Data centers augmentent la consommation électrique et hydrique sous l’appétit IA

Contexte énergétique

En 2023, les centres de données ont absorbé 4,4 % de l’électricité totale des États‑Unis. Les prévisions de Fitch Group indiquent que cette part pourrait tripler d’ici 2028, tandis que la consommation mondiale devrait doubler d’ici 2030, atteignant un niveau comparable à la consommation annuelle du Japon. Certains scientifiques avancent même une possible hausse jusqu’à 20 % de la demande mondiale d’électricité d’ici 2035 si la tendance se poursuit.

Le même phénomène se manifeste au niveau de l’eau. Un grand centre de données peut consommer jusqu’à 5 millions de gallons d’eau par jour, soit l’équivalent de la consommation d’une ville de 50 000 habitants. Selon les Nations Unies, la demande mondiale d’IA devrait, l’an prochain, absorber la totalité de la consommation annuelle d’eau du Danemark.

Mécanismes de consommation d’IA

Le modèle économique du logiciel traditionnel repose sur un coût marginal très faible : le code est écrit une fois, puis exécuté sur des serveurs multitenants où l’ajout d’utilisateurs ne génère pratiquement aucun coût supplémentaire. L’inférence d’IA contredit ce principe. Chaque interaction avec un modèle génératif nécessite un calcul dédié, ce qui entraîne une dépense énergétique proportionnelle à chaque requête.

Selon l’International Energy Agency, une requête à ChatGPT consomme jusqu’à dix fois plus d’électricité qu’une recherche Google classique. La génération d’une vidéo de cinq secondes via IA requiert l’équivalent énergétique d’un four à micro‑ondes fonctionnant en continu pendant plus d’une heure.

Le paradoxe de Jevons s’applique également : même si l’efficacité énergétique des puces s’améliore, la demande croît à tel point que la consommation totale augmente, neutralisant les gains unitaires.

Contraintes matérielles et économiques

Les charges de travail d’IA reposent presque exclusivement sur des processeurs parallèles spécialisés – GPU ou TPU – dont la fabrication implique des coûts élevés. La production d’un seul wafer nécessite jusqu’à 10 millions de gallons d’eau ultrapure par jour; la conversion de l’eau municipale en eau ultrapure consomme environ 1,5 gallon d’eau ordinaire par gallon d’eau ultrapure, soit 15 millions de gallons d’eau quotidienne pour une usine typique, équivalents à la consommation de 33 000 foyers.

Le « memory wall » représente un autre goulot d’étranglement. Un grand modèle de langage doit charger des centaines de milliards de paramètres dans une mémoire locale à bande passante très élevée, ce qui impose l’utilisation de mémoires empilées coûteuses et à haute vitesse.

"Traditional software has very low marginal cost because computation happens primarily on the user’s device or cheaper multitenant infrastructure," – Andrew Marshall, Yugabyte Inc.

Des acteurs comme Lightbits Labs prétendent améliorer la capacité des GPU existants jusqu’à 16 fois grâce à une orchestration intelligente du cache, mais ils reconnaissent que cela ne réduit pas la demande globale de capacité GPU. Gartner prévoit que, d’ici 2028, au moins la moitié des projets d’IA générative dépasseront leurs budgets, soulignant la nature imprévisible des coûts opérationnels liés à l’infrastructure.