Machines énergivores : comment la course à l’IA redessine la carte mondiale des infrastructures

Nous sommes en 2025, et la révolution autrefois invisible de l’intelligence artificielle n’a soudain plus rien de virtuel. Sous l’éclat lisse des chatbots et de l’art génératif, une nouvelle réalité prend forme : des centres de données tentaculaires, des factures d’énergie en hausse, et une course mondiale aux ressources physiques qui maintiennent le rêve de l’IA en vie. Derrière chaque mème viral généré par l’IA et chaque modèle linguistique époustouflant se cache un appétit vorace pour l’énergie, l’eau et les investissements - un appétit qui redessine la géographie même de notre monde numérique.

La nouvelle salle des machines : les centres de données de l’IA

Le rapport AI Index de Stanford dresse un constat sans appel : l’ère de la disruption purement logicielle est révolue. Les modèles d’IA actuels - désormais mesurés en milliers de milliards de paramètres - exigent une puissance de calcul sans précédent. Depuis le lancement de GPT, le réseau mondial des centres de données est passé d’une fraction de gigawatt à près de 30 GW, soit une augmentation vertigineuse de 300 fois. De quoi alimenter les Pays-Bas, et plus encore.

Mais il ne s’agit pas seulement d’électricité brute. La soif d’eau nécessaire pour refroidir ces colosses numériques tire la sonnette d’alarme, les opérations d’IA consommant désormais de l’eau à une échelle qui pourrait subvenir aux besoins de millions de personnes. Alors que le monde se précipite pour construire des « usines d’IA » toujours plus grandes, les régions riches en énergie et en eau - comme les États-Unis et la Chine - prennent de l’avance, tandis que l’Europe peine à suivre, ne contribuant qu’à 2 des 82 nouveaux modèles d’IA notables en 2025.

Industrialisation et cercle qui se referme

Autrefois terrain de jeu des universitaires et des bidouilleurs open source, l’innovation en IA est devenue une affaire à huis clos et à enjeux élevés. Le coût et la complexité de l’entraînement des modèles de pointe les placent désormais fermement entre les mains des géants de la tech, qui protègent leurs données et leur code aussi jalousement que n’importe quel secret industriel. Résultat : une industrialisation rapide de l’IA, avec une contribution académique en déclin et des avantages compétitifs qui se concentrent.

Conséquences environnementales et économiques

Le bilan environnemental s’alourdit. L’entraînement de Grok 4, un modèle de pointe, a rejeté 73 000 tonnes de CO2 - plus que ce qu’émettent mille voitures durant toute leur existence. Et si les progrès en efficacité des modèles ont permis de rendre l’inférence (la génération de réponses par l’IA) moins énergivore, l’ampleur de l’utilisation fait que l’empreinte mondiale ne cesse de croître.

Les investissements suivent la fièvre. En 2025, les dépenses en infrastructures d’IA ont explosé, éclipsant des secteurs traditionnels comme la pharmacie. Les hyperscalers - ces géants de la tech qui exploitent les plus grands centres de données - ont doublé leurs investissements depuis le lancement de ChatGPT en 2022. Mais même si de nouveaux algorithmes permettent d’obtenir plus de réponses avec moins de ressources, la demande, elle, ne montre aucun signe de ralentissement.

Perspectives : la croissance peut-elle échapper à son ombre ?

À mesure que la face cachée et matérielle de l’intelligence artificielle se dévoile, de nouvelles questions surgissent : nos réseaux électriques et nos réserves d’eau pourront-ils suivre le rythme ? Le coût environnemental provoquera-t-il un retour de bâton - ou une prise de conscience ? La course à l’IA a redessiné la carte mondiale des infrastructures. La question la plus urgente pour la tech est désormais de savoir si la planète pourra suivre.

WIKICROOK

• Centre de données : Un centre de données est une installation qui héberge des serveurs informatiques, permettant le stockage, le traitement et la gestion de grands volumes d’informations numériques.
• Paramètres de modèle d’IA : Les paramètres d’un modèle d’IA sont les variables internes ajustées lors de l’entraînement, permettant aux systèmes d’intelligence artificielle d’apprendre, de s’adapter et d’améliorer leurs performances.
• Inférence : L’inférence est le moment où un modèle d’IA utilise les schémas de données appris pour faire des prédictions ou générer des réponses, facilitant la détection de menaces et l’automatisation.
• Hyperscaler : Un hyperscaler est un géant technologique qui exploite d’immenses centres de données et réseaux, fournissant des services cloud et des infrastructures évolutives à l’échelle mondiale.
• Émissions de CO2 : Les émissions de CO2 sont des rejets de dioxyde de carbone, souvent issus de la combustion d’énergies fossiles, contribuant au changement climatique et liées à la consommation énergétique de l’informatique.