L’IA pourrait absorber près de la moitié de l’électricité des centres de données

L’intelligence artificielle ne vit pas dans un nuage immatériel. Chaque question posée à un assistant, chaque image créée et chaque modèle entraîné mobilisent des serveurs, des puces spécialisées, des réseaux et des systèmes de refroidissement installés dans des centres de données. À mesure que ces usages se généralisent, l’électricité devient l’une des contraintes les plus matérielles de la course à l’IA.

Une analyse publiée par Alex de Vries-Gao, doctorant au VU Amsterdam Institute for Environmental Studies, attire l’attention sur l’ampleur potentielle du phénomène. Elle estime que la consommation électrique des équipements d’IA pourrait se situer entre 23 et 82 térawattheures en 2025. À l’extrémité haute de cette fourchette, l’IA pourrait se rapprocher de la moitié de l’électricité utilisée par les centres de données dans le monde, selon les hypothèses retenues.

Il ne s’agit pas d’une mesure exhaustive prise compteur en main, ni d’une prédiction certaine. C’est une estimation bâtie à partir de données publiques sur les équipements et les infrastructures. Mais elle met en lumière un fait difficile à ignorer : la diffusion des grands modèles de langage et des outils génératifs transforme rapidement l’IA en enjeu énergétique.

Pourquoi l’IA consomme-t-elle autant d’électricité ?

Les systèmes d’IA générative sont particulièrement gourmands en calcul. Pour fonctionner, un modèle comme un agent conversationnel doit exécuter un très grand nombre d’opérations sur des puces conçues pour l’intelligence artificielle, souvent des processeurs graphiques, ou GPU. Ces composants effectuent des calculs en parallèle, une capacité essentielle pour entraîner et faire tourner des réseaux de neurones de grande taille.

Deux phases doivent être distinguées :

• L’entraînement consiste à exposer un modèle à d’immenses ensembles de données afin qu’il ajuste ses paramètres. Cette étape peut concentrer une puissance de calcul considérable sur une période donnée.
• L’inférence correspond à l’utilisation quotidienne du modèle, par exemple lorsqu’il produit une réponse, résume un document ou génère une image. Chaque requête est moins coûteuse qu’un entraînement complet, mais leur multiplication peut représenter une charge importante à très grande échelle.

L’électricité ne sert pas uniquement aux puces. Elle alimente aussi les serveurs qui les accueillent, la mémoire, les équipements réseau, les dispositifs de stockage et le refroidissement. Dans un centre de données, il faut évacuer la chaleur produite en continu par des machines qui tournent parfois à pleine charge.

Que représente l’estimation de 23 à 82 TWh ?

Le chiffre de 82 TWh ne désigne pas l’ensemble de la consommation mondiale des centres de données. Il correspond à la borne haute d’une estimation de la consommation annuelle associée aux équipements d’IA. Cette nuance est essentielle : les centres de données hébergent de nombreux autres usages, comme le cloud, le stockage de fichiers, la vidéo en ligne, les applications d’entreprise ou encore les calculs liés aux cryptomonnaies.

Alex de Vries-Gao a étudié les informations publiques disponibles sur la consommation d’électricité, les ventes et les caractéristiques des équipements utilisés pour l’IA. Cette méthode est nécessaire car les fournisseurs de modèles et les exploitants de centres de données ne publient pas toujours le détail de la consommation attribuable à chaque service.

La fourchette est large parce que plusieurs inconnues demeurent : le nombre réel de puces déployées, leur taux d’utilisation, leur durée de fonctionnement, l’efficacité des centres de données et la part des équipements consacrée précisément à l’IA. L’estimation doit donc être lue comme un ordre de grandeur et un signal d’alerte, non comme un bilan définitif.

L’Agence internationale de l’énergie, ou AIE, a estimé que les centres de données avaient consommé environ 415 TWh en 2024, soit 1,5 % de la demande mondiale d’électricité. Dans ce contexte, une consommation d’IA située vers le haut de la fourchette étudiée deviendrait une composante majeure du total. C’est de là que vient l’hypothèse d’une IA susceptible d’approcher la moitié des besoins électriques des centres de données.

Pourquoi cette part pourrait-elle grimper rapidement ?

L’augmentation ne s’explique pas uniquement par l’apparition de nouveaux utilisateurs. Les modèles eux-mêmes deviennent plus capables, donc souvent plus lourds à entraîner et à exploiter. Les services d’IA se diffusent simultanément dans les moteurs de recherche, les suites bureautiques, les outils de programmation, le service client, la création de contenus et l’analyse de données.

Chaque intégration ne produit pas forcément une forte dépense unitaire. En revanche, la somme de millions, voire de milliards de requêtes change l’échelle du problème. Une interface conversationnelle, par exemple, peut nécessiter davantage de calcul qu’une recherche classique, surtout si elle génère un texte détaillé ou manipule des documents, des images ou du son.

Les entreprises développent aussi des infrastructures dédiées, avec des grappes de serveurs toujours plus denses. Cette concentration de puissance est un défi pour les opérateurs de réseau électrique. Dans certaines zones, raccorder un nouveau centre de données exige de renforcer les lignes, les postes électriques et les capacités de production disponibles.

L’enjeu n’est donc pas seulement mondial. Il est aussi local. Un centre de données très énergivore peut peser sur un réseau régional, même si sa consommation représente une faible part du total d’un pays. La disponibilité de l’électricité, les délais de raccordement et le prix du courant peuvent alors influencer les décisions d’implantation des entreprises.

L’impact climatique dépend du courant qui alimente les serveurs

Une même quantité d’électricité n’a pas la même empreinte carbone selon l’endroit et l’heure où elle est consommée. Si les centres de données sont alimentés par un réseau où le charbon joue encore un rôle important, l’augmentation des besoins peut entraîner davantage d’émissions de gaz à effet de serre. À l’inverse, un réseau reposant davantage sur des sources bas carbone réduit les émissions associées à chaque kilowattheure.

Il serait toutefois réducteur d’affirmer que l’IA augmente mécaniquement les émissions dans toutes les situations. L’intensité carbone dépend du mix électrique, de la capacité des réseaux à absorber une nouvelle demande, des contrats d’approvisionnement conclus par les opérateurs et du moment précis où les machines fonctionnent.

Les promesses d’approvisionnement renouvelable méritent aussi d’être examinées avec précision. Acheter de l’électricité renouvelable ou des garanties associées ne signifie pas nécessairement qu’un centre de données est alimenté à chaque instant par une production bas carbone locale. Pour le climat et pour le réseau, la question centrale est celle de l’électricité effectivement disponible lorsque la demande survient.

Des besoins qui se heurtent aux contraintes économiques

L’électricité représente déjà un poste de coût majeur dans l’exploitation d’un centre de données. Une hausse de la demande en calcul peut donc peser directement sur les marges des fournisseurs de services d’IA, particulièrement si les prix de l’énergie augmentent ou si les infrastructures doivent être construites dans des zones où le réseau est saturé.

Cette réalité pourrait freiner certaines stratégies fondées sur une croissance illimitée de la puissance de calcul. Elle peut aussi encourager les entreprises à choisir des modèles plus compacts pour certains usages, à optimiser le traitement des requêtes ou à répartir les tâches entre différentes catégories de matériel.

Les grands acteurs technologiques cherchent parallèlement à sécuriser leur approvisionnement. Cela peut passer par des contrats d’électricité de long terme, des investissements dans des capacités de production ou des projets visant à rapprocher les centres de données de sources d’énergie disponibles. Le sujet est stratégique : sans électricité, les investissements dans les puces et les modèles ne peuvent pas produire les services attendus.

Quelles solutions permettent de limiter la facture énergétique ?

Aucune mesure isolée ne suffira à effacer la hausse attendue des besoins. Plusieurs leviers peuvent néanmoins réduire la quantité d’électricité consommée pour un même service rendu.

Le premier est matériel. Les nouvelles générations de puces cherchent à exécuter davantage de calculs pour chaque watt consommé. L’amélioration de l’efficacité ne garantit pas à elle seule une baisse absolue de la consommation, car elle peut être annulée par la multiplication des usages. Elle reste pourtant déterminante pour contenir la dépense à service équivalent.

Le deuxième levier est logiciel. Tous les besoins ne justifient pas un modèle de très grande taille. Des modèles plus légers, des réponses plus courtes quand elles suffisent, une meilleure sélection des données à traiter ou l’utilisation de calculs spécialisés peuvent diminuer les ressources mobilisées. Dans l’IA, l’efficacité d’un système dépend autant de son architecture et de son usage que de sa puissance brute.

Le troisième levier concerne l’exploitation des centres de données. Refroidir plus efficacement les serveurs, améliorer le taux d’utilisation des machines, éviter les équipements sous-employés et adapter certaines tâches aux périodes de moindre tension du réseau sont autant de pistes concrètes. La collaboration autour de logiciels libres et de standards techniques, notamment dans des communautés telles que celles liées à la Linux Foundation, peut également favoriser le partage de bonnes pratiques d’efficacité.

Enfin, l’approvisionnement électrique est central. Déployer davantage de production bas carbone et renforcer les réseaux conditionnera la capacité à accueillir ces nouveaux besoins sans accroître fortement les émissions. Cette question dépasse les seules entreprises d’IA : elle concerne les énergéticiens, les régulateurs, les collectivités et les gestionnaires de réseau.

Ce qu’il faut surveiller

Les estimations d’Alex de Vries-Gao rappellent l’ampleur des zones d’ombre. La transparence reste limitée sur la consommation détaillée des services d’IA, les taux d’utilisation des puces et la répartition entre entraînement et inférence. Sans données plus homogènes, il restera difficile de distinguer les gains d’efficacité réels des effets d’annonce.

Il faudra également suivre la vitesse de déploiement des infrastructures. Les annonces de nouveaux centres de données et d’achats massifs de puces ne se traduisent pas toutes immédiatement par une consommation effective. Entre les commandes, la construction, les raccordements et l’exploitation, les calendriers peuvent différer sensiblement.

La vraie question n’est pas de savoir si l’IA consommera de l’électricité, elle en consommera nécessairement. Elle est de déterminer si le secteur parviendra à découpler la croissance des services numériques de la croissance de leurs émissions et de leur pression sur les réseaux. À l’heure où l’IA devient une infrastructure générale, son efficacité énergétique n’est plus un détail technique : c’est une condition de sa soutenabilité économique et environnementale.