60 centres de données d’IA prévus pourraient émettre autant que 24 millions de voitures

Google News a mis en avant cette semaine une affirmation provocatrice : des centres de données d’IA prévus pourraient émettre autant de dioxyde de carbone que 24 millions de voitures à essence. CarBuzz a transformé cette comparaison en conseil irrésistible pour les passionnés. Conduisez la voiture de sport, suggérait le titre, car l’infrastructure d’IA représente une menace atmosphérique plus importante.

L’estimation sous-jacente mérite de l’attention, mais elle n’accorde à personne une exemption climatique. Elle compare 60 centres de données américains prévus à 24 millions de voitures moyennes utilisées pendant un an. Elle ne compare pas une voiture de sport à une requête d’IA, un serveur, ni même une installation.

Cette distinction révèle le véritable conflit. Amazon, Google, Meta et Microsoft veulent davantage de capacité de calcul tout en maintenant des engagements climatiques ambitieux. Les fournisseurs d’électricité doivent répondre à cette demande en continu, souvent avant que suffisamment de production bas carbone et de capacités de transport ne soient disponibles.

Le résultat n’est pas un simple duel entre voitures et ordinateurs. Il s’agit d’une confrontation entre la construction rapide d’infrastructures d’IA et la transformation plus lente du réseau électrique. Cet écart de calendrier détermine si les nouveaux centres de données accélèrent les investissements dans les énergies propres ou prolongent la dépendance au gaz et au charbon.

Ce que mesure réellement l’affirmation des 24 millions de voitures

Le titre décrit une empreinte annuelle potentielle de 60 futures installations, et non des émissions qui entrent déjà aujourd’hui dans l’atmosphère.

Une analyse du Financial Times a examiné 60 grands centres de données prévus par Amazon, Google, Meta et Microsoft aux États-Unis. Selon un résumé de recherche, ces installations pourraient produire 101,5 millions de tonnes métriques de dioxyde de carbone par an une fois pleinement opérationnelles.

Ce chiffre suppose que les projets reçoivent une électricité reflétant un instantané récent de la production électrique américaine. Il convertit leur consommation d’électricité projetée en émissions associées du secteur électrique. Le calcul dépend donc à la fois de la demande projetée et de l’intensité carbone de l’électricité qui l’alimente.

L’analyse a exprimé les 101,5 millions de tonnes métriques au moyen de trois comparaisons. Cela équivaut à environ 7 % des émissions du secteur électrique des États-Unis en 2025. Cela ressemble également aux émissions annuelles de 27 centrales à charbon ou de 24 millions de voitures à essence.

La comparaison avec les voitures correspond globalement aux données fédérales de conversion. L’Environmental Protection Agency indique qu’un véhicule particulier moyen émet environ 4,6 tonnes métriques de dioxyde de carbone par an. Son estimation suppose 11 500 miles parcourus et une consommation d’environ 22,2 miles par gallon.

Multiplier cette moyenne par 24 millions de véhicules produit environ 110 millions de tonnes métriques. Le résultat est proche de l’estimation pour les centres de données, bien que chaque calcul comporte des hypothèses et des choix d’arrondi différents. La comparaison communique une échelle, mais n’établit pas des effets environnementaux identiques.

Les émissions des véhicules se produisent sur les routes et au sein des communautés. Les émissions du secteur électrique proviennent des centrales de production, tandis que les centres de données créent ailleurs des charges électriques très concentrées. Les voitures entraînent aussi des émissions liées à leur fabrication, des besoins routiers, de la pollution due aux pneus et des gaz d’échappement locaux que la simple comparaison annuelle exclut.

Les centres de données impliquent eux aussi davantage que l’électricité utilisée en exploitation. La construction des bâtiments, la fabrication des processeurs, la production des équipements de secours et le développement des infrastructures électriques engendrent tous des émissions incorporées. La consommation d’eau et la pollution atmosphérique locale ajoutent d’autres dimensions environnementales.

Le chiffre de 101,5 millions de tonnes est également conditionnel. Les 60 installations doivent toutes atteindre l’échelle d’exploitation modélisée, et le mix de production supposé doit rester pertinent. Des retards, annulations, gains d’efficacité, une électricité plus propre ou une utilisation réduite modifieraient le résultat.

Google News a condensé ces réserves en une comparaison hautement partageable. Ce processus est normal pour l’agrégation d’actualités, mais ce cadre raccourci peut faire paraître un scénario comme un résultat mesuré. « Pourraient émettre » devient facile à retenir sous la forme « émettront ».

Cette distinction compte, car les décisions d’investissement peuvent encore modifier le résultat. Ces installations ne sont pas des automobiles dotées de réservoirs fixes. Leurs émissions dépendent de ce que construisent les fournisseurs d’électricité, des contrats énergétiques signés par les développeurs et du moment où les charges de calcul sont exécutées.

Cela rend l’estimation utile comme avertissement plutôt que comme inventaire définitif. Elle illustre les conséquences de l’alimentation d’énormes nouvelles charges avec le mix de production actuel. Elle ne prouve pas que chaque installation proposée produira la part qui lui est attribuée.

Le cadrage autour de la voiture de sport crée également une fausse comparaison personnelle. Une personne qui conduit plus vite ne compense ni n’influence de manière significative un projet hyperscale. Les deux activités ajoutent de la demande dans des systèmes distincts, et aucune ne devient inoffensive parce qu’une autre source est plus importante.

La vraie question n’est pas de savoir si les conducteurs peuvent cesser de s’en préoccuper. Elle est de savoir si les entreprises technologiques et les fournisseurs d’électricité peuvent modifier les hypothèses avant que les installations n’atteignent leur pleine exploitation.

Google News a rendu la comparaison personnelle, mais le réseau électrique détermine le résultat

L’empreinte carbone de l’IA dépend moins d’une analogie frappante avec les voitures que des générateurs qui réagissent lorsque la demande des centres de données arrive.

Les centres de données modernes comprennent des serveurs, des équipements réseau, du stockage, des systèmes de refroidissement, une alimentation de secours et du matériel de conversion électrique. L’Agence internationale de l’énergie estime que les serveurs consomment environ 60 % de leur électricité. Le refroidissement peut nécessiter entre 7 % et plus de 30 %, selon la conception de l’installation.

Les charges de travail d’IA accentuent la concentration de cette demande. Les serveurs accélérés utilisent des processeurs spécialisés pour l’entraînement et l’inférence des modèles, c’est-à-dire la production de réponses après l’entraînement. Des milliers de ces puces peuvent fonctionner ensemble, créant des charges électriques denses et parfois rapidement variables.

Les perspectives mondiales de l’Agence internationale de l’énergie estimaient que les centres de données avaient consommé environ 415 térawattheures en 2024. Cela représentait approximativement 1,5 % de la consommation mondiale d’électricité. La consommation avait augmenté d’environ 12 % par an au cours des cinq années précédentes.

L’AIE prévoit environ 945 térawattheures d’ici 2030 dans son scénario de référence. Cela resterait inférieur à 3 % de la demande mondiale d’électricité, mais la concentration géographique crée des problèmes locaux plus aigus. Une part mondiale modeste peut tout de même submerger certains postes électriques, corridors de transport ou marchés régionaux de l’électricité.

Les États-Unis en offrent l’exemple le plus clair. L’agence prévoit que la consommation d’électricité des centres de données américains augmente d’environ 240 térawattheures entre 2024 et 2030. Cela représente une hausse d’environ 130 % par rapport au niveau de 2024.

La construction d’un centre de données peut prendre deux ou trois ans. Les grands projets de transport d’électricité et les nouvelles centrales exigent fréquemment beaucoup plus de temps. Les développeurs peuvent donc achever les installations de calcul avant que les fournisseurs d’électricité ne terminent les infrastructures plus propres destinées à les alimenter.

Les fournisseurs se tournent alors vers des moyens de production capables d’obtenir les autorisations, le financement, les équipements et les raccordements au réseau dans le délai requis. Les centrales au gaz naturel répondent souvent mieux à ce besoin opérationnel que des projets de transport retardés ou des technologies nucléaires émergentes. Les centrales à charbon existantes peuvent également rester ouvertes plus longtemps que prévu.

L’analyse du Financial Times a constaté que les trois quarts des fournisseurs desservant les projets examinés prévoyaient ou construisaient de nouvelles capacités de production au gaz. Dix-sept pour cent auraient indiqué aux régulateurs qu’une installation hyperscale précise avait motivé le besoin de nouvelles capacités au gaz.

Parmi les fournisseurs exploitant déjà des centrales à charbon, un tiers reportait leur fermeture, selon l’analyse. Ces décisions montrent pourquoi les achats contractuels d’énergies renouvelables ne racontent pas toute l’histoire. Une entreprise peut acheter des certificats d’énergie propre alors que sa charge marginale continue d’influer sur la production fossile.

La production marginale est la ressource qui répond lorsque la demande d’électricité augmente. Son identité change selon le lieu, l’heure, la saison et l’état du réseau. Un centre de données connecté près d’une abondante production propre peut avoir une empreinte différente de celle d’un bâtiment identique sur un réseau fortement dépendant du gaz.

Le fonctionnement continu complique la situation. La production solaire baisse après le coucher du soleil, tandis que de nombreux services d’IA restent disponibles 24 heures sur 24. La production éolienne varie, et les batteries ne couvrent actuellement que des durées limitées sur de nombreux marchés.

Les centres de données peuvent réduire ce décalage en déplaçant les tâches de calcul flexibles vers les heures plus propres. L’entraînement des modèles et certains traitements par lots peuvent tolérer des changements de programmation. Les services interactifs exigent des réponses plus rapides, ce qui limite la part de demande que les opérateurs peuvent déplacer.

La flexibilité géographique offre un autre outil. Les développeurs peuvent implanter des installations là où l’électricité bas carbone, la capacité de transport, les climats plus frais et une eau suffisante existent déjà. Toutefois, les exigences de latence, les incitations fiscales, la disponibilité des terrains, la proximité des clients et les autorisations influencent également l’emplacement.

Le résultat atmosphérique découle donc de milliers de choix d’infrastructure. La comparaison virale avec les voitures condense ces choix en un seul chiffre. Sa valeur réside dans la démonstration de leur ampleur combinée, non dans le remplacement de l’analyse sous-jacente.

Les lecteurs de Google News devraient considérer le chiffre de 24 millions de voitures comme un scénario aux paramètres ajustables. Le carbone du réseau, l’achèvement des installations, l’efficacité matérielle, l’utilisation et la flexibilité des charges de travail restent tous variables. Modifier l’un d’eux modifie le total.

Les promesses climatiques des géants technologiques font désormais face à leur test le plus difficile

Le principal conflit oppose l’expansion rapide de l’IA par les géants technologiques à leur promesse de réduire les émissions, et non les utilisateurs d’IA aux propriétaires de voitures de sport.

Amazon, Google, Meta et Microsoft présentent depuis des années l’énergie propre comme compatible avec la poursuite de la croissance numérique. L’infrastructure d’IA met cette position à l’épreuve, car la demande de calcul augmente plus vite que de nombreux projets d’électricité bas carbone ne peuvent atteindre le réseau.

Google illustre les deux faces de l’argument. Son rapport environnemental 2025 indiquait que les émissions énergétiques des centres de données avaient diminué de 12 % en 2024 malgré une demande énergétique accrue. L’entreprise a également signé des accords portant sur plus de 8 gigawatts de production propre.

Google a indiqué que son unité de traitement tensoriel Ironwood offrait une efficacité énergétique près de 30 fois supérieure à celle de son premier Cloud TPU de 2018. Cette comparaison mesure, au niveau de la puce, le calcul de pointe à faible précision fourni par watt. Elle ne représente pas une réduction d’un facteur 30 à l’échelle de l’ensemble des centres de données.

L’efficacité réduit l’électricité nécessaire pour une quantité donnée de calcul. Toutefois, un calcul moins cher et plus performant peut stimuler une demande supplémentaire. Les entreprises peuvent entraîner des modèles plus grands, servir davantage d’utilisateurs, traiter des contextes plus longs et ajouter des vidéos générées ou des tâches fondées sur des agents.

Cet effet rebond ne rend pas l’efficacité dénuée de sens. Sans de meilleurs matériels et logiciels, la même expansion exigerait encore plus d’électricité. Il signifie toutefois que les indicateurs d’efficacité ne peuvent remplacer la publication de données absolues sur l’énergie et les émissions.

L’analyse liée au FT a signalé une hausse des émissions des entreprises à mesure que leurs infrastructures se développaient. Les émissions totales d’Amazon auraient augmenté de 16 % entre 2024 et 2025. Microsoft a fait état d’une hausse de 25 %, principalement due à l’expansion des infrastructures de centres de données.

Alphabet a reconnu que son impact climatique augmentait parallèlement à l’IA. L’entreprise a également indiqué que son empreinte carbone aurait été cinq fois plus importante sans d’autres mesures de décarbonation. Ces deux affirmations peuvent être vraies, car les émissions évitées et les émissions totales reposent sur des références différentes.

Cette tension comptable est au cœur de l’histoire. Les entreprises mettent en avant les contrats d’énergie propre, les processeurs efficaces et les émissions évitées grâce à la technologie. Les critiques se concentrent sur les émissions absolues, les nouvelles capacités fossiles, les matériaux de construction et les reports de fermeture de centrales électriques.

Aucun de ces points de vue ne peut être évalué à partir d’un seul indicateur. La comptabilité de l’électricité fondée sur le marché attribue les achats contractuels d’énergie, même lorsqu’une installation consomme de l’électricité à d’autres heures ou dans une autre région du réseau. La comptabilité fondée sur la localisation reflète le mix de production moyen là où la consommation a lieu.

L’appariement horaire impose une norme plus stricte. Il consiste à déterminer si de l’électricité sans carbone est disponible dans la même région, à l’heure où une installation consomme de l’électricité. Atteindre cet appariement nécessite une combinaison de production, de stockage, de transport, de demande flexible et de ressources bas carbone pilotables.

Google a investi dans la géothermie avancée et dans des accords liés aux petits réacteurs nucléaires modulaires. D’autres entreprises technologiques ont signé des contrats dans le nucléaire, le solaire, l’éolien et l’élimination du carbone. Ces projets peuvent contribuer à accroître l’offre, mais nombre d’entre eux exigent des années de développement.

Les infrastructures gazières suivent un calendrier différent. Une fois construite, une centrale peut fonctionner pendant des décennies et recouvrer ses coûts grâce aux paiements des clients. Une réponse de court terme à la demande liée à l’IA peut donc créer un engagement d’émissions à long terme.

Les entreprises disposent également d’un levier dont les clients ordinaires de l’électricité ne bénéficient pas. Les hyperscalers peuvent financer la production, négocier les tarifs, choisir les emplacements et s’engager sur des contrats de longue durée. Ils peuvent soutenir des projets de transport d’électricité ou accepter des limites d’exploitation lors de périodes de tension sur le réseau.

Les régulateurs doivent décider qui supporte les coûts et les risques. Les services publics pourraient construire des infrastructures autour d’une demande projetée qui évoluerait ensuite en raison de meilleures puces, d’une adoption plus faible de l’IA ou de l’annulation de campus. Les clients résidentiels pourraient faire face à des tarifs plus élevés si la répartition des coûts échoue.

À l’inverse, les entreprises technologiques peuvent devenir des clients de référence pour de nouvelles capacités de production propre. Des acheteurs importants et fiables peuvent rendre les projets finançables. Les centres de données peuvent aussi offrir une demande flexible si les opérateurs acceptent des interruptions ou planifient les tâches non urgentes en fonction des conditions du réseau.

Le conflit entre promesse et réalité reste non résolu, car les deux trajectoires se déroulent simultanément. Les géants de la technologie achètent une énergie plus propre tandis que les services publics ajoutent des capacités fossiles. L’équilibre final dépend des projets qui entreront en service, de l’endroit où ils seront raccordés et de la façon dont la demande sera gérée.

Les lecteurs qui suivent les entreprises d’IA devraient donc regarder au-delà des benchmarks de modèles. Les achats d’énergie, les dossiers déposés auprès des services publics, les accords de raccordement et les émissions absolues révèlent désormais des contraintes stratégiques. Des plans de calcul sans plans d’alimentation électrique crédibles sont des plans d’affaires incomplets.

Pourquoi la comparaison des émissions de l’IA reste incertaine

L’estimation de 101,5 millions de tonnes constitue un avertissement crédible, mais sa précision dépasse ce que quiconque sait des projets finaux et de leurs approvisionnements en électricité.

Le calcul couvre 60 installations sélectionnées plutôt que l’ensemble des centres de données américains. Certaines sont prévues, tandis que d’autres sont en cours de développement. Leur capacité finale, leurs dates d’achèvement, leurs taux d’utilisation et leurs sources d’électricité peuvent évoluer avant leur pleine exploitation.

Les annonces de projets décrivent souvent la capacité maximale d’un campus. Les opérateurs peuvent construire les campus par phases, installer moins de serveurs ou laisser les équipements en deçà de leur taux d’utilisation maximal. La demande d’électricité peut également augmenter progressivement à mesure que les clients adoptent de nouveaux services.

Le matériel évolue rapidement pendant cette fenêtre de construction. Des accélérateurs plus efficaces peuvent réduire l’énergie nécessaire par calcul. De meilleurs systèmes de refroidissement, de conversion électrique, de réseau et de logiciels peuvent réduire les charges indirectes des installations. Des modèles plus petits peuvent accomplir certaines tâches sans acheminer chaque requête vers le plus grand système.

Toutefois, de nouveaux formats d’IA peuvent faire évoluer la demande dans le sens inverse. Générer une vidéo exige généralement davantage de calcul que produire un court texte. Les systèmes de raisonnement peuvent effectuer de nombreuses étapes de calcul internes avant de renvoyer une réponse. Les agents autonomes peuvent effectuer des appels d’outils répétés sans sollicitations humaines constantes.

Cette incertitude rend inadéquate une estimation unique par requête. Une courte complétion de texte, un film généré et une longue tâche de recherche ne sont pas des unités équivalentes. Les centres de données assurent aussi le stockage cloud, la recherche, la publicité, l’informatique d’entreprise et d’autres activités non liées à l’IA.

L’attribution crée un autre problème. Un bâtiment optimisé pour l’IA peut encore prendre en charge des services conventionnels. Une installation cloud ordinaire peut consacrer une part croissante de ses serveurs à l’IA. Les rapports publics fournissent rarement des données cohérentes, avec des périmètres comparables, sur l’électricité et les émissions au niveau des charges de travail.

Des chercheurs indépendants ont produit des fourchettes plus larges en modélisant directement les serveurs d’IA. Une évaluation évaluée par les pairs a projeté que les serveurs d’IA américains pourraient émettre de 24 à 44 millions de tonnes métriques d’équivalent dioxyde de carbone par an d’ici 2030.

Ces auteurs ont traduit leurs estimations en environ 5 à 10 millions de véhicules, et non 24 millions. Une critique méthodologique a relevé que certaines couvertures avaient confondu 24 millions de tonnes métriques avec 24 millions de voitures.

Cette critique porte sur une estimation différente de l’analyse ultérieure à 101,5 millions de tonnes. Les deux chiffres ne sont pas automatiquement contradictoires, car ils examinent des ensembles de projets, des hypothèses et des limites de système différents. Leur coexistence montre toutefois à quel point des chiffres voisins peuvent facilement se confondre en ligne.

Google News peut diffuser les deux affirmations sans expliquer ces limites dans un titre. Les lecteurs peuvent rencontrer 24 millions de tonnes, 24 millions de voitures et 101,5 millions de tonnes au cours d’une même recherche. La répétition peut les faire paraître interchangeables alors qu’ils ne le sont pas.

L’estimation moyenne de l’EPA pour les véhicules crée une autre question de périmètre. Son chiffre de 4,6 tonnes représente principalement le dioxyde de carbone émis à l’échappement. Il exclut une grande partie de la chaîne d’approvisionnement en carburant, de la production des véhicules, de la construction routière et d’autres dommages environnementaux.

Le chiffre concernant les centres de données représente le dioxyde de carbone lié à l’électricité selon un mix de production supposé. Il peut ne pas inclure l’ensemble de la construction, de la fabrication des puces, de la production de secours, des fluides frigorigènes ou des effets liés à l’eau. Qualifier une source de « pire » exige des périmètres de cycle de vie comparables.

Les voitures de sport varient également considérablement. Un modèle léger conduit occasionnellement diffère d’un véhicule lourd et puissant utilisé chaque jour. La comparaison avec 24 millions de voitures utilise un véhicule particulier moyen, et non une flotte de voitures de performance axées sur la piste.

Ces limites n’effacent pas le risque sous-jacent. Une estimation peut rester utile à la décision sans être une prévision. Les services publics et les régulateurs doivent planifier avant l’arrivée d’informations parfaites, car attendre que chaque serveur fonctionne laisse moins d’options.

L’interprétation responsable est conditionnelle. Si les 60 projets atteignent l’échelle supposée et utilisent une électricité ressemblant au mix de réseau modélisé, leurs émissions annuelles seraient énormes. Une offre plus propre, une meilleure efficacité ou un déploiement plus faible réduiraient ce résultat.

L’inverse est également vrai. Les nouvelles installations pourraient produire davantage d’émissions si la demande dépasse les projections ou si les projets d’énergie propre stagnent. Les générateurs de secours et les centrales à gaz derrière le compteur peuvent encore accroître les impacts locaux.

Les lecteurs devraient résister à deux erreurs opposées. La première consiste à considérer l’estimation la plus élevée comme inévitable. La seconde consiste à utiliser l’incertitude pour écarter tout besoin de planification. Ces deux positions ignorent que les décisions politiques et d’investissement déterminent quel scénario devient réel.

Les éléments disponibles ne justifient pas de conduire une voiture de sport plus vite sans se soucier des conséquences. Ils justifient d’exiger des données transparentes des entreprises qui construisent des infrastructures à une vitesse sans précédent. Cela inclut l’électricité au niveau des installations, l’intensité carbone horaire, l’utilisation de l’eau, les émissions de construction et les engagements de gestion de la demande.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux détermineront si l’estimation virale des émissions devient un avertissement ayant fait évoluer les politiques ou une prévision qui se réalise largement.

Le premier signal est le mix de production approuvé pour les services publics alimentant les principaux campus d’IA. De nouvelles centrales à gaz, des reports de fermeture de centrales à charbon et une production dédiée sur site renforceraient le scénario de fortes émissions. L’accélération des raccordements aux énergies renouvelables, du stockage, de la géothermie ou du déploiement du nucléaire l’affaiblirait.

Les dossiers déposés auprès des services publics méritent une attention particulière, car ils relient les annonces des entreprises aux infrastructures physiques. Ils indiquent la charge projetée, les sous-stations nécessaires, les ajouts de production, les structures tarifaires et les demandes de recouvrement des coûts. Ces détails comptent davantage qu’une annonce isolée d’achat d’énergie propre.

Les régulateurs devraient également indiquer si une installation paie le coût complet de l’approvisionnement de sa demande. Des contrats spéciaux peuvent protéger les clients ordinaires contre des infrastructures échouées. Ils peuvent aussi imposer aux opérateurs de réduire leur consommation pendant les pénuries ou en cas de non-respect des jalons de construction.

Le deuxième signal est la publication des émissions absolues d’Amazon, Alphabet, Meta et Microsoft. Les améliorations d’efficacité devraient à terme ralentir ou inverser la croissance des émissions totales. Si les émissions absolues continuent d’augmenter malgré de meilleures puces, l’expansion de la demande dépasse les progrès techniques.

Les lecteurs devraient comparer plusieurs modes de comptabilisation. Les émissions à l’échelle de l’entreprise révèlent la trajectoire générale. Les émissions d’électricité fondées sur la localisation reflètent les réseaux régionaux, tandis que les chiffres fondés sur le marché intègrent les achats contractuels. L’appariement horaire d’électricité sans carbone montre si l’offre propre correspond à la consommation réelle.

Les émissions de construction méritent un traitement distinct. Le béton, l’acier, les processeurs, les systèmes électriques et les équipements de secours créent du carbone avant qu’une installation ne commence à servir les utilisateurs. Une expansion rapide peut accroître ces émissions même lorsque l’électricité opérationnelle devient plus propre.

Le troisième signal est de savoir si les opérateurs d’IA rendent les charges de travail flexibles. Les entraînements, la préparation des données, les évaluations et certaines inférences par lots peuvent être déplacés entre différentes heures ou différents lieux. Cette flexibilité permettrait aux centres de données d’absorber les surplus d’électricité propre et de réduire la demande lors des tensions sur le réseau.

Les preuves devraient provenir de données d’exploitation plutôt que de promesses générales. Les entreprises peuvent indiquer quelle part de la demande elles déplacent, quelles charges de travail participent et à quelle fréquence les installations réagissent aux conditions du réseau. Les services publics peuvent vérifier si ces actions réduisent la production fossile ou les besoins en infrastructures.

Si l’informatique flexible reste rare, les services publics planifieront autour d’une demande de pointe continue. Cela favorise une production disponible à toute heure et peut renforcer l’argument économique en faveur de nouvelles centrales à gaz. Si la flexibilité s’étend, les centres de données pourront devenir plus faciles à intégrer.

Ces trois signaux précisent également ce que les utilisateurs individuels peuvent raisonnablement influencer. Éviter les tâches inutilement intensives en calcul réduit une partie de la demande, mais la retenue des consommateurs ne peut remplacer une politique d’infrastructure. Les décisions les plus importantes concernent l’emplacement des campus, les achats d’électricité, l’investissement dans le réseau et la transparence.

Les travailleurs du savoir peuvent néanmoins poser de meilleures questions sur les services qu’ils achètent. Les équipes d’approvisionnement des entreprises peuvent demander des données sur l’énergie et les émissions en plus des informations sur la sécurité, la fiabilité et les performances. Les développeurs peuvent choisir des modèles de taille appropriée plutôt que d’opter par défaut pour la capacité maximale.

Les équipes qui documentent ces décisions ont besoin d’éléments probants qui résistent à l’évolution des titres. Une base de connaissances IA consultable peut relier les rapports de durabilité, les dossiers des services publics, les exigences des modèles et les dossiers internes d’approvisionnement. Cela facilite l’audit ultérieur des affirmations.

La grande leçon de Google News n’est pas que l’IA est déjà devenue pire que la conduite automobile. C’est qu’un vaste programme d’infrastructures entre en collision avec un réseau électrique incapable d’évoluer à la vitesse des logiciels.

Les voitures restent une source majeure de dioxyde de carbone et de pollution locale. Les centres de données dédiés à l’IA constituent une autre source de demande en croissance. Considérer que l’un ou l’autre justifie d’ignorer l’autre transforme une comparaison d’échelle utile en prétexte.

Le chiffre de 24 millions de voitures devrait plutôt susciter une question plus exigeante. Les entreprises technologiques financeront-elles suffisamment d’électricité propre et fiable avant la mise en service de leurs campus prévus, ou les services publics verrouilleront-ils d’abord davantage de production fossile ?

Surveillez les autorisations accordées aux services publics, les émissions absolues et la flexibilité vérifiée des charges de travail. Ces signaux indiqueront si le secteur modifie les hypothèses du modèle ou se contente de débattre de son chiffre phare.