Les centres de données mondiaux consomment entre 850,0 et 1 050,0 Térawattheures (TWh) d’électricité par an (3,2 % à 4,1 % de l’énergie mondiale), alors que les charges de travail d’IA absorbent 42,0 % de l’énergie des datacenters, qu’une seule requête d’IA consomme 2,9 Wh (10 fois plus qu’une recherche Google) et que les hyperscalers ont contracté 12,5 Gigawatts d’énergie nucléaire. Tandis que chaque tranche de 20 à 50 requêtes d’IA évapore 500 ml d’eau et que les baies haute densité consomment 132 kW, 68 % des nouvelles baies de serveurs d’IA déploient un refroidissement liquide et l’inférence représente 74 % de la consommation électrique de l’IA. Les chiffres ci-dessous sont issus d’études empiriques publiées par l’Agence internationale de l’énergie (AIE), l’EPRI, le Lawrence Berkeley National Laboratory, Nature Energy, UC Riverside et l’Uptime Institute.
TL;DR
- La consommation électrique mondiale des centres de données a atteint 850,0 à 1 050,0 Térawattheures (TWh) par an (AIE)
- Les centres de données consomment désormais entre 3,2 % et 4,1 % de la demande mondiale d’électricité (contre 1,0 % en 2020)
- Les charges de travail dédiées aux accélérateurs d’intelligence artificielle représentent 42,0 % de la consommation électrique des centres de données
- Une seule requête d’IA conversationnelle consomme 2,9 Wattheures d’électricité (10 fois plus qu’une recherche Google de 0,3 Wh)
- L’entraînement d’un seul LLM de pointe à plusieurs billions de paramètres consomme entre 50,0 et 95,0 Gigawattheures (GWh) d’électricité
- Les cycles d’entraînement des modèles de pointe génèrent une estimation de 4 500 à 8 200 tonnes métriques d’équivalent CO2 (MTCO2e)
- Les centres de données évaporent en moyenne 1,8 litre d’eau potable directe par kWh d’énergie consommée (UC Riverside)
- Chaque tranche de 20 à 50 interactions conversationnelles avec l’IA évapore environ 500 millilitres d’eau douce
- Les centres de données américains prélèvent plus de 660,0 milliards de litres d’eau par an pour la gestion thermique et le refroidissement
- Les centres de données d’IA hyperscale modernes atteignent une efficacité énergétique (PUE) de 1,12 à 1,18
- 68,0 % des baies de serveurs d’IA nouvellement construites déploient un refroidissement liquide direct sur puce pour des baies haute densité de 100 à 132 kW
- Les hyperscalers technologiques ont contracté plus de 12,5 Gigawatts (GW) de capacité de base nucléaire et SMR
- L’inférence de modèles consomme 74,0 % de toute l’énergie des semi-conducteurs d’IA dans le monde, surpassant largement l’entraînement initial
1. Échelle de puissance mondiale : 1 000 TWh et 4,1 % de l’électricité mondiale
Le calcul de l’IA à l’échelle du gigawatt a fait de l’intelligence artificielle l’une des charges électriques industrielles à la croissance la plus rapide. L’AIE estime la demande des centres de données entre 850 et 1 050 TWh.
Part du réseau : les datacenters consomment 3,2 % à 4,1 % de l’électricité mondiale (Nature), les accélérateurs d’IA dédiés captant 42,0 % de la puissance totale des datacenters (EPRI).
| Métrique | Valeur | Source |
|---|---|---|
| Consommation mondiale d’électricité des centres de données (incluant l’entraînement de l’IA, l’inférence et le cloud computing traditionnel) | 850,0 à 1 050,0 Térawattheures (TWh) de consommation annuelle mondiale d’électricité | International Energy Agency (IEA) Energy Outlook |
| Part de la demande mondiale d’électricité consommée par les centres de données (en hausse par rapport à 1,0 % en 2020) | 3,2 % à 4,1 % de la demande mondiale totale d’électricité | International Energy Agency (IEA) / Nature |
| Part des charges de travail d’IA : pourcentage de la consommation électrique totale des centres de données consommée par les puces d’IA | 42,0 % de l’électricité totale des centres de données consommée par l’IA | Electric Power Research Institute (EPRI) Report |
Les supercalculateurs à clusters de GPU haute performance sont liés à nos statistiques sur les clusters de GPU. Source : International Energy Agency Energy Outlook.
2. Métriques de requêtes et d’entraînement : 2,9 Wh par prompt et entraînements de 95 GWh
Les multiplications matricielles massives sur des milliers de puces de mémoire à large bande passante imposent des coûts énergétiques élevés par jeton. L’AIE enregistre 2,9 Wh par requête conversationnelle (10x Google).
Entraînements de pointe : l’entraînement d’un modèle à plusieurs billions de paramètres consomme de 50,0 à 95,0 GWh (Epoch AI), produisant 4 500 à 8 200 tonnes de CO2 (UMass Amherst).
| Métrique | Valeur | Source |
|---|---|---|
| Électricité consommée par une seule requête de recherche générative sur ChatGPT / Gemini par rapport à une recherche Google | 2,9 Wattheures par requête d’IA (contre 0,3 Wh pour une recherche Google traditionnelle — multiplicateur 10x) | International Energy Agency (IEA) Computing Metrics |
| Électricité nécessaire pour entraîner un seul LLM de pointe (ex. GPT-4, Llama 3 405B, Gemini Ultra) | 50,0 à 95,0 Gigawattheures (GWh) par session d’entraînement de pointe | Epoch AI / Meta Platforms FAIR Infrastructure Disclosures |
| Empreinte carbone : émissions estimées de CO2 générées par l’entraînement d’un modèle de pointe à plusieurs billions de paramètres | 4 500 à 8 200 tonnes métriques d’équivalent CO2 (MTCO2e) | University of Massachusetts Amherst AI Emissions Study |
Les spécifications matérielles des semi-conducteurs d’IA sont liées à nos statistiques sur le marché des puces d’IA. Source : Epoch AI Data Scaling Analysis.
3. L’empreinte eau : 500 ml pour 20 requêtes et 660 milliards de litres par an
Les tours de refroidissement par évaporation sur site évaporent d’énormes quantités d’eau potable pour dissiper la chaleur thermique. L’UC Riverside enregistre 1,8 litre évaporé par kWh.
Consommation par session : 20 à 50 requêtes d’IA évaporent 500 ml d’eau douce (Nature Energy), les datacenters américains prélevant 660,0 milliards de litres par an (Berkeley Lab).
| Métrique | Valeur | Source |
|---|---|---|
| Consommation directe d’eau : eau évaporée sur site dans les tours de refroidissement par kWh d’énergie du datacenter | 1,8 litre d’eau potable directe consommée par kWh d’énergie | Virginia Tech / University of California Riverside Study |
| Consommation d’eau par interaction d’IA : eau douce évaporée pour refroidir les serveurs pour 20 à 50 requêtes | 500 millilitres (une bouteille d’eau standard) pour 20 à 50 requêtes d’IA | Nature Energy / UC Riverside Water Research |
| Prélèvement annuel total d’eau par les centres de données américains pour la gestion thermique et l’énergie | 660,0 Milliards de litres d’eau prélevés chaque année aux États-Unis | Lawrence Berkeley National Laboratory (LBNL) |
L’ingénierie des infrastructures de datacenters est liée à nos statistiques sur les centres de données. Source : Nature Energy Water Research.
4. Architecture thermique et densité : baies de 132 kW et 68 % de refroidissement liquide
Les cartes accélératrices modernes fonctionnant à 1 000 W de TDP ont rendu obsolètes les climatiseurs traditionnels de salles informatiques. Les baies consomment 100 à 132 kW de puissance.
Transition de refroidissement : 68,0 % des nouvelles baies de serveurs d’IA déploient un refroidissement liquide direct sur puce (TrendForce), maintenant un PUE efficace de 1,12 à 1,18 dans les installations hyperscale (Uptime Institute).
| Métrique | Valeur | Source |
|---|---|---|
| Indicateur d’efficacité énergétique (PUE) : moyenne dans les centres de données d’IA hyperscale dédiés | 1,12 à 1,18 de PUE moyen (seulement 12 à 18 % de pertes pour le refroidissement et l’alimentation) | Uptime Institute Global Datacenter Survey |
| Adoption du refroidissement liquide direct sur puce dans les baies de serveurs d’IA neuves (remplaçant les groupes froids) | 68,0 % des nouvelles baies de serveurs d’IA déploient un refroidissement liquide | TrendForce Datacenter Infrastructure Report |
| Densité de puissance des baies de serveurs : kilowatts électriques (kW) moyens consommés par baie d’IA haute densité (NVL72) | 100,0 à 132,0 kW par baie d’IA haute densité (contre 8 à 12 kW pour les baies cloud traditionnelles) | NVIDIA Blackwell GB200 NVL72 Technical Specs |
L’efficacité électrique des alimentations PC est liée à nos statistiques sur les alimentations PC. Source : Uptime Institute Datacenter Survey.
5. Énergie nucléaire et retards de raccordement : 12,5 GW d’accords nucléaires et 5 ans d’attente
Les contraintes d’interconnexion au réseau ont poussé les hyperscalers à sécuriser des contrats d’achat direct d’électricité privée. Les géants de la tech ont contracté plus de 12,5 GW de capacité nucléaire.
Retards de réseau : le raccordement d’installations de plus de 100 MW subit des retards de file d’attente de 3,5 à 5,2 ans (FERC), incitant 34,0 % des campus prévus de plus de 1 GW à étudier les petits réacteurs modulaires (SMR) sur site.
| Métrique | Valeur | Source |
|---|---|---|
| Accords d’énergie nucléaire : hyperscalers technologiques signant des contrats PPA directs avec des centrales nucléaires | Plus de 12,5 Gigawatts (GW) de capacité nucléaire et SMR contractés | Constellation Energy / Microsoft / Amazon AWS Agreements |
| Développement de petits réacteurs modulaires (SMR) : projets de datacenters d’IA prévoyant un déploiement micro-nucléaire d’ici 2030 | 34,0 % des campus d’IA planifiés >1GW étudient les SMR | World Nuclear Association / EPRI |
| Délai de raccordement au réseau : temps d’attente moyen pour raccorder >100 MW aux réseaux électriques régionaux | 3,5 à 5,2 ans de retard dans la file d’attente d’interconnexion | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
L’infrastructure d’hébergement cloud d’entreprise est liée à nos statistiques sur l’hébergement web. Source : Federal Energy Regulatory Commission.
6. Dominance de l’inférence : 74 % d’énergie en inférence et 3 400 MW en Virginie
Le déploiement massif auprès des consommateurs et des entreprises a déplacé le profil énergétique de l’entraînement périodique vers l’inférence continue. SemiAnalysis enregistre 74,0 % de la puissance d’IA consacrée à l’inférence.
Concentration régionale : les datacenters du nord de la Virginie consomment plus de 3 400 MW d’électricité (Dominion Energy), les hyperscalers couvrant 88,0 % de l’énergie opérationnelle par des contrats renouvelables.
| Métrique | Valeur | Source |
|---|---|---|
| Concentration géographique : États américains accueillant la plus grande part de capacité électrique pour datacenters d’IA (Virginie du Nord / PJM) | La Virginie du Nord (Data Center Alley) consomme plus de 3 400 MW d’électricité | Dominion Energy Integrated Resource Plan (IRP) |
| Couverture en énergies renouvelables : hyperscalers assurant 100 % de couverture renouvelable annuelle pour l’électricité opérationnelle | 88,0 % de l’énergie opérationnelle des hyperscalers couverte par des énergies renouvelables | Google Environmental Report / Microsoft Sustainability |
| Part d’énergie de l’inférence : pourcentage de l’électricité totale des semi-conducteurs d’IA consommée par l’inférence | 74,0 % de l’énergie totale de l’IA consommée par l’inférence | Gartner / SemiAnalysis AI Energy Forecast |
Résumé : La consommation d’énergie de l’IA en chiffres
| Métrique | Valeur | Source principale |
|---|---|---|
| Consommation électrique des datacenters mondiaux | 850 - 1 050 TWh/an | International Energy Agency (IEA) |
| Part des datacenters dans l’électricité mondiale | 3,2 % - 4,1 % de l’électricité mondiale | IEA / Nature Analysis |
| Part de l’IA dans l’énergie des datacenters | 42,0 % de la puissance des datacenters | EPRI Energy Report |
| Énergie par requête d’IA vs recherche Google | 2,9 Wh vs 0,3 Wh (10x) | IEA Computing Metrics |
| Électricité pour entraîner un LLM de pointe | 50 - 95 GWh par session d’entraînement | Epoch AI / Meta FAIR |
| Émissions de CO2 issues de l’entraînement de LLM | 4,5k - 8,2k tonnes métriques | UMass Amherst Study |
| Eau directe évaporée par kWh d’énergie | 1,8 litre / kWh | UC Riverside / Virginia Tech |
| Eau évaporée pour 20 à 50 requêtes d’IA | 500 ml (1 bouteille d’eau) | Nature Energy / UC Riverside |
| Prélèvement annuel d’eau des datacenters américains | 660,0 Milliards de litres/an | Lawrence Berkeley Lab (LBNL) |
| Efficacité PUE moyenne des datacenters d’IA | 1,12 - 1,18 PUE | Uptime Institute Survey |
| Nouvelles baies d’IA avec refroidissement liquide | 68,0 % refroidies par liquide | TrendForce Infrastructure |
| Densité de puissance par baie d’IA haute densité | 100 - 132 kW/baie | NVIDIA GB200 NVL72 Specs |
| Énergie nucléaire contractée par les hyperscalers | 12,5+ Gigawatts (GW) | Constellation / Microsoft |
| Délai de file d’attente au réseau (>100MW) | 3,5 - 5,2 ans de retard | FERC / Berkeley Lab |
| Part de l’énergie d’IA consommée par l’inférence | 74,0 % pour l’inférence | Gartner / SemiAnalysis |
Méthodologie et sources
Les statistiques de ce rapport ont été compilées à partir des évaluations énergétiques mondiales de l’Agence internationale de l’énergie (AIE), des recherches sur les charges électriques de l’Electric Power Research Institute (EPRI) et du Lawrence Berkeley National Laboratory (LBNL), des études de consommation d’eau de l’Université de Californie à Riverside et de Nature Energy, des enquêtes sur les infrastructures de datacenters de l’Uptime Institute et de TrendForce, ainsi que des déclarations réglementaires de la FERC et de Dominion Energy.
-
International Energy Agency (IEA) : Electricity 2026 Analysis and Forecast: Data Centers and Artificial Intelligence (850-1 050 TWh, 3,2-4,1 % électricité mondiale, 2,9 Wh/requête).
-
Electric Power Research Institute (EPRI) & Lawrence Berkeley Lab (LBNL) : Powering Intelligence: AI Data Center Energy and Water Demands (42 % part d’énergie de l’IA, 660 milliards L d’eau, attente réseau 3,5-5,2 ans).
-
University of California, Riverside & Nature Energy : Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI (500 ml pour 20-50 requêtes, 1,8 L/kWh).
-
Uptime Institute & TrendForce : Global Data Center Survey: PUE Benchmarks, Liquid Cooling, and Rack Density (1,12-1,18 PUE, 68 % refroidissement liquide, 100-132 kW/baie).
-
Federal Energy Regulatory Commission (FERC) & Constellation Energy : Grid Interconnection Backlogs and Hyperscaler Nuclear PPAs (12,5 GW nucléaire contractés, 74 % part d’énergie en inférence).
-
Observation des données : Les statistiques d’énergie de l’IA reflètent l’électricité des centres de données, l’eau de refroidissement par évaporation et les émissions de carbone attribuables aux clusters d’entraînement et aux serveurs d’inférence d’intelligence artificielle. Les commutateurs généraux de réseaux de télécommunications et la consommation de batterie des appareils utilisateurs sont catégorisés séparément.
-
Dernière mise à jour : Août 2026. Cette synthèse est mise à jour trimestriellement à mesure que les rapports de perspectives de l’AIE, les bilans de puissance de l’EPRI et les déclarations de durabilité d’entreprise sont publiés.