Électricité, centres de données, réseaux et équipements : la révolution numérique rencontre les limites du monde physique
Introduction — L’IA semble virtuelle. Elle ne l’est pas.
Pour l’utilisateur, l’intelligence artificielle paraît presque immatérielle. Quelques mots sont écrits dans une fenêtre et, quelques secondes plus tard, une réponse apparaît. Rien dans cette expérience ne laisse vraiment deviner l’ampleur de l’infrastructure nécessaire pour produire ce résultat.
Pourtant, derrière chaque requête se trouvent des centres de données, des processeurs spécialisés, des réseaux électriques, des transformateurs, des lignes de transport, des systèmes de refroidissement, de l’eau, des fibres optiques, des batteries et génératrices de secours, des chaînes d’approvisionnement mondiales et une main-d’œuvre spécialisée. L’IA est numérique dans son fonctionnement, mais profondément matérielle dans son existence.
C’est précisément là qu’apparaît un décalage fondamental. Les logiciels peuvent être améliorés en quelques mois, de nouveaux modèles peuvent être déployés presque instantanément à des millions d’utilisateurs et une nouvelle génération de processeurs peut profondément modifier les capacités disponibles en quelques années.
Le monde physique évolue beaucoup plus lentement. Construire une centrale électrique, renforcer un réseau de transport, fabriquer certains équipements critiques, obtenir les raccordements nécessaires ou développer un immense campus de centres de données demande généralement beaucoup plus de temps.
Et même lorsqu’un projet est techniquement réalisable et financièrement soutenable, encore faut-il trouver un territoire disposant de l’électricité, du réseau, de l’eau ou des solutions de refroidissement nécessaires — et une collectivité prête à accueillir l’infrastructure.
La prochaine limite au développement de l’intelligence artificielle pourrait donc ne pas venir uniquement de notre capacité à concevoir des modèles toujours plus performants. Elle pourrait également venir de notre capacité à construire assez rapidement le monde matériel dont ces modèles dépendent.
La question devient alors beaucoup plus vaste que celle des ordinateurs : avons-nous les infrastructures énergétiques, industrielles et territoriales nécessaires pour suivre le rythme de cette transformation, et pouvons-nous les développer sans créer des tensions suffisamment importantes pour en ralentir l’expansion?
Partie I — L’explosion de la demande informatique
1. Une nouvelle phase de l’IA
Pendant longtemps, l’attention s’est surtout portée sur l’entraînement des modèles, cette phase extrêmement intensive où une intelligence artificielle apprend à partir de quantités gigantesques de données.
Mais à mesure que ces systèmes deviennent des outils utilisés en permanence, une autre source de consommation prend de plus en plus d’importance : l’inférence, c’est-à-dire le calcul nécessaire chaque fois qu’un modèle répond, analyse, traduit, génère une image ou accomplit une tâche.
Cette évolution change profondément la dynamique de la demande informatique. Plus l’IA devient présente dans les entreprises, les administrations, les logiciels et les usages quotidiens, plus les modèles doivent fonctionner continuellement plutôt que d’être simplement entraînés à intervalles réguliers.
Quand une seule demande en déclenche plusieurs
L’arrivée des systèmes agentiques pourrait amplifier encore cette tendance. Un agent ne se contente pas nécessairement de répondre directement à une instruction : il peut la décomposer, rechercher de l’information, utiliser différents outils, vérifier ses résultats et recommencer certaines étapes avant de produire une réponse finale.
Une interaction relativement simple peut donc suivre une séquence comme celle-ci :
1 demande → planification → recherches → utilisation d’outils → vérifications → nouvelles recherches → correction → réponse.
La consommation informatique ne dépend alors plus seulement du nombre d’utilisateurs ou du nombre de demandes formulées. Elle dépend aussi du nombre d’opérations que chaque demande déclenche derrière l’interface visible.
Cette distinction est essentielle pour comprendre la prochaine phase de croissance de l’IA. Même si les modèles deviennent plus efficaces, une utilisation beaucoup plus fréquente et des tâches de plus en plus complexes peuvent continuer à faire augmenter fortement la demande totale de calcul.
2. Une demande qui ne dépend plus seulement du nombre d’utilisateurs
La croissance de la demande informatique ne vient pas seulement du fait que davantage de personnes utilisent l’intelligence artificielle. Elle vient aussi du fait que chaque utilisateur peut progressivement déclencher beaucoup plus de calcul qu’auparavant.
Plusieurs multiplicateurs agissent en même temps : davantage d’applications intègrent l’IA, les usages deviennent plus fréquents, les modèles traitent du texte, des images, de l’audio et de la vidéo, et les réponses demandent parfois davantage de raisonnement. Les systèmes agentiques ajoutent une autre couche, puisqu’une seule demande peut entraîner plusieurs recherches, appels d’outils, vérifications et corrections.
À cela s’ajoute l’automatisation de tâches qui, auparavant, étaient réalisées seulement à l’occasion par un humain. Une fois intégrées aux logiciels et aux processus de travail, ces tâches peuvent être exécutées en continu, parfois des milliers ou des millions de fois.
La demande de calcul peut donc augmenter beaucoup plus rapidement que le nombre de personnes utilisant l’IA. Ce qui compte désormais, ce n’est pas seulement combien de personnes utilisent ces systèmes, mais combien de calcul chaque usage déclenche et à quelle fréquence il est répété.
3. L’échelle commence à devenir industrielle
Cette croissance commence déjà à se traduire par des besoins énergétiques d’une ampleur industrielle. Selon l’Agence internationale de l’énergie, les centres de données ont consommé environ 415 TWh d’électricité en 2024, soit autour de 1,5 % de la consommation mondiale d’électricité.
Dans son scénario central, l’AIE estime que cette consommation pourrait atteindre environ 945 TWh en 2030, soit plus du double en seulement six ans. Une part importante de cette croissance provient des serveurs accélérés utilisés notamment pour les charges liées à l’intelligence artificielle.
À l’échelle mondiale, cette consommation reste encore minoritaire comparativement à l’ensemble du système électrique. Mais sa croissance est suffisamment rapide pour devenir déterminante dans certaines régions où les centres de données se concentrent fortement.
Le changement d’échelle est donc important. On ne parle plus seulement de millions de personnes utilisant des assistants numériques, mais d’une nouvelle industrie informatique capable de modifier les besoins électriques, les investissements et la planification des réseaux de pays entiers.
Partie II — Le logiciel progresse beaucoup plus rapidement que l’infrastructure
Le cœur du problème tient à une asymétrie simple : le monde numérique peut changer beaucoup plus rapidement que le monde physique qui le soutient. Un nouveau modèle peut être déployé rapidement, son usage peut croître en quelques semaines et un service peut atteindre une échelle mondiale presque instantanément.
Le monde numérique avance à grande vitesse
Une fois le logiciel développé, il peut être reproduit et distribué à un coût marginal relativement faible. Cette capacité permet aux usages de croître bien plus vite que les infrastructures matérielles nécessaires pour les soutenir.
Le monde physique avance beaucoup plus lentement
Construire un centre de données peut aller relativement vite comparativement aux infrastructures qui doivent l’alimenter. Dans les économies avancées, une nouvelle ligne de transport électrique peut demander environ 4 à 8 ans, tandis que certains gros transformateurs peuvent nécessiter jusqu’à quatre ans d’approvisionnement.
Le problème ne vient donc pas seulement du coût des infrastructures, mais de leur vitesse maximale de réalisation. Même avec suffisamment de capital, certaines contraintes industrielles et réglementaires ne peuvent pas être supprimées instantanément.
À cela s’ajoutent la fabrication de transformateurs et d’autres équipements critiques, l’obtention des permis et la recherche de sites réunissant les conditions énergétiques, climatiques et territoriales nécessaires.
Même lorsqu’un projet est techniquement réalisable et financièrement soutenable, il doit encore franchir des contraintes réglementaires et environnementales. Il doit aussi obtenir un niveau suffisant d’acceptabilité politique et sociale pour pouvoir réellement aboutir.
L’argent afflue plus vite que les infrastructures
Le manque d’investissement n’explique donc pas à lui seul le problème. Les plus grandes entreprises technologiques mobilisent déjà des centaines de milliards de dollars (près de 887 G$ US de capex projeté en 2026 chez les neuf principaux fournisseurs cloud) pour augmenter rapidement leurs capacités de calcul et leurs centres de données.
Le capital peut être mobilisé en quelques mois; une ligne électrique, un transformateur ou une nouvelle centrale ne peuvent pas être produits au même rythme. C’est précisément ce qui transforme une forte demande économique en contrainte physique.
Une dette infrastructurelle se forme
Cette différence de vitesse crée une sorte de dette infrastructurelle : la demande de calcul peut augmenter plus rapidement que la capacité à construire les installations, les réseaux et la production électrique nécessaires. Plus les centres de données deviennent grands et gourmands en ressources, plus cette dette dépend également de contraintes territoriales, environnementales et sociales.
Cette dette commence déjà à être mesurable. Selon une analyse géographique de l’AIE, les contraintes des réseaux électriques pourraient retarder le raccordement d’environ 20 % de la capacité mondiale de centres de données actuellement prévue d’ici 2030.
Le phénomène est particulièrement important parce que les projets continuent de se concentrer dans les mêmes pôles numériques. Aux États-Unis, l’AIE estime qu’environ la moitié des centres de données actuellement en développement se situent dans de grandes concentrations déjà existantes, ce qui augmente le risque de goulots d’étranglement locaux.
Le système ne s’effondre pas nécessairement lorsque cette limite apparaît. Il commence généralement par rationner, retarder, déplacer ou prioriser les nouvelles capacités, ce qui transforme progressivement une contrainte technique en contrainte économique et stratégique.
Partie III — Le goulot d’étranglement pourrait être l’électricité
Le problème n’est pas nécessairement que le monde manque globalement d’électricité. Il est plutôt que nous ne puissions pas produire et acheminer assez d’électricité au bon endroit, au bon moment.
Un pays peut disposer d’une production électrique suffisante à l’échelle nationale tout en étant incapable d’alimenter rapidement un nouveau campus de centres de données de plusieurs centaines de mégawatts dans une région précise.
Le réseau devient la véritable limite
Construire de nouvelles capacités de production ne suffit pas si l’électricité ne peut pas être transportée jusqu’aux installations qui en ont besoin.
La congestion des réseaux, le manque de capacités de pointe et les délais pour ajouter des équipements deviennent alors des facteurs déterminants.
Les contraintes apparaissent alors dans les réseaux locaux, les postes électriques, les lignes de transport, les transformateurs et les délais de raccordement.
Dans l’Union européenne, les délais pour obtenir un raccordement au réseau peuvent déjà varier d’environ 2 à 10 ans selon les pays. Dans les grands pôles européens de centres de données, certaines files d’attente atteignent même 7 à 10 ans en moyenne.
Le stockage et la production locale peuvent réduire une partie de cette pression. Mais ils ne remplacent pas toujours les investissements nécessaires dans les réseaux, surtout lorsque plusieurs grands projets veulent se raccorder dans les mêmes régions.
Quand la contrainte devient une politique publique
L’Irlande constitue probablement le meilleur exemple. La consommation électrique des centres de données y est passée d’environ 5 % de la demande nationale en 2015 à 22 % en 2024, et le régulateur prévoit qu’elle pourrait atteindre environ 31 % en 2034 si les capacités déjà contractées se matérialisent.
Face à cette concentration, les nouvelles règles de raccordement imposent désormais aux centres de données de prévoir une capacité de production ou de stockage correspondant à leur demande maximale, tout en tenant compte du caractère contraint ou non de la région du réseau. Ils devront également couvrir au moins 80 % de leur consommation annuelle avec de nouvelles capacités renouvelables développées en Irlande, avec une période transitoire pouvant aller jusqu’à six ans.
Le cas irlandais montre ce qui se produit lorsque la demande informatique commence à devenir assez importante pour influencer directement les règles de fonctionnement du système électrique national.
Une question de localisation et d’allocation
La contrainte énergétique devient encore plus complexe lorsque de nouvelles infrastructures doivent être construites pour alimenter des projets privés. Une nouvelle ligne, un poste électrique ou une capacité de production supplémentaire peuvent bénéficier directement à un centre de données tout en mobilisant un réseau utilisé par l’ensemble de la collectivité.
Une question politique apparaît alors : qui obtient la capacité disponible, qui doit attendre et qui paie pour augmenter cette capacité?
L’exemple de la Virginie
La Virginie a adopté des règles particulières pour les très grands consommateurs électriques, notamment les centres de données. Les nouveaux grands clients devront notamment s’engager sur des contrats de longue durée et payer au moins 85 % des coûts mensuels de transport et de distribution prévus pour les desservir, même s’ils utilisent moins d’électricité que prévu.
L’objectif affiché est précisément d’éviter que les investissements nécessaires pour accueillir ces immenses charges soient transférés aux autres consommateurs. Le débat est devenu suffisamment important pour provoquer un conflit réglementaire et judiciaire sur la manière dont les coûts de nouvelles infrastructures doivent être répartis.
La contrainte énergétique n’est donc pas seulement une question de quantité d’électricité, mais aussi d’infrastructure, de localisation et d’allocation.
Partie IV — Les centres de données deviennent des infrastructures industrielles
Un centre de données consacré à l’intelligence artificielle ressemble de moins en moins à une simple salle remplie de serveurs.
À mesure que la puissance informatique augmente, il se rapproche davantage d’une installation industrielle extrêmement concentrée.
La densification reste encore très inégale selon les installations, mais elle progresse rapidement dans les environnements consacrés à l’IA. En 2025, Uptime Institute observait déjà des racks dépassant 60 kW principalement associés au calcul intensif et à l’IA, tandis que certains déploiements dépassaient même 100 kW par rack.
Cette concentration change complètement les besoins en alimentation électrique et en évacuation de chaleur. Le problème n’est plus seulement de disposer de suffisamment de serveurs, mais de réussir à alimenter et refroidir une quantité de calcul extrêmement concentrée dans quelques mètres carrés.
Une concentration de ressources
Ces infrastructures regroupent dans un même lieu une consommation électrique élevée, des équipements spécialisés, des systèmes de refroidissement, des besoins en eau variables selon les technologies utilisées, ainsi que des batteries, des génératrices et parfois des réserves de carburant. Elles concentrent également la chaleur, le bruit, les rejets thermiques, l’emprise foncière et une valeur économique considérable.
Le refroidissement devient lui-même une infrastructure critique, notamment avec la montée des systèmes liquides adaptés aux serveurs à haute densité.
La montée des charges d’IA pousse progressivement les systèmes traditionnels de refroidissement à air vers leurs limites économiques ou techniques.
Dans le sondage 2025 d’Uptime Institute, 69 % des répondants identifiaient la hausse de la densité des racks comme principal moteur du passage au refroidissement liquide direct.
Cette transition n’est toutefois pas simple : elle exige de nouvelles infrastructures, de nouvelles compétences et des standards encore en évolution. Le refroidissement devient ainsi une partie intégrante de l’architecture informatique plutôt qu’un simple équipement auxiliaire.
Cette concentration augmente également les conséquences potentielles d’une panne de refroidissement, d’un problème électrique ou d’un incident touchant les systèmes de secours.
Plus la puissance est concentrée, plus une défaillance locale peut affecter une quantité importante de capacité informatique.
Une dépendance numérique de plus en plus centralisée
Plus nous concentrons notre capacité informatique dans quelques immenses installations, plus celles-ci deviennent importantes pour le fonctionnement de l’économie. Une part croissante de notre dépendance numérique repose alors sur un nombre relativement limité d’infrastructures physiques.
Cette concentration rend aussi le numérique beaucoup plus visible localement. Un service peut être utilisé partout dans le monde, mais le centre de données qui le fait fonctionner occupe un territoire précis, se raccorde à un réseau précis et doit évacuer sa chaleur quelque part.
Cette concentration ne signifie pas que les centres de données seraient généralement fragiles : l’industrie investit énormément dans la redondance et la disponibilité. Malgré cela, Uptime Institute estimait encore en 2025 qu’environ une panne significative sur dix entraînait des conséquences sérieuses ou sévères.
Plus une installation concentre de calcul critique, plus la qualité de sa redondance électrique, thermique et opérationnelle devient importante. La centralisation augmente donc simultanément l’efficacité économique et la valeur stratégique de chaque site.
Il peut également utiliser des ressources dont dépendent les communautés environnantes, notamment l’électricité, l’eau et le territoire. Plus le numérique devient industriel, plus ses contraintes cessent d’être virtuelles.
Partie V — Une infrastructure ne se construit pas seulement avec du capital : elle doit aussi obtenir une place
Les entreprises technologiques peuvent commander des processeurs, investir des milliards et signer des contrats d’électricité.
Elles ne peuvent cependant pas fabriquer à volonté de l’eau, du territoire, un réseau électrique disponible ou l’acceptation des communautés qui devront vivre autour de leurs infrastructures.
Ces tensions prennent des formes différentes selon les ressources disponibles et les territoires concernés. Elles transforment progressivement le développement des centres de données en enjeu non seulement industriel, mais aussi social, environnemental et politique.
Une opposition qui devient mesurable
Il n’existe pas encore de base mondiale suffisamment complète pour affirmer qu’une proportion précise de tous les projets est contestée. Mais aux États-Unis, où le suivi est plus systématique, Carbon Direct recensait entre janvier 2024 et mai 2026 au moins 46 projets d’IA retardés, retirés ou bloqués après une opposition communautaire, représentant environ 170 milliards de dollars d’investissements annoncés. (Carbon Direct)
Data Center Watch observait une accélération encore plus forte au premier trimestre de 2026, avec au moins 75 projets bloqués ou retardés et environ 130 milliards de dollars d’investissements concernés. Ces chiffres ne permettent pas de calculer proprement un « pourcentage mondial de backlash », mais ils montrent que l’acceptabilité locale est devenue un risque industriel mesurable plutôt qu’une série de cas anecdotiques. (Data Center Watch)
1. L’électricité — « Pourquoi votre centre de données avant notre réseau? »
Dans les régions où l’électricité devient rare ou chère, l’opposition peut rapidement devenir une question de répartition. Qui obtient le raccordement, qui finance les nouvelles lignes et qui doit attendre lorsque la capacité du réseau est limitée?
La tension augmente encore si les ménages, les industries ou les projets d’électrification doivent partager les mêmes infrastructures. Le débat cesse alors d’être purement technique et devient une question de justice distributive.
L’Irlande permet de mesurer jusqu’où cette dynamique peut aller : les centres de données y représentaient 22 % de la consommation électrique mesurée en 2024, contre seulement 5 % en 2015. Le régulateur prévoit que cette part pourrait atteindre environ 31 % en 2034 avec les capacités déjà contractées. (CSO)
Le problème politique apparaît lorsque les citoyens ont l’impression qu’une entreprise très riche obtient l’électricité dont elle a besoin pendant que les autres consommateurs absorbent une partie des coûts ou des délais. C’est exactement ce qui transforme une contrainte énergétique en débat sur la priorité accordée aux différents usages du réseau.
La controverse ne signifie pas nécessairement que les centres de données doivent être refusés. Elle oblige plutôt à déterminer quelles nouvelles capacités ils doivent apporter, quels coûts ils doivent assumer et quelles protections doivent être garanties aux autres consommateurs.
2. L’eau — le conflit le plus viscéral
L’eau crée une tension encore plus immédiate, surtout dans les régions déjà soumises au stress hydrique. Lorsque les agriculteurs, les villes ou les ménages vivent des restrictions, l’utilisation d’eau pour refroidir des serveurs peut devenir extrêmement difficile à défendre politiquement.
Certaines technologies consomment effectivement beaucoup d’eau, mais il faut éviter de parler des centres de données comme s’ils avaient tous la même empreinte hydrique. Une étude publiée dans npj Clean Water estimait par exemple qu’un petit centre de 1 MW utilisant certaines formes traditionnelles de refroidissement évaporatif pouvait consommer autour de 25,5 millions de litres d’eau par année, alors que d’autres architectures peuvent réduire fortement cette consommation. (Doi.org)
La question surgit presque spontanément : pourquoi consacrer une ressource rare à des infrastructures numériques lorsqu’elle manque déjà à des usages essentiels? Cette perception peut devenir déterminante même lorsqu’un projet utilise de l’eau recyclée, fonctionne en circuit fermé ou réduit fortement son prélèvement.
Thane : quand la perception du risque dépasse les chiffres bruts
Un projet hyperscale d’Amazon à Thane, dans la région de Mumbai, illustre bien cette tension. Le projet annoncé doit occuper environ 53 acres, atteindre une demande électrique de 422 MW et utiliser environ 125 kilolitres d’eau traitée par jour, alors même que la ville connaît déjà un déficit quotidien d’eau potable d’environ 31 millions de litres. (The Indian Express)
Amazon affirme que l’eau prévue ne servira pas au refroidissement et que celui-ci fonctionnera en circuit fermé, tandis que l’électricité sera fournie par un raccordement industriel haute tension distinct du réseau local de distribution. Pourtant, ces garanties n’ont pas suffi à dissiper les inquiétudes d’une partie des résidents, qui craignent toujours les effets cumulés sur l’eau, l’électricité, le bruit et la qualité de vie. (The Indian Express)
Ce cas montre pourquoi les moyennes techniques ne suffisent pas toujours à résoudre un conflit. L’acceptabilité dépend aussi du contexte local, de la confiance envers le promoteur et de la perception de ce que la collectivité risque de perdre ou de gagner.
3. La température ambiante — une contrainte physique qu’on oublie
La température extérieure influence directement la difficulté avec laquelle un centre de données peut éliminer la chaleur produite par ses équipements. Le climat devient donc une variable économique et stratégique, particulièrement lorsque la densité informatique augmente.
Climats froids ou tempérés
Les régions froides ou tempérées peuvent profiter davantage du free cooling, qui utilise directement les conditions extérieures pour réduire le recours aux systèmes mécaniques de réfrigération. Ressources naturelles Canada souligne d’ailleurs que les climats frais et secs de nombreuses régions canadiennes offrent davantage d’occasions d’utiliser ce type de refroidissement et de réduire la consommation énergétique. (Efficacité énergétique Canada)
Cet avantage n’est cependant pas absolu. Une région froide peut aussi posséder un réseau électrique saturé, manquer de terrains disponibles ou rencontrer une forte opposition locale.
Régions chaudes
Les régions chaudes peuvent bénéficier de terrains abondants et d’un excellent potentiel solaire. Elles doivent toutefois évacuer la même chaleur informatique dans un environnement où la température extérieure réduit certaines possibilités de refroidissement naturel.
Une étude publiée en 2026 dans Scientific Reports souligne justement que la hausse des températures et de l’humidité peut réduire les périodes pendant lesquelles le refroidissement direct par l’air extérieur demeure efficace. Le changement climatique pourrait donc lui-même modifier progressivement l’avantage relatif de certaines implantations. (Nature)
Régions froides, peu peuplées et énergétiquement abondantes
Les territoires réunissant climat froid, faible densité de population et abondance énergétique deviennent particulièrement attractifs. Le Canada, les pays scandinaves, l’Islande et certaines autres régions nordiques possèdent plusieurs de ces caractéristiques.
Mais il serait trop simple de conclure que les futurs centres de données migreront automatiquement vers le Nord. La proximité des utilisateurs, les câbles sous-marins, la fiscalité, la stabilité réglementaire, la souveraineté des données et les capacités de réseau restent également déterminantes.
Cette combinaison de facteurs pourrait néanmoins modifier progressivement la carte mondiale de l’industrie numérique. L’IA pourrait redessiner la géographie des centres de données en fonction de l’accès simultané à l’électricité, au refroidissement, à l’eau, au territoire et à l’acceptabilité sociale.
4. Le Japon — quand le problème devient simplement la proximité
Le Japon illustre une autre forme de backlash : l’opposition ne vient pas nécessairement d’un manque d’électricité ou d’eau. Dans les cas documentés à Hino et Inzai, les inquiétudes portent notamment sur le bruit, la chaleur, les risques associés aux systèmes de secours, la perte d’ensoleillement et la proximité immédiate des résidences. (Japan Times)
Dans ce contexte, la réaction locale peut se résumer beaucoup plus simplement : « Je ne veux pas vivre à côté de ça. » Ce type de résistance relève moins d’une pénurie de ressources que d’un conflit sur la qualité de vie, l’urbanisme et l’usage du territoire.
Le cas japonais est révélateur parce qu’il montre que l’acceptabilité sociale peut devenir une limite même lorsque les ressources nécessaires existent. Plus les centres de données deviennent vastes, visibles et industriels, plus ils cessent d’être perçus comme de simples infrastructures numériques.
Cette dynamique n’est d’ailleurs pas propre au Japon. À Thane, les résidents qui protestent contre le projet d’Amazon insistent eux aussi sur le fait qu’ils ne s’opposent pas nécessairement aux centres de données eux-mêmes, mais à leur implantation au cœur d’un secteur résidentiel densément occupé. (The Indian Express)
Quand les bénéfices sont mondiaux et les coûts locaux
Cette tension révèle une asymétrie fondamentale dans l’économie des centres de données. Les bénéfices d’un service d’IA peuvent être répartis entre des millions d’utilisateurs et des entreprises situées partout dans le monde, tandis que plusieurs de ses coûts physiques se concentrent autour de quelques communautés.
L’électricité supplémentaire, la ligne de transport, le terrain, le bruit, la chaleur ou le prélèvement d’eau sont vécus localement. Les bénéfices de l’IA peuvent être mondiaux, alors qu’une partie importante de ses coûts matériels demeure territorialisée.
Cette asymétrie aide à comprendre pourquoi l’opposition peut progresser même dans des régions favorables au développement technologique. Plus l’industrie veut croître rapidement, plus elle doit démontrer aux communautés qui accueillent ses infrastructures qu’elles n’en assumeront pas disproportionnellement les coûts.
Pendant longtemps, Internet a réussi à rendre presque invisible l’infrastructure physique qui le soutient. L’essor de l’IA rend progressivement le monde numérique physiquement visible — et donc politiquement contestable.
Partie VI — Les limites ne provoqueront pas forcément un effondrement
Le scénario le plus probable n’est pas celui d’un « crash » mondial où l’intelligence artificielle deviendrait soudainement inaccessible partout. Avant d’en arriver là, les entreprises disposent de nombreux moyens pour absorber, déplacer ou rationner la pression sur leurs infrastructures.
Elles peuvent augmenter les prix, ralentir certains services, limiter l’utilisation ou réserver les modèles les plus puissants aux clients capables de payer davantage. Elles peuvent aussi utiliser de plus petits modèles, optimiser les logiciels, reporter certaines tâches ou déplacer les charges informatiques selon la disponibilité de l’électricité et du calcul.
Le rationnement peut commencer bien avant l’utilisateur
Les contraintes peuvent aussi être gérées beaucoup plus en amont. De nouveaux centres de données peuvent être retardés, redimensionnés ou déplacés vers des régions où l’électricité, le réseau, le refroidissement, l’eau et les conditions politiques sont plus favorables.
Certaines nouvelles connexions peuvent être refusées ou reportées lorsque le réseau est saturé. La croissance peut alors se concentrer dans quelques territoires particulièrement avantageux plutôt que de s’arrêter complètement.
Selon l’AIE, les contraintes de réseau pourraient retarder environ 20 % de la capacité mondiale de centres de données actuellement prévue d’ici 2030. Cela signifie qu’une partie du rationnement peut survenir avant même qu’un serveur soit installé : le projet existe sur papier, mais son raccordement électrique n’arrive pas au même rythme.
Cette pression favorise déjà le déplacement des projets vers les endroits où la puissance et le réseau sont disponibles. Aux États-Unis, l’AIE estime toutefois qu’environ 50 % des centres de données actuellement en développement se concentrent encore dans de grands pôles existants, ce qui peut au contraire accentuer certains goulots d’étranglement locaux.
Le calcul peut aussi devenir flexible
Toutes les tâches informatiques n’ont pas besoin d’être exécutées immédiatement. Certaines charges peuvent être reportées ou déplacées vers d’autres heures et d’autres centres de données lorsque le réseau électrique dispose de davantage de capacité.
Google utilise par exemple depuis 2020 une plateforme dite de carbon-intelligent computing pour déplacer certaines tâches informatiques dans le temps et entre différentes régions selon la disponibilité de l’électricité décarbonée. L’entreprise a ensuite commencé à utiliser cette capacité pour réduire temporairement la consommation de certains centres de données lorsque le réseau en a besoin.
Cette flexibilité devient également une piste reconnue par l’AIE pour intégrer plus rapidement les centres de données aux réseaux. L’agence souligne toutefois qu’interrompre une infrastructure IA extrêmement capitalistique peut être coûteux, ce qui pousse plutôt vers des charges différables, des capacités de serveurs inutilisées, du stockage ou de la production sur place.
Le rationnement ne signifie donc pas nécessairement arrêter l’IA : il peut consister à décider quelles tâches doivent être exécutées immédiatement, lesquelles peuvent attendre et où le calcul doit être effectué.
Plusieurs formes de dégradation sont possibles
Des brownouts numériques pourraient se traduire par des services plus lents, des files d’attente, des limites d’utilisation ou une qualité réduite dans certaines périodes.
Trois niveaux de problème
1. Rationnement ordinaire
- files d’attente;
- limites d’utilisation;
- prix plus élevés;
- modèles moins puissants;
- tâches différées.
2. Dégradation opérationnelle
- panne d’un centre;
- problème de refroidissement;
- panne électrique;
- erreur de gestion de capacité;
- indisponibilité régionale d’un fournisseur.
3. Crise systémique
- plusieurs contraintes simultanées;
- rupture durable de capacité;
- choc énergétique majeur;
- crise financière réduisant fortement les investissements;
- dépendance excessive à quelques fournisseurs ou régions.
Les deux premiers niveaux sont déjà observables sous différentes formes; le troisième demeure surtout un scénario de risque.
La rareté du calcul peut donc apparaître sous une forme très ordinaire : la tâche reste possible, mais elle entre dans une file d’attente ou reçoit une priorité moindre. À un niveau supérieur, une panne régionale ou un problème de gestion de capacité peut rendre temporairement certains services indisponibles sans que l’ensemble de l’infrastructure soit en crise.
Ces problèmes ne proviennent d’ailleurs pas nécessairement d’un manque absolu d’électricité ou de serveurs. En 2026, OpenAI a documenté un incident où un problème dans son système automatisé d’allocation de capacité a temporairement retiré plusieurs moteurs d’inférence du service, réduisant la capacité disponible et augmentant les taux d’erreur.
Une infrastructure très complexe peut donc connaître une pénurie temporaire de capacité même lorsque le matériel existe physiquement. La manière dont le calcul est distribué, orchestré et réaffecté devient elle-même une composante de la résilience.
Une crise systémique supposerait plutôt que plusieurs contraintes se combinent et persistent suffisamment longtemps pour dépasser les mécanismes habituels d’adaptation. Une pénurie durable de capacité, un choc énergétique majeur, une crise financière ou une défaillance touchant plusieurs fournisseurs pourraient alors produire des effets beaucoup plus larges.
Le résultat le plus plausible demeure donc moins spectaculaire qu’un effondrement mondial, mais potentiellement très structurant.
En 2025, la consommation électrique mondiale des centres de données a augmenté d’environ 17 % en une seule année, tandis que celle des centres principalement consacrés à l’IA a progressé encore plus rapidement. Malgré cela, l’AIE continue de prévoir un doublement de la consommation des centres de données d’ici 2030 plutôt qu’une rupture généralisée de capacité.
La situation actuelle ressemble donc davantage à une course permanente entre croissance, contraintes et adaptation qu’à une trajectoire directe vers l’effondrement.
L’intelligence artificielle resterait disponible, tandis que son abondance, son coût, sa qualité et sa géographie cesseraient d’être garantis.
Partie VII — La contrainte peut aussi provoquer énormément d’innovation
Il serait trop simple de supposer que la croissance de l’IA mène mécaniquement de l’augmentation de la consommation à la pénurie, puis à la crise. Les entreprises, les ingénieurs et les systèmes énergétiques réagissent aux contraintes, surtout lorsque celles-ci commencent à coûter cher.
La rareté du calcul, de l’électricité, de l’eau ou des capacités de raccordement peut donc devenir un puissant moteur d’innovation. Plus une ressource devient difficile à obtenir, plus la valeur économique des solutions permettant d’en utiliser moins augmente.
1. Faire davantage avec moins de calcul
La première réponse consiste à améliorer l’efficacité des processeurs afin d’obtenir davantage de calcul pour chaque watt consommé. Les progrès matériels peuvent ainsi augmenter fortement la capacité informatique sans exiger une augmentation proportionnelle de l’électricité.
L’AIE estime qu’au cours des dernières années, l’énergie consommée par tâche d’IA a diminué d’au moins un ordre de grandeur par année, grâce aux progrès conjoints du matériel et des logiciels. Cette amélioration est suffisamment rapide pour que l’agence la qualifie d’inédite dans l’histoire énergétique récente.
Mais cette efficacité ne garantit pas une baisse de la consommation totale. Les usages plus intensifs — génération vidéo, raisonnement complexe et tâches agentiques — peuvent consommer des centaines ou même des milliers de fois plus d’énergie par requête qu’une simple génération de texte.
Les modèles eux-mêmes peuvent aussi devenir plus efficaces grâce à la quantification, à la distillation et à d’autres techniques d’optimisation. Une tâche qui exige aujourd’hui un très grand modèle pourrait demain être accomplie par un système beaucoup plus petit avec une qualité suffisante.
Des modèles spécialisés plutôt qu’un seul modèle gigantesque
Toutes les tâches ne nécessitent pas les modèles les plus puissants disponibles. Des systèmes spécialisés peuvent accomplir certaines fonctions avec beaucoup moins de calcul, tandis que les modèles les plus coûteux sont réservés aux problèmes réellement complexes.
Cette logique peut aussi mener à des architectures hybrides où certaines opérations sont réalisées directement sur un téléphone, un ordinateur ou un équipement local. Le centre de données n’intervient alors que lorsque la tâche nécessite davantage de puissance.
2. Utiliser les centres de données plus intelligemment
Une partie de la consommation informatique peut également être déplacée dans le temps ou dans l’espace. Les tâches qui ne nécessitent pas une réponse immédiate peuvent être exécutées lorsque l’électricité est plus abondante, moins coûteuse ou lorsque le réseau est moins sollicité.
Les centres de données pourraient aussi devenir davantage flexibles en réduisant temporairement certaines charges lorsque le réseau électrique est sous tension. Le stockage par batteries et d’autres formes de flexibilité peuvent compléter cette capacité d’adaptation.
Cette logique commence déjà à être utilisée dans l’industrie. Certains opérateurs déplacent des tâches différables dans le temps ou entre différentes régions afin de profiter d’une électricité plus disponible ou moins carbonée, et les gestionnaires de réseau s’intéressent de plus en plus à cette flexibilité de la demande comme outil d’intégration des grands consommateurs.
3. Construire des infrastructures moins gourmandes en ressources
Les contraintes sur l’eau et le refroidissement stimulent également l’innovation dans la conception même des centres de données. Les systèmes en circuit fermé, la réduction de la consommation d’eau et l’amélioration du refroidissement peuvent diminuer leur empreinte locale.
La montée des charges d’IA accélère déjà cette transition. Dans le sondage 2025 d’Uptime Institute, 69 % des opérateurs interrogés identifiaient l’augmentation de la densité des racks comme principal moteur de l’adoption du refroidissement liquide direct, devant la puissance croissante des serveurs individuels à 48 %.
Microsoft affirme que son nouveau centre d’IA Fairwater utilise un système liquide en boucle fermée qui réutilise continuellement son eau après le remplissage initial. Dans cette installation, le refroidissement liquide permet également d’atteindre environ 140 kW par rack, illustrant à quel point le refroidissement devient directement lié à la densité de calcul.
Microsoft indique aussi que ses nouvelles conceptions optimisées pour l’IA peuvent fonctionner sans consommation d’eau pour le refroidissement pendant les opérations, grâce à des circuits fermés directement intégrés aux puces.
La chaleur produite peut parfois être récupérée pour d’autres usages, tandis qu’une meilleure isolation peut réduire les nuisances sonores. Le choix des sites peut également mieux tenir compte du climat, de la disponibilité des ressources et de la capacité réelle des réseaux.
4. Produire davantage d’énergie
En 2025, la consommation électrique mondiale des centres de données a augmenté d’environ 17 % en un an, tandis que celle des centres principalement consacrés à l’IA aurait augmenté d’environ 50 %. L’AIE estime malgré tout que la consommation des centres de données pourrait encore doubler d’ici 2030.
Cette croissance pousse les entreprises technologiques à sécuriser directement leur approvisionnement énergétique, parfois par des contrats à long terme ou par le financement de nouvelles capacités. L’industrie numérique devient ainsi progressivement un acteur de la planification énergétique, et non plus simplement un client du réseau.
Les entreprises peuvent aussi répondre aux limites en augmentant l’offre énergétique elle-même. Cela peut passer par de nouvelles capacités renouvelables, du stockage, du nucléaire, de la géothermie ou d’autres sources adaptées aux conditions locales.
Cette évolution pourrait rapprocher de plus en plus l’industrie numérique du secteur énergétique. Les entreprises qui dépendent massivement du calcul ont désormais un intérêt direct à financer ou sécuriser leurs propres sources d’électricité.
5. Quand la résistance sociale pousse aussi à innover
L’acceptabilité sociale peut elle-même devenir une pression technologique. Un centre de données qui consomme moins d’eau et d’électricité, exige moins de nouvelles infrastructures et génère moins de bruit ou de chaleur devient aussi plus facile à faire accepter.
La résistance locale ne constitue donc pas seulement un obstacle au développement de l’IA. Elle peut contribuer à sélectionner des technologies et des modèles industriels mieux adaptés aux ressources et aux communautés qui doivent les accueillir.
La contrainte ne signifie donc pas nécessairement l’arrêt de la croissance. Elle peut donc devenir un accélérateur d’efficacité, sans nécessairement réduire la consommation totale. Chaque gain permettant de rendre le calcul moins coûteux peut aussi ouvrir de nouveaux usages, augmenter la fréquence d’utilisation et rendre économiquement viables des tâches auparavant trop coûteuses.
Cette dynamique est déjà visible dans les choix technologiques : réduction de l’usage de l’eau, circuits fermés, refroidissement plus silencieux, récupération de chaleur et meilleure flexibilité électrique ne répondent pas seulement à des objectifs environnementaux. Ils réduisent aussi les motifs de contestation qui peuvent retarder ou bloquer un projet.
L’histoire pourrait donc être moins celle d’une pénurie permanente que celle d’une course entre efficacité et expansion des usages. Plus l’IA devient efficace, plus il devient possible de l’utiliser partout — ce qui peut à nouveau augmenter la demande totale.
Partie VIII — Le véritable risque : créer une société dépendante avant d’avoir construit sa résilience
Une panne d’un outil utilisé occasionnellement est une nuisance. Une panne d’une technologie devenue profondément intégrée à la santé, à l’administration publique, à la finance, à la logistique, à l’éducation, à l’industrie ou aux infrastructures peut devenir un problème systémique.
À mesure que l’IA s’intègre aux fonctions essentielles de la société, la question n’est donc plus seulement de savoir si elle fonctionne bien. Il faut aussi se demander si nous pouvons continuer à fonctionner lorsqu’elle devient temporairement indisponible.
1. Une dépendance qui peut croître plus vite que la résilience
Le risque apparaît lorsque l’adoption progresse plus rapidement que les mécanismes de secours. Sommes-nous en train de construire notre dépendance à l’IA plus rapidement que notre capacité à garantir sa disponibilité?
Une organisation peut gagner énormément en efficacité en automatisant certaines fonctions avec l’IA. Mais si ces fonctions deviennent impossibles à assurer sans elle, le gain d’efficacité peut aussi créer une nouvelle vulnérabilité.
Cette dépendance se développe dans un marché déjà fortement concentré. Au deuxième trimestre de 2026, Amazon, Microsoft et Google représentaient ensemble environ 63 % du marché mondial des infrastructures cloud, avec respectivement 28 %, 20 % et 15 % des revenus.
Cette concentration ne signifie pas qu’une panne chez un fournisseur provoquerait automatiquement une crise mondiale. Elle signifie toutefois qu’un nombre relativement limité d’entreprises devient progressivement indispensable au fonctionnement d’une part croissante de l’économie numérique.
2. La résilience doit être construite volontairement
Les grands fournisseurs construisent leurs infrastructures avec énormément de redondance, mais cela ne supprime pas entièrement les incidents. AWS documente par exemple publiquement les événements qui touchent une part significative de ses infrastructures ou de ses services, dont une importante interruption dans sa région de Virginie du Nord en octobre 2025.
La résilience ne consiste donc pas à supposer qu’une panne ne surviendra jamais, mais à empêcher qu’une panne chez un fournisseur ou dans une région empêche une organisation d’accomplir ses fonctions essentielles.
La réponse passe par la redondance, les plans de continuité, la diversification des fournisseurs et le maintien de capacités locales. Les infrastructures publiques essentielles devraient aussi conserver la capacité de fonctionner temporairement sans accès à des systèmes d’IA avancés.
La cybersécurité, les réserves de calcul et les solutions de rechange deviennent alors aussi importantes que la performance des modèles eux-mêmes. Une technologie critique ne devrait pas seulement être performante lorsqu’elle fonctionne, mais aussi survivable lorsqu’une partie du système échoue.
3. La géographie devient aussi un enjeu de résilience
La diversification doit également être géographique. Une capacité informatique mondiale trop concentrée dans quelques régions particulièrement avantageuses peut devenir très efficace tout en créant de nouvelles dépendances envers leurs réseaux électriques, leurs infrastructures et leurs décisions politiques.
Cette concentration est déjà très importante. En 2026, seulement vingt marchés métropolitains ou États regroupaient environ 60 % de toute la capacité hyperscale mondiale, tandis que la Virginie du Nord et la région de Pékin représentaient à elles seules environ 17 % du total.
Une infrastructure peut donc être distribuée entre des milliers de bâtiments tout en demeurant fortement concentrée dans quelques régions énergétiques et numériques. Cette géographie crée des gains d’échelle considérables, mais aussi des points de dépendance communs.
Une perturbation énergétique, climatique, technique ou géopolitique dans l’une de ces régions pourrait alors affecter des utilisateurs situés très loin du problème initial. La concentration peut donc améliorer l’efficacité économique tout en réduisant la résilience du système dans son ensemble.
Le véritable risque n’est finalement pas seulement de manquer de calcul. Il est de construire une société qui ne sait plus fonctionner correctement lorsque ce calcul devient temporairement rare, coûteux ou indisponible.
La résilience consiste donc moins à empêcher toute interruption qu’à éviter qu’une interruption locale devienne une incapacité collective.
Deux formes de concentration
Concentration commerciale
Quelques entreprises fournissent une grande partie du cloud mondial. En 2026, Amazon, Microsoft et Google en représentent environ 63 %.
Concentration géographique
Quelques dizaines de régions accueillent la majorité de la capacité hyperscale mondiale. En 2026, les vingt premières en représentent environ 60 %.
Ces deux concentrations peuvent se superposer : dépendre de peu de fournisseurs qui dépendent eux-mêmes fortement de certains territoires.
Partie IX — Une compétition mondiale pour l’énergie et le calcul
Si le calcul devient une ressource rare, coûteuse ou difficile à développer rapidement, il acquiert une valeur stratégique.
Les régions capables d’accueillir de grandes capacités informatiques peuvent alors gagner une importance économique et géopolitique disproportionnée.
Cette concentration est déjà très marquée. En 2026, seulement 20 États ou grandes régions métropolitaines regroupaient environ 60 % de toute la capacité mondiale des centres de données hyperscale, tandis que la Virginie du Nord et le Grand Pékin représentaient à eux seuls environ 17 % du total.
Les États-Unis occupent une position particulièrement dominante : Synergy Research estimait fin 2025 qu’ils accueillaient environ 55 % de la capacité hyperscale mondiale.
Le calcul est déjà une infrastructure mondiale, mais il n’est pas géographiquement réparti de manière uniforme.
Les avantages ne reposent pas seulement sur une électricité abondante et compétitive. Il faut aussi des réseaux capables d’absorber de très fortes charges, un climat favorable au refroidissement, de l’eau ou des technologies qui en réduisent l’usage, des terrains adaptés, du capital, des processeurs avancés, une main-d’œuvre spécialisée et une stabilité politique suffisante.
La géographie du numérique pourrait se déplacer
Les régions les plus attractives ne seront donc pas nécessairement celles où l’électricité est simplement la moins chère. Elles devront réunir simultanément énergie, réseau, refroidissement, territoire, accès technologique et acceptabilité sociale.
Certaines régions froides et énergétiquement abondantes pourraient bénéficier d’un avantage important. À l’inverse, des territoires disposant d’un excellent potentiel solaire peuvent voir cet avantage réduit par la chaleur, le stress hydrique ou la faiblesse de leurs réseaux.
Cette géographie peut toutefois évoluer rapidement. En 2026, le pipeline mondial connu comptait environ 1 500 grands centres de données supplémentaires, dont près de la moitié aux États-Unis, ce qui représentait environ 45 GW de capacité informatique additionnelle pour ce seul pays.
Les décisions prises aujourd’hui sur les réseaux, l’électricité, les permis et les infrastructures peuvent donc déterminer où se concentre une part importante de la puissance informatique de la prochaine décennie.
De la souveraineté énergétique à la souveraineté informatique
À mesure que le calcul devient essentiel à l’économie, la question de son contrôle prend une nouvelle dimension. On commence alors à parler non seulement de souveraineté énergétique, mais aussi de souveraineté informatique.
Qui possède les infrastructures? Qui peut acheter suffisamment de capacité, qui peut la rationner et quelles sociétés deviennent dépendantes de centres de données situés dans d’autres juridictions?
Le parallèle avec l’énergie devient alors frappant.
Comme le pétrole au XXe siècle, la capacité informatique pourrait devenir une ressource dont l’accès influence directement la puissance économique, l’autonomie stratégique et les rapports entre États.
Le parallèle avec l’énergie est frappant, même s’il n’est pas parfait. Contrairement au pétrole, le calcul peut devenir rapidement plus efficace, être reproduit dans plusieurs régions et dépend d’un ensemble complexe de technologies plutôt que d’une ressource naturelle unique.
Mais le point commun demeure essentiel : l’accès à une infrastructure stratégique peut influencer directement la puissance économique, l’autonomie politique et les rapports entre États.
Quand la souveraineté devient une politique industrielle
L’Union européenne ne traite plus la capacité de calcul comme une simple infrastructure commerciale. En 2026, elle développait 19 AI Factories et préparait jusqu’à sept AI Gigafactories capables de réunir chacune plus de 100 000 processeurs avancés, explicitement dans une logique de souveraineté technologique.
Cette stratégie vise à permettre aux entreprises, chercheurs et institutions européennes d’accéder à des capacités avancées sans dépendre entièrement d’infrastructures situées ailleurs.
La souveraineté informatique commence donc à devenir une véritable politique industrielle.
La dépendance aux puces avancées
L’énergie ne suffit donc pas. Une région peut disposer d’électricité abondante et de terrains adaptés tout en restant incapable de développer une infrastructure IA de pointe si elle ne peut pas obtenir suffisamment de processeurs avancés ou d’équipements réseau spécialisés.
La souveraineté informatique dépend ainsi de plusieurs chaînes simultanées : énergie, semi-conducteurs, centres de données, logiciels et cloud.
Partie X — Les choix stratégiques
À ce stade, l’enjeu n’est plus seulement de prévoir jusqu’où l’intelligence artificielle peut croître. Il devient nécessaire de réfléchir aux conditions qui permettraient de développer cette infrastructure sans créer de nouvelles vulnérabilités économiques, énergétiques ou sociales.
1. Ne pas confondre capacité informatique et résilience
Construire davantage de centres de données augmente la capacité disponible, mais ne garantit pas automatiquement un système plus robuste. Une infrastructure très concentrée peut devenir extrêmement performante tout en demeurant vulnérable à une panne, à une crise énergétique ou à une interruption régionale.
La résilience exige donc de la redondance, de la diversification et des solutions de continuité. La quantité de calcul disponible compte, mais la capacité à continuer de fonctionner lorsqu’une partie du système devient indisponible compte tout autant.
La croissance de la capacité doit donc être accompagnée d’une croissance parallèle de la redondance. Une infrastructure plus puissante n’est réellement plus résiliente que si elle peut absorber la perte d’un fournisseur, d’une région ou d’une partie du réseau sans interrompre les fonctions essentielles.
2. Développer simultanément le numérique et l’énergie
Une politique industrielle de l’IA qui ne tient compte que des processeurs, des modèles et des centres de données est incomplète. La capacité informatique dépend directement de la production électrique, des réseaux de transport, des postes, du stockage et des équipements nécessaires pour acheminer cette énergie.
Cette interdépendance dépasse largement le seul secteur numérique. L’AIE estime que plus de 2 500 GW de projets de production, de stockage et de grandes charges sont actuellement en attente de raccordement dans le monde, tandis que les investissements annuels dans les réseaux devraient augmenter d’environ 50 % d’ici 2030 pour répondre à la croissance prévue de la demande.
Planifier l’IA sans planifier simultanément les réseaux revient donc à construire la demande plus rapidement que l’infrastructure capable de la servir.
Cette planification implique donc aussi de planifier l’énergie dont elle aura besoin. Les deux infrastructures deviennent progressivement interdépendantes.
3. Préserver des solutions de rechange
Plus l’IA s’intègre aux fonctions essentielles, plus il devient important de conserver des moyens de fonctionner lorsqu’elle est temporairement indisponible.
Les systèmes de santé, les administrations publiques, les infrastructures critiques et les autres services essentiels ne devraient pas devenir incapables d’agir simplement parce qu’un fournisseur d’IA ou un service cloud connaît une interruption.
La solution ne consiste pas nécessairement à maintenir partout une copie complète de toutes les capacités. Elle peut passer par des procédures manuelles temporaires, des modèles locaux moins puissants, plusieurs fournisseurs ou des fonctions dégradées permettant de maintenir les services essentiels pendant une interruption.
La résilience demande donc de prévoir plusieurs niveaux de fonctionnement plutôt qu’un simple choix entre fonctionnement normal et panne totale.
Cette précaution peut sembler inefficace tant que tout fonctionne parfaitement. Mais la résilience consiste précisément à accepter une certaine redondance pour éviter qu’un gain d’efficacité se transforme en dépendance absolue.
4. Favoriser l’efficacité plutôt que seulement la puissance
La compétition technologique ne devrait pas seulement chercher à construire des modèles toujours plus grands ou à accumuler davantage de capacité informatique.
Elle devrait aussi chercher à obtenir davantage de capacité utile avec moins de calcul, moins d’électricité, moins d’eau et moins d’infrastructures.
L’efficacité n’est donc pas seulement un objectif environnemental : elle devient une condition de croissance. Dans le scénario central de l’AIE, la consommation des serveurs accélérés associés principalement à l’IA pourrait encore augmenter d’environ 30 % par année jusqu’en 2030, malgré les progrès technologiques.
Chaque gain de calcul par watt permet alors de transformer une contrainte énergétique en capacité informatique supplémentaire.
La véritable question pourrait donc progressivement changer. Plutôt que de demander « qui possède le plus gros modèle? », il deviendrait tout aussi important de demander : qui obtient le plus d’intelligence avec le moins de ressources?
5. Débattre démocratiquement de l’allocation des ressources
L’électricité, les réseaux, l’eau et le territoire ne sont pas des ressources infinies. Une société peut vouloir développer l’intelligence artificielle tout en se demandant quelle proportion de ses nouvelles capacités énergétiques elle souhaite lui consacrer et quels autres usages doivent demeurer prioritaires.
Ces décisions soulèvent aussi la question du financement : qui doit payer les lignes, les postes électriques ou les nouvelles capacités nécessaires à ces projets?
Développer l’IA devient alors non seulement un choix technologique, mais aussi un choix collectif sur l’utilisation de ressources communes.
Cette question commence déjà à produire de nouvelles règles. En Virginie, où les centres de données représentent une industrie majeure, le régulateur a créé une classe tarifaire particulière pour les très grands consommateurs et exige notamment qu’ils assument au moins 85 % des coûts de transport et de distribution engagés pour les desservir, afin de limiter le transfert de ces coûts vers les autres clients.
Le débat sur l’allocation des ressources devient donc également un débat sur l’allocation des coûts.
6. Considérer l’acceptabilité sociale comme une véritable capacité
Une infrastructure n’existe pas simplement parce qu’elle peut être financée et construite techniquement. Elle doit aussi pouvoir s’insérer dans un territoire, expliquer ses impacts et répartir suffisamment équitablement ses coûts et ses bénéfices pour obtenir une forme durable de légitimité.
La consultation ne devrait donc pas être considérée comme un obstacle administratif à franchir une fois le projet décidé.
Elle peut devenir une partie de la conception même de l’infrastructure, en permettant aux communautés concernées d’influencer les décisions qui touchent leurs ressources et leur milieu de vie.
Certaines juridictions commencent déjà à transformer cette acceptabilité en conditions explicites de développement. En Irlande, les nouveaux centres de données doivent notamment tenir compte des contraintes locales du réseau, apporter une capacité de production ou de stockage adaptée à leur demande maximale et couvrir au moins 80 % de leur consommation annuelle par de nouvelles capacités renouvelables développées dans le pays.
Cette approche ne présente pas le choix comme “construire ou interdire”. Elle cherche plutôt à définir les conditions sous lesquelles une nouvelle capacité devient compatible avec les contraintes du système qui doit l’accueillir.
Un projet techniquement possible, mais durablement impossible à faire accepter, n’est pas une capacité réellement disponible.
7. Faire de la flexibilité une partie de l’infrastructure
Tous les usages informatiques n’ont pas besoin de consommer leur énergie exactement au même moment. Certaines tâches peuvent être différées, déplacées ou temporairement réduites lorsque le réseau est fortement sollicité.
L’AIE considère désormais cette flexibilité comme une composante importante de l’intégration des grandes charges électriques. Un centre de données capable de s’adapter au réseau peut nécessiter moins de nouvelles infrastructures qu’un centre exigeant sa puissance maximale en permanence.
Conclusion — L’intelligence artificielle reste une technologie physique
L’intelligence artificielle nous donne parfois l’impression que nous sommes entrés dans une économie presque immatérielle.
Pourtant, derrière chaque modèle se trouvent du béton, du cuivre, de l’acier, des centrales électriques, des transformateurs, des réseaux, des puces, des systèmes de refroidissement, des travailleurs, mais aussi des territoires, de l’eau et des collectivités qui vivent autour de ces infrastructures.
L’IA n’échappe donc pas aux contraintes classiques des grandes infrastructures : elle doit être alimentée, refroidie, raccordée, financée, protégée et acceptée quelque part.
La prochaine limite de l’intelligence artificielle ne viendra donc peut-être pas seulement des algorithmes. Elle pourrait aussi venir de notre capacité collective à construire assez rapidement les infrastructures nécessaires, à trouver les ressources et les territoires permettant de les faire fonctionner, et à le faire d’une manière que les sociétés soient prêtes à accepter.
Cette limite ne prendra probablement pas la forme d’un mur infranchissable. Elle ressemblera davantage à une succession de goulots d’étranglement, de rationnements, de déplacements géographiques, d’innovations et de compromis sur l’usage des ressources.
Cela ne signifie pas que l’IA cessera de progresser.
La rareté peut au contraire provoquer une nouvelle vague d’innovation dans l’efficacité des modèles, des processeurs, du refroidissement, des réseaux et des systèmes énergétiques.
Mais chaque progrès d’efficacité peut aussi permettre de nouveaux usages et relancer la demande. Le défi n’est donc pas seulement de construire davantage, mais de construire une infrastructure suffisamment efficace, flexible, résiliente et légitime pour accompagner une dépendance croissante à l’IA.
La question n’est peut-être pas de savoir si nous aurons suffisamment d’intelligence artificielle. Elle est de savoir si nous construirons assez intelligemment le monde matériel dont cette intelligence dépend.