📊 Data

🤖 Le coût énergétique et carbone de l'IA

On lit tout et son contraire sur la consommation de l'intelligence artificielle : que chaque question à un chatbot vide une bouteille d'eau, ou au contraire que tout cela est négligeable. Les deux camps ont un point commun : ils ne font jamais le calcul. Cette page le fait, de bout en bout, avec un cas réel et vérifiable : LLaMA 3.1 405B, le grand modèle de Meta sorti en 2024, le dernier de cette taille dont l'entraînement soit documenté publiquement. On refait tous les calculs à la main, puis on les compare aux chiffres officiels publiés par l'entreprise.

1. Entraîner un modèle : la fabrication

Entraîner un modèle de langage, c'est lui faire lire une quantité colossale de texte en corrigeant, à chaque mot, des centaines de milliards de petits curseurs numériques appelés paramètres. L'opération se fait une fois, elle dure quelques mois, et elle mobilise un des plus gros calculateurs de la planète. Deux nombres suffisent à tout décrire.

Les deux nombres qui décrivent un modèle

Source : Meta, The Llama 3 Herd of Models (2024), le rapport technique de 92 pages publié avec le modèle : 15,6 mille milliards de tokens, 405 milliards de paramètres.

Le token est l'unité de compte du texte : un morceau de mot, environ 0,75 mot en français. Les 15,6 mille milliards de tokens avalés par LLaMA 3.1 représentent de l'ordre de 12 mille milliards de mots, soit à peu près tout le web librement accessible, plusieurs fois. À raison de 250 mots à la minute et sans jamais dormir, un humain mettrait 90 000 ans à lire ce corpus.

Le paramètre est un nombre stocké dans le modèle, ajusté pendant l'entraînement. Les 405 milliards de paramètres du modèle occupent 810 gigaoctets en mémoire, soit largement plus que ce qu'une seule carte graphique peut contenir : il faut déjà plusieurs GPU rien que pour ranger le modèle.

L'optimum de Chinchilla : combien de données pour combien de paramètres ?

Voilà la vraie question d'ingénieur. Avec un budget de calcul donné, vaut-il mieux un gros modèle nourri de peu de texte, ou un petit modèle nourri de beaucoup ? En 2022, l'équipe DeepMind a tranché avec le papier Chinchilla : pour minimiser l'erreur du modèle à budget de calcul constant, il faut environ 20 tokens par paramètre, et les deux doivent grandir ensemble.

Ce résultat a été un choc, parce qu'il montrait que les modèles de l'époque étaient massivement sous-entraînés : GPT-3, avec ses 175 milliards de paramètres et 300 milliards de tokens, était à 1,7 token par paramètre, soit douze fois moins que l'optimum. On avait dépensé le budget du mauvais côté.

Sources : Hoffmann et al., DeepMind (2022), Training Compute-Optimal Large Language Models pour la règle des 20 tokens par paramètre ; Brown et al., OpenAI (2020), Language Models are Few-Shot Learners pour les caractéristiques de GPT-3 (175 milliards de paramètres, 300 milliards de tokens).

Combien de calcul ? La formule 6ND

Un FLOP (floating point operation) est une opération élémentaire sur des nombres à virgule : une addition, une multiplication. C'est la brique de base de tout calcul. Le nombre de FLOPs nécessaires pour entraîner un modèle s'estime avec une formule d'une simplicité déroutante :

D'où vient ce 6 ?

• 2 FLOPs pour la passe avant. Faire passer un token dans le modèle, c'est essentiellement une suite de multiplications de matrices. Chaque paramètre y est utilisé exactement une fois, dans un « multiplie puis ajoute » : une multiplication et une addition, donc 2 FLOPs par paramètre et par token.
• 4 FLOPs pour la passe arrière. Pour corriger le modèle, il faut calculer deux gradients : celui par rapport aux paramètres, et celui par rapport aux entrées de chaque couche, pour pouvoir propager l'erreur vers l'arrière. Chacun coûte autant que la passe avant, d'où deux fois le coût de la passe avant.
• Total : 6 FLOPs par paramètre et par token, à multiplier par le nombre de tokens vus.

Source : cette approximation vient de Kaplan et al., OpenAI (2020), Scaling Laws for Neural Language Models, qui établit le budget de calcul C ≈ 6ND ; elle est reprise telle quelle par le papier Chinchilla et par la plupart des estimations publiées depuis.

Application au cas qui nous occupe : 6 × 405 milliards × 15,6 mille milliards = 3,8 × 10²⁵ FLOPs. Trente-huit millions de milliards de milliards d'opérations. Le mécanisme d'attention, quadratique avec la longueur du contexte, ajoute encore quelques pour cent que la formule néglige.

16 000 cartes H100, et 69 jours

Reste à savoir combien de temps met une machine à encaisser 3,8 × 10²⁵ opérations. La NVIDIA H100 est le cheval de trait de cette génération : environ 1 pétaFLOPS de pic théorique en précision BF16, celle qu'on utilise à l'entraînement, pour 700 watts de consommation.

Sauf qu'on n'atteint jamais le pic. Meta constate un débit moyen de 400 TFLOPS par carte, soit 40 % du pic théorique. Le reste part en attentes mémoire, en communication entre cartes, et en pannes : sur les 54 jours du run principal, l'équipe a compté 419 interruptions non planifiées, soit une toutes les trois heures, dont 78 % d'origine matérielle. À cette échelle, le matériel casse en permanence.

Sources : NVIDIA, fiche technique de la H100 pour les 700 W et le pic de 989 TFLOPS en BF16 ; The Llama 3 Herd of Models pour les 16 000 cartes, le débit moyen de 400 TFLOPS par carte et les 419 interruptions non planifiées en 54 jours (section 3.3, « infrastructure, mise à l'échelle et efficacité »).

Le calcul : 3,8 × 10²⁵ FLOPs divisés par 400 TFLOPS donnent 26,3 millions d'heures de GPU ; réparties sur 16 000 cartes, cela fait 69 jours de calcul non-stop. Meta déclare officiellement 30,8 millions d'heures : notre estimation à la louche tombe 17 % en dessous du chiffre réel, ce qui est une excellente nouvelle pour la méthode. Tout ce qu'on n'a pas modélisé (essais ratés, réglages, mise au point) explique l'écart.

Source : Meta, fiche officielle du modèle LLaMA 3.1 (rubrique Training Energy Use) : 30,84 millions d'heures de GPU H100-80GB à 700 W de TDP pour le seul modèle 405B.

Ce que ça coûte en dollars

Meta possède ses machines, mais le prix de location chez un hébergeur est le meilleur étalon pour répondre à la question « combien ça coûterait ». Une H100 se loue aujourd'hui autour de 2 $ de l'heure chez les loueurs spécialisés, contre 4 à 8 $ chez les grands fournisseurs de cloud.

Un ordre de grandeur qui mérite d'être médité : le calcul brut ne représente que les deux tiers de la facture. Et ces 78 millions de dollars ne sont que le run final : ils ne comptent ni les dizaines d'expériences préparatoires, ni la constitution du corpus, ni les 400 millions de dollars de cartes graphiques immobilisées.

Attention, ces deux chiffres sont des hypothèses, pas des données publiées : Meta possède ses machines et ne communique ni le coût du run, ni la masse salariale de l'équipe. Le prix de 2 $ l'heure est pris dans le bas de la fourchette observée chez les loueurs spécialisés de GPU en 2025-2026 ; les 50 personnes à 500 k$ sont un ordre de grandeur pour une équipe de recherche de ce niveau dans la Silicon Valley. À prendre pour ce que c'est : une estimation, à 30 % près au mieux.

L'énergie : du GPU à la prise de courant

Là, c'est mécanique. Une H100 consomme 700 W en charge, et elle est en charge en permanence pendant 69 jours :

Ce chiffre-là, celui qu'on lit partout, est une sous-estimation. Un GPU ne tourne pas tout seul dans le vide : il est monté dans un serveur qui a son processeur hôte, sa mémoire vive, ses disques et ses cartes réseau à 400 Gb/s ; un serveur à huit H100 tire environ 10 kW alors que les huit GPU n'en font que 5,6. Et ce serveur est posé dans un bâtiment qu'il faut refroidir, alimenter en courant ondulé, éclairer.

Le carbone : pourquoi il faut prendre le facteur d'émission marginal

Nous avons 31 GWh. Reste à les convertir en CO₂, et c'est là que se joue tout le débat : selon le facteur d'émission retenu, le résultat varie d'un facteur vingt.

Le réflexe habituel est de prendre la moyenne du réseau : aux États-Unis, 386 gCO₂e/kWh selon l'agence environnementale américaine. C'est la bonne réponse à la question « quelle est l'intensité carbone de l'électricité américaine ». Mais ce n'est pas notre question. La nôtre est : qu'est-ce qui change si ce datacenter n'existe pas ? Et la réponse est complètement différente.

Un cycle combiné gaz moderne émet environ 350 gCO₂e/kWh à la cheminée. En ajoutant l'amont, c'est-à-dire l'extraction, la liquéfaction, le transport et surtout les fuites de méthane sur toute la chaîne, on arrive à 450 gCO₂e/kWh en cycle de vie complet. C'est la valeur retenue ici. La littérature situe le marginal des réseaux dominés par le gaz entre 400 et 600 g, et le taux marginal moyen américain publié par l'EPA, qui inclut encore du charbon, monte à 670 g.

Sources : GIEC, 5ᵉ rapport, annexe III (médiane de 490 gCO₂e/kWh en cycle de vie complet pour un cycle combiné gaz, fourchette 410 à 650) ; EPA, eGRID pour la moyenne du réseau américain (386 g) et le taux marginal « non-baseload » (670 g) ; EPA, AVERT, l'outil officiel qui calcule les émissions ajoutées ou évitées par un MWh supplémentaire sur chaque région américaine, c'est-à-dire exactement le raisonnement marginal décrit ci-dessus. Pour la France, le facteur de la Base Empreinte de l'ADEME est de l'ordre de 50 g/kWh en cycle de vie.

🎓 D'où vient tout ce raisonnement

Cette partie sur l'entraînement est très largement inspirée d'un cours de Stanford disponible librement en ligne : l'optimum de Chinchilla, la formule 6ND, l'écart entre le pic théorique d'un GPU et son débit réel, la façon dont un run d'entraînement se déroule vraiment. C'est la meilleure introduction que je connaisse à la fabrication d'un grand modèle de langage, et elle reste accessible sans être spécialiste. Si le sujet vous intéresse, allez la voir en entier : elle vaut largement le temps qu'on y passe.

▶

Stanford CS229 : Building Large Language Models (LLMs)

Cours de Yann Dubois, chaîne Stanford Online (2024). Voir sur YouTube, la vidéo ne se charge qu'au clic

2. Faire tourner le modèle : l'inférence

L'entraînement est un événement ; l'utilisation est un régime permanent. Une fois le modèle fabriqué, chaque question posée déclenche un calcul appelé inférence. Prenons le même modèle de 405 milliards de paramètres, et calculons ce que coûte une réponse.

La formule : 2 FLOPs par paramètre et par token

En inférence, il n'y a plus de passe arrière : on ne corrige plus le modèle, on l'utilise. Il ne reste donc que la passe avant, soit 2 FLOPs par paramètre pour chaque token produit :

Le vrai facteur limitant n'est pas le calcul, c'est la mémoire

C'est le point que presque toutes les estimations ratent. Pour écrire un token, le GPU doit relire l'intégralité des paramètres du modèle depuis sa mémoire. Pas une partie : la totalité. En précision FP8, cela fait 405 gigaoctets à faire transiter, à chaque mot.

Sur un nœud de huit H100, la bande passante mémoire cumulée est d'environ 27 téraoctets par seconde. Relire tous les poids prend donc 15 millisecondes, alors que le calcul associé à un seul token ne demande que 0,13 milliseconde. Autrement dit : le GPU passe 99 % de son temps à attendre la mémoire. Si l'on servait une seule conversation à la fois, l'énergie par token serait catastrophique.

Le regroupement des requêtes : ce qui rend l'IA soutenable

La solution est élégante : puisqu'on a lu tous les poids, autant s'en servir pour plusieurs conversations à la fois. C'est le traitement par lots. Le fournisseur regroupe des dizaines de requêtes d'utilisateurs différents et les fait avancer d'un mot toutes ensemble, en ne relisant les poids qu'une seule fois. L'énergie par token est donc divisée par la taille du lot.

Le gain finit par s'arrêter : quand le lot atteint environ 120 requêtes, le calcul devient plus long que la lecture mémoire, et le GPU est enfin saturé. On atteint le plancher physique de 0,72 joule par token. En pratique, les fournisseurs ne peuvent pas toujours remplir les lots (il faut des requêtes simultanées, et il faut répondre vite), on retient donc un point de fonctionnement réaliste à 64 requêtes en parallèle, soit 1,3 joule par token généré.

Ce calcul est propre à cette page. Il est reconstruit à partir des caractéristiques publiées de la H100 (fiche technique NVIDIA : 3,35 To/s de bande passante mémoire HBM3 et 1 979 TFLOPS de pic dense en FP8 par carte). Le mécanisme est décrit en détail dans Pope et al., Google (2022), Efficiently Scaling Transformer Inference, qui montre pourquoi l'inférence est limitée par la mémoire et non par le calcul, et pourquoi le regroupement des requêtes change tout.

Du GPU à la prise : les deux ratios à ajouter

Les 0,38 Wh que consomment les GPU pour une requête type ne sont pas la facture. Il faut ajouter, dans cet ordre :

• × 1,4 pour le reste du serveur : processeur hôte qui prépare les requêtes, mémoire vive, stockage, cartes réseau, ventilateurs. Sur un serveur d'IA, les GPU pèsent de 60 à 75 % de la consommation, pas 100 %.
• × 1,2 pour le refroidissement et les pertes : c'est le PUE. Toute l'électricité qui entre dans une puce en ressort sous forme de chaleur, il faut donc l'évacuer : groupes froids, pompes, ventilateurs de salle, plus les pertes des onduleurs et des transformateurs. Pour un datacenter d'IA récent en refroidissement liquide, 1,2 ; pour un datacenter moyen dans le monde, 1,54.

Un troisième facteur, souvent oublié, est la capacité inutilisée : pour absorber les pics et garantir la disponibilité, une partie du parc tourne à vide. Google chiffre cette réserve à environ 10 % de la consommation par requête. On ne l'ajoute pas ici, mais elle va dans le sens d'une sous-estimation.

Les tokens qu'on ne voit pas : le raisonnement

Ces 0,64 Wh valent pour une petite question posée en passant. Mais l'usage professionnel de l'IA n'y ressemble pas du tout : on lui donne un gros document et on lui demande un vrai travail dessus. Et surtout, entre la question et la réponse, le modèle écrit énormément de texte que personne ne lit.

Si vous déroulez le détail d'une réponse d'un modèle récent, vous le voyez à l'œuvre : il reformule la question, pose un plan, essaie une piste, se rend compte qu'elle ne marche pas, revient en arrière, vérifie un calcul, recommence. Ce sont les tokens de raisonnement. Ils sont produits exactement comme les autres, un par un, au même coût énergétique, et ils sont d'ailleurs facturés comme des tokens de sortie par toutes les API du marché. Sur une tâche un peu réfléchie, il est courant que le modèle génère trois à dix fois plus de raisonnement que de réponse finale.

3. L'empreinte environnementale des datacenters

Tout ce qui précède ne compte que des kilowattheures. Or un datacenter, ce n'est pas qu'un compteur électrique : c'est du silicium gravé à l'autre bout du monde, des machines remplacées tous les quatre ans, de l'eau évaporée, du béton et des terrains. Quatre angles morts, dans l'ordre d'importance.

3.1 La fabrication du matériel, ou le carbone incorporé

Une H100, ce sont 80 milliards de transistors gravés en 4 nanomètres chez TSMC à Taïwan, de la mémoire HBM empilée en couches, un substrat de haute précision, du cuivre, de l'or, des terres rares. La micro-électronique est l'une des industries les plus intensives en énergie et en eau ultrapure qui soient : les usines de TSMC consomment à elles seules plus de 20 TWh par an, sur un réseau taïwanais encore alimenté à plus de 80 % par des énergies fossiles, autour de 490 gCO₂e/kWh.

Sources : rapport de développement durable de TSMC (le fondeur pesait à lui seul environ 8 % de l'électricité taïwanaise en 2023) ; Our World in Data pour l'intensité carbone du réseau de Taïwan.

Les analyses de cycle de vie convergent sur un ordre de grandeur : pour un serveur de calcul utilisé intensivement sur 4 à 6 ans, la fabrication représente 10 à 30 % de l'empreinte totale, l'électricité le reste. Mais attention au piège :

3.2 La durée de vie des composants

Le carbone incorporé s'amortit sur la durée de vie du matériel : plus une carte sert longtemps, moins sa fabrication pèse par année d'usage. Trois durées cohabitent, et elles ne disent pas la même chose.

• La durée comptable : 5 à 6 ans. Microsoft en 2022, puis Alphabet en 2023, ont allongé la durée d'amortissement de leurs serveurs de 4 à 6 ans ; Meta l'a portée à 5,5 ans en 2025. Des décisions comptables qui ont mécaniquement gonflé leurs bénéfices affichés de plusieurs milliards de dollars chacune, et qui n'ont rien à voir avec la physique.
• La durée physique : plus courte qu'on ne croit. Un GPU d'entraînement tourne à pleine charge 24 heures sur 24, proche de sa limite thermique. Les 419 interruptions matérielles en 54 jours du run LLaMA 3 donnent la mesure : à cette intensité d'usage, la mémoire HBM et les cartes lâchent régulièrement.
• La durée économique : 3 à 4 ans, et c'est elle qui décide. Une H100 achetée 25 000 $ en 2023 n'est pas cassée aujourd'hui, elle est simplement moins rentable au kWh qu'une génération suivante. Le remplacement est dicté par le coût d'opportunité de l'espace au sol et de l'électricité, pas par la panne.

Cette dernière logique est la plus problématique du point de vue environnemental : elle amortit un carbone de fabrication très lourd sur très peu d'années, et elle produit un flux de déchets électroniques que le secteur ne documente quasiment pas. La seule bonne nouvelle est la seconde vie : les cartes déclassées de l'entraînement partent vers des tâches moins exigeantes, où elles servent encore plusieurs années.

Sources sur les durées d'amortissement : Computer Weekly pour Microsoft (4 à 6 ans, 3,7 Md$ de charges en moins sur l'exercice 2023), The Register pour Alphabet (3,9 Md$ d'amortissements en moins et 3,0 Md$ de résultat net en plus en 2023) et The Stack pour Meta (passage à 5,5 ans, 2,9 Md$ d'amortissements en moins). Ces changements sont déclarés dans les rapports annuels (formulaires 10-K) de chaque entreprise.

3.3 L'électricité : le problème n'est pas le total, c'est la vitesse

415 TWh en 2024, soit à peu près la consommation électrique totale de la France, et sans doute 945 TWh en 2030. En part du mix mondial, on passe de 1,5 % à un peu moins de 3 % : c'est réel, mais ce n'est pas une apocalypse. Le vrai problème est ailleurs, et il est triple.

• La vitesse. +15 % par an, quatre fois plus vite que le reste de la consommation électrique, et +30 % par an pour les seuls serveurs d'IA. On ne construit pas 10 GW de production décarbonée en dix-huit mois. Donc on prolonge des centrales à charbon qui devaient fermer, et on commande des turbines à gaz, dont les carnets de commande sont pleins jusqu'en 2030.
• La concentration géographique. Les États-Unis concentrent près de la moitié de la consommation mondiale des datacenters, et certains territoires beaucoup plus : en Virginie du Nord, en Irlande, les datacenters dépassent 20 % de la consommation électrique locale. Le réseau, lui, est dimensionné pour autre chose.
• Le report sur les autres usagers. Quand une demande nouvelle et inélastique arrive sur un réseau contraint, le prix monte pour tout le monde, et les investissements de réseau se répercutent sur les factures des ménages. Plusieurs États américains en font déjà l'expérience.

Sources : Agence internationale de l'énergie, Energy and AI (2025) pour les volumes mondiaux et les rythmes de croissance ; office statistique irlandais (CSO) : les datacenters ont consommé 22 % de l'électricité comptée en Irlande en 2024, contre 5 % en 2015 ; JLARC, Data Centers in Virginia (2024), le rapport de la commission d'évaluation du parlement de Virginie, qui chiffre le poids des datacenters sur la demande électrique de l'État ; Utility Dive, d'après le contrôleur de marché de PJM pour le report sur les autres usagers : 6,3 milliards de dollars des 16,4 milliards de la dernière enchère de capacité sont attribuables à la demande des datacenters.

3.4 L'eau

Un datacenter consomme de l'eau de deux façons. Directement, d'abord : la plupart des installations refroidissent par évaporation, parce que c'est de très loin le moyen le plus efficace en énergie d'évacuer de la chaleur. Cette eau-là est réellement consommée, elle part dans l'atmosphère. Indirectement ensuite, via l'électricité : produire un kWh dans une centrale thermique demande de l'eau de refroidissement.

L'indicateur est le WUE (Water Usage Effectiveness), en litres par kWh. Il va d'environ 0,3 L/kWh chez les meilleurs à plus de 1 L/kWh pour un site classique en climat chaud. Google a déclaré 10,9 milliards de gallons d'eau consommés en 2025, soit environ 41 millions de m³ et une hausse de 34 % en un an : de quoi couvrir la consommation domestique de 750 000 Français.

Ramené à l'échelle d'une requête, cela reste minuscule : l'analyse de cycle de vie de Mistral AI chiffre à 45 millilitres l'eau d'une réponse de 400 tokens, l'équivalent de trois cuillères à soupe. Le problème n'est donc pas le volume mondial, qui reste marginal devant l'agriculture ; c'est l'endroit : beaucoup de datacenters sont implantés en Arizona, au Chili, en Espagne, là où l'eau manque déjà. Le refroidissement en circuit fermé supprime cette consommation, mais consomme davantage d'électricité : il n'y a pas de solution parfaite, seulement des arbitrages entre eau et énergie pour minimiser l'impact environnemental global. Un arbitrage qui, malheureusement, est rarement regardé de près aux États-Unis : c'est le plus souvent la loi du moins cher qui l'emporte.

Sources : Google, rapport environnemental 2026 : 10,9 milliards de gallons d'eau consommés en 2025, en hausse de 34 % en un an, dont 7,7 milliards « réapprovisionnés » via des projets de restauration ; Mistral AI, Carbone 4 et ADEME (2025) pour les 45 mL par réponse de 400 tokens ; Google (2025) donne 0,26 mL pour une requête texte médiane à Gemini, un chiffre bien plus bas parce que le modèle et la réponse sont plus petits. La conversion : 10,9 milliards de gallons font 41 millions de m³, à comparer aux 54 m³ de consommation domestique annuelle d'un Français (office français de la biodiversité, Eaufrance).

3.5 Et le reste

• Le béton et les sols. Un campus de datacenters occupe des dizaines d'hectares de terrain artificialisé, avec des bâtiments massifs dont le béton et l'acier portent leur propre carbone de construction.
• Les groupes électrogènes. Chaque site dispose de générateurs diesel de secours, testés régulièrement, qui émettent des oxydes d'azote et des particules fines dans le voisinage immédiat.
• Le bruit. Les installations de refroidissement tournent en continu ; c'est le premier motif de contestation locale aux États-Unis.
• Les métaux. Cuivre pour les câbles et les échangeurs, or et argent pour les contacts, terres rares pour les aimants et les composants passifs, gallium et germanium pour certaines puces. Autant de chaînes d'approvisionnement fragiles et rarement documentées.

Ces quatre points sont qualitatifs : aucun chiffre n'est avancé ici, précisément parce qu'il n'existe pas de donnée agrégée fiable. Le chapitre sur les impacts locaux du rapport Energy and AI de l'Agence internationale de l'énergie et le rapport JLARC sur la Virginie sont les deux documents publics qui les abordent le plus sérieusement.

4. Où l'IA va chercher ses électrons

On a vu qu'on ne construit pas 10 GW de production décarbonée en dix-huit mois. Reste à savoir ce que les entreprises font, concrètement, quand elles ont besoin d'un gigawatt tout de suite. La réponse est beaucoup moins glamour que les communiqués de presse, et c'est elle qui détermine le vrai facteur d'émission du kilowattheure d'IA.

4.1 Le grand retour de la turbine à gaz

Le meilleur indicateur de ce qui se passe vraiment n'est pas un rapport climat, c'est un carnet de commandes. Celui des trois fabricants de turbines à gaz qui comptent est saturé :

• GE Vernova terminait 2025 avec un carnet de l'ordre de 80 GW de turbines à gaz, et son directeur général annonce que la production est pour l'essentiel vendue jusqu'en 2030.
• Mitsubishi Power a ses créneaux de production réservés pour 2027 et 2028, et cherche à doubler sa capacité.
• Siemens Energy affiche le carnet de commandes le plus élevé de son histoire, environ 136 milliards d'euros.

Autrement dit : même si un opérateur décidait aujourd'hui de construire une centrale à gaz, il devrait attendre la fin de la décennie pour être livré. Alors certains ne passent pas par la case centrale, et installent des turbines directement sur leur terrain.

Le même schéma se répète ailleurs, en un peu plus encadré :

• Stargate, à Abilene au Texas (OpenAI, Oracle, SoftBank, construit par Crusoe) : une centrale de 360 MW sur le site même, dont le permis a été déposé cinq mois avant l'annonce publique du projet. Crusoe a commandé 10 turbines GE Vernova fin 2024, puis 19 de plus en juin 2025, soit plus d'un gigawatt. Ce sont des turbines aérodérivatives, c'est-à-dire des réacteurs d'avion adaptés au sol : on les installe très vite, mais leur rendement est nettement plus faible que celui d'un cycle combiné. Rapide et sale, donc.
• Hyperion, en Louisiane (Meta) : le régulateur de l'État a autorisé l'électricien Entergy à construire trois centrales à gaz totalisant 2,26 GW pour alimenter ce seul campus, qui vise à terme plus de 5 GW. Meta finance l'ensemble, ainsi que des lignes à 500 kV.

Sources : Utility Dive et Power Engineering pour les carnets de commandes de turbines ; Data Center Dynamics et Mississippi Free Press pour les turbines de xAI ; Data Center Dynamics pour la centrale d'Abilene ; Data Center Dynamics pour les centrales d'Entergy en Louisiane.

4.2 Ce que font vraiment Meta, Google, Microsoft et Oracle

Tous ces acteurs mènent en réalité deux stratégies en parallèle, et il faut les distinguer pour comprendre quoi que ce soit. D'un côté, les électrons de tout de suite : du gaz, du réseau, tout ce qui se raccorde en dix-huit mois. De l'autre, des contrats d'achat d'électricité de long terme (des PPA, pour power purchase agreement) sur du bas carbone, signés pour quinze à vingt-cinq ans.

• Microsoft a signé un PPA de 20 ans avec Constellation qui finance le redémarrage de Three Mile Island 1 (835 MW), rebaptisé Crane Clean Energy Center, arrêté depuis 2019 et dont le retour est visé pour 2028. C'est le premier réacteur américain remis en service à la demande d'un client.
• Meta a les deux visages du secteur à lui tout seul. Côté nucléaire : un PPA de 20 ans avec Constellation sur la centrale de Clinton, dans l'Illinois (1 121 MW à partir de juin 2027), qui sauve une centrale que la fin d'un dispositif de soutien de l'État condamnait. Côté gaz : les 2,26 GW de Louisiane vus plus haut. Le même acteur, la même année.
• Google a la stratégie la plus diversifiée, et la plus tournée vers du nouveau bas carbone : PPA de 25 ans avec NextEra pour redémarrer Duane Arnold (615 MW, Iowa, arrêté depuis 2020, retour visé début 2029) ; contrat avec Kairos Power sur un petit réacteur modulaire à sels fondus, via la TVA ; 200 MW achetés à Commonwealth Fusion Systems, c'est-à-dire un pari sur une technologie qui ne fonctionne pas encore ; et de la géothermie profonde avec Fervo.
• Oracle illustre l'écart entre le discours et le chantier. Sur le terrain, c'est du gaz, à Abilene. Dans les conférences, Larry Ellison annonce depuis 2024 détenir des permis de construire pour trois petits réacteurs modulaires, sans jamais préciser où, avec quel constructeur, ni pour quand.
• Amazon, pour compléter le tableau, a signé avec Talen un contrat de 17 ans et 18 milliards de dollars portant sur 1 920 MW de la centrale nucléaire de Susquehanna, en Pennsylvanie.

Sources : communiqué de Constellation pour Three Mile Island et Microsoft ; communiqué Constellation et Meta pour Clinton ; World Nuclear News pour Duane Arnold et Google ; communiqué de Talen Energy pour Amazon et Susquehanna ; CNBC pour l'annonce d'Oracle.

4.3 L'effet Trump sur le mix électrique américain

Tout ce qui précède se déroule dans un contexte politique qui pousse très fort dans une seule direction. Dès janvier 2025, un décret présidentiel déclare une « urgence énergétique nationale » et ouvre au ministère de l'Énergie des pouvoirs d'exception. Trois conséquences concrètes, mesurables :

• Des centrales à charbon qui devaient fermer restent ouvertes. Le ministère de l'Énergie utilise l'article 202(c) du Federal Power Act, un outil prévu pour les urgences réelles, afin d'ordonner à des centrales de continuer à tourner. Il l'a invoqué plus de fois en un an que n'importe quelle administration précédente en quatre ans, et au moins quinze fermetures de centrales à charbon ont été repoussées.
• L'éolien et le solaire sont freinés administrativement. Les crédits d'impôt de l'Inflation Reduction Act sont rabotés, et les projets éoliens et solaires nécessitant une autorisation fédérale doivent désormais remonter jusqu'au secrétaire à l'Intérieur. Or c'est précisément le solaire accompagné de batteries qui s'installe le plus vite aujourd'hui, en dix-huit mois.
• La facture est socialisée. Maintenir en vie des centrales non rentables se paie, et se répercute sur les consommateurs, en plus du renchérissement de la capacité déjà évoqué plus haut.

Le résultat est paradoxal pour qui suit le raisonnement de cette page : on freine la ressource la plus rapide à déployer et la moins carbonée, pendant qu'on prolonge la plus carbonée. Le facteur d'émission marginal américain, celui qui détermine l'empreinte réelle de chaque requête, remonte au lieu de descendre. La question « l'IA est-elle compatible avec le climat ? » se joue là, bien plus que dans l'efficacité des puces.

Sources : DeSmog et Stateline sur les fermetures de centrales à charbon repoussées et leur coût ; E&E News sur l'usage de l'article 202(c) ; Bipartisan Policy Center pour une synthèse des décrets sur l'IA et l'énergie.

4.4 La carte que la France a en main

Et si on prend le problème par l'autre bout ? Un opérateur d'IA cherche trois choses : de l'électricité disponible, pas chère et, de plus en plus, bas carbone, parce que ses clients et ses investisseurs le lui demandent. La France coche les trois cases une bonne partie de l'année, et ce n'est pas une opinion : c'est dans le bilan de RTE.

En 2025, la production bas carbone française a atteint un maximum historique de 521,1 TWh, la production thermique fossile son plus bas niveau depuis 75 ans, et les émissions du système électrique leur minimum historique à 10,9 millions de tonnes de CO₂e. Le pays a exporté 92,3 TWh nets, soit plus que la consommation annuelle de la Belgique, pour 5,4 milliards d'euros de recettes.

Et pourtant, il y a du gâchis. Au premier semestre 2025, le prix de gros est passé en dessous de zéro pendant 363 heures, soit 8 % du temps : il faut alors payer quelqu'un pour qu'il prenne les kilowattheures. Les écrêtements de renouvelables, c'est-à-dire la production solaire et éolienne qu'on éteint faute de preneur, ont doublé en 2025. Ces épisodes ont tous le même profil : mi-saison, printemps, week-ends et ponts ensoleillés et ventés, étés hors canicule, quand la demande est basse, que le parc nucléaire est disponible et que le solaire tourne à plein.

Ça a commencé à bouger, et vite. Fin 2024, RTE avait réservé environ 5 GW de capacité de raccordement pour une quarantaine de projets de datacenters. En mai 2026, on en est à près de 18 GW pour environ 80 projets. Une procédure accélérée, issue du sommet sur l'IA de février 2025 et validée par la CRE, a identifié cinq sites capables d'accueillir 700 MW à 1 GW chacun en trois à quatre ans, à proximité immédiate des lignes à 400 000 volts ; quatre d'entre eux sont déjà attribués. Le plus gros projet annoncé, le Campus AI porté par MGX, Bpifrance, Mistral AI et NVIDIA, vise 1,4 GW en région parisienne, dans un réseau de sites qui monterait à 3 GW.

Ce qu'il faut retenir