La crise énergétique de l’IA : le problème à mille milliards de dollars derrière le boom

Le problème énergétique est là

La révolution de l’IA fonctionne à l’électricité, et l’électricité vient à manquer. L’entraînement d’un seul modèle de pointe comme GPT-4 a consommé environ 40 à 50 fois l’énergie de GPT-3 — lui-même un entraînement de 1 287 MWh équivalent à l’alimentation de 120 foyers américains pendant un an. Les charges d’inférence (inference) — chaque requête ChatGPT, chaque suggestion Copilot, chaque appel’IA d’entreprise — multiplient cette demande à travers des milliards de requêtes quotidiennes. Et en 2026, alors que les agents IA fonctionnent en continu, que la génération vidéo par IA passe à l’échelle et que chaque entreprise déploie des flux de travail intégrant l’IA, la demande en électricité des centres de données croît plus vite que le réseau ne peut fournir.

Le rapport « Energy and AI » 2025 de l’AIE a révélé que la consommation électrique mondiale des centres de données a atteint environ 415 TWh en 2024 — soit environ 1,5 % de la consommation électrique mondiale — et projette un quasi-doublement à 945 TWh d’ici 2030 dans son scénario de référence. Parallèlement, les cinq plus grands hyperscalers (Amazon, Google, Microsoft, Meta et Oracle) ont dépensé environ 256 milliards de dollars en infrastructures de centres de données en 2024 et devraient investir 600 à 700 milliards de dollars en 2026 — dont environ 75 % directement liés à l’IA. Le goulet d’étranglement n’est pas le capital. C’est l’énergie.

L’ampleur du problème

Selon un rapport du Lawrence Berkeley National Laboratory financé par le Département américain de l’énergie, les centres de données américains ont consommé 176 TWh en 2023 — soit environ 4,4 % de l’électricité totale des États-Unis. L’AIE projette que la demande des centres de données américains dépassera 250 TWh en 2026, le LBNL estimant une hausse supplémentaire à 325-580 TWh d’ici 2028. Goldman Sachs estime que l’IA seule pourrait ajouter 200 TWh par an à la demande électrique mondiale entre 2023 et 2030, faisant passer les centres de données de 1-2 % à 3-4 % de la consommation électrique mondiale.

Les premières estimations de 2023 suggéraient qu’une seule requête ChatGPT consommait environ dix fois l’électricité d’une recherche Google. Cet écart s’est depuis considérablement réduit grâce aux gains d’efficacité matérielle et logicielle — mais cela importe peu, car le volume total d’inférence IA explose. Et côté offre, des projets comme l’initiative Stargate à 500 milliards de dollars — une coentreprise d’OpenAI, SoftBank, Oracle et MGX annoncée en janvier 2025 — ajoutent près de 7 GW de capacité planifiée en centres de données sur plusieurs sites américains.

Pourquoi le réseau ne peut pas suivre

La construction d’un centre de données nécessite du foncier, de la connectivité réseau, du refroidissement et de l’énergie. Parmi ces éléments, l’énergie est la contrainte déterminante.

Capacité du réseau : Le réseau électrique américain a été conçu pour une demande relativement stable. Les concentrations de centres de données en Virginie du Nord, en Oregon, en Géorgie et au Texas mettent sous tension les capacités locales. PJM Interconnection, le plus grand opérateur de réseau américain desservant 65 millions de personnes dans 13 États, projette un déficit de 6 GW par rapport aux exigences de fiabilité d’ici 2027. Les files d’attente de raccordement dépassaient une décennie dans certaines régions en 2025.

Délais de construction : Une nouvelle centrale au gaz naturel nécessite 5 à 7 ans d’autorisation et de construction. Un parc éolien prend 3 à 5 ans. Une nouvelle centrale nucléaire, dans le cadre réglementaire américain actuel, prend 10 à 15 ans. Les décisions d’investissement en infrastructures nécessaires pour alimenter l’IA de 2030 auraient dû commencer en 2020.

Impact sur les consommateurs : Les effets en aval sont déjà visibles. Les prix de l’électricité aux États-Unis ont bondi de 6,9 % en 2025 — le double de l’inflation globale — les centres de données représentant désormais 40 % de la croissance de la demande électrique américaine. La réaction politique est bipartisane, et plusieurs États ont introduit des législations pour gérer l’impact des centres de données sur le réseau.

Le pari nucléaire des hyperscalers

Face à l’impossibilité de construire suffisamment de capacité de production renouvelable assez rapidement, les plus grandes entreprises technologiques mondiales se sont tournées vers l’énergie nucléaire.

Microsoft a signé un contrat d’achat d’électricité de 20 ans avec Constellation Energy en septembre 2024 pour redémarrer l’unité 1 de Three Mile Island, désormais rebaptisée Crane Clean Energy Center. Constellation investit 1,6 milliard de dollars dans le redémarrage, soutenu par un prêt de 1 milliard de dollars du DOE. L’installation de 835 MW devrait être opérationnelle en 2027, et toute la production est destinée à Microsoft.

Google a signé un accord-cadre avec Kairos Power pour 500 MW de petits réacteurs modulaires (SMR) avancés — sept unités au total, les premiers en service d’ici 2030 et la totalité déployée d’ici 2035. C’est le premier accord d’entreprise pour des déploiements multiples d’un même design de réacteur avancé aux États-Unis.

Amazon a signé trois accords dans le nucléaire : un investissement dans X-energy soutenant plus de 5 GW de déploiement de SMR, un accord avec Dominion Energy pour le développement de SMR près de la centrale nucléaire de North Anna en Virginie, et un contrat avec Energy Northwest pour jusqu’à 960 MW dans l’État de Washington.

Meta est passé d’un appel d’offres en décembre 2024 à des accords signés en janvier 2026 avec Vistra, TerraPower et Oklo pour une capacité nucléaire pouvant atteindre 6,6 GW — suffisamment pour alimenter environ 5 millions de foyers.

Ces accords reflètent une contrainte structurelle : les centres de données IA ont besoin d’une énergie continue (non intermittente comme le solaire et l’éolien), fiable et de plus en plus décarbonée. Le nucléaire, en particulier les petits réacteurs modulaires pouvant être implantés à proximité des campus de centres de données, répond à ces trois exigences.

Gains d’efficacité contre le paradoxe de Jevons

Du côté de la demande, l’efficacité matérielle et algorithmique progresse rapidement.

La génération de GPU Blackwell de NVIDIA (B200, déployée en 2025) offre jusqu’à 25 fois de réduction énergétique pour les charges d’inférence au niveau système par rapport à la génération Hopper précédente, accompagnée d’une amélioration d’environ 4 fois des performances d’entraînement. Le modèle R1 de DeepSeek a démontré que l’innovation architecturale — mélange d’experts (mixture of experts), quantification (quantization), distillation — peut atteindre des performances de pointe avec considérablement moins de puissance de calcul. Le refroidissement liquide direct (direct liquid cooling), qui fait circuler un liquide de refroidissement directement vers les puces, est 2 à 3 fois plus efficace que le refroidissement par air pour les charges denses en GPU et est désormais déployé chez tous les grands opérateurs.

Mais les gains d’efficacité portent en eux un paradoxe. Le paradoxe de Jevons, observé pour la première fois dans l’économie chardonnière du XIXe siècle, établit que les améliorations d’efficacité dans l’utilisation d’une ressource peuvent augmenter la consommation totale en rendant cette ressource plus accessible économiquement. Si l’inférence devient 25 fois moins chère par requête, le nombre de requêtes peut croître de plus de 25 fois. Les percées d’efficacité de DeepSeek, par exemple, accélèrent déjà l’adoption de l’IA dans des marchés et des applications auparavant trop coûteux à servir. L’effet net sur la consommation énergétique totale pourrait être une augmentation, et non une diminution.

Le bilan environnemental

Les entreprises qui construisent le plus d’infrastructures IA sont les mêmes qui affichent les engagements climatiques les plus ambitieux — et l’écart se creuse.

Le rapport environnemental 2024 de Google a reconnu une augmentation de 48 % des émissions de gaz à effet de serre depuis 2019, principalement due à l’énergie des centres de données. Google a également abandonné sa revendication historique de neutralité carbone en 2024, adoptant un objectif de « zéro net d’ici 2030 » qu’il reconnaît être rendu plus difficile par la croissance de l’IA. Le rapport de durabilité 2024 de Microsoft a montré une augmentation de 29 % des émissions totales depuis 2020, dont plus de 97 % provenant des émissions de Scope 3 (indirectes) — principalement le carbone incorporé dans la construction de nouveaux centres de données.

L’eau constitue un autre point de pression. Des recherches de l’Université de Californie à Riverside ont estimé que toutes les 20 à 50 requêtes ChatGPT évaporent environ 0,5 litre d’eau douce via les tours de refroidissement. Aux volumes d’utilisation mondiaux, cela se traduit par des millions de litres quotidiens. Des projets de centres de données ont déjà été bloqués ou retardés en Arizona, aux Pays-Bas et en Irlande en raison de préoccupations liées à l’impact hydrique.

Parallèlement, des enquêtes de début 2026 ont révélé que plusieurs entreprises technologiques construisent des centrales privées au gaz naturel adjacentes à leurs centres de données — des « réseaux électriques fantômes » (shadow power grids) qui augmentent les émissions en contradiction directe avec leurs engagements publics en matière de durabilité. L’évaluation honnête est que la relation IA-énergie-climat est véritablement non résolue : les outils d’IA pourraient contribuer à résoudre les problèmes climatiques (meilleurs modèles météorologiques, optimisation des réseaux, découverte de matériaux), mais la question de savoir si ces bénéfices compensent l’empreinte propre de l’IA reste sans réponse.

Et maintenant ?

La demande énergétique de l’IA n’est pas un problème futur — c’est une crise d’infrastructure présente qui façonnera la stratégie technologique, la politique énergétique et les investissements des entreprises pour le reste de la décennie. Les entreprises et les gouvernements qui y répondront par le déploiement nucléaire, la modernisation des réseaux, l’investissement dans l’efficacité et une gouvernance rationnelle des ressources construiront les fondations physiques de l’ère de l’IA. Ceux qui ne le feront pas se heurteront à un mur qu’aucun montant de capital ne peut déplacer rapidement : les lois de la physique ne négocient pas.