Le problème énergétique de l’IA : un cerveau de 20 watts face à une centrale électrique

Google News a mis en avant une comparaison frappante le 30 août : le cerveau humain fonctionne avec environ 20 watts, tandis que les principaux systèmes d’IA dépendent de centres de données gourmands en énergie. Le contraste est mémorable, mais il peut aussi induire en erreur. Un cerveau et un cluster d’IA accomplissent des tâches différentes au moyen d’architectures radicalement différentes.

L’enjeu principal n’est pas de savoir si le silicium peut égaler la biologie watt pour watt. C’est que l’électricité est devenue une contrainte déterminante pour l’expansion de l’IA. Les puces restent rares et coûteuses, mais la production d’électricité, les raccordements au réseau, les systèmes de refroidissement et les sites adaptés déterminent désormais quels projets peuvent fonctionner.

Cette évolution place les hyperscalers, les services publics, les développeurs de centres de données et les mineurs de Bitcoin dans la même course aux infrastructures. L’efficacité progresse au niveau des prompts et des puces. La demande totale continue néanmoins d’augmenter, car les entreprises déploient davantage de modèles, servent davantage d’utilisateurs et confient aux systèmes d’IA des tâches plus longues.

Ce que le titre de Google News comprend bien

La comparaison avec 20 watts est utile comme avertissement, mais pas comme référence directe pour l’intelligence artificielle.

Le cerveau humain représente environ 2 % du poids du corps tout en consommant près de 20 % de l’oxygène au repos. La littérature en neurosciences situe ses besoins énergétiques stables autour de 17 à 20 watts, même si les estimations varient selon la manière dont les chercheurs convertissent le métabolisme en unités électriques.

Cette énergie soutient la perception, la mémoire, le mouvement, la régulation et la communication continue au sein d’un système nerveux vivant. Elle ne correspond pas à l’électricité nécessaire pour répondre à une question ou accomplir une tâche isolée.

Un centre de données est également bien plus qu’un cerveau numérique. Il comprend des processeurs, de la mémoire, du stockage, des réseaux, du refroidissement, la conversion électrique, des équipements de secours et des capacités inutilisées réservées aux pics de demande. Comparer sa consommation totale à celle d’un organe revient à opposer une infrastructure complète au métabolisme biologique.

Le contraste révèle toutefois un point important. La biologie évolue sous une limite thermique et métabolique stricte. Le crâne ne peut dissiper la chaleur produite par des équipements de calcul industriels, et le corps ne peut fournir une énergie illimitée aux tissus neuronaux.

L’évolution a donc favorisé une communication clairsemée, une mémoire locale, des circuits spécialisés et une activation sélective. L’activation clairsemée signifie que seule une fraction du système effectue un travail intensif à un instant donné. Les concepteurs d’IA modernes utilisent de plus en plus des idées apparentées, bien que le silicium les mette en œuvre différemment.

Les modèles à mélange d’experts, par exemple, acheminent chaque entrée vers des parties sélectionnées d’un réseau neuronal au lieu d’activer tous les paramètres. Le calcul à précision réduite représente les nombres avec moins de bits, diminuant l’électricité et la bande passante mémoire nécessaires à de nombreuses opérations.

La comparaison devient peu fiable lorsque des publications virales lui associent des chiffres non étayés. L’analyse originale a retracé une affirmation largement relayée sur la reproduction numérique d’un cerveau jusqu’à un article de 2023. Cette estimation extrapolait à partir d’une simulation plus modeste et comportait des limitations importantes que les publications ultérieures ont souvent omises.

Selon l’analyse, le système simulé fonctionnait environ 30 000 fois plus lentement que la biologie. Retirer ce détail donne l’impression que les chercheurs ont comparé des systèmes équivalents fournissant des performances équivalentes. Ce n’était pas le cas.

Le nombre de neurones souvent répété mérite également de la prudence. Le chiffre de 86 milliards de neurones est une estimation utile, et non une spécification d’ingénierie sans aucune incertitude. Il provenait d’échantillons biologiques limités, tandis que l’efficacité du cerveau dépend de bien plus que du nombre total de neurones.

Les synapses, le câblage, les types cellulaires, la signalisation chimique, l’emplacement de la mémoire et le rythme de l’activité neuronale comptent tous. Compter les neurones et les comparer aux paramètres d’un modèle n’établit pas une intelligence ou une charge de travail équivalente.

Les recherches sur le budget énergétique du cerveau compliquent encore l’analogie. Une grande partie de l’énergie cérébrale soutient la communication, la maintenance et des processus allant au-delà de l’activité électrique que l’on appelle couramment le calcul.

Le titre est donc utile pour une raison : il invite à examiner l’empreinte physique de l’IA. Il ne devrait pas devenir une preuve qu’un cerveau et un superordinateur sont des machines interchangeables.

La question utile est plus précise : pourquoi la demande agrégée en IA continue-t-elle d’augmenter alors que les calculs individuels deviennent moins coûteux ? La réponse tient à l’échelle de déploiement, à la croissance des charges de travail et aux infrastructures entourant chaque accélérateur.

L’efficacité des requêtes d’IA progresse, mais les charges de travail croissent plus vite

Un prompt textuel typique peut consommer bien moins d’énergie que ne le suggèrent les estimations virales, tandis que les charges de travail de raisonnement et agentiques effacent une grande partie de ce réconfort.

Début 2025, Epoch AI estimait qu’une requête ChatGPT typique utilisait environ 0,3 watt-heure. Son calcul combinait le temps d’utilisation des accélérateurs, la consommation des serveurs et le taux d’utilisation attendu, plutôt que de mesurer chaque composant au sein d’un déploiement de production spécifique.

Cette estimation était bien inférieure aux affirmations antérieures selon lesquelles chaque requête d’IA consommait plusieurs watt-heures. Toutefois, Epoch AI a également montré pourquoi une moyenne unique peut masquer de fortes variations.

Son estimation des requêtes évaluait une demande comportant une longue entrée de 10 000 tokens à près de 2,5 watt-heures. Une entrée approchant 100 000 tokens faisait grimper l’estimation à presque 40 watt-heures.

Les tokens sont les petites unités de texte que les modèles de langage traitent lorsqu’ils lisent ou génèrent du contenu. Davantage de tokens exigent des calculs supplémentaires et plus de mouvements de mémoire, notamment lorsqu’un modèle examine à plusieurs reprises un contexte long.

Une étude sur l’inférence évaluée par les pairs en 2026 est parvenue à un résultat similaire pour les requêtes ordinaires adressées à des modèles de pointe. Elle estimait une médiane de 0,31 watt-heure, avec un intervalle interquartile allant de 0,16 à 0,60 watt-heure.

La même recherche a constaté que les demandes de raisonnement produisant environ 5 000 tokens de sortie utilisaient près de 13 fois plus d’énergie que les requêtes standards. Cette différence importe, car le marché s’oriente vers des tâches plus longues et plus autonomes.

Un chatbot qui répond par une phrase n’est pas la charge de travail que les entreprises d’infrastructure se préparent à servir. Les agents d’IA peuvent rechercher des documents, appeler des outils logiciels, écrire du code, évaluer leur propre production et répéter les étapes infructueuses.

Chaque action supplémentaire déclenche davantage d’inférence. Certains systèmes exécutent aussi plusieurs solutions candidates et utilisent un autre modèle pour sélectionner la meilleure réponse. Une instruction utilisateur simple peut donc générer une chaîne de calcul cachée considérable.

Google a indiqué qu’un prompt textuel Gemini médian consommait 0,24 watt-heure en 2025. OpenAI a cité environ 0,34 watt-heure pour une requête ChatGPT moyenne. Ces chiffres suggèrent que les fournisseurs ont obtenu des gains d’efficacité significatifs à l’échelle de la production.

Ils n’établissent pas que chaque requête, chaque modèle ou chaque centre de données possède la même empreinte. Les fournisseurs utilisent du matériel, des architectures de modèles, des systèmes de refroidissement, des sources d’énergie et des périmètres comptables différents.

Une mesure peut n’inclure que l’électricité des accélérateurs. Une autre peut inclure les réseaux, le refroidissement et les pertes de conversion électrique. Une troisième peut regrouper des prompts simples et des tâches de raisonnement plus longues.

Ce problème de périmètre rend de nombreuses comparaisons en ligne peu fiables. Un chiffre peut être mathématiquement correct dans une définition donnée et trompeur lorsqu’il est présenté comme le coût énergétique de « l’IA » en général.

Les lecteurs de Google News devraient également distinguer la puissance de l’énergie. La puissance, mesurée en watts, décrit le taux de consommation à un moment précis. L’énergie, souvent mesurée en watt-heures, décrit la consommation dans le temps.

Un cerveau de 20 watts fonctionnant pendant une heure utilise environ 20 watt-heures. Une courte réponse d’IA peut consommer une fraction de watt-heure, mais le centre de données qui la soutient peut servir des millions de requêtes tout en entraînant d’autres modèles.

Le défi du secteur vient de la multiplication. Une faible quantité d’énergie par requête devient considérable à l’échelle de milliards d’interactions. Les prompts plus longs, la génération de vidéos, les agents autonomes et les fonctions d’IA toujours actives font augmenter ce total.

L’efficacité réduit aussi le coût d’utilisation de l’IA. Des coûts plus faibles encouragent les développeurs à intégrer des modèles dans les moteurs de recherche, les applications bureautiques, les systèmes d’exploitation, les outils d’assistance client et les environnements de développement logiciel.

Les économistes qualifient cela d’effet rebond : rendre une ressource plus efficace peut accroître la consommation totale en rendant abordables des usages supplémentaires. Dans l’IA, une inférence moins chère permet des charges de travail que les entreprises n’auraient jamais exécutées aux coûts antérieurs.

C’est pourquoi l’amélioration de l’énergie par prompt ne réduit pas automatiquement la demande totale d’électricité. Le système devient plus efficace, puis s’étend à davantage de produits et accomplit davantage de travail.

Le réseau électrique devient le véritable goulot d’étranglement de l’IA

Les développeurs d’IA peuvent commander davantage d’accélérateurs, mais ils ne peuvent pas créer une ligne de transport ou un raccordement au réseau au rythme des logiciels.

Ce changement apparaît dans les données nationales sur l’électricité. Le Lawrence Berkeley National Laboratory estime que les centres de données américains ont consommé 176 térawatt-heures en 2023, soit 4,4 % de la consommation nationale d’électricité.

Ce total était passé de 58 térawatt-heures en 2014. Le rapport sur les centres de données du laboratoire prévoyait que la consommation américaine pourrait atteindre entre 325 et 580 térawatt-heures d’ici 2028.

Cette fourchette est large, car la demande future dépend de l’adoption des modèles, de l’efficacité du matériel, des calendriers de construction et de la disponibilité de l’électricité. Même sa borne inférieure représenterait une importante nouvelle charge arrivant sur une période courte.

L’Agence internationale de l’énergie a indiqué que la demande mondiale d’électricité des centres de données avait augmenté de 17 % en 2025. La demande des installations axées sur l’IA a progressé encore plus vite, tandis que la demande mondiale totale d’électricité a augmenté de 3 %.

L’agence prévoit que la consommation électrique des centres de données passera d’environ 485 térawatt-heures en 2025 à près de 950 térawatt-heures en 2030. Les installations axées sur l’IA représentent la part qui croît le plus rapidement.

Ses perspectives mondiales de l’électricité identifient également des goulets d’étranglement dans les turbines à gaz, les transformateurs, les puces avancées, les raccordements au réseau et les autorisations réglementaires. Ces contraintes limitent la vitesse à laquelle les campus annoncés deviennent des infrastructures opérationnelles.

Un centre de données proposé n’est pas un centre de données alimenté en électricité. Les développeurs doivent sécuriser le terrain, les permis, les connexions en fibre, la capacité de refroidissement, les transformateurs et une source d’électricité fiable.

Les services publics doivent déterminer si le réseau local peut supporter une charge importante et concentrée. Ils peuvent devoir construire de nouveaux postes électriques, lignes de transport, moyens de production ou systèmes de stockage avant de la raccorder.

Ces projets évoluent selon des temporalités différentes. Les modèles d’IA peuvent changer en quelques mois. La capacité de fabrication de semi-conducteurs prend des années à augmenter. Les grandes centrales électriques et les projets de transport peuvent prendre encore plus de temps.

Ce décalage met sous pression des hyperscalers tels que Google, Microsoft, Amazon et Meta. Leurs stratégies d’IA dépendent de l’obtention d’une capacité de calcul suffisante, mais ajouter des serveurs sans électricité ne produit aucun service utilisable.

Il met également les services publics sous pression. Ils doivent planifier des charges comparables à des installations industrielles, tout en décidant qui paie les infrastructures si un projet de centre de données change de direction ou n’atteint jamais sa pleine capacité.

Les communautés sont confrontées à un autre calcul. Un grand campus peut apporter de l’activité de construction et des recettes fiscales, tout en créant moins d’emplois permanents qu’une usine conventionnelle consommant une quantité d’électricité comparable.

Les habitants et les régulateurs veulent également savoir si les coûts de la nouvelle production d’énergie se répercuteront sur les factures des ménages. La réponse dépend des contrats conclus avec les services publics, des structures tarifaires locales, des mises à niveau du réseau et du fait que l’infrastructure profite ou non à d’autres clients.

Les charges de travail d’IA ajoutent des complications opérationnelles. L’entraînement et l’inférence peuvent produire des variations rapides de la demande d’électricité. Un réseau conçu autour d’une consommation commerciale prévisible doit répondre à des charges informatiques concentrées qui évoluent avec l’activité logicielle.

Le stockage sur batteries peut atténuer certaines variations et fournir une alimentation de secours. La production sur site peut réduire la dépendance à des raccordements au réseau retardés. Aucune de ces approches n’élimine les questions relatives à l’approvisionnement en combustible, aux émissions, aux autorisations et à la répartition des coûts.

Le secteur explore donc des accords d’approvisionnement nucléaire, la production au gaz naturel, les projets d’énergies renouvelables, les systèmes géothermiques et le stockage d’énergie. Chaque option résout une partie différente du problème et implique son propre calendrier de construction.

L’électricité n’est pas simplement un intrant parmi d’autres, au même titre que les puces. Elle devient un facteur décisif. Une entreprise disposant de capitaux et d’accélérateurs peut tout de même perdre du temps si elle ne dispose pas d’un site alimenté en électricité.

Les mineurs de Bitcoin ont de l’électricité, mais l’IA a besoin de plus que des mégawatts

Les sites de minage de Bitcoin offrent un accès rare au réseau électrique, mais seule une part limitée peut répondre aux exigences de fiabilité, de refroidissement et de réseau informatique de l’IA.

L’article de Google News relie la course de l’IA à l’électricité à un fournisseur d’infrastructure inattendu : les mineurs de cryptomonnaies. Beaucoup contrôlent déjà des sites dotés de raccordements au réseau, d’accords d’approvisionnement électrique, de sous-stations et d’équipements électriques opérationnels.

Ces actifs ont pris de la valeur, car les files d’attente de raccordement peuvent retarder de plusieurs années les nouveaux projets de centres de données. L’acquisition d’un site déjà alimenté peut raccourcir une partie du processus de développement.

La logique stratégique est simple. Les revenus du minage de Bitcoin évoluent avec les prix des cryptomonnaies, la difficulté du réseau, l’efficacité des équipements et les coûts de l’électricité. Les contrats d’hébergement IA à long terme peuvent offrir un profil de revenus différent.

Les entreprises d’IA, quant à elles, ont besoin de terrains alimentés. Un mineur capable de convertir son installation pourrait tirer davantage de valeur de la location de sa puissance électrique et de son infrastructure que de la poursuite de la production de Bitcoin.

Cette possibilité a encouragé des accords impliquant Core Scientific, Galaxy Digital, TeraWulf, IREN, Riot Platforms et Hut 8. L’analyse source estimait que les mineurs cotés en bourse avaient annoncé des contrats d’IA d’une valeur cumulée de plus de 70 milliards de dollars.

La valeur annoncée ne doit pas être confondue avec la capacité livrée. Selon cette même analyse, les publications du deuxième trimestre 2026 indiquaient environ 750 mégawatts alimentés au sein du groupe examiné.

Core Scientific représentait environ 437 mégawatts. Le site Helios de Galaxy comptait pour 133 mégawatts, tandis que TeraWulf, IREN et Riot faisaient état de volumes alimentés plus faibles.

Ces chiffres illustrent à la fois l’opportunité et l’écart de mise en œuvre. Les contrats décrivent de futures relations commerciales. La capacité alimentée mesure une infrastructure ayant atteint un stade opérationnel plus concret.

Une installation de minage ne devient pas automatiquement un centre de données pour l’IA. Les machines de Bitcoin peuvent tolérer des interruptions, car les mineurs peuvent suspendre leurs activités lorsque l’électricité devient coûteuse ou que le réseau est sous tension.

Les clients de l’IA attendent généralement une alimentation garantie et des niveaux de service stricts. Une charge de travail cloud ne peut pas disparaître chaque fois qu’un service public demande au site de réduire sa consommation.

Les accélérateurs d’IA concentrent également une capacité de calcul bien plus importante dans chaque baie. Cette densité crée d’importantes exigences de refroidissement. La modernisation peut nécessiter un refroidissement liquide, de nouveaux systèmes d’eau, une distribution électrique repensée et une infrastructure de bâtiment renforcée.

La fibre constitue un autre obstacle. Les sites de minage se trouvent souvent à proximité d’une électricité bon marché dans des zones éloignées. Les installations d’IA ont besoin de connexions réseau à forte capacité et à faible latence pour déplacer les données entre clusters, régions cloud et clients.

Les normes de sécurité diffèrent également. L’hébergement de données d’entreprise ou de modèles propriétaires exige des contrôles physiques, une surveillance, de la redondance et des procédures de conformité qu’une opération de minage pourrait ne pas posséder.

L’économie peut néanmoins fonctionner pour certaines propriétés. BeInCrypto a cité des estimations de VanEck situant les coûts de conversion autour de plusieurs millions de dollars par mégawatt, tandis que les nouvelles constructions exigeaient beaucoup plus de capitaux.

Ces estimations varient selon les sites et ne doivent pas être considérées comme des prix universels. Une installation dotée de bâtiments adaptés, de fibre et d’un potentiel de refroidissement diffère fortement d’un ensemble isolé de conteneurs de minage.

La leçon plus large est que l’accès au réseau est devenu un avantage stratégique négociable. Les mineurs de Bitcoin ont passé des années à localiser une électricité bon marché et à négocier cet accès. La demande d’IA a modifié l’usage potentiel de ces actifs.

Toutefois, les affirmations d’une transformation complète du minage vers l’IA méritent du scepticisme. Des données préliminaires d’une enquête de Cambridge citées dans la source suggéraient que seuls environ 10 % des mineurs avaient alloué de la puissance à l’IA en juillet 2026.

Cette part limitée est cohérente avec les obstacles physiques. De nombreux sites peuvent miner efficacement des cryptomonnaies parce que les équipements de minage tolèrent des conditions qu’un locataire IA d’entreprise rejetterait.

Les investisseurs devraient donc distinguer trois catégories : les contrats signés, la capacité future sous contrat et la capacité IA opérationnelle. Les traiter comme équivalentes peut exagérer la rapidité avec laquelle les revenus arriveront.

Cette évolution soulève aussi un conflit pratique. Les charges de minage flexibles peuvent s’arrêter pendant les périodes de tension du réseau, ce qui peut aider à équilibrer les systèmes électriques. Les charges IA garanties suppriment une partie de cette flexibilité, sauf si les opérateurs repensent les charges de travail en fonction des conditions du réseau.

Les chercheurs étudient l’informatique flexible face à l’énergie, où les centres de données déplacent les tâches non urgentes dans le temps ou entre différents lieux. Les tâches d’entraînement, le traitement par lots et certaines charges d’inférence pourraient être suspendus sans nuire aux utilisateurs.

Mais les clients commerciaux décideront du niveau d’interruption qu’ils acceptent. Une capacité théorique à déplacer le travail ne garantit pas que les contrats, les logiciels ou les attentes de service le permettront.

L’infrastructure de minage peut accélérer certains projets d’IA. Elle ne peut pas éliminer le besoin de meilleurs réseaux, de nouvelle production, de refroidissement avancé et de rapports transparents.

Pourquoi de meilleures puces ne mettront pas fin au récit énergétique de Google News

L’efficacité modifie ce que l’IA peut accomplir par watt, tandis que l’expansion de la demande détermine le nombre total de watts consommés par le secteur.

De 2010 à 2018, l’activité informatique mondiale des centres de données a augmenté d’environ 550 %, tandis que la consommation d’électricité n’a progressé que d’environ 6 %. De meilleurs serveurs, la virtualisation, le refroidissement et la conception des installations ont absorbé une grande partie de cette croissance.

Cette histoire soutient un argument optimiste. Les accélérateurs d’IA devraient devenir plus efficaces, les modèles devraient utiliser moins de paramètres actifs et les développeurs devraient éviter les calculs inutiles. La demande totale pourrait alors se stabiliser.

Le problème est que la consommation récente aux États-Unis s’est déjà écartée de cette tendance antérieure. La consommation d’électricité des centres de données a triplé entre 2014 et 2023, selon les estimations de Berkeley Lab.

Les développeurs d’IA utilisent également les gains d’efficacité différemment. Au lieu de fournir le même service avec moins d’électricité, ils se servent souvent de matériel amélioré pour entraîner des systèmes plus grands ou servir davantage d’utilisateurs.

Le calcul au moment de l’inférence intensifie cette tendance. Il permet à un modèle de consacrer davantage de calcul à la réponse à une demande difficile. Le modèle peut générer des alternatives, vérifier les étapes intermédiaires et poursuivre son raisonnement avant de présenter une réponse.

Ce processus peut améliorer les performances sur les tâches de programmation, de mathématiques, de recherche et de planification. Il fait aussi dépendre le coût énergétique de la difficulté de la demande et de la quantité de raisonnement autorisée.

Les logiciels agentiques étendent le calcul dans le temps. Un système qui surveille les messages, met à jour des bases de données, recherche des prospects ou maintient du code peut s’exécuter à répétition sans qu’une personne n’initie chaque étape.

L’unité de valeur passe alors d’une invite à un flux de travail achevé. Un flux de travail peut contenir des centaines d’appels de modèles, de recherches, de validations et de tentatives répétées.

Cela rend les rapports par requête moins informatifs. Les fournisseurs ont besoin de mesures qui relient l’énergie à la complexité de la tâche, à la qualité du modèle, au matériel, à l’emplacement et au volume total de service.

Un chiffre médian par invite conserve une valeur. Il corrige les affirmations exagérées et donne aux utilisateurs un ordre de grandeur. Il ne peut pas expliquer l’infrastructure nécessaire à une flotte croissante de services autonomes.

Les affirmations d’efficacité nécessitent également des périmètres cohérents. L’électricité consommée par les accélérateurs n’est qu’une composante. La mémoire, le réseau, le refroidissement, le stockage et les systèmes de secours contribuent au total de l’installation.

L’efficacité énergétique, ou PUE, mesure l’énergie totale de l’installation divisée par l’énergie fournie aux équipements informatiques. Une valeur plus proche de un indique moins de surcoût, mais elle ne révèle pas si le calcul lui-même est efficace.

L’impact carbone introduit une autre dimension. Un kilowattheure fourni par une production bas carbone présente un profil d’émissions différent de celui produit par un réseau fortement dépendant des combustibles fossiles.

Le moment compte aussi. Un centre de données utilisant de l’électricité lorsque la production renouvelable est abondante peut produire un effet différent sur le réseau de celui qui exige une alimentation garantie lors d’un pic régional.

L’utilisation de l’eau varie selon la technologie de refroidissement et le climat. Certaines installations dépendent fortement du refroidissement évaporatif, tandis que d’autres utilisent le refroidissement à l’air ou des systèmes en boucle fermée avec des compromis énergétiques différents.

Aucun chiffre unique ne peut saisir toutes ces dimensions. De meilleures informations devraient rendre compte de l’énergie de l’installation, de l’énergie informatique, du type de charge de travail, de l’emplacement géographique, de l’intensité carbone et de la consommation d’eau.

Le cerveau humain reste une référence de conception instructive. Il combine étroitement mémoire et traitement, communique de manière sélective et fonctionne sous une limite énergétique stricte.

Les processeurs modernes déplacent fréquemment des données entre la mémoire et les unités de calcul. Ce déplacement peut consommer plus d’énergie que l’opération arithmétique elle-même, en particulier pour les grands modèles.

Des techniques telles que la quantification, la parcimonie, les modèles plus petits et spécifiques à une tâche, ainsi que l’amélioration de l’encapsulation de la mémoire réduisent ce coût. L’informatique neuromorphique tente également d’imiter certaines propriétés des systèmes neuronaux biologiques.

Aucune ne garantit une échappatoire à la croissance de la demande globale. Les entreprises de logiciels peuvent utiliser chaque watt économisé pour ajouter des utilisateurs, augmenter les fenêtres de contexte, générer de la vidéo ou laisser les agents fonctionner plus longtemps.

Une véritable réduction de la demande totale exigerait que l’efficacité s’améliore plus vite que l’expansion des charges de travail. Les projections actuelles montrent l’inverse à l’échelle du secteur, même si les opérations individuelles deviennent moins coûteuses.

La comparaison avec le cerveau apporte donc un renversement. L’IA tire plusieurs leçons d’efficacité de la biologie, mais ces leçons permettent l’expansion avant de réduire la consommation d’électricité.

Trois signaux qui montreront ce qui se passera ensuite

La prochaine phase sera mesurée à travers la capacité alimentée, la transparence au niveau des charges de travail et des contrats qui rendent l’IA réactive aux conditions du réseau.

Le premier signal est l’écart entre la capacité de centres de données annoncée et la capacité qui entre réellement en service. Les communiqués de presse peuvent décrire des gigawatts de projets futurs, mais les sites alimentés révèlent si les développeurs ont obtenu les équipements, les autorisations, le refroidissement, la fibre et l’électricité.

Les investisseurs et les clients devraient suivre les accords de raccordement avec les services publics, les jalons de construction et la capacité opérationnelle divulguée. Un écart qui se réduit montrerait que l’investissement dans les infrastructures surmonte les goulots d’étranglement actuels.

Un écart qui s’élargit affaiblirait les prévisions de croissance agressives. Il suggérerait que les pénuries de transformateurs, les différends liés aux autorisations, les limites du réseau ou l’économie des projets ralentissent le déploiement.

Les mineurs de Bitcoin offrent un test utile. Si leurs conversions vers l’IA commencent à servir des clients dans les délais prévus, l’accès existant à l’électricité aura prouvé sa valeur. Si les échéances glissent, le marché verra combien d’infrastructures supplémentaires ces sites exigent.

Le deuxième signal réside dans une meilleure transparence énergétique de la part des fournisseurs de modèles. Google, OpenAI, Microsoft et des chercheurs indépendants ont publié des estimations utiles par requête, mais leurs méthodes et leurs périmètres restent difficiles à comparer.

Les analyses devraient distinguer la génération de texte ordinaire des charges de travail de raisonnement, d’image, de vidéo et agentiques. Elles devraient également différencier la consommation des accélérateurs de l’électricité totale des installations.

Une communication cohérente aiderait les acheteurs d’entreprise à comparer les modèles pour des déploiements à fort volume. Elle permettrait aussi aux fournisseurs d’électricité de prévoir la demande à partir des schémas de charge réels, plutôt que d’hypothèses générales.

Il faut surveiller si les fournisseurs publient des distributions plutôt qu’une moyenne unique. L’écart entre une réponse courte et un long flux de travail agentique compte davantage qu’une médiane isolée.

Le troisième signal sera de voir si les opérateurs d’IA signent des accords rendant le calcul flexible. Les centres de données peuvent planifier certains travaux d’entraînement, d’inférence par lots et d’évaluation pendant les périodes d’abondance d’électricité.

Si les opérateurs déploient des batteries et déplacent des charges de travail significatives, ils peuvent réduire la pression lors des pics du réseau. L’IEA estime que les centres de données pourraient accueillir 20 à 25 gigawatts de stockage sur batteries dans le monde d’ici 2030.

Un tel résultat renforcerait l’idée que les installations d’IA peuvent devenir des participants plus coopératifs du réseau. Il n’effacerait pas leur consommation annuelle d’électricité, mais pourrait réduire le coût et le risque liés à l’alimentation de charges concentrées.

Si les clients continuent d’exiger un fonctionnement ininterrompu pour presque toutes les charges de travail, les fournisseurs d’électricité auront besoin de davantage de production pilotable et de capacité réseau. Cette trajectoire accroît l’importance des contrats d’électricité à long terme et de l’approbation locale.

Pour les développeurs et les travailleurs du savoir, la question énergétique influencera davantage que les seules affirmations environnementales. Les pénuries d’infrastructures peuvent affecter la disponibilité des modèles, les limites d’utilisation, la latence et les fonctionnalités que les fournisseurs peuvent proposer de manière rentable.

Les entreprises qui créent des flux de travail d’IA devraient mesurer la valeur d’une tâche accomplie, et non seulement le nombre de requêtes. Elles peuvent réduire le gaspillage en choisissant des modèles plus petits pour les tâches courantes, en limitant le contexte inutile et en examinant les actions agentiques répétées.

Conserver les informations réutilisables dans une base de connaissances personnelle organisée peut également réduire les recherches répétées et les requêtes surdimensionnées. Il s’agit d’une amélioration du flux de travail, pas d’une réponse complète à la demande des centres de données.

Le titre de Google News fonctionne parce qu’il condense un conflit d’infrastructure en une image mémorable. Votre cerveau fonctionne dans le cadre d’un budget énergétique impitoyable. Historiquement, les entreprises d’IA fonctionnaient dans le cadre d’un budget de capital qui s’élargissait chaque fois que les investisseurs anticipaient de nouvelles capacités.

L’électricité rend cette distinction plus difficile à maintenir. La question décisive n’est plus de savoir si une réponse d’IA consomme plus d’énergie qu’une pensée humaine. Aucun des deux côtés de cette comparaison ne dispose d’une unité claire et universelle.

Observez ce qui devient opérationnel, ce que les fournisseurs communiquent et si les charges de travail s’adaptent au réseau. Ces signaux montreront si l’IA apprend à fonctionner sous un plafond physique ou continue de chercher une centrale électrique plus grande.