul devient un sujet d’aménagement du réseau, de capacité de production et de planification locale.

Sam Altman, directeur général d’OpenAI, a résumé l’interdépendance économique entre calcul et électricité par une formule : « Le coût de l’intelligence convergera avec celui de l’énergie. » L’idée est simple : à mesure que les systèmes d’IA mobilisent plus de puissance informatique, le prix, la disponibilité et l’origine de l’électricité deviennent des paramètres majeurs de leur développement.

Entraînement et inférence : où se situe l’empreinte de l’IA ?

On distingue habituellement deux grandes phases dans le cycle de vie d’un modèle. L’entraînement consiste à exposer le système à de très grands volumes de données afin qu’il apprenne à produire des résultats. C’est une phase ponctuelle, mais particulièrement intensive en calcul. L’inférence désigne ensuite l’utilisation du modèle entraîné : répondre à des requêtes, résumer un texte, traduire, recommander un contenu ou analyser une image.

Cette seconde phase mérite une attention particulière, car elle est répétée à chaque usage et peut concerner des millions, voire des milliards de demandes. Une estimation présentée dans les échanges évalue à 80 % la part de l’empreinte environnementale liée à l’inférence. Autrement dit, améliorer uniquement l’efficacité de l’entraînement ne suffit pas si les usages quotidiens progressent encore plus vite.

L’empreinte réelle dépend aussi de l’électricité disponible à l’endroit et au moment où les machines fonctionnent. Un même calcul n’a pas les mêmes conséquences climatiques selon que le réseau s’appuie davantage sur des sources bas carbone ou sur des combustibles fossiles. Il dépend également de la performance des serveurs, de l’efficacité du refroidissement et de la possibilité de décaler certains traitements vers les heures où l’électricité est plus abondante.

Emma Strubell, de Carnegie Mellon, a rappelé ce risque de rebond : les gains d’efficacité peuvent stimuler de nouveaux usages et, au total, augmenter les ressources consommées. Le bon indicateur ne se limite donc pas à l’énergie nécessaire pour une tâche isolée. Il faut aussi observer le nombre de tâches réalisées, la taille des modèles déployés et les effets d’entraînement sur les pratiques numériques.

Produire une électricité bas carbone sans fragiliser le réseau

Répondre à la demande des centres de calcul suppose de disposer à la fois d’électricité, de lignes de transport et de flexibilité. Les énergies renouvelables peuvent fournir une part essentielle de cette production, mais le vent et le soleil ne sont pas disponibles en permanence. Il faut donc organiser l’équilibre du réseau lorsque la production varie et que la consommation, elle, reste élevée.

Les batteries constituent une solution importante pour stocker l’électricité sur de courtes durées. Mais les modèles discutés lors du symposium montrent qu’un déploiement massif de batteries, nécessaire pour viser une électricité entièrement sans émissions, pourrait multiplier les coûts par deux à trois. Ce constat ne disqualifie pas les batteries : il souligne qu’elles ne peuvent pas être la réponse unique à toutes les périodes, à toutes les régions et à tous les besoins.

Emre Gençer, fondateur de Sesame Sustainability, a mis en avant les écarts régionaux. Le centre des États-Unis, par exemple, bénéficie de coûts d’électricité propre sensiblement plus faibles. Cette géographie de l’énergie peut influencer l’implantation de nouveaux centres de données, mais elle ne dispense pas de renforcer les infrastructures qui transportent l’électricité jusqu’aux lieux de consommation.

Plusieurs compléments aux renouvelables sont envisagés :

• le stockage de longue durée, destiné à conserver de l’énergie bien au-delà des cycles quotidiens ;
• les petits réacteurs modulaires, souvent désignés par l’acronyme SMR, qui constituent une piste nucléaire encore appelée à démontrer son déploiement à grande échelle ;
• les ressources géothermiques, qui exploitent la chaleur du sous-sol ;
• des approches hybrides combinant de nouvelles capacités propres avec les infrastructures de réseau existantes.

Certaines solutions hybrides s’appuient aussi sur des installations au gaz naturel déjà en service, afin d’ajouter une capacité propre sans compromettre immédiatement la fiabilité. L’enjeu est de réduire les émissions sans créer de pénuries ni faire exploser les coûts, dans un contexte où les besoins électriques augmentent rapidement.

Le nucléaire revient au centre des discussions

La poussée des besoins électriques a également ravivé l’attention portée au nucléaire. Son principal avantage dans ce débat est de produire une électricité bas carbone de manière continue, sans dépendre directement de la météo. Ses contraintes restent toutefois importantes : sûreté, coûts, délais de construction, acceptabilité et gestion des installations.

Kathryn Biegel, de Constellation Energy, a indiqué que l’entreprise redémarre le réacteur du site de Three Mile Island, désormais appelé Crane Clean Energy Center, pour répondre à cette demande. Ce cas illustre l’effet des centres de données sur les choix industriels : une demande électrique prévisible et concentrée peut donner un nouvel intérêt économique à des capacités de production existantes.

Le nucléaire ne règle pas, à lui seul, la question énergétique de l’IA. Mais son retour dans les scénarios montre que l’équation ne se limite plus à l’opposition entre technologie numérique et environnement. Elle porte sur un bouquet de solutions, associant efficacité, production bas carbone, réseaux, stockage et arbitrages territoriaux.

Comment l’IA peut-elle aider le système énergétique ?

Le paradoxe est que les mêmes capacités de calcul qui exigent davantage d’électricité peuvent contribuer à mieux utiliser celle qui est déjà disponible. Evelyn Wang, vice-présidente du MIT, a insisté sur la possibilité d’employer les capacités computationnelles de l’IA au service des réponses au changement climatique. Les progrès réalisés pour les centres de données, notamment dans l’efficacité et le refroidissement, peuvent aussi trouver des applications au-delà de ces bâtiments.

Priya Donti, professeure au MIT, a montré comment l’IA peut améliorer la gestion des systèmes électriques. Son approche consiste à intégrer des contraintes issues de la physique dans des réseaux neuronaux. Un réseau électrique doit en effet respecter des lois physiques très strictes : l’électricité doit rester en équilibre, les lignes ne peuvent pas dépasser certaines limites, et la tension doit être maintenue dans des plages sûres.

En tenant compte de ces contraintes dès la conception du modèle, l’IA peut s’attaquer à des problèmes complexes de flux d’énergie avec une rapidité décuplée. L’objectif n’est pas de confier aveuglément le réseau à un algorithme, mais d’aider les opérateurs à analyser rapidement de nombreux scénarios : variations de la production renouvelable, congestion d’une ligne, nouveaux raccordements ou évolution de la demande.

Les applications peuvent aussi être très concrètes pour le grand public. Antonia Gawel, de Google, a cité la fonction de routage de Google Maps : depuis son lancement, elle aurait permis d’éviter plus de 2,9 millions de tonnes de gaz à effet de serre, soit l’équivalent du retrait de 650 000 voitures de la circulation pendant un an. Cet exemple rappelle qu’une IA utile au climat n’est pas forcément réservée aux laboratoires ou aux réseaux électriques : elle peut aussi réduire des consommations dans des usages courants.

L’efficacité doit s’accompagner de choix collectifs

L’optimisation est nécessaire, mais elle ne dispense pas de fixer des priorités. Les participants aux discussions ont défendu l’idée que l’électricité des centres de données devait être considérée comme une ressource limitée, à allouer avec discernement. Cette question est autant industrielle que sociale : quelle place accorder aux nouveaux usages numériques lorsqu’ils entrent en concurrence, localement, avec d’autres besoins en électricité ?

La réponse passe par une coopération entre producteurs d’énergie, gestionnaires de réseau, exploitants de centres de données, chercheurs, responsables publics et territoires d’accueil. Les décisions d’implantation, de raccordement et de construction doivent être coordonnées suffisamment tôt. Sans cette planification, une région peut disposer de projets de production bas carbone sans avoir les lignes ou les équipements nécessaires pour les connecter aux nouveaux besoins.

L’éthique intervient également dans ce débat. Elle ne concerne pas uniquement les réponses produites par les modèles d’IA ou la protection des données. Elle inclut le choix des infrastructures, la transparence sur leur consommation, les effets sur les prix et la cohérence entre les promesses technologiques et les engagements climatiques.

Les priorités de recherche qui se dessinent

William H. Green a présenté un nouveau programme du MIT consacré aux centres de calcul et à l’énergie, en lien avec les travaux du MIT Climate Project. Les réponses recueillies en temps réel auprès des participants ont placé l’intégration des données au premier rang des priorités. C’est un sujet déterminant : réseaux, prévisions météorologiques, consommation, production et capacités de stockage génèrent des données nombreuses qu’il faut pouvoir combiner de manière fiable.

L’accélération de la découverte de matériaux avancés pour l’énergie figure également parmi les priorités. L’IA peut potentiellement aider les chercheurs à explorer plus vite de nouvelles pistes pour les batteries, les matériaux de réseau, le stockage ou d’autres technologies bas carbone. Ici encore, la promesse porte moins sur un remplacement du travail scientifique que sur une capacité à trier, simuler et tester plus efficacement un très grand nombre d’hypothèses.

Ce qu’il faut surveiller

Dans les prochaines années, le point de vigilance principal sera l’écart entre la vitesse de déploiement des infrastructures d’IA et celle des réseaux électriques propres capables de les alimenter. La disponibilité d’électricité bas carbone, les délais de raccordement, le coût du stockage et les choix en matière de nucléaire ou de géothermie détermineront en grande partie le bilan environnemental de cette croissance.

Il faudra aussi suivre l’efficacité réelle des modèles une fois déployés. Réduire l’énergie par requête est utile, mais l’impact global dépendra du volume total d’inférences et de la multiplication des services. Enfin, la capacité de l’IA à améliorer les systèmes énergétiques devra être évaluée sur des résultats mesurables : émissions évitées, réseau plus fiable, meilleure intégration des renouvelables et réduction des gaspillages. C’est à cette condition que l’IA pourra devenir autre chose qu’une nouvelle charge pour le système électrique.