Morgan Stanley avertit que la croissance de l’IA en entreprise se heurte à une pénurie d’électricité
Morgan Stanley a identifié un conflit majeur derrière le dernier titre de Google News : le déploiement de l’IA en entreprise s’accélère alors que les capacités de calcul disponibles restent limitées.
Les recherches de la banque indiquent que 81 % des directeurs des systèmes d’information interrogés prévoient d’avoir au moins une charge de travail d’IA générative en production en 2026. Cette proportion était de 74 % au deuxième trimestre de 2025 et de 79 % au troisième trimestre.
Les charges de travail en production comptent, car elles fonctionnent en continu, servent de vrais utilisateurs et exigent une fiabilité plus stricte que des expérimentations temporaires. Elles consomment également de la capacité d’inférence chaque fois qu’un employé, un client ou un agent automatisé soumet une requête.
Cette transition se heurte à un système physique plus lent. Les centres de données ont besoin de puces, de mémoire, d’équipements de refroidissement, de capacités de transport et d’une électricité fiable. Les logiciels peuvent passer en production en quelques mois, mais les grands projets électriques demandent souvent plusieurs années.
Il en résulte un renversement du récit habituel sur l’adoption de l’IA. Les entreprises sont de plus en plus disposées à utiliser l’IA, mais les fournisseurs d’infrastructure ne peuvent pas développer chaque maillon de la chaîne d’approvisionnement à la vitesse des logiciels.
Morgan Stanley s’attend à ce que les contraintes d’électricité deviennent particulièrement importantes en 2027 et 2028. La banque observe également que les développeurs de centres de données se tournent vers le gaz naturel, les batteries, les micro-réseaux et la production sur site lorsque les raccordements traditionnels au réseau prennent trop de temps.
Il ne s’agit pas seulement d’un débat d’investissement sur les accélérateurs Nvidia ou les dépenses d’investissement dans le cloud. C’est une confrontation entre une demande qui s’accroît rapidement et un système électrique construit autour de longs cycles de planification, d’autorisation et de construction.
Le titre de Google News relie deux signaux distincts de Morgan Stanley
L’avertissement de Morgan Stanley combine une adoption mesurable par les entreprises avec un marché de l’électricité qui manque de capacités suffisantes à court terme.
Le premier signal provient des recherches technologiques de la banque. Sa dernière enquête sur l’adoption de l’IA a couvert 935 dirigeants d’entreprise aux États-Unis, en Allemagne, au Japon et en Australie.
Les entreprises utilisant l’IA depuis au moins un an ont déclaré des gains de productivité moyens de 11,5 %. Les sociétés interrogées ont également signalé une baisse nette de 4 % de l’emploi dans cinq secteurs considérés comme fortement exposés à l’IA.
Ces résultats ne démontrent pas que chaque projet d’IA offre le même rendement. Ils montrent que l’adoption est allée au-delà des démonstrations auprès d’un groupe significatif de grandes entreprises.
Une enquête distincte de Morgan Stanley auprès des CIO renforce ce constat. Elle a révélé que 81 % des CIO s’attendent à avoir au moins une charge de travail d’IA générative en production d’ici à la fin de 2026.
La production modifie la nature de la demande d’infrastructure. Une preuve de concept peut fonctionner pendant plusieurs semaines, mobiliser une petite équipe et s’arrêter lorsqu’une revue budgétaire intervient.
Une application en service doit gérer un trafic récurrent, préserver les contrôles de sécurité, maintenir les temps de réponse et rester disponible pendant les heures ouvrées. Les systèmes destinés aux clients peuvent exiger un service continu dans plusieurs régions.
La charge de travail se déplace également de l’entraînement vers l’inférence. L’inférence est le processus qui consiste à exécuter un modèle entraîné afin de générer une réponse, une prédiction, une image ou une action automatisée.
Une requête d’inférence peut être efficiente. Des millions de requêtes récurrentes dans les logiciels d’entreprise, le support client, les systèmes de développement et les agents autonomes créent une charge agrégée considérable.
Le second signal provient du marché de l’électricité. Morgan Stanley affirme que des années d’investissement limité dans les réseaux ont laissé les développeurs de centres de données préoccupés par des pénuries en 2027 et 2028.
Les perspectives de la banque sur le marché de l’électricité décrivent un intérêt croissant pour la production derrière le compteur. Cela signifie qu’une installation obtient une partie de son électricité directement auprès d’équipements proches au lieu de dépendre entièrement du réseau plus large.
Les deux signaux se renforcent mutuellement. L’adoption par les entreprises accroît la demande récurrente précisément au moment où les fournisseurs de cloud ont besoin de davantage de capacité de calcul fiable.
C’est le sens central de l’article Google News. La demande des entreprises devient plus facile à observer, mais la nouvelle offre reste limitée par les équipements physiques et de longs processus d’autorisation.
Les documents sous-jacents de Morgan Stanley étayent la thèse générale, même si le titre agrégé condense plusieurs axes de recherche en une seule phrase. Il ne doit pas être lu comme une prévision précise selon laquelle chaque région connaîtra une panne générale.
La pénurie est plutôt susceptible de se manifester par des raccordements au réseau retardés, une capacité cloud limitée, des coûts d’infrastructure plus élevés et des décisions plus difficiles quant aux lieux où de nouvelles installations peuvent fonctionner.
Le déploiement de l’IA en entreprise transforme les expérimentations en demande continue
Le problème d’infrastructure s’aggrave lorsque les entreprises cessent de tester l’IA et commencent à l’intégrer à leurs opérations quotidiennes.
Un chatbot expérimental génère un trafic intermittent. Un système en production connecté aux ventes, à l’ingénierie, à la finance ou au service client crée une demande répétée tout au long de la journée de travail.
Les agents d’IA peuvent encore accroître cette demande. Un agent est un logiciel qui planifie et exécute plusieurs étapes pour atteindre un objectif, en appelant souvent plusieurs fois des modèles et des outils externes.
Une seule requête d’employé peut déclencher la recherche de documents, la classification, le raisonnement du modèle, des requêtes de base de données, la validation et une réponse finale. Chaque étape peut consommer des jetons supplémentaires et du temps de calcul.
Ce schéma explique pourquoi les améliorations d’efficacité ne réduisent pas automatiquement la consommation totale d’énergie. Un modèle plus efficace diminue le coût d’une tâche, ce qui peut inciter les entreprises à exécuter bien davantage de tâches.
L’Agence internationale de l’énergie a indiqué que la demande d’électricité des centres de données avait augmenté de 17 % en 2025. La consommation électrique des installations axées sur l’IA a progressé encore plus vite.
L’agence a également constaté que les dépenses d’investissement de cinq grandes entreprises technologiques avaient dépassé 400 milliards de dollars en 2025. Elle prévoyait que ce montant augmente encore de 75 % en 2026.
Ces chiffres décrivent un marché qui passe du développement de modèles à un déploiement à grande échelle. Les entreprises de cloud doivent construire des capacités avant de savoir exactement quelles applications produiront des rendements durables.
Les résultats de Morgan Stanley auprès des entreprises vont dans le même sens. Les sociétés utilisant l’IA depuis au moins un an ont déclaré des gains de productivité moyens à deux chiffres, ce qui les incite à étendre les déploiements réussis.
Ces moyennes nécessitent toutefois d’être replacées dans leur contexte. Les bénéfices varient selon la tâche, le secteur, la qualité des données et la maturité de la mise en œuvre.
Morgan Stanley a également constaté que les grandes entreprises signalaient des réductions d’effectifs plus marquées. Ce résultat soulève la question de savoir si certains gains de productivité reflètent de meilleurs outils, moins de travailleurs, ou les deux.
Une autre analyse de Morgan Stanley a examiné les conférences téléphoniques sur les résultats des entreprises. Elle a révélé que 25 % des entreprises du S&P 500 décrivaient au moins un impact mesurable de l’IA au premier trimestre de 2026.
La proportion comparable était de 13 % un an auparavant. Les entreprises technologiques ont plus souvent fait état de bénéfices tangibles, tandis que 75 % de l’indice au sens large ne fournissaient toujours aucun bénéfice chiffré.
Cet écart compte. Il montre que l’adoption s’accélère sans prouver que l’IA a transformé chaque entreprise ou justifié chaque projet d’infrastructure.
Les développeurs et les acheteurs en entreprise devraient distinguer le déploiement de la valeur. L’entrée en production d’une charge de travail signifie qu’elle a franchi un seuil interne, mais cela ne garantit pas une économie à long terme attrayante.
La production peut également révéler des coûts cachés pendant un pilote. Ils comprennent l’utilisation des modèles, l’infrastructure de recherche, la revue humaine, la surveillance de la sécurité, la préparation des données et la gestion des défaillances.
Les applications d’IA deviennent plus coûteuses lorsqu’elles exigent une faible latence ou une disponibilité stricte. Les entreprises peuvent avoir besoin de réserver des capacités de calcul plutôt que d’acheter seulement un accès cloud occasionnel.
Les charges de travail sensibles créent une autre contrainte. Les services financiers, les soins de santé, la défense et les secteurs réglementés exigent souvent des contrôles des données plus stricts et des environnements de déploiement plus prévisibles.
Ces exigences peuvent limiter les lieux où les charges de travail s’exécutent. Elles peuvent aussi empêcher les entreprises de déplacer librement le trafic entre les régions cloud lorsqu’un emplacement manque de capacité.
La pénurie d’électricité liée à l’IA va donc au-delà de la production d’électricité. Elle couvre toute la chaîne entre une requête d’entreprise et une réponse du modèle.
Cette chaîne comprend les puces avancées, la mémoire, les réseaux, le refroidissement, les transformateurs, les sous-stations, les lignes de transport, l’alimentation de secours et l’orchestration logicielle. Une pénurie à un seul niveau peut restreindre l’ensemble du système.
Les données d’adoption de Morgan Stanley rendent cette contrainte plus urgente. Le côté de la demande ne repose plus seulement sur des prévisions concernant de futurs produits grand public.
De vraies entreprises intègrent l’IA dans leurs flux de travail opérationnels. Une fois que les employés et les clients dépendent de ces systèmes, il devient plus difficile de retirer des capacités que de mettre fin à une expérimentation.
La véritable pénurie d’électricité pour l’IA commence au raccordement au réseau
L’électricité peut exister dans une région tout en restant indisponible pour un centre de données spécifique dans les délais requis.
L’approvisionnement électrique est souvent décrit comme un chiffre national unique. Le développement des centres de données dépend de conditions locales, notamment de la capacité de transport, des équipements de sous-station, de la disponibilité de la production et de l’autorisation d’interconnexion.
Un raccordement au réseau est l’accord physique et contractuel qui permet à une nouvelle installation de recevoir de l’électricité. Les grands raccordements exigent des études d’ingénierie, car ils peuvent affecter la fiabilité d’un réseau plus vaste.
Le Département américain de l’Énergie a indiqué que les centres de données avaient consommé 176 térawattheures d’électricité en 2023. Cela représentait environ 4,4 % de la consommation nationale d’électricité.
Le département a projeté une consommation comprise entre 325 et 580 térawattheures d’ici 2028. Dans cette fourchette, les centres de données représenteraient 6,7 % à 12 % de la demande totale d’électricité aux États-Unis.
Une estimation plus récente du Lawrence Berkeley National Laboratory étend les perspectives jusqu’en 2030. Son scénario central place les centres de données à 11,8 % de la consommation d’électricité américaine cette année-là.
La mise à jour nationale sur l’énergie présente une fourchette de scénarios allant de 9,5 % à 15,3 %. Cette large fourchette reflète l’incertitude concernant les livraisons d’équipements, l’utilisation, les performances de refroidissement et le déploiement.
Même le scénario bas représente un changement substantiel pour les services publics. La demande d’électricité était restée relativement stable dans de nombreuses économies avancées avant que les centres de données, l’industrie manufacturière, les véhicules et l’électrification des bâtiments ne relancent la croissance.
L’AIE prévoit que la consommation mondiale d’électricité des centres de données dépassera 900 térawattheures d’ici 2030. Son analyse indique que les États-Unis représentent la plus grande part de l’augmentation projetée.
L’agence prévoit que les centres de données généreront près de la moitié de la croissance de la demande d’électricité américaine jusqu’en 2030. Cette concentration transforme les décisions individuelles d’interconnexion en problèmes de planification régionale.
Les services publics ne peuvent pas traiter un campus proposé à l’échelle du gigawatt comme un immeuble de bureaux classique. Un gigawatt équivaut à la production d’une grande unité de production dans des conditions d’exploitation favorables.
Le centre de données peut également demander une puissance garantie, c’est-à-dire une électricité qui doit rester disponible dans des conditions définies du système. Cette exigence modifie la manière dont les planificateurs de réseau évaluent les besoins en production et en transport.
La nouvelle demande peut arriver plus vite que la nouvelle offre. Un développeur peut commander des serveurs et construire des bâtiments avant qu’un grand projet de transport d’électricité n’achève ses procédures d’autorisation et sa construction.
La production pose son propre problème de calendrier. Les turbines à gaz, les transformateurs, les appareillages de commutation et d’autres équipements électriques se heurtent à des contraintes de fabrication et à de longs délais de commande.
Les projets renouvelables peuvent être mis en service plus rapidement sur certains marchés, mais leur production variable nécessite souvent du stockage, une demande flexible, du transport d’électricité ou une production pilotable.
Les centrales nucléaires offrent une production stable, mais exigent généralement de longues périodes de développement. Les petits réacteurs modulaires restent une source potentielle à l’avenir plutôt qu’une solution largement disponible à court terme.
Le gaz naturel peut fournir une production contrôlable, mais les pipelines et les turbines imposent des contraintes supplémentaires. L’opposition locale et les objectifs d’émissions peuvent compliquer les nouveaux projets.
C’est pourquoi Morgan Stanley met l’accent sur le « time to power ». L’indicateur décisif n’est pas simplement la quantité théorique d’électricité qui sera disponible un jour.
Les développeurs doivent savoir à quel moment un lieu donné pourra fournir une quantité définie d’électricité fiable. L’incertitude peut rendre inutilisable une propriété pourtant adaptée.
Le problème a attiré l’attention des autorités fédérales. En juin 2026, la Federal Energy Regulatory Commission a ordonné à six opérateurs régionaux de réseau de justifier ou de réformer leurs règles de raccordement des grandes charges.
Les ordonnances relatives aux grandes charges concernent les centres de données, les usines et d’autres grands consommateurs d’électricité. Elles cherchent également à instaurer des garde-fous afin d’éviter que les clients ordinaires n’absorbent des coûts d’infrastructure injustifiés.
L’action réglementaire confirme que le goulot d’étranglement ne se limite pas à une prévision d’analyste. Les autorités de réseau réexaminent activement des règles élaborées avant que les campus d’IA ne commencent à demander des charges sans précédent.
Toutefois, des procédures plus rapides ne peuvent pas fabriquer des transformateurs ni des capacités de production. Les changements de règles peuvent supprimer des retards administratifs, mais l’expansion physique nécessitera toujours du temps.
Les hyperscalers rapprochent l’électricité du centre de données
Les fournisseurs de cloud réagissent en traitant l’approvisionnement énergétique comme une composante de l’architecture informatique.
L’approche traditionnelle sépare le centre de données du système électrique. Un développeur demande un raccordement au réseau public, achète de l’électricité et installe des générateurs de secours pour les urgences.
Ce modèle devient moins fiable lorsque la capacité du réseau ne peut pas arriver selon le calendrier du projet. Les développeurs envisagent désormais des installations combinant informatique, production, stockage et services au réseau.
Morgan Stanley prévoit que le gaz naturel, les batteries, les microgrids et les projets nucléaires joueront un rôle plus important. Un microgrid est un réseau électrique local capable de coordonner production, stockage et consommation.
La production derrière le compteur peut réduire la quantité de capacité garantie demandée au réseau élargi. Elle peut aussi aider une installation à commencer à fonctionner avant l’achèvement de toutes les améliorations prévues du réseau de transport.
Cette approche crée des compromis. La production sur site exige du combustible, des permis, des équipements, de la maintenance et des capitaux qu’un centre de données conventionnel pourrait autrement éviter.
Elle peut également déplacer les charges environnementales vers les communautés locales. La production au gaz génère des émissions, tandis que les grands campus peuvent affecter l’utilisation de l’eau, la disponibilité des terrains, le bruit et les coûts d’électricité résidentiels.
Les batteries offrent une réponse rapide et peuvent réduire les pics de courte durée. Elles ne créent pas d’énergie primaire ; leur utilité dépend donc des possibilités de recharge et de la durée d’une pénurie.
La flexibilité de la demande offre une autre option. Un centre de données peut réduire certaines charges de travail lorsque le réseau devient contraint, à condition que les applications tolèrent un délai.
Les tâches d’entraînement sont souvent plus faciles à déplacer dans le temps que l’inférence orientée client. Une exécution d’entraînement de modèle peut parfois être interrompue, alors que le système antifraude d’une banque ne peut pas attendre une baisse de la demande d’électricité.
Les charges de travail peuvent aussi être déplacées entre régions. Cette stratégie exige une capacité informatique disponible, des liaisons réseau suffisantes, des règles de données compatibles et des logiciels conçus pour une distribution géographique.
Ces options donnent un avantage aux hyperscalers. Les plus grandes entreprises de cloud et de technologie disposent des bilans, des équipes d’ingénierie et de l’empreinte géographique nécessaires pour négocier des arrangements énergétiques complexes.
Morgan Stanley estime que les cinq plus grandes entreprises technologiques américaines pourraient dépenser environ 800 milliards de dollars en 2026. Leurs dépenses d’investissement cumulées pourraient atteindre 1 160 milliards de dollars en 2027.
Ces chiffres restent des prévisions, et les dépenses réelles peuvent évoluer selon les revenus, les conditions de financement et les performances technologiques. Ils illustrent néanmoins l’ampleur de l’écart entre les hyperscalers et les fournisseurs plus modestes.
Les grands acheteurs peuvent signer des contrats d’électricité à long terme ou soutenir de nouveaux projets de production. Ils peuvent également réserver des puces rares, des équipements réseau et des capacités de construction.
Les petits fournisseurs de cloud et les opérateurs d’entreprise font face à une situation plus difficile. Ils peuvent payer des tarifs plus élevés, accepter des calendriers de déploiement plus longs ou implanter leurs installations plus loin de leurs utilisateurs privilégiés.
Cela peut renforcer la concentration du marché. Si l’accès à l’électricité devient un actif compétitif, les entreprises disposant déjà de campus et de relations avec le réseau acquièrent une barrière supplémentaire contre les nouveaux entrants.
La concurrence sur les puces ne supprime pas ce problème. Nvidia, AMD et les accélérateurs personnalisés peuvent améliorer les performances par watt, mais la demande totale d’électricité augmente toujours lorsque les clients déploient davantage de systèmes.
L’efficacité peut même accélérer l’usage. Des coûts d’inférence plus faibles rendent de nouvelles applications économiquement viables, augmentant le nombre de requêtes envoyées aux centres de données.
L’AIE indique que la consommation d’électricité par tâche d’IA diminue rapidement. Elle prévoit simultanément que l’usage total des centres de données doublera d’ici 2030, car l’adoption et l’intensité des charges de travail progressent plus vite.
Cet effet ressemble à d’autres transitions informatiques. Des processeurs plus efficaces ont élargi l’éventail des logiciels pratiques au lieu d’imposer un plafond fixe au calcul total.
Pour les acheteurs d’entreprise, la leçon immédiate concerne l’architecture. Les équipes ne devraient pas supposer que la capacité cloud apparaîtra toujours instantanément dans chaque région privilégiée.
Elles ont besoin de plans de substitution de modèles, de planification des charges de travail, de basculement régional, de mise en cache et de récupération efficace. Ces contrôles peuvent réduire l’exposition sans obliger une entreprise à exploiter sa propre centrale électrique.
Les systèmes d’IA intensifs en connaissances dépendent également de sources organisées tenant compte des autorisations. Une meilleure récupération peut éviter des appels de modèle inutiles et réduire le traitement répété des mêmes informations d’entreprise.
Le point stratégique plus large reste physique. Les marchés des logiciels d’IA peuvent changer en quelques semaines, mais les infrastructures électriques engagent des capitaux sur plusieurs décennies.
Ce que les perspectives de Morgan Stanley ne prouvent pas
Les éléments étayent une contrainte sérieuse de capacité, mais n’établissent pas une crise électrique uniforme ou permanente.
Le titre agrégé d’origine emploie un langage sévère. Les lecteurs devraient distinguer les conclusions documentées de Morgan Stanley du cadrage fourni par les plateformes de diffusion.
La banque identifie une importante demande excédentaire de capacité informatique et des contraintes énergétiques à court terme. Son analyse publique souligne une inquiétude particulière autour de 2027 et 2028.
Cela diffère d’une prédiction de pénuries nationales d’électricité pour chaque client pendant plusieurs années. Les contraintes varieront selon les régions, le type de raccordement, la conception des installations et la disposition à payer.
Certains centres de données proposés ne seront jamais mis en service. Les développeurs annoncent souvent des projets qui se chevauchent tout en déterminant quels emplacements peuvent obtenir des clients et de l’électricité.
Les services publics font également face à l’incertitude liée aux demandes en double. Plusieurs développeurs pourraient solliciter de la capacité pour des campus concurrents alors qu’un seul projet aboutira finalement.
Construire pour chaque demande spéculative peut créer des infrastructures échouées. Si une installation est annulée, les clients résidentiels et commerciaux pourraient en hériter les coûts via les tarifs d’électricité.
La FERC a intégré la protection des consommateurs à son examen des grandes charges. La commission souhaite accélérer les raccordements tout en veillant à ce que les grands utilisateurs paient une part appropriée des améliorations nécessaires.
Les prévisions de demande comportent une autre incertitude. Les modèles d’IA pourraient devenir plus efficaces plus vite que prévu, tandis que les entreprises pourraient limiter les charges de travail coûteuses des agents qui ne produisent pas de rendements mesurables.
Les propres données de Morgan Stanley sur les entreprises montrent un marché inégal. Seul un quart des sociétés du S&P 500 a décrit des bénéfices quantifiés de l’IA au cours du premier trimestre 2026.
Cette part a doublé par rapport à l’année précédente, mais les trois quarts n’ont toujours pas signalé de bénéfices mesurables. Certaines entreprises pourraient ralentir leur déploiement après que des pilotes ont révélé une économie faible ou des problèmes de gouvernance.
Une charge de travail arrivée en production peut rester modeste. Le chiffre de 81 % des CIO mesure si une organisation prévoit au moins un déploiement en production, et non le volume informatique total de chaque répondant.
Il provient également d’une enquête menée auprès de 100 CIO américains et européens. La tendance est instructive, mais l’échantillon ne représente pas toutes les entreprises dans le monde.
Morgan Stanley intervient dans la banque d’investissement, la gestion de patrimoine, la recherche et les marchés privés. Ses perspectives peuvent identifier de véritables tendances tout en reflétant une institution active dans le financement d’actifs connexes.
Les estimations de la banque devraient donc être examinées aux côtés d’analyses énergétiques indépendantes. Les conclusions de l’AIE et de Lawrence Berkeley confirment une demande croissante, tout en présentant des fourchettes plutôt qu’un résultat unique et fixe.
Les évolutions technologiques peuvent affaiblir la thèse de la pénurie. De meilleurs accélérateurs, des modèles plus petits, un refroidissement amélioré et des logiciels plus disciplinés pourraient réduire l’utilisation d’électricité par tâche achevée.
Une réforme réglementaire pourrait raccourcir les délais d’interconnexion. Des contrats flexibles pourraient permettre aux centres de données de se raccorder plus tôt s’ils réduisent leur consommation lors des tensions sur le système.
La nouvelle production et le transport d’électricité pourraient aussi arriver plus vite que prévu sur certains marchés. Les régions disposant de terrains disponibles, d’un approvisionnement en gaz, de ressources renouvelables ou de capacités nucléaires existantes pourraient attirer davantage de développement.
Inversement, la pénurie pourrait s’aggraver. Les retards d’équipement, la résistance locale, les contraintes de combustible ou une adoption plus rapide des agents augmenteraient l’écart entre la demande prévue et l’offre disponible.
Les lecteurs de Google News devraient considérer cette histoire comme une course à la capacité, et non comme un compte à rebours vers des coupures inévitables. Les symptômes visibles seront souvent commerciaux plutôt que catastrophiques.
Ces symptômes incluent des campus retardés, des engagements cloud plus coûteux, des limites de capacité régionales et des investissements agressifs dans la production. Ils peuvent néanmoins façonner la concurrence dans l’ensemble du secteur de l’IA.
Trois signaux mettront à l’épreuve la thèse des infrastructures d’IA
Les décisions des réseaux, les dépenses des hyperscalers et l’usage en production révéleront si la demande dépasse l’offre aussi fortement que Morgan Stanley l’anticipe.
Le premier signal est la mise en œuvre des ordonnances de la FERC sur les grandes charges. Les opérateurs régionaux de réseau doivent expliquer ou modifier les règles qui régissent le raccordement des grands utilisateurs.
Surveillez les calendriers clairs, les exigences de dépôt, les options de service flexible et les règles d’attribution des coûts d’infrastructure. Des approbations plus rapides réduiraient l’incertitude administrative, sans toutefois éliminer les pénuries d’équipements.
Les arrangements de transport flexibles méritent une attention particulière. Un centre de données pourrait accepter un service réduit du réseau tout en obtenant le reste de son électricité auprès d’une production voisine.
Si ces structures se généralisent, la thèse de Morgan Stanley sur le time to power gagnera en force. Les développeurs modifieraient leurs modèles d’exploitation parce que les raccordements conventionnels ne peuvent pas respecter leurs calendriers.
Si les opérateurs régionaux raccordent les grandes charges sans arrangements particuliers importants, les attentes de pénurie les plus sévères s’affaibliront. Le résultat différera probablement selon les marchés.
Le deuxième signal concerne les dépenses d’investissement et les capacités achevées des grandes entreprises technologiques. Les budgets annoncés comptent moins que les centres de données opérationnels raccordés à une électricité fiable.
Les investisseurs devraient comparer les dépenses aux revenus du cloud, à l’utilisation de l’IA, à l’avancement des chantiers et aux commentaires de la direction sur les régions sous contrainte. Des références répétées à la disponibilité de l’électricité conforteraient la thèse du goulet d’étranglement.
Des campus annulés ou une baisse du taux d’utilisation indiqueraient l’inverse. Cela pourrait montrer que les prévisions antérieures incluaient une demande que les clients ne souhaitaient pas financer.
Les perspectives énergétiques mondiales constituent un point de référence utile. Elles prévoient que la consommation mondiale d’électricité des centres de données atteindra environ 945 térawattheures en 2030.
Des révisions importantes de ce chiffre influenceraient les attentes des entreprises de services publics, des fournisseurs de puces, des opérateurs de cloud et des développeurs de centres de données.
Le troisième signal est l’utilisation mesurable de l’IA en entreprise. Les annonces de mise en production devraient s’accompagner de données sur la consommation de tokens, les utilisateurs actifs, les workflows achevés, les effets sur les revenus ou des gains de productivité vérifiés.
Le nombre d’entreprises déclarant des résultats chiffrés sera particulièrement révélateur. Morgan Stanley a constaté une hausse de 13 % à 25 % parmi les entreprises du S&P 500 en un an.
Une nouvelle forte augmentation renforcerait le lien entre le déploiement en entreprise et une demande d’infrastructure durable. Des résultats stables ou en baisse suggéreraient que les étiquettes de mise en production surestiment l’utilisation réelle.
Les acheteurs en entreprise devraient également surveiller les limites intégrées aux contrats cloud. Des engagements plus longs, des restrictions régionales et des exigences de réservation de capacité peuvent révéler la rareté avant les statistiques nationales.
Les développeurs percevront cette contrainte à travers l’accès aux accélérateurs, la latence, les quotas et le lieu de déploiement. Les travailleurs du savoir y seront confrontés via la disponibilité des produits, la vitesse de réponse et l’évolution des politiques d’utilisation.
La question générale n’est plus de savoir si les entreprises expérimenteront l’IA. Elle porte sur la capacité de l’infrastructure physique à soutenir un usage récurrent à l’échelle anticipée par les fournisseurs.
L’avertissement de Morgan Stanley met ce conflit en évidence. L’adoption des logiciels s’accélère dans les workflows d’entreprise, tandis que les réseaux électriques et les projets de production restent soumis à des calendriers pluriannuels.
Ce décalage ne garantit pas une crise universelle. Il fait toutefois de la disponibilité de l’électricité une variable centrale de la stratégie produit en IA, de la concurrence dans le cloud et du développement économique régional.
La prochaine mise à jour de Google News compte moins que les preuves opérationnelles qui la sous-tendent. Au cours des prochains trimestres, surveillez les réformes du raccordement au réseau, les capacités de calcul achevées et l’utilisation chiffrée de l’IA en entreprise.
Si ces trois éléments progressent ensemble, le développement des infrastructures restera une course contre la demande. Si les déploiements ralentissent ou si les délais de raccordement s’améliorent, le récit de la pénurie devra être révisé.
Pour les équipes qui planifient aujourd’hui des systèmes d’IA, la question pratique est simple : l’application peut-elle rester économique et fiable lorsque la capacité de calcul privilégiée est limitée ? Concevoir pour des modèles efficaces, des régions flexibles et une valeur mesurable offre une meilleure réponse que de supposer une offre illimitée.
