Économie des Centres de Données à l'Ère de l'IA : Le Coût Croissant de l'Intelligence

Figure: Un centre de données hyperscale montrant des serveurs alimentés par l'IA, des infrastructures hydrauliques, des racks d'alimentation et des sources d'énergie renouvelable (solaire et éolien).

1. Introduction : L'IA et l'infrastructure derrière l'intelligence

La montée actuelle des capacités d'intelligence artificielle (IA) — englobant de grands modèles de langage, des outils génératifs, des systèmes de traduction en temps réel et l'automatisation des villes intelligentes — dépend de quelque chose de moins visible : une infrastructure physique en rapide expansion composée de centres de données hyperscale. Ces centres de données ne sont pas simplement des hubs de stockage ou des relais cloud ; ils sont les moteurs de l'IA. Bien que l'IA soit souvent louée pour sa promesse de résoudre les défis climatiques, d'améliorer l'agriculture et de permettre des villes plus intelligentes, ses demandes croissantes en énergie et en ressources jettent une longue ombre environnementale et sociale.

Les modèles d'IA d'aujourd'hui nécessitent des ressources informatiques significatives, en particulier pendant la phase d'entraînement. L'entraînement d'un seul grand modèle peut impliquer le traitement de pétaoctets de données sur des milliers de GPU haute performance pendant des semaines, voire des mois. Cette intensité computationnelle se traduit directement par une augmentation de la consommation d'électricité et d'eau — deux facteurs environnementaux majeurs liés à l'emplacement, à l'exploitation et à l'expansion des centres de données modernes.

2. Centres de données à l'ère de l'IA

Historiquement, les centres de données étaient conçus pour abriter divers serveurs gérant l'hébergement web, les e-mails et les logiciels d'entreprise. Ces systèmes, bien que vitaux, étaient relativement modestes en termes de besoins en énergie et en refroidissement. Cependant, la révolution de l'IA a transformé ce paradigme. De nouveaux centres de données sont de plus en plus construits pour soutenir des clusters informatiques à haute densité optimisés pour l'entraînement de modèles d'IA, le service d'inférence et le traitement de données en temps réel.

Selon Zhou (2021), le volume de données mondial devrait passer de 41 zettaoctets en 2019 à 175 zettaoctets d'ici 2025. Cette trajectoire s'aligne sur les prévisions de Reinsel et al. (2017), qui anticipent que la création de données atteindra 163 ZB d'ici 2025, soit une augmentation dix fois supérieure à celle de 2016. Ces prévisions ne sont plus des projections abstraites. Elles reflètent des changements réels dans l'investissement en infrastructure, en particulier de la part des plus grandes entreprises technologiques — Amazon Web Services (AWS), Microsoft Azure, Google Cloud (Alphabet) et Meta AI — communément appelées hyperscalers.

L'évolution architecturale des centres de données pour soutenir les charges de travail d'IA implique du matériel spécialisé comme les GPU et les TPU, qui nécessitent beaucoup plus d'énergie que les CPU traditionnels. En conséquence, les centres de données qui soutiennent l'IA générative sont désormais parmi les structures les plus énergivores du paysage infrastructurel mondial.

3. Hyperscalers : Les Titans de l'infrastructure IA

La plus grande part de cette croissance est entraînée par une poignée d'acteurs puissants. Amazon, Alphabet, Microsoft et Meta dominent l'espace des centres de données IA à l'échelle mondiale. Ces hyperscalers construisent et exploitent des plateformes cloud à grande échelle qui entraînent des modèles d'IA, gèrent des services d'entreprise et alimentent des applications destinées aux consommateurs.

D'ici 2025, les États-Unis hébergeront plus de 5 426 centres de données, ce qui en fait la nation la plus saturée au monde en termes d'infrastructure numérique (Cloudscene, 2025). Aux États-Unis, la Virginie à elle seule représente 13 % de la capacité mondiale des centres de données et près de 25 % de la capacité totale nord-américaine (Sickles et al., 2024). À l'échelle mondiale, les États-Unis représentent 54 % de la capacité hyperscale totale, et les analystes prévoient la construction de 130 à 140 nouveaux centres de données hyperscale chaque année (Synergy Research Group, 2025).

Les modèles d'IA déployés dans des environnements hyperscale ont tendance à privilégier les régions géographiques offrant des politiques fiscales favorables, une électricité bon marché et des conditions climatiques modérées. Ces décisions entraînent souvent des clusters de centres de données massifs dans des régions qui peuvent ne pas avoir les ressources naturelles ou l'infrastructure pour les soutenir de manière durable.

4. Économie des centres de données à l'ère de l'IA : Le coût croissant de l'intelligence

Alors que l'IA pénètre chaque secteur — de la finance et des produits pharmaceutiques à la logistique et à la défense — l'infrastructure qui la permet se développe rapidement pour répondre à des demandes computationnelles sans précédent. Au cœur de cette infrastructure se trouve le centre de données : le site physique où les données sont traitées, stockées et analysées.

Mais à mesure que le boom de l'IA s'intensifie, l'intensité énergétique et la complexité opérationnelle des centres de données modernes augmentent également. Un nouveau corpus de recherche et de politique émerge autour des implications économiques, environnementales et locales de l'infrastructure numérique alimentée par l'IA. La transition des charges de travail informatiques traditionnelles vers des tâches spécifiques à l'IA modifie fondamentalement le profil énergétique des centres de données. Contrairement aux services cloud conventionnels, les charges de travail d'IA sont denses en calcul, nécessitant un traitement parallèle massif sur des périodes prolongées. L'entraînement d'un grand modèle de langage, par exemple, peut consommer plusieurs mégawattheures d'électricité.

Des résultats récents de Chen et al. (2024) montrent que les charges de travail d'IA de nouvelle génération augmentent la demande en énergie par rack de plus de 300 %. Les hyperscalers tels que Microsoft, Google (Alphabet), Amazon Web Services et Meta sont désormais en course pour mettre à niveau leurs empreintes mondiales avec une infrastructure prête pour l'IA, caractérisée par une densité thermique plus élevée, des systèmes de refroidissement avancés et une proximité avec des sources d'énergie renouvelable.

L'implication macroéconomique est claire : l'électricité est devenue un centre de coûts, et de plus en plus, une contrainte. Aux États-Unis, la situation est encore plus aiguë. Le Département de l'énergie (2023) rapporte que les centres de données pourraient représenter jusqu'à 8 % de la demande nationale d'électricité d'ici la fin de 2023. Certains centres de données individuels nécessitent désormais autant d'énergie que de petites villes entières. Une installation d'une capacité de 11 951 kilowatts peut consommer autant d'électricité que 10 000 foyers résidentiels (Bast et al., 2022). Comme le note Berger (2025), les coûts énergétiques dans certaines régions des États-Unis représentent désormais 40 % à 60 % des dépenses opérationnelles dans les centres de données dédiés à l'IA.

Les implications pour les émissions de carbone sont profondes. Bien que les hyperscalers vantent leurs engagements en matière d'énergie renouvelable, de nombreuses opérations dépendent encore de l'énergie du réseau dérivée des combustibles fossiles. Même lorsque les renouvelables font partie du mélange, l'intensité carbone globale n'est pas toujours réduite, en particulier pendant les périodes de forte demande. De plus, les émissions incorporées — telles que celles provenant de la fabrication de GPU et de la construction de centres de données — sont rarement prises en compte dans les engagements climatiques des entreprises (Ananth & Malige, 2024). Ces émissions de Scope 3, bien que indirectes, sont parmi les contributeurs les plus substantiels à l'empreinte carbone de l'infrastructure IA.

5. Utilisation de l'eau et pression environnementale localisée

L'énergie n'est qu'une partie du fardeau environnemental. Les centres de données nécessitent également d'énormes quantités d'eau, principalement pour des raisons de refroidissement et indirectement par le biais de la production d'énergie. En tenant compte des utilisations directes et indirectes, les centres de données peuvent consommer entre 1 et 205 litres d'eau par gigaoctet de données traitées (Ristic, Madani, & Makuch, 2015).

Dans de nombreux cas, les hyperscalers situent leurs installations dans des zones déjà confrontées à un stress hydrique. Selon JLARC (2017), un centre de données typique peut consommer 6,7 millions de gallons d'eau par an — comparable à un grand immeuble de bureaux. Cependant, l'agrégation de dizaines, voire de centaines de centres dans une seule région, comme la Virginie ou Phoenix, peut considérablement mettre à rude épreuve les aquifères locaux, les rivières et les systèmes d'eau municipaux.

De plus, les eaux usées chaudes rejetées par les centres de données peuvent altérer les écosystèmes locaux, endommageant la biodiversité aquatique et contribuant à la pollution thermique. La demande croissante pour l'IA signifie que de telles installations sont peu susceptibles de diminuer en nombre ou en intensité sans une forte intervention réglementaire.

6. Les émissions de Scope 2 et Scope 3 sont sous microscope

Historiquement, la comptabilité des émissions des centres de données s'est concentrée étroitement sur le Scope 2 — les émissions indirectes provenant de l'électricité achetée. Cependant, un nombre croissant d'études scientifiques déplace le projecteur vers les émissions de Scope 3, qui incluent des facteurs de chaîne d'approvisionnement en amont tels que la fabrication de semi-conducteurs, le transport de serveurs et les matériaux de construction. La figure 2 montre les GES Scope 1, 2 et 3 d'un centre de données typique.

Une étude complète d'Ananth et Malige (2024) révèle que les émissions de Scope 3 des centres de données hyperscale peuvent dépasser les émissions de Scope 2 par un facteur de deux, en particulier pendant la phase de construction. À mesure que les systèmes d'IA nécessitent des GPU plus avancés et des composants de mise en réseau plus rapides, le carbone incorporé dans le matériel continue d'augmenter.

Cela a des implications sérieuses pour les investisseurs et les clients d'entreprise conformes aux ESG. Avec l'entrée en vigueur de la Directive sur le reporting de durabilité des entreprises (CSRD) de l'Union européenne, les grandes entreprises opérant dans ou avec l'UE doivent désormais divulguer les émissions de Scope 3, plaçant les hyperscalers sous un contrôle réglementaire plus strict.

7. L'IA comme problème et solution

Ironiquement, l'IA elle-même peut jouer un rôle critique dans l'atténuation des impacts environnementaux de son infrastructure. Les systèmes de surveillance alimentés par l'IA, par exemple, peuvent optimiser les opérations de refroidissement dans les centres de données, réduisant la consommation d'énergie jusqu'à 40 %, comme l'a démontré DeepMind de Google. L'IA peut également faciliter la maintenance prédictive, l'équilibrage dynamique de la charge et la planification de charges de travail écoénergétiques.

Les innovations dans la conception des centres de données, telles que le refroidissement liquide et la récupération de chaleur résiduelle, offrent des promesses supplémentaires. Dans les pays nordiques, la chaleur résiduelle des centres d'IA est désormais réutilisée pour fournir du chauffage urbain à des milliers de foyers. Cette approche réduit non seulement le gaspillage d'énergie, mais offre également des co-bénéfices sociaux.

Des entreprises comme Meta et Microsoft ont également commencé à investir dans des systèmes d'eau en boucle fermée pour atteindre une utilisation nette zéro d'eau d'ici 2030. Ces efforts, bien que louables, restent encore des exceptions plutôt que la norme.

8. Implications clés pour l'investissement

Risques immédiats (2024-2025)

Actifs échoués : Les centres de données traditionnels (CPU) pourraient devenir obsolètes à mesure que les charges de travail d'IA nécessitent une densité de puissance 3x (clusters GPU/TPU). Cela suggère que les anciens centres de données à faible densité pourraient avoir du mal à accueillir l'infrastructure IA de nouvelle génération et risquent de devenir des actifs échoués à mesure que les préférences des clients évoluent.
Volatilité des coûts énergétiques : À mesure que les centres de données deviennent plus énergivores (en particulier ceux axés sur l'IA), les opérateurs font face à un risque accru de volatilité des prix de l'énergie et de compression des marges — une préoccupation significative dans un monde de hausse des prix de l'électricité. Environ 40-60 % des OpEx dépendent désormais de l'énergie, créant un risque de compression des marges
Exposition réglementaire : La Directive sur le reporting de durabilité des entreprises (CSRD) de l'UE exige spécifiquement la divulgation des émissions de gaz à effet de serre de Scope 3 pour les entités couvertes, ce qui inclut les grandes entreprises publiques de l'UE et les entreprises non-UE ayant des activités significatives dans l'UE impactant les évaluations des hyperscalers.

Opportunités d'investissement

Secteur/Thème	Opportunité d'investissement	Niveau de risque	Chronologie
REITs d'énergie renouvelable	Accords d'achat d'électricité (PPA) pour les centres de données	Moyen	1-3 ans
Technologie de refroidissement	Refroidissement liquide, récupération de chaleur résiduelle	Élevé	2-5 ans
Infrastructure de l'eau	Systèmes en boucle fermée, technologies avancées de traitement de l'eau	Moyen	3-7 ans

REITs d'énergie renouvelable & PPA : Les énormes demandes en énergie des centres de données entraînent des investissements dans les énergies renouvelables et les accords d'achat d'électricité (PPA). Cela peut être un jeu à risque modéré à court terme (1-3 ans) à mesure que la demande et la pression réglementaire augmentent pour l'énergie propre[1].

Technologie de refroidissement : À mesure que la densité énergétique de l'IA augmente, le refroidissement traditionnel ne suffira pas. L'investissement dans des solutions à fort potentiel, mais techniquement plus risquées, comme le refroidissement liquide et la capture/réutilisation de la chaleur résiduelle devrait augmenter au cours des 2-5 prochaines années[2].

Infrastructure de l'eau : La gestion efficace de l'eau devient critique à mesure que les besoins en refroidissement augmentent. L'investissement dans des systèmes de refroidissement en boucle fermée et des technologies avancées de traitement de l'eau est en développement, avec des retours probables dans 3-7 ans[3].

Liste de contrôle de diligence raisonnable

Stratégie d'approvisionnement en énergie et portefeuille de PPA
Efficacité de l'utilisation de l'eau et disponibilité locale
Capacité de reporting des émissions de Scope 3
Pourcentage d'infrastructure prête pour l'IA
Diversification géographique vs. risque climatique

Actions recommandées par Floodlight pour l'évaluation des centres de données typiques.

Évaluer les technologies existantes pour l'exposition aux centres de données et l'efficacité énergétique
Évaluer les fonds ESG pour les lacunes de reporting des émissions de Scope 3
Considérer les investissements dans les infrastructures d'énergie renouvelable et de technologie de refroidissement

[1] https://netzeroinsights.com/resources/key-investment-trends-driving-data-center-sustainability-in-2025/

[2] https://www.bloomenergy.com/blog/powering-ai/

[3] https://fortune.com/asia/2025/07/22/data-centers-power-renewable-energy-brainstorm-ai-singapore/

Références :

Ananth, C., & Malige, L. K. (2024). L'impact de l'intelligence artificielle sur l'industrie moderne des centres de données. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4930505
Berger, A. (2025). Centres de données d'intelligence artificielle et hyperscalers basés aux États-Unis. Université Johns Hopkins. https://jscholarship.library.jhu.edu/items/8792d5a5-91a3-4179-bc73-61fcc2ae1879
Bast, J., et al. (2022). Profil énergétique des centres de données américains
Chen, D., Youssef, A., et al. (2024). Transformer le cloud hybride pour les charges de travail IA émergentes. arXiv. https://arxiv.org/abs/2411.13239
Cloudscene. (2025). Répertoire mondial des centres de données
Department of Energy. (2023). Tendances de l'utilisation de l'énergie des centres de données
Ferreboeuf, H. (2023). Transition vers des modèles numériques durables. TU-Berlin.
JLARC. (2017). Consommation d'eau des centres de données en Virginie
Lifset, R., et al. (2025). Revue du droit environnemental
Masanet, E., et al. (2020). Recalibrer les estimations de l'utilisation de l'énergie des centres de données mondiaux
Sickles, K., et al. (2024). Inégalités énergétiques des centres de données
Zhou, Y. (2021). Prévisions du volume de données mondial