L’IA est devenue un grand consommateur d’électricité. Chaque entreprise, chaque système se retrouve confronté à son propre défi d’approvisionnement. Les réseaux électriques, capteurs et opérateurs, utilisent leurs systèmes hétérogènes : données incomplètes, bruitées, non synchronisées. Pour des modèles d’IA qui cherchent la fiabilité, ces réseaux électriques constituent un véritable cauchemar. L’IA doit donc contribuer à améliorer les systèmes de fourniture d’énergie pour pouvoir se nourrir elle-même.
La technique comme facteur limitant
Elle doit pour cela respecter strictement les lois physiques, les limites réseau et s’intégrer dans des systèmes critiques — ce qui restreint l’usage de modèles purement statistiques. Impossible de tester une production « industrielle » de l’IA sur un réseau manquant de robustesse : une mauvaise allocation de puissance peut provoquer un black-out. Il devient dès lors essentiel de comprendre pourquoi un modèle recommande de délester une zone ou de démarrer une centrale.
Le secteur électrique est régulé : tarification, équilibre offre-demande, marchés de capacité, énergies renouvelables… L’IA doit suivre des règles qui évoluent lentement, bien plus lentement que son propre rythme. Plus il y a d’éolien et de solaire, plus le système devient volatile, car dépendant de conditions externes irrégulières. L’IA doit gérer des événements rares — pics de demande, absence de vent, congestions locales — pour lesquels l’incertitude reste majeure. Certaines décisions se prennent à la seconde : équilibrage, contrôle de fréquence, pilotage de microgrids, alors que les besoins de l’IA sont continus et en temps réel, ce que peu de modèles garantissent physiquement.
À cela s’ajoute le vieillissement des infrastructures électriques. Les intégrer à des pipelines modernes d’IA exige des adaptations lourdes. Globalement, nos réseaux d’énergie sont vétustes alors que la demande devient plus forte, plus concentrée et plus difficile à transporter. L’IA constitue une charge continue, peu compatible avec l’intermittence du solaire et de l’éolien. Restent le fossile — dont on connaît les impacts et que chaque État cherche à réduire — et le nucléaire, long et complexe à déployer.
La quantité comme frein à l’expansion
Chaque requête adressée à un modèle d’IA équivaut à allumer pendant quelques secondes un petit radiateur électrique. Individuellement cela paraît insignifiant, mais multiplié par des millions d’utilisateurs, la consommation devient colossale. Les data centers consommeraient environ 415 TWh en 2024, soit 1,5 % de l’électricité mondiale (ils ne sont pas dédiés uniquement à l’IA). Les données restent toutefois difficiles à suivre : OpenAI, Google ou Meta publient peu. L’IA représenterait environ 15 % de cette consommation, le reste couvrant sauvegardes de données, vidéos, messagerie, GPS, téléphonie…
La consommation imputable à l’IA équivaut ainsi à celle d’une grande ville de plusieurs millions d’habitants, dans un contexte où les réseaux ne peuvent pas suivre son expansion. Le nœud du problème est simple : il faut environ deux ans pour construire un data center de plusieurs gigawatts, mais dix à quinze ans pour une centrale nucléaire et cinq à dix ans pour un parc éolien capable d’alimenter de tels besoins. Le véritable défi est donc non seulement de produire plus, mais de produire au bon endroit, à tout moment, proprement, et avec un réseau capable d’absorber une charge exponentielle.
Dans ce contexte, certains analystes estiment que, dès 2030, l’évolution même de l’IA pourrait être ralentie par des tensions énergétiques majeures.
