L’avertissement de Jensen Huang sur l’énergie de l’IA place le goulot d’étranglement du réseau avant la course aux puces

Jensen Huang aurait averti que l’informatique nécessite 1 000 fois plus d’énergie que l’offre actuellement disponible, créant un titre frappant sur Google News et une réserve majeure.

Le dirigeant de Nvidia décrivait l’ampleur potentielle d’agents d’IA fonctionnant en continu, et non une prévision du secteur électrique concernant la consommation d’électricité. Cette distinction est importante. Une multiplication par mille de la production mondiale d’électricité n’est ni une projection admise ni un plan crédible à court terme.

Pour autant, la contrainte sous-jacente est réelle. Les puces peuvent parvenir aux clients plus rapidement que les fournisseurs d’électricité ne peuvent construire des capacités de production, des lignes de transport, des sous-stations, des installations de refroidissement et des raccordements locaux au réseau. Ce décalage détourne l’attention des processeurs de Nvidia vers GE Vernova, Eaton et Vertiv.

Ces entreprises représentent trois maillons distincts de la chaîne physique. GE Vernova fournit des équipements de production et de réseau. Eaton gère l’électricité à l’intérieur des installations. Vertiv fournit des systèmes d’alimentation et de gestion thermique pour les centres de données, notamment le refroidissement des racks d’IA à haute densité.

L’argument d’investissement qui se diffuse via Google News va donc au-delà d’un pari sur la hausse de la consommation d’électricité. Il suppose que les développeurs d’IA continueront de financer des installations malgré de longs délais de construction, des rendements incertains et une attention croissante portée aux coûts énergétiques.

Cette hypothèse mérite d’être mise à l’épreuve. La pénurie d’électricité peut créer une demande industrielle, mais elle peut aussi retarder les centres de données censés générer cette demande.

Ce que signifie réellement l’avertissement de Jensen Huang sur un facteur 1 000

Le chiffre de 1 000 est une affirmation sur l’ambition informatique, et non une prévision selon laquelle la consommation d’électricité augmentera littéralement dans la même proportion.

Huang a fait cette remarque en évoquant un avenir rempli d’agents d’IA fonctionnant en continu. Ces agents planifieraient, raisonneraient, utiliseraient des logiciels et accompliraient des tâches sans attendre des requêtes humaines individuelles.

Ce modèle diffère du trafic actuel des chatbots. Un chatbot effectue généralement un travail après qu’un utilisateur a soumis une demande. Un agent autonome peut continuer à tester des options, récupérer des informations et solliciter d’autres systèmes après la première interaction.

Davantage d’activité entraîne davantage d’inférence, le processus par lequel un modèle entraîné génère des résultats. Des chaînes de raisonnement plus longues consomment également plus de calcul que de brefs échanges de questions-réponses.

L’argument de Huang part de cette charge de travail croissante. Si des milliards de personnes et d’organisations déploient plusieurs agents, le volume de calcul souhaité peut dépasser l’infrastructure disponible pour le fournir.

Cependant, le calcul souhaité ne correspond pas à la demande réelle d’électricité. Les coûts, l’efficacité des puces, l’optimisation logicielle, la capacité des réseaux, la réglementation et l’adoption par les clients détermineront quelle part de cette demande deviendra opérationnelle.

C’est pourquoi le titre qui circule sur Google News nécessite du contexte. Cette citation n’établit pas que la production d’électricité doit augmenter exactement de 1 000 fois. Elle décrit un déséquilibre entre les ambitions de l’IA et la capacité informatique actuelle.

Nvidia a également un intérêt commercial à souligner ce déséquilibre. L’entreprise vend des processeurs, des équipements réseau, des systèmes et des logiciels utilisés pour étendre les capacités d’IA.

Son terme privilégié est celui d’usine d’IA, désignant un centre de données spécialisé qui transforme l’électricité et les ressources informatiques en résultats produits par les modèles. Huang soutient que ces installations devraient être évaluées selon le nombre de tokens utiles produits par unité d’énergie.

Nvidia affirme que les systèmes plus récents améliorent ce ratio. Sa feuille de route sur l’efficacité met l’accent sur le débit d’inférence par mégawatt plutôt que sur la seule performance des processeurs.

Cette approche révèle une tension importante. Une meilleure efficacité réduit l’énergie nécessaire pour chaque résultat, mais des coûts d’exploitation plus faibles peuvent inciter les clients à demander davantage de résultats.

Les économistes qualifient cet effet de rebond de paradoxe de Jevons. Lorsqu’une ressource devient plus efficace à utiliser, sa consommation totale peut tout de même augmenter, car l’usage progresse plus rapidement que les économies réalisées.

Les agents d’IA rendent cette possibilité particulièrement pertinente. Un modèle plus rapide pourrait ne pas raccourcir une même tâche. Il pourrait tenter davantage d’étapes, évaluer des solutions supplémentaires ou rester actif plus longtemps.

La courbe de demande qui en résulte demeure très incertaine. Personne ne sait combien d’agents les clients accepteront de faire fonctionner, quel niveau de raisonnement exigera chaque tâche, ni quelles charges de travail migreront vers les appareils.

L’interprétation la plus solide de l’avertissement de Jensen Huang sur l’énergie de l’IA est donc qualitative. L’électricité, le refroidissement et l’accès au réseau déterminent désormais la vitesse à laquelle l’informatique avancée peut se développer.

Cette conclusion est étayée par des prévisions énergétiques indépendantes, même si leurs chiffres restent très inférieurs à une croissance par un facteur de 1 000. Les prévisions crédibles décrivent un cycle d’infrastructures soutenu, et non une multiplication instantanée du système électrique.

Pour les trois entreprises industrielles, cette distinction est à la fois favorable et limitante. Elles n’ont pas besoin d’une expansion littérale par un facteur de 1 000 pour constater une demande. Elles ont néanmoins besoin que les clients transforment des projets ambitieux en projets financés.

Google News met en évidence une hausse mesurable de la demande électrique

Des prévisions indépendantes soutiennent l’idée d’une forte hausse de la consommation d’électricité des centres de données, mais elles montrent aussi à quel point le titre dépasse les estimations établies.

La comparaison la plus utile repose sur la consommation d’électricité mesurée. Les centres de données aux États-Unis ont consommé environ 176 térawattheures en 2023, selon une évaluation de laboratoire fédéral publiée par le Department of Energy.

Cela représentait environ 4,4 % de la consommation totale d’électricité du pays. Le même rapport sur la consommation d’énergie prévoit entre 325 et 580 térawattheures en 2028.

Dans cette fourchette, les centres de données consommeraient environ 6,7 % à 12 % de l’électricité des États-Unis. Même l’estimation basse exige d’importantes nouvelles capacités en l’espace de quelques années.

L’Agence internationale de l’énergie observe la même évolution à l’échelle mondiale. Elle prévoit que la consommation d’électricité des centres de données atteindra environ 945 térawattheures d’ici 2030, soit plus du double de son niveau antérieur.

L’IA en est le principal moteur, mais pas le seul. Les services cloud, le streaming, les logiciels d’entreprise, le stockage et le trafic internet classique continuent d’utiliser cette vaste infrastructure.

L’AIE prévoit que les centres de données représenteront près de la moitié de la croissance de la demande d’électricité aux États-Unis d’ici 2030. Ses perspectives mondiales avertissent également que les contraintes du réseau menacent les projets prévus.

Environ 20 % des projets de développement de centres de données proposés pourraient subir des retards si les risques liés au système électrique ne sont pas traités, selon l’agence. La localisation rend le problème plus complexe que ne le suggèrent les totaux nationaux.

Un pays peut disposer d’une production annuelle suffisante tout en manquant de capacité disponible à proximité d’un pôle spécifique. Les centres de données exigent des raccordements importants et fiables dans des zones où les équipements de transport peuvent déjà être contraints.

Leurs charges sont également inhabituellement concentrées. Un seul projet peut ajouter une demande comparable à celle d’un grand site industriel, tandis que plusieurs campus voisins peuvent remodeler la planification à long terme d’un fournisseur d’électricité.

Cette concentration met simultanément sous pression les hyperscalers, les fournisseurs d’électricité, les régulateurs et les communautés locales. Les développeurs veulent des raccordements rapides. Les fournisseurs doivent protéger la fiabilité. Les régulateurs doivent décider qui paie les mises à niveau.

Les ménages et les entreprises déjà établies ne veulent pas que des centres de données spéculatifs leur laissent à supporter les coûts d’infrastructures échouées. Les développeurs, quant à eux, s’opposent aux tarifs qui rendent les projets moins compétitifs.

Les sources d’énergie créent un autre conflit. Les entreprises technologiques ont annoncé des objectifs bas carbone, mais leur besoin le plus urgent reste une électricité fiable et disponible tout au long de la journée.

Les énergies renouvelables peuvent fournir une part substantielle de l’énergie, surtout lorsqu’elles sont associées au stockage et au transport. Elles ne peuvent pas résoudre tous les problèmes locaux de capacité selon le même calendrier qu’un projet de construction de centre de données.

L’AIE prévoit que les renouvelables répondront à près de la moitié de la croissance mondiale de la demande des centres de données d’ici 2035. Elle s’attend également à ce que le gaz naturel joue un rôle central à court terme.

Aux États-Unis, le gaz fournit actuellement plus de 40 % de l’électricité des centres de données, selon l’analyse de l’approvisionnement de l’agence. Les renouvelables en fournissent environ 24 %, tandis que le nucléaire et le charbon assurent une grande partie du reste.

Cette répartition explique pourquoi les valeurs industrielles liées à l’IA couvrent plus d’une catégorie technologique. L’opportunité comprend les turbines, les transformateurs, les appareillages de commutation, les systèmes de secours, les contrôles électriques et les équipements de refroidissement.

La couverture de Google News condense souvent ce déploiement complexe en une liste de bénéficiaires. La séquence physique est plus utile que l’étiquette.

L’électricité doit d’abord être produite. Elle doit ensuite parcourir le réseau et entrer dans l’installation à des tensions exploitables. Enfin, les serveurs ont besoin d’une distribution stable et d’une évacuation continue de la chaleur.

GE Vernova, Eaton et Vertiv occupent des positions différentes dans cette séquence. Leur exposition se recoupe, mais pas leurs risques.

GE Vernova, Eaton et Vertiv couvrent trois goulots d’étranglement

Les trois entreprises ne sont pas des valeurs industrielles de l’IA interchangeables, car chacune répond à un point de défaillance différent entre la production d’électricité et le calcul.

GE Vernova opère au plus près du système électrique de grande capacité. Son portefeuille comprend des turbines à gaz, des services nucléaires, des équipements de réseau, des produits de conversion électrique et des logiciels destinés aux réseaux électriques.

Les turbines à gaz sont importantes parce qu’elles peuvent fournir une production pilotable, ce qui signifie que les opérateurs peuvent programmer la production lorsque les clients en ont besoin. Cette qualité attire les développeurs de centres de données qui recherchent de la capacité avant que les nouvelles technologies nucléaires ne deviennent largement disponibles.

L’entreprise vend également des transformateurs, des sous-stations, des disjoncteurs et des équipements haute tension par l’intermédiaire de ses activités d’électrification. La production ne peut pas alimenter un nouveau campus si le réseau ne dispose pas des équipements nécessaires pour acheminer cette électricité.

L’activité récente de commandes de GE Vernova montre comment la demande liée à l’IA atteint les fournisseurs industriels. Les commandes dans l’énergie et l’électrification ont progressé, tandis que les créneaux de fabrication de turbines s’étendent sur plusieurs années.

Ce carnet de commandes offre de la visibilité, mais il introduit aussi un risque d’exécution. Les turbines et les équipements de réseau exigent des usines spécialisées, des travailleurs qualifiés, des fournisseurs homologués et une longue planification avec les clients.

La production ne peut pas immédiatement répondre à une hausse des campus proposés. Un calendrier de production complet peut renforcer les prix, mais il peut aussi pousser les développeurs vers des équipements alternatifs ou d’autres emplacements.

Eaton se situe plus en aval. L’entreprise fournit des produits de distribution électrique qui aident les installations à recevoir, protéger, convertir et contrôler l’électricité.

Un centre de données a besoin d’appareillages de commutation pour isoler les défauts, de jeux de barres pour acheminer l’électricité, de systèmes d’alimentation sans interruption pour pallier les perturbations et d’équipements de surveillance pour gérer les charges. Ces systèmes deviennent plus exigeants à mesure que la densité des racks augmente.

Eaton a indiqué que les commandes de centres de données au premier trimestre 2026 dans son segment Electrical Americas avaient augmenté d’environ 240 %. Sa présentation des résultats a également montré une forte accélération des commandes dans l’ensemble de l’activité électrique.

Ce chiffre démontre la demande actuelle, et non une croissance durable à ce rythme. Les comparaisons de commandes peuvent varier selon le calendrier des projets, les gros contrats et une base auparavant plus faible.

Eaton est davantage exposé à divers secteurs qu’un fournisseur exclusivement dédié aux data centers. Cette diversification peut réduire sa dépendance aux dépenses liées à l’IA, même si les data centers ne représentent alors qu’une partie de ses résultats.

Vertiv est le plus proche des équipements informatiques. L’entreprise fournit des systèmes de gestion de l’alimentation et de gestion thermique conçus pour les installations où les interruptions de service ou la chaleur excessive peuvent endommager du matériel coûteux.

La gestion thermique gagne en importance parce que les serveurs d’IA concentrent davantage d’électricité dans chaque rack. La majeure partie de l’électricité consommée par les équipements informatiques finit par devenir de la chaleur qui doit être évacuée de la salle.

Le refroidissement traditionnel par air devient moins pratique à mesure que la densité augmente. Le refroidissement liquide rapproche le fluide caloporteur des processeurs, évacuant la chaleur plus efficacement que la circulation d’air à l’échelle de la pièce dans de nombreuses installations à forte densité.

Vertiv a travaillé avec Nvidia sur des conceptions d’infrastructure pour de nouveaux systèmes. Cet alignement peut donner à Vertiv une visibilité plus précoce sur les exigences des racks et lui permettre de préparer des produits de refroidissement et d’alimentation compatibles.

Il crée aussi un risque de concentration. Un ralentissement de la construction chez les hyperscalers ou un changement d’architecture des serveurs affecterait Vertiv plus directement qu’un fournisseur électrique diversifié.

Ces différences comptent lorsqu’il s’agit d’évaluer la thèse générale de Jensen Huang sur l’alimentation de l’IA.

• GE Vernova bénéficie lorsque les services publics et les développeurs commandent des équipements de production ou de réseau.

• Eaton bénéficie lorsque les opérateurs construisent des systèmes électriques à l’intérieur et autour des installations.

• Vertiv bénéficie lorsque les capacités informatiques achevées nécessitent une alimentation électrique spécialisée et du refroidissement.

Cette séquence peut se rompre à n’importe quel stade. Un raccordement au réseau retardé peut repousser l’installation des équipements Eaton. Un campus reporté peut réduire la demande à court terme pour les systèmes Vertiv.

À l’inverse, le goulet d’étranglement peut se déplacer. Davantage de turbines peuvent révéler des pénuries de transformateurs. Davantage de sous-stations peuvent révéler des pénuries d’électriciens qualifiés, d’équipements de refroidissement, d’eau ou de permis locaux.

C’est pourquoi le cadre à trois entreprises est utile. Il cartographie le système au lieu de prétendre qu’un seul fournisseur capte chaque dollar associé à l’infrastructure d’IA.

L’efficacité est le véritable adversaire de la thèse du boom énergétique

Le débat central n’oppose pas l’IA au réseau électrique ; il oppose l’expansion de l’usage de l’IA aux progrès rapides de l’efficacité informatique.

Les investisseurs et les planificateurs d’infrastructures peuvent s’accorder sur la hausse de la demande en IA tout en tirant des conclusions très différentes quant à la consommation d’électricité. La réponse dépend de la quantité de travail utile produite par chaque mégawatt.

Nvidia conçoit chaque génération de matériel pour accroître les performances par watt. Les techniques logicielles peuvent apporter des économies supplémentaires en réduisant la précision numérique, en réutilisant des résultats stockés ou en orientant les requêtes simples vers des modèles plus petits.

Les développeurs de modèles améliorent également l’efficacité de l’inférence. La distillation transfère des capacités vers des systèmes plus petits, tandis que la quantification représente les valeurs des modèles avec moins de bits et moins de calculs.

Les modèles à mélange d’experts n’activent que certains composants pour chaque entrée. Cela peut réduire la puissance de calcul requise par rapport à l’activation de tous les paramètres du modèle pour chaque token.

Les charges de travail peuvent également s’éloigner des grands sites centralisés. Les téléphones, ordinateurs portables, véhicules et équipements d’usine exécutent de plus en plus certaines tâches d’IA limitées localement.

Chaque amélioration affaiblit le lien simple entre l’adoption de l’IA et la demande d’électricité. Un usage accru de l’IA ne nécessite pas automatiquement une hausse proportionnelle de la puissance.

Les scénarios de l’IEA illustrent cette incertitude. Son scénario de haute efficacité entraîne une consommation d’électricité des data centers en 2035 inférieure de plus de 15 % à celle de son scénario central, tout en répondant à une demande numérique comparable.

Cette réduction est significative pour les fournisseurs d’équipements. Elle peut modifier le nombre d’installations construites, l’urgence des modernisations du réseau et l’économie des projets marginaux.

L’efficacité n’élimine toutefois pas la demande d’infrastructures. Elle élargit souvent l’éventail des tâches que les clients peuvent se permettre d’automatiser.

Un agent dont l’exécution continue coûte trop cher restera une démonstration. Des coûts d’inférence plus faibles peuvent transformer ce même agent en outil professionnel quotidien.

Cet effet rebond est au cœur de l’argument de Huang. Nvidia s’attend à ce que des tokens moins chers génèrent une consommation plus importante de tokens, de la même manière que l’informatique moins coûteuse a étendu l’usage des logiciels lors des cycles technologiques précédents.

Cette affirmation reste commercialement avantageuse pour Nvidia et non prouvée à l’échelle proposée. Les entreprises ont encore besoin de retours mesurables de la part des agents, et pas seulement de coûts unitaires par token plus faibles.

De nombreux systèmes agentiques peinent à rester fiables sur de longues tâches. Les erreurs s’accumulent lorsqu’un agent effectue davantage d’étapes, utilise des outils externes et prend des décisions sans examen humain.

Les clients peuvent donc limiter leur fonctionnement continu, en particulier dans les processus réglementés ou coûteux. Ils peuvent réserver les modèles plus grands aux décisions difficiles et utiliser des systèmes plus petits ailleurs.

La disponibilité du capital constitue un autre frein. Les data centers, centrales électriques et projets de transport d’électricité nécessitent des financements bien avant de générer des revenus.

Si les services d’IA ne génèrent pas des rendements suffisants, les hyperscalers peuvent ralentir la construction. Les fournisseurs seraient alors confrontés à des annulations, à des dates de livraison repoussées ou à des commandes plus faibles.

L’IEA a souligné cette sensibilité financière dans ses travaux mis à jour. Les investissements dans les data centers sont devenus trop importants pour reposer uniquement sur les bilans des entreprises, ce qui accroît leur exposition aux conditions de financement.

Les autorisations restent également incertaines. Les lignes de transport peuvent prendre des années à être approuvées, et les communautés contestent de plus en plus les projets en raison de la consommation d’eau, des émissions, de l’utilisation des sols et des tarifs d’électricité.

Le gaz naturel peut raccourcir les délais de production dans certaines régions, mais les pipelines et les turbines font face à leurs propres contraintes. La production sur site peut aussi entrer en conflit avec les engagements des entreprises en matière d’émissions.

L’énergie nucléaire offre une production stable à faible intensité carbone, mais les nouveaux réacteurs sont généralement mis en service selon des calendriers qui dépassent la vague immédiate de construction de data centers. Les petits réacteurs modulaires restent une option émergente plutôt qu’une réponse universelle à court terme.

Le débat environnemental ne peut pas être réduit à des pourcentages mondiaux. Les effets locaux d’un data center dépendent du producteur marginal, du système d’eau, du tarif d’électricité et de la capacité existante du réseau.

Ces incertitudes font du titre de Google News un point de départ, et non une conclusion. La thèse du boom énergétique ne se renforce que lorsque l’usage des clients, les constructions financées et les livraisons d’équipements progressent ensemble.

Les lecteurs qui suivent des affirmations évoluant rapidement peuvent tirer parti d’un workflow de connaissances rigoureux. Distinguez les déclarations, les prévisions, les commandes et les résultats opérationnels avant de les traiter comme une seule tendance.

Que surveiller après le titre de Google News

Trois signaux montreront si l’avertissement de Huang devient une réalité industrielle : l’utilisation des agents, les capacités électriques financées et la conversion des équipements en revenus.

Le premier signal est une consommation durable d’IA agentique. La mesure clé n’est pas le nombre d’entreprises qui annoncent des agents, mais la fréquence à laquelle les clients les utilisent et paient pour leur travail.

Les fournisseurs de cloud peuvent révéler une partie de cette réponse à travers leurs revenus liés à l’IA, leurs volumes d’inférence et leurs commentaires sur les dépenses d’investissement. Les entreprises de modèles peuvent apporter des preuves supplémentaires via les renouvellements d’entreprises et la croissance de l’usage.

Une hausse de l’inférence de longue durée renforcerait l’affirmation centrale de Huang. Elle indiquerait que les gains d’efficacité stimulent davantage le calcul total au lieu de simplement réduire la consommation électrique existante.

Une faible rétention l’affaiblirait. Les clients pourraient tester des systèmes autonomes sans maintenir les charges de travail nécessaires pour justifier une expansion continue des infrastructures.

Le deuxième signal est la conversion des propositions de data centers en projets financés et disposant d’une alimentation électrique sécurisée. La capacité annoncée a une valeur limitée sans terrain, financement, autorisations, équipements et plan d’alimentation électrique ferme.

Les accords de raccordement au réseau méritent une attention particulière. Ils montrent si un service public a étudié la connexion et établi les mises à niveau nécessaires pour la desservir.

Les accords de production sur site constituent un autre indicateur. Les développeurs se tournant vers du gaz dédié, des piles à combustible, du stockage ou d’autres sources locales confirmeraient que les retards du réseau modifient la conception des projets.

L’emplacement des nouvelles capacités comptera également. Les développeurs peuvent déplacer leurs projets vers des régions disposant de capacités de production, d’une réglementation favorable et d’autorisations plus rapides.

Cette flexibilité soutiendrait la demande industrielle tout en modifiant sa répartition géographique. Elle pourrait également affaiblir les hubs de data centers établis confrontés à la congestion du réseau de transport.

Le troisième signal est la conversion des commandes chez GE Vernova, Eaton et Vertiv. Les carnets de commandes et les taux de croissance en pourcentage attirent l’attention, mais les livraisons et la génération de trésorerie montrent si les fournisseurs peuvent exécuter.

Les réservations de turbines et les commandes d’équipements de réseau de GE Vernova devraient devenir des équipements expédiés selon des calendriers réalistes. L’expansion de la production doit éviter les problèmes de qualité et les retards coûteux.

Les commandes de data centers d’Eaton devraient se traduire par des revenus électriques sans nuire aux marges ni allonger les délais au-delà des besoins des clients.

Vertiv doit livrer des systèmes de refroidissement et d’alimentation adaptés à des racks de plus en plus denses. Sa relation avec Nvidia devrait produire des déploiements à grande échelle plutôt que des conceptions de référence isolées.

Les annulations de commandes affaibliraient rapidement la thèse. Il en irait de même si les clients repoussaient les dates de livraison demandées parce que les sites restent sans alimentation.

Un autre indicateur utile est l’équilibre entre l’offre et le carnet de commandes. L’expansion des usines peut débloquer des revenus, mais une capacité excessive devient un handicap si la construction liée à l’IA ralentit.

Les trois entreprises font également face à des pressions concurrentielles différentes. Les grands groupes industriels peuvent rivaliser pour les projets de réseau et d’électricité, tandis que les fournisseurs spécialisés en refroidissement peuvent cibler les installations à plus forte densité.

Les clients peuvent répartir leurs achats entre plusieurs fournisseurs afin de réduire leur dépendance à un seul fabricant. Ils peuvent aussi développer une infrastructure sur mesure avec des partenaires d’ingénierie.

Aucun de ces facteurs ne fait de GE Vernova, Eaton ou Vertiv un gagnant automatique pour les investisseurs. L’exposition aux revenus, l’exécution, la valorisation, la concurrence et le calendrier des projets exigent toujours des analyses distinctes.

Le cadre boursier initial risque également de confondre un secteur solide avec un rendement garanti. Une entreprise peut bénéficier sur le plan opérationnel alors que son action déçoit si les attentes dépassent déjà la croissance réalisable.

L’affirmation de Huang sur un facteur de 1 000 doit être considérée comme une borne de l’ambition. Les prévisions établies indiquent un doublement ou un triplement de certaines mesures relatives aux data centers, et non une multiplication par mille de l’offre d’électricité.

Même cette hausse plus limitée exercerait une pression inhabituelle sur les services publics et les fabricants industriels. La fourchette projetée par le Department of Energy pour 2028 obligerait les États-Unis à ajouter d’importantes capacités de production et infrastructures dans un délai court.

Les perspectives de l’IEA renforcent la même conclusion. La consommation mondiale des data centers peut plus que doubler d’ici 2030, tandis que les goulets d’étranglement du réseau retardent une part significative des projets prévus.

C’est le véritable conflit derrière le titre de Google News. Les entreprises d’IA peuvent concevoir la demande plus rapidement que l’économie physique ne peut construire des capacités fiables.

Surveillez l’usage avant d’accepter les prévisions de calcul. Surveillez l’électricité sécurisée avant d’accepter une annonce de data center. Puis surveillez les livraisons avant de supposer qu’un fournisseur industriel a saisi l’opportunité.

Ces trois vérifications transforment une affirmation spectaculaire en thèse vérifiable. Elles aident aussi les lecteurs à distinguer une véritable expansion des infrastructures d’un enthousiasme qui progresse plus vite que le réseau.