L’infrastructure physique de l’intelligence artificielle : des data centers aux AI factories

L’intelligence artificielle est souvent perçue comme une innovation dématérialisée, un service accessible depuis un simple navigateur. Pourtant, chaque requête adressée à un assistant vocal, chaque image générée par un modèle de diffusion, chaque recommandation algorithmique repose sur une infrastructure bien réelle : des bâtiments industriels, des câbles, des serveurs et des systèmes de refroidissement. Cette « méga machine » consomme de l’électricité, de l’eau, des métaux rares et du foncier. Tecsol-Quotidien a consacré une série de podcasts à ce sujet, et nous vous proposons une analyse approfondie des enjeux énergétiques et matériels de l’IA.

La face cachée du cloud : des bâtiments industriels énergivores

Le terme « cloud » évoque une légèreté, une absence de contrainte physique. En réalité, il s’agit d’immenses hangars remplis de baies informatiques, de systèmes électriques et d’équipements de climatisation. Ces data centers sont de véritables usines numériques, bruyants, chauds et voraces en énergie. Selon un rapport de l’Agence internationale de l’énergie (AIE) publié en 2024, la consommation électrique des centres de données dans le monde a atteint environ 460 TWh en 2023, soit près de 2 % de la demande mondiale d’électricité. Cette part pourrait doubler d’ici 2026, sous l’effet de l’explosion des usages d’IA générative.

Contrairement à une idée reçue, le numérique n’est pas virtuel. Chaque donnée stockée ou traitée nécessite des serveurs allumés en permanence, des systèmes de refroidissement et des alimentations de secours. L’utilisateur ne voit que l’écran, mais la chaîne physique est colossale. Les data centers traditionnels étaient déjà gourmands ; les infrastructures dédiées à l’IA le sont encore davantage.

L’essor des AI factories : des usines à calcul intensif

Avec l’IA générative, le changement d’échelle est radical. Les industriels ne parlent plus seulement de data centers, mais d’AI factories (usines à intelligence artificielle). Ces installations concentrent une puissance de calcul inédite, destinée à l’entraînement et à l’inférence des grands modèles de langage (LLM) comme GPT-4, Gemini ou Llama. Une AI factory peut héberger des dizaines de milliers de GPU (unités de traitement graphique) tournant à pleine charge 24 heures sur 24.

Puissance des baies informatiques et comparaisons

Une baie informatique standard (une armoire métallique remplie de serveurs) peut atteindre 100 kW dans les configurations les plus denses. À titre de comparaison, un petit immeuble résidentiel consomme environ 50 à 100 kW en pointe. Une seule baie d’IA équivaut donc à un immeuble entier. Or, une AI factory peut compter plusieurs centaines, voire plusieurs milliers de ces baies. La densité de puissance par mètre carré explose, dépassant largement celle des centres de données classiques.

Pour illustrer, un rapport de Goldman Sachs estime que les besoins électriques des data centers liés à l’IA pourraient croître de 160 % d’ici 2030. En France, le gestionnaire du réseau RTE alerte sur l’impact régional : la région Île-de-France concentre déjà une forte densité de data centers, et l’arrivée de nouvelles AI factories pourrait saturer les réseaux locaux si des investissements ne sont pas anticipés.

Entraînement vs inférence : deux phases aux impacts énergétiques distincts

On parle souvent de l’entraînement des modèles d’IA, cette phase initiale où l’algorithme « apprend » sur des milliards de données. Par exemple, l’entraînement de GPT-4 aurait consommé plusieurs dizaines de GWh, l’équivalent de la consommation annuelle de milliers de foyers. Pourtant, selon les experts, c’est désormais l’inférence qui pèse le plus lourd sur le réseau. L’inférence, c’est l’usage quotidien : chaque question posée à ChatGPT, chaque image générée par Midjourney, chaque résumé automatique. Une seule requête vers un LLM peut nécessiter 10 à 100 fois plus d’énergie qu’une recherche Google classique.

Cette bascule est cruciale pour les politiques énergétiques. Alors que l’entraînement est ponctuel (quelques mois par modèle), l’inférence est continue et ne cesse de croître. Les AI factories sont conçues pour fonctionner en permanence, avec des taux d’utilisation élevés. Cela pose la question de leur intégration dans les réseaux électriques : faut-il les alimenter par des énergies renouvelables dédiées, ou accepter un recours accru aux énergies fossiles en période de pointe ?

Le défi du refroidissement : de l’air au liquide

La densité énergétique des AI factories transforme les techniques de refroidissement. Le refroidissement à l’air, encore majoritaire dans les data centers classiques, devient insuffisant. Les industriels se tournent vers le refroidissement liquide, parfois directement au contact des puces (immersion ou cold plate). Ce système permet d’évacuer la chaleur plus efficacement, mais il consomme de l’eau et complexifie la maintenance. Certaines installations utilisent des cycles fermés avec des fluides spéciaux, tandis que d’autres rejettent la chaleur dans l’atmosphère ou la valorisent pour des réseaux de chaleur urbains.

Selon une étude de l’Université du Massachusetts, le refroidissement représente 30 à 40 % de la consommation électrique totale d’un data center traditionnel. Avec le liquide, on peut réduire cette part, mais le bilan global reste élevé. En outre, l’eau utilisée pour le refroidissement est une ressource précieuse dans les régions arides où sont implantées certaines AI factories (par exemple en Arizona ou au Texas).

Quelles perspectives pour l’énergie et l’environnement ?

L’essor des AI factories soulève des questions urgentes. D’un côté, l’IA peut contribuer à optimiser les réseaux électriques (smart grids), à améliorer l’efficacité énergétique des bâtiments ou à accélérer la recherche sur les matériaux pour panneaux solaires. De l’autre, elle devient elle-même un consommateur massif d’énergie. Plusieurs grandes entreprises technologiques (Google, Microsoft, Amazon) se sont engagées à alimenter leurs data centers avec 100 % d’énergies renouvelables, mais la réalité est plus complexe : l’intermittence du solaire et de l’éolien impose souvent un recours aux énergies fossiles en complément, ou l’achat de certificats verts qui ne garantissent pas une production locale.

Pour en savoir plus, écoutez le podcast original de Tecsol-Quotidien (lien externe). Vous pouvez aussi consulter le rapport de l’AIE sur l’énergie et l’IA (lien vers iea.org). Enfin, une analyse approfondie des impacts environnementaux des data centers est disponible sur le site de Nature (lien vers nature.com).

En conclusion, l’IA a un corps matériel bien réel. Des data centers aux AI factories, cette infrastructure pèse sur nos ressources et notre climat. À mesure que les usages explosent, la question de la sobriété numérique et de l’efficacité énergétique devient centrale. Les décisions prises aujourd’hui en matière d’implantation, de refroidissement et d’approvisionnement électrique détermineront l’empreinte carbone de l’IA pour les décennies à venir.

Aurélien CHAPUIS

Aurélien Chapuis est diplômé du Master Management et Gestion de l’Énergie de l’ESCP Business School. Expert en stratégie photovoltaïque et business developer pour PV Solaire Énergie depuis 2019, il accompagne les professionnels du secteur dans leur croissance et vulgarise les enjeux de la transition énergétique pour le grand public.

Découvrez le parcours professionnel d’Aurélien Chapuis.