Pourquoi un centre de données pour l’IA consomme tant et comment l’optimiser

Les modèles d’intelligence artificielle déplacent l’équilibre électrique des centres de données. Leur consommation provient d’abord des accélérateurs de calcul, puis des équipements nécessaires pour les alimenter, les stocker et évacuer leur chaleur. La consommation énergétique d’un centre de données IA dépend donc autant des serveurs que de l’architecture électrique et thermique du bâtiment. À l’échelle mondiale, les centres de données ont consommé environ 415 térawattheures d’électricité en 2024, un ordre de grandeur proche de la demande annuelle française.

Les écarts entre installations sont considérables. Un site qui exécute surtout des services web classiques n’affiche pas les mêmes profils de puissance qu’un cluster dédié à l’entraînement de modèles. En France, RTE anticipe une hausse de la consommation des datacenters, d’environ 10 TWh aujourd’hui à 23 à 28 TWh en 2035, sous l’effet de l’IA et du cloud.

Passez en revue les leviers d’efficacité énergétique ↓

Le fonctionnement d’un data center pour intelligence artificielle repose sur des flux continus

Un centre de données dédié à l’IA rassemble des salles informatiques, une distribution électrique redondée et des systèmes de refroidissement. L’électricité traverse les transformateurs, les onduleurs et les unités de distribution avant d’atteindre les serveurs. Chaque conversion et chaque équipement auxiliaire créent des pertes qu’il faut mesurer.

Les serveurs hébergent des processeurs centraux, de la mémoire vive et des processeurs graphiques, appelés GPU. Ces derniers réalisent en parallèle les opérations matricielles requises par l’entraînement et l’inférence. Les serveurs GPU concentrent une forte puissance de calcul, mais aussi une puissance électrique élevée dans un volume réduit.

Le stockage pèse également dans le bilan. Les jeux de données, les points de contrôle des modèles et les copies de sécurité mobilisent des baies de disques ou des unités à mémoire flash. Les transferts entre stockage, réseau et GPU ajoutent une charge qui reste souvent invisible dans les estimations centrées sur le seul calcul.

Les serveurs GPU et les charges de travail IA consomment plus qu’un serveur classique

Un GPU de centre de données peut absorber plusieurs centaines de watts à lui seul. Un serveur équipé de huit accélérateurs approche ou dépasse fréquemment 6 à 10 kilowatts, selon le modèle, la configuration mémoire et les limites de puissance appliquées. Une baie complète peut ainsi franchir 50 kW, contre quelques kilowatts dans une salle informatique traditionnelle.

Les charges de travail IA sont plus énergivores que les usages numériques traditionnels lorsqu’elles nécessitent des milliers de GPU exécutés sans interruption. L’entraînement d’un grand modèle traite des volumes massifs de données pendant des semaines. L’inférence paraît plus légère, mais son coût total augmente vite dès lors que des millions de requêtes sont servies chaque jour.

Les besoins énergétiques d’une infrastructure fortement orientée IA peuvent atteindre quatre à cinq fois ceux d’un datacenter conventionnel, selon la densité de calcul et le taux d’utilisation des accélérateurs. Cette estimation reste variable. Un cluster sous-employé gaspille de l’électricité, alors qu’un parc bien planifié amortit mieux sa puissance installée.

Dans les outils de supervision, un volcan de consommation peut signaler une montée brutale de puissance durant une phase d’entraînement. Ces pointes imposent de dimensionner les alimentations, les batteries et le raccordement au réseau pour la charge maximale, même si elle reste ponctuelle.

Le refroidissement des racks GPU devient une contrainte d’infrastructure

Le courant transformé en calcul finit presque entièrement sous forme de chaleur. À faible densité, l’air froid distribué sous plancher ou par allée confinée reste adapté. Au-delà de 30 à 40 kW par baie, l’air atteint ses limites pratiques, car son débit nécessaire devient très élevé.

Le refroidissement des racks GPU utilise alors des échangeurs arrière, des plaques froides posées sur les composants ou une immersion dans un fluide diélectrique. Le refroidissement direct sur puce transporte la chaleur par liquide jusqu’à une boucle secondaire. Cette approche autorise des densités supérieures, mais elle exige une plomberie, une détection de fuite et une maintenance adaptées.

Le refroidissement constitue un poste majeur de consommation avec les pompes, ventilateurs, groupes frigorifiques et tours aéroréfrigérantes. Son impact dépend du climat, de la température d’eau admise et du pilotage des équipements. Le refroidissement libre, qui exploite l’air extérieur ou une eau naturellement fraîche, réduit les besoins mécaniques lorsque les conditions locales le permettent.

La consommation d’eau doit aussi être suivie. Les tours évaporatives économisent souvent de l’électricité par rapport à une production de froid purement mécanique, mais elles consomment de l’eau lors des périodes chaudes. Le choix technique arbitre donc entre kilowattheures, prélèvements d’eau, disponibilité et contraintes de site.

Le Power Usage Effectiveness mesure les pertes hors informatique

Le Power Usage Effectiveness, ou PUE, rapporte l’énergie totale du site à celle consommée par les équipements informatiques. Un PUE de 1,6 indique que 1,6 kWh sont tirés du réseau pour livrer 1 kWh aux serveurs. Les 0,6 kWh restants couvrent le refroidissement, les pertes électriques et les autres auxiliaires.

Un PUE proche de 1 traduit une meilleure efficacité énergétique. Les installations françaises affichent un PUE moyen proche de 1,6, tandis que les sites les mieux conçus peuvent se rapprocher de 1,2. Cet indicateur ne renseigne toutefois ni sur l’utilité des calculs ni sur l’intensité carbone de l’électricité achetée.

Un PUE favorable peut masquer des GPU inactifs ou un modèle surdimensionné. L’opérateur doit donc suivre aussi le taux d’occupation des accélérateurs, l’énergie par requête et l’énergie par étape d’entraînement. Ces métriques relient la facture énergétique à un service réellement produit.

Comment optimiser l’efficacité énergétique d’un centre de données dédié à l’IA

La première action consiste à instrumenter les serveurs, les baies et les boucles de refroidissement. Des mesures à la maille du rack permettent d’identifier les équipements sous-utilisés et les déséquilibres thermiques. Les données doivent être rapprochées des journaux de calcul afin d’attribuer l’énergie à chaque modèle ou application.

Le pilotage dynamique des charges de travail réduit les périodes où des GPU restent alimentés sans calcul utile. Les tâches différables peuvent être exécutées lorsque la capacité électrique est disponible ou quand l’électricité émet moins de carbone. Le regroupement des traitements limite aussi le maintien de nombreux serveurs dans des états intermédiaires.

Le choix des modèles compte autant que le matériel. La quantification, la distillation et le cache de réponses réduisent les calculs nécessaires à l’inférence. Pour certains usages, un modèle spécialisé de taille réduite fournit un résultat suffisant avec une dépense très inférieure à celle d’un grand modèle généraliste. Les usages des outils d’IA OpenAI sur ordinateur illustrent d’ailleurs des besoins très différents selon qu’il s’agit de texte, d’image ou de développement.

L’infrastructure thermique offre un second gisement. Relever progressivement la température d’eau, améliorer le confinement des allées et remplacer les ventilateurs à vitesse fixe réduisent les consommations auxiliaires. La récupération de chaleur fatale peut alimenter un réseau local ou des bâtiments voisins, à condition que la température et la continuité du flux répondent aux besoins du réseau.

Enfin, l’achat d’électricité bas-carbone réduit l’empreinte climatique sans diminuer les kilowattheures consommés. Cette distinction est essentielle. Un centre de données sobre combine une puissance informatique adaptée, un refroidissement efficient et une programmation des calculs compatible avec les contraintes du réseau électrique.

La croissance de l’IA rend la maîtrise de la puissance appelée aussi stratégique que la performance des modèles. Réduire l’énergie par calcul utile, puis valoriser la chaleur produite, constitue la trajectoire technique la plus solide pour contenir l’impact des infrastructures.