Data centers et infrastructure IA : énergie, refroidissement et souveraineté

Derrière chaque réponse d'un assistant conversationnel, chaque image de synthèse, chaque agent autonome qui exécute une tâche, il y a une réalité physique que l'on oublie facilement : des baies de calcul, des kilomètres de câbles, des mégawatts d'électricité et des circuits de refroidissement conçus au watt près. L'intelligence artificielle est un logiciel, mais elle repose sur du béton, du cuivre, du silicium et de l'eau. Cet article se place résolument du côté de la production : celui des data centers, du matériel et de l'énergie qui font tourner l'IA à grande échelle. Nous y examinons l'architecture des installations dédiées au calcul accéléré, leur consommation électrique réelle telle qu'elle est mesurée par les institutions, la bascule vers le refroidissement liquide, les indicateurs d'efficacité comme le PUE, et enfin la question de la souveraineté : qui possède, opère et localise la capacité de calcul de demain.

L'ambition est double. D'abord, remplacer les impressions par des chiffres solides et sourcés, en distinguant systématiquement ce qui est mesuré de ce qui est projeté. Ensuite, décrire concrètement comment ces installations fonctionnent, quels sont leurs points de tension et quelles solutions d'ingénierie émergent pour les rendre plus sobres et plus résilientes. Le sujet se prête aux raccourcis dans les deux sens : sous-estimer l'empreinte ou l'exagérer. Nous prenons ici le parti de la mesure, en nous appuyant sur les rapports de l'Agence internationale de l'énergie, de l'Uptime Institute et sur les spécifications publiques des constructeurs.

Un dernier mot de méthode. Là où une donnée est robuste, nous la citons avec sa source. Là où elle est incertaine ou dépendante d'hypothèses, nous le disons plutôt que d'avancer un nombre trompeur. L'infrastructure IA est un domaine en construction rapide, et l'honnêteté sur les ordres de grandeur vaut mieux qu'une fausse précision.

Les data centers IA en 2026 : un état des lieux chiffré

Le premier réflexe, face à un sujet aussi médiatisé, consiste à poser des repères fiables. Combien d'électricité consomment réellement les data centers ? Quelle part revient à l'IA ? Où se trouvent ces installations et qui les exploite ? Les réponses existent, à condition de s'en tenir aux sources institutionnelles.

La consommation électrique réelle des data centers

Le point de repère le plus solide provient de l'Agence internationale de l'énergie (IEA). Dans son rapport Energy and AI publié en avril 2025, l'institution estime que les data centers du monde ont consommé environ 415 térawattheures (TWh) en 2024, soit à peu près 1,5 % de la consommation électrique mondiale. C'est un volume conséquent, mais qui reste minoritaire à l'échelle planétaire : d'autres usages électriques, comme la climatisation des bâtiments, pèsent bien davantage.

La trajectoire, en revanche, est marquée. Le scénario de référence de l'IEA projette un doublement de cette consommation à l'horizon 2030, pour atteindre environ 945 TWh, soit un peu moins de 3 % de l'électricité mondiale. Sur la période 2024-2030, la consommation des data centers progresserait d'environ 15 % par an, un rythme plus de quatre fois supérieur à celui de tous les autres secteurs réunis. Le moteur principal de cette accélération est bien identifié : les serveurs accélérés — ceux équipés d'accélérateurs graphiques pour l'IA — voient leur consommation croître d'environ 30 % par an dans le scénario de base, contre 9 % pour les serveurs conventionnels.

Cette croissance est géographiquement concentrée. Toujours selon l'IEA, les États-Unis et la Chine concentrent près de 80 % de la croissance mondiale de la consommation des data centers d'ici 2030. Aux États-Unis, la hausse avoisine 240 TWh par rapport au niveau de 2024 ; en Chine, environ 175 TWh. L'Europe, nous y reviendrons, joue une partition différente, plus mesurée en volume mais structurante en matière de souveraineté et d'efficacité.

La consommation des data centers pourrait doubler d'ici 2030 pour approcher 945 TWh, soit un peu moins de 3 % de l'électricité mondiale. L'IA en est le principal moteur, sans en être la totalité.

La part de l'IA et la bascule vers l'inférence

Distinguer la part exacte de l'IA dans cette consommation reste un exercice délicat, car les frontières entre charges IA et charges classiques se brouillent dans les installations mixtes. L'IEA retient toutefois une tendance nette : la part attribuable aux serveurs accélérés croît beaucoup plus vite que le reste, et devient le poste dominant de la croissance. Autrement dit, ce n'est pas l'informatique en général qui explose, mais spécifiquement le calcul accéléré destiné à l'IA.

Un phénomène mérite d'être souligné, car il redéfinit la conception même des installations : la bascule de l'entraînement vers l'inférence. Entraîner un modèle est un effort intense mais ponctuel ; l'utiliser au quotidien — l'inférence — est un flux continu qui grandit avec l'adoption. Sur la durée de vie complète d'un service très sollicité, l'inférence finit par représenter la majorité de la consommation. Cette réalité a une conséquence architecturale directe : l'inférence exige une disponibilité permanente et une répartition géographique plus fine pour rapprocher le calcul des utilisateurs et réduire la latence.

Qui opère les data centers IA

Le paysage des opérateurs s'organise en trois familles. La première regroupe les fournisseurs cloud à très grande échelle, souvent appelés hyperscalers, qui exploitent des flottes mondiales de data centers et conçoivent parfois leurs propres accélérateurs. Leur atout est l'intégration verticale, de la puce à la gestion énergétique.

• Les opérateurs de colocation et d'interconnexion fournissent l'hébergement et les points d'échange dont dépendent les entreprises qui ne construisent pas leurs propres salles. Ils investissent massivement pour accueillir des baies à très haute densité.
• Les acteurs spécialisés dans le calcul IA, une catégorie plus récente, conçoivent leurs installations autour des accélérateurs dès le départ, avec des contrats énergétiques adaptés et un modèle de location de puissance à l'heure.
• Les opérateurs de télécommunications se repositionnent en valorisant leurs milliers de sites techniques pour proposer des services de calcul en périphérie de réseau.

Cette diversité d'acteurs reflète la maturation d'une filière : il y a quelques années, le calcul IA était l'apanage de quelques laboratoires ; il devient aujourd'hui un service d'infrastructure structuré, avec ses spécialistes, ses standards et ses modèles économiques.

Anatomie d'un data center optimisé pour l'IA

Un data center conçu pour l'IA n'a pas grand-chose à voir avec une salle serveurs classique. Là où une installation traditionnelle s'organise autour de processeurs généralistes traitant des charges variées, une installation IA est pensée dès le départ pour maximiser la performance de grappes d'accélérateurs travaillant de concert. Trois différences structurantes méritent d'être détaillées : l'interconnexion, l'alimentation électrique et le stockage.

Architecture centrée sur les accélérateurs

Le cœur d'un data center IA est constitué d'accélérateurs graphiques regroupés en clusters denses. La génération de référence en 2026 repose sur l'architecture Blackwell, qui succède aux générations Hopper et Ampère ayant équipé les premiers grands clusters d'entraînement. La caractéristique majeure de ces systèmes n'est pas seulement la puissance de chaque puce, mais la manière dont les puces communiquent entre elles.

L'interconnexion constitue d'ailleurs le principal point de contention. Pour entraîner un grand modèle, chaque accélérateur doit échanger de très grands volumes de données par seconde avec ses voisins — jusqu'à 1,8 téraoctet par seconde sur les liens NVLink de la génération Blackwell, selon les spécifications NVIDIA, contre 900 gigaoctets par seconde pour la génération Hopper précédente. Les fabricants proposent des liens haut débit dédiés pour les connexions au sein d'un même nœud, tandis que les liaisons entre nœuds reposent sur des réseaux spécialisés à très faible latence. Le choix de la topologie réseau — l'agencement des liens entre les milliers d'accélérateurs — est un paramètre de conception critique : un cluster performant exige que n'importe quelle puce puisse communiquer avec n'importe quelle autre en quelques microsecondes seulement. Les architectures en arbre élargi, conçues pour minimiser le nombre de sauts entre deux points, sont privilégiées.

L'optimisation du placement des tâches sur les nœuds physiques tient compte de cette topologie pour minimiser les communications entre commutateurs et maximiser le débit d'entraînement effectif. C'est un travail d'orchestration fin, où quelques pourcents d'efficacité réseau se traduisent par des jours d'entraînement gagnés ou perdus sur les plus grands modèles.

Alimentation électrique et redondance

La densité de puissance par baie illustre le fossé qui sépare les deux mondes. Une baie serveur traditionnelle consomme entre 5 et 10 kW. Une baie d'accélérateurs IA de génération actuelle dépasse largement ce seuil. Les systèmes phares assemblés en armoire complète, intégrant plusieurs dizaines d'accélérateurs interconnectés, atteignent des puissances de l'ordre de 120 kW par baie selon les spécifications officielles NVIDIA du GB200 NVL72 — certains intégrateurs partenaires (HPE, Supermicro) annoncent des configurations à 130-132 kW, et les révisions les plus denses de 2025 approchent 140 kW. Cette multiplication par plus de dix de la densité énergétique impose une refonte complète de la distribution électrique.

Ces installations nécessitent des transformateurs haute tension dédiés, capables de fournir des dizaines de mégawatts à un seul site. La redondance suit généralement un schéma dit 2N : chaque composant critique — alimentation, refroidissement, réseau — dispose d'un double indépendant, de sorte qu'une panne n'interrompe jamais le service. Les onduleurs et les groupes électrogènes de secours doivent eux aussi être dimensionnés pour ces charges inhabituelles. Certains opérateurs ont dû négocier directement avec les gestionnaires de réseau électrique pour obtenir des raccordements dédiés, un processus qui prend parfois un à deux ans.

Stockage et gestion des données d'entraînement

L'entraînement d'un grand modèle manipule des jeux de données de plusieurs pétaoctets. Le stockage doit fournir une bande passante suffisante pour alimenter en continu des milliers d'accélérateurs sans créer de goulet. Les systèmes de fichiers parallèles, conçus pour distribuer les lectures sur des centaines de serveurs simultanément, répondent à ce besoin.

La hiérarchie de stockage suit typiquement trois niveaux. Le stockage « chaud », sur mémoire flash très rapide, accueille les jeux de données en cours d'utilisation. Le stockage « tiède » conserve les points de sauvegarde d'entraînement et les données récemment utilisées. Le stockage « froid », sur disques haute capacité ou bandes, archive les versions historiques. Cette organisation en couches optimise le rapport coût-performance tout en garantissant que les accélérateurs ne restent jamais inactifs faute de données.

La gestion des points de sauvegarde mérite une attention particulière. Un point de sauvegarde d'un modèle de plusieurs centaines de milliards de paramètres pèse plusieurs centaines de gigaoctets. Les équipes en enregistrent régulièrement au cours d'un entraînement, ce qui génère des dizaines de téraoctets par jour. La capacité à sauvegarder rapidement sans interrompre le calcul est un facteur de productivité clé : chaque minute d'inactivité sur un grand cluster représente un coût élevé, tant en énergie qu'en temps machine.

Consommation énergétique : le défi central de l'infrastructure

Si l'infrastructure IA a un point de tension unique, c'est bien l'énergie. Non pas tant la consommation absolue, encore modeste à l'échelle mondiale, que le rythme de sa croissance et sa concentration sur quelques sites. Comprendre l'équation énergétique suppose de distinguer les profils, de chiffrer les ordres de grandeur et d'examiner les sources d'électricité mobilisées.

Entraînement contre inférence : deux profils énergétiques

L'entraînement et l'inférence présentent des signatures énergétiques très différentes. L'entraînement est un processus concentré et intensif : pendant des semaines, parfois des mois, des milliers d'accélérateurs fonctionnent à pleine charge. Puis l'effort s'arrête, jusqu'au cycle suivant. Un accélérateur haut de gamme de génération Hopper consomme environ 700 watts en charge maximale ; un cluster de dix mille de ces cartes réclame donc de l'ordre de 7 mégawatts rien que pour le calcul, l'équivalent de l'alimentation d'une petite ville.

L'inférence, à l'inverse, est un flux continu qui croît avec l'usage. Chaque requête à un assistant, chaque appel à une interface de programmation, chaque génération d'image consomme de l'énergie. Comme évoqué plus haut, sur la durée de vie d'un service à fort trafic, l'inférence finit par dominer la facture — les grands opérateurs évoquent régulièrement des proportions de l'ordre de 80 à 90 % pour les services les plus sollicités. La conséquence pratique est limpide : réduire de moitié le coût énergétique d'un token, sur un service qui traite des centaines de millions de requêtes par jour, produit un gain bien supérieur à l'optimisation d'un entraînement ponctuel.

Ordres de grandeur par charge de travail

Pour rendre ces notions concrètes, le tableau ci-dessous propose des ordres de grandeur indicatifs de la consommation selon le type de charge, rapportés à un cluster hypothétique de mille accélérateurs. Ces valeurs sont des estimations sectorielles, à manier comme des repères et non comme des mesures exactes : la consommation réelle dépend du matériel, de la charge et de l'efficacité de l'installation.

Type de charge	Puissance indicative par accélérateur (W)	Cluster de 1 000 accélérateurs (MW)	Caractéristique
Entraînement de modèle dense	~700	~0,7	Charge maximale continue, ponctuelle
Entraînement à activation parcimonieuse (MoE)	~500	~0,5	Environ 30 % de moins qu'un modèle dense
Inférence en temps réel	~300	~0,3	Disponibilité permanente exigée
Inférence par lots	~200	~0,2	Optimisable par regroupement des requêtes
Ajustement ciblé (fine-tuning léger)	~400	~0,4	Bien moins coûteux qu'un entraînement complet

Deux enseignements se dégagent de ce tableau. D'une part, les architectures à activation parcimonieuse, dites Mixture of Experts, consomment sensiblement moins par accélérateur que les modèles denses à l'entraînement, car elles n'activent qu'une fraction des paramètres pour chaque calcul. D'autre part, l'ajustement ciblé — adapter un modèle existant à un domaine précis plutôt que de tout réentraîner — occupe une place croissante, précisément parce qu'il consomme une fraction de l'énergie d'un entraînement complet tout en atteignant des performances comparables sur la tâche visée. La spécialisation économique des modèles favorise ainsi une répartition plus efficace de la capacité disponible.

Sources d'énergie : contrats de long terme et retour du nucléaire

Face à une demande croissante, les opérateurs sécurisent leur approvisionnement par des contrats d'achat d'électricité à long terme, souvent adossés à des producteurs d'électricité bas-carbone. Ces contrats, d'une durée de dix à vingt ans, garantissent un prix stable et un approvisionnement décarboné. Les plus grands opérateurs cumulent ainsi des dizaines de gigawatts de capacité renouvelable contractualisée.

Le nucléaire connaît un regain d'intérêt marqué dans le secteur. Plusieurs opérateurs américains ont signé des accords pour sécuriser une production nucléaire dédiée, allant jusqu'à financer le redémarrage d'unités existantes. Les petits réacteurs modulaires suscitent également l'attention pour leur promesse d'une électricité décarbonée, pilotable et disponible en continu, directement sur site. En Europe, la France dispose d'un atout compétitif grâce à son parc nucléaire, qui fournit une électricité bas-carbone à un coût maîtrisé — un argument de plus en plus mis en avant pour attirer les installations de calcul. Les pays nordiques, eux, exploitent l'hydroélectricité et, en Islande, la géothermie.

L'accès à une électricité abondante, abordable et décarbonée est devenu un avantage concurrentiel majeur pour les opérateurs de data centers. La localisation d'un site se décide désormais autant sur la carte électrique que sur la carte des réseaux.

Refroidissement liquide : une transition d'ingénierie

La montée en densité des baies a déclenché l'une des transformations techniques les plus visibles de la filière : le passage du refroidissement par air au refroidissement liquide. Ce n'est pas une mode, mais une contrainte physique. Comprendre pourquoi éclaire une grande partie de la conception des data centers modernes.

Pourquoi l'air atteint ses limites

Les accélérateurs IA de génération actuelle dissipent une chaleur considérable. Avec plusieurs accélérateurs par serveur et plusieurs serveurs par baie, une seule armoire peut générer plus de 100 kW de chaleur. Or le refroidissement par air atteint une limite pratique : au-delà d'environ 40 kW par baie, l'air n'évacue plus la chaleur assez vite pour maintenir les composants dans leur plage de température de fonctionnement. Les analyses du secteur situent cette limite technique autour de 40 kW par baie pour un air cooling classique, quand le refroidissement liquide supporte couramment 100 à 200 kW — un facteur de densité multiplié par cinq.

Cette bascule est déjà bien engagée. Selon l'enquête annuelle AFCOM State of the Data Center (2025), 19 % des opérateurs interrogés avaient déjà déployé le refroidissement liquide dans leurs installations, contre 17 % un an plus tôt ; 36 % prévoyaient de l'adopter dans un délai d'un à deux ans, contre 32 % l'année précédente. Le refroidissement direct sur puce — qui amène un liquide caloporteur au contact des composants via une plaque froide — s'impose comme l'approche dominante. Les systèmes en armoire les plus récents intègrent d'ailleurs ce refroidissement directement à la conception, avec des dispositifs capables de capter la quasi-totalité de la chaleur produite par voie liquide.

Direct sur puce et immersion : deux approches

Deux grandes familles de refroidissement liquide coexistent. Le refroidissement direct sur puce amène le liquide caloporteur au plus près des composants les plus chauds, via des plaques froides métalliques. Il s'intègre relativement bien aux serveurs existants et domine aujourd'hui le marché. Le refroidissement par immersion plonge les composants dans un bain de liquide diélectrique qui absorbe la chaleur de l'ensemble des éléments simultanément.

L'immersion existe elle-même en deux variantes. L'immersion monophasique utilise un fluide qui reste liquide en permanence : le liquide chaud est extrait et refroidi par un échangeur externe. L'immersion biphasique emploie un fluide à bas point d'ébullition qui s'évapore au contact des composants chauds, puis se condense sur un échangeur froid placé au-dessus du bain. Cette seconde approche est plus efficace thermiquement, mais aussi plus complexe et coûteuse à opérer.

Les bénéfices mesurés du refroidissement liquide sont significatifs : baisse notable du PUE, suppression des ventilateurs (et donc du bruit et de la poussière), et température de fonctionnement plus stable, favorable à la longévité des composants. En contrepartie, il impose une refonte de la plomberie du data center, une maintenance spécialisée et un investissement initial plus élevé.

Free cooling, géothermie et récupération de chaleur

Certaines régions bénéficient d'atouts naturels. Dans les pays nordiques, avec des températures moyennes basses, le free cooling — l'utilisation directe de l'air extérieur froid — permet de refroidir les installations sans climatisation active une grande partie de l'année. En Islande, la combinaison du free cooling et de la géothermie alimente des data centers en électricité entièrement renouvelable, à un coût parmi les plus bas d'Europe.

La récupération de chaleur transforme un sous-produit en ressource. À Stockholm, un dispositif de chaleur mutualisée capte la chaleur des serveurs pour chauffer des dizaines de milliers de logements ; les estimations locales évoquent plusieurs dizaines de milliers d'appartements chauffés et une baisse d'émissions correspondante. En Finlande, l'échelle atteinte est encore plus grande : de nouveaux centres de la région d'Helsinki sont conçus pour couvrir une part substantielle des besoins de chauffage urbain local, avec des apports thermiques de l'ordre de plusieurs centaines de mégawatts injectés dans les réseaux de chaleur. Ce modèle circulaire améliore le bilan environnemental global et peut générer des revenus complémentaires. Il devient d'ailleurs un critère de conception pour les nouveaux projets européens.

Mesurer l'efficacité : du PUE aux indicateurs élargis

On ne pilote bien que ce que l'on mesure. La filière s'est dotée d'indicateurs pour quantifier l'efficacité de ses installations, dont le plus connu est le PUE. Comprendre ces métriques, et leurs limites, est essentiel pour interpréter les annonces des opérateurs sans se laisser abuser par les chiffres les plus flatteurs.

Le PUE, indicateur de référence et ses limites

Le PUE (Power Usage Effectiveness) exprime le rapport entre l'énergie totale consommée par une installation et l'énergie effectivement utilisée par les équipements informatiques. Un PUE de 1,0 serait idéal : toute l'énergie irait au calcul, aucune ne serait perdue en refroidissement ou en distribution. Dans la pratique, ce chiffre reste supérieur à 1.

Contrairement à une idée répandue, la moyenne mondiale ne s'améliore plus guère. Selon l'enquête annuelle de l'Uptime Institute publiée en 2025, le PUE moyen pondéré des installations interrogées s'établit à 1,54 — un niveau pratiquement stable pour la sixième année consécutive. Cette stagnation s'explique par le poids des installations anciennes et par des contraintes régionales sur le refroidissement efficace. Les meilleurs opérateurs, eux, descendent nettement plus bas, autour de 1,1 voire moins, grâce à des techniques de refroidissement avancées et à des sites bien situés climatiquement.

Il faut manier le PUE avec discernement. Un PUE très bas obtenu grâce à un refroidissement par évaporation d'eau peut masquer une forte consommation hydrique. Un PUE mesuré à un instant favorable diffère d'une moyenne annuelle. C'est pourquoi des indicateurs complémentaires ont émergé pour donner une image plus complète.

CUE, WUE, ERE : une vision plus complète

Trois indicateurs complètent utilement le PUE :

• Le CUE (Carbon Usage Effectiveness) mesure les émissions de CO₂ par unité d'énergie informatique, en tenant compte du mix électrique local. Un même PUE peut recouvrir des empreintes carbone très différentes selon que l'électricité est nucléaire, hydraulique ou fossile.
• Le WUE (Water Usage Effectiveness) quantifie la consommation d'eau par unité d'énergie informatique. Il gagne en importance dans les régions confrontées à une tension sur la ressource en eau.
• L'ERE (Energy Reuse Effectiveness) évalue la part d'énergie réutilisée, par exemple sous forme de chaleur pour un réseau urbain. Un data center qui alimente un réseau de chauffage améliore mécaniquement cet indicateur.

Cette famille d'indicateurs traduit une évolution de fond : on ne juge plus un data center sur sa seule efficacité électrique, mais sur son empreinte globale — carbone, eau, réemploi de la chaleur. La réglementation européenne, nous le verrons, pousse justement à publier ces métriques, ce qui crée une pression bénéfique vers plus de transparence.

Cycle de vie du matériel et carbone embarqué

Un dernier aspect, souvent négligé, concerne le carbone « embarqué » dans le matériel lui-même. Fabriquer un accélérateur mobilise de l'énergie, des métaux et des procédés industriels dont l'empreinte est loin d'être nulle. Selon plusieurs analyses de cycle de vie, ce carbone embarqué — dans les serveurs, les équipements réseau, les infrastructures — peut représenter une part notable de l'empreinte totale d'un data center sur sa durée de vie.

La durée de vie d'un accélérateur en production de pointe se situe généralement entre trois et cinq ans, après quoi les progrès techniques le rendent économiquement moins pertinent pour les charges les plus exigeantes. Un marché de seconde main s'est développé : les accélérateurs de génération précédente, devenus insuffisants pour entraîner les modèles les plus récents, restent performants pour l'inférence et l'ajustement ciblé. Prolonger la durée de vie du matériel, favoriser l'écoconception (serveurs modulaires, diminution des soudures, standardisation des connecteurs) et organiser le recyclage des composants rares deviennent des leviers concrets de diminution de l'empreinte globale.

Souveraineté numérique : localiser le calcul

Au-delà de la technique, l'infrastructure IA soulève une question éminemment stratégique : qui contrôle la capacité de calcul, et où sont hébergées les données ? Pour l'Europe en particulier, c'est un enjeu de souveraineté qui mobilise réglementation, financements publics et acteurs industriels.

L'enjeu de la localisation des données et du calcul

Le règlement européen sur la protection des données impose des contraintes strictes sur le transfert de données personnelles hors de l'Union. Par ailleurs, certaines législations extra-européennes autorisent des autorités étrangères à accéder à des données détenues par leurs entreprises, quel que soit le pays d'hébergement. Cette tension juridique pousse un nombre croissant d'organisations européennes à exiger que leurs données et leurs calculs IA soient hébergés sur le sol européen, par des opérateurs relevant du droit européen.

En France, un référentiel de qualification délivré par l'agence nationale de sécurité informatique certifie qu'un service cloud respecte les plus hauts standards de sécurité et de souveraineté : données conservées sur le territoire, opérateur de droit national, clés de chiffrement hors de portée de toute juridiction étrangère. Ce type de label devient un critère de choix pour les clients publics et les entreprises réglementées, qui y voient une garantie de confiance.

La filière européenne des semi-conducteurs

L'Europe dispose d'un atout unique dans la chaîne de valeur des puces : une entreprise néerlandaise détient une position mondiale de premier plan sur les machines de lithographie à ultraviolets extrêmes, indispensables à la fabrication des puces les plus avancées. Sans ces machines, aucun fondeur au monde ne pourrait produire les processeurs en nœuds les plus fins qui équipent les accélérateurs de pointe. C'est un maillon stratégique que l'Europe maîtrise.

Pour renforcer sa position, l'Union a lancé un programme dédié aux semi-conducteurs mobilisant plus de 43 milliards d'euros d'investissements publics, avec l'objectif affiché de doubler la part européenne de la production mondiale de puces pour la porter à 20 % d'ici 2030. Les investissements induits, publics et privés, dépassent 100 milliards d'euros. Il faut toutefois rester lucide sur les résultats : les projections officielles les plus récentes situent la part de marché européenne autour de 11 à 12 % en 2030, en deçà de la cible de 20 %. Le programme mobilise des capitaux considérables et attire des projets d'usines, mais combler l'écart avec les grands fondeurs asiatiques reste un objectif de long terme.

Les lacunes restent, il faut le dire, significatives. L'Europe ne possède pas de fondeur avancé comparable aux leaders asiatiques pour les nœuds les plus fins, et aucun fabricant européen ne produit d'accélérateur compétitif face aux références du marché. Cette dépendance aux fournisseurs américains et asiatiques pour les composants clés constitue un point de vulnérabilité structurel, que les investissements en cours visent à réduire progressivement.

La souveraineté en infrastructure IA n'est pas un rattrapage complet à court terme, mais la construction d'une autonomie partielle et stratégique : maîtrise des données, capacité de calcul suffisante pour les besoins locaux, et contrôle de maillons technologiques clés comme la lithographie.

Les opérateurs européens et la stratégie souveraine

La France et l'Europe disposent d'un écosystème d'opérateurs plus riche qu'on ne le pense souvent. Plusieurs acteurs proposent une offre de calcul accéléré souveraine, avec des technologies de refroidissement propriétaires et des certifications de sécurité, à des tarifs compétitifs face aux fournisseurs cloud mondiaux. Certains misent sur l'intégration avec l'écosystème IA européen, en hébergeant l'inférence et l'ajustement de modèles conçus en Europe sur une infrastructure européenne — un choix cohérent pour les organisations qui souhaitent aligner leur pile technologique sur des exigences de conformité.

De nouveaux projets de centres de calcul de grande capacité voient le jour, notamment à proximité de hubs de câbles sous-marins qui offrent une connectivité directe vers plusieurs continents. Ces installations répondent à un besoin identifié : de nombreuses entreprises et laboratoires de recherche européens ont besoin d'un accès temporaire à des grappes d'accélérateurs massives sans investir dans leur propre infrastructure. Le modèle de location de puissance à l'heure — le calcul comme service — permet précisément cet accès à la demande, avec une facturation à l'usage.

Périphérie et calcul embarqué : au-delà des mégacentres

Tout ne peut pas, et ne doit pas, tourner dans de grands data centers distants. Certaines applications imposent des contraintes que le cloud centralisé ne peut satisfaire, ce qui a fait émerger une couche de calcul en périphérie de réseau — l'edge — et sur les appareils eux-mêmes.

Pourquoi rapprocher le calcul de l'usage

La première raison est la latence. Un véhicule autonome doit décider en quelques millisecondes ; un aller-retour vers un data center lointain suffirait à parcourir plusieurs mètres. Un système de contrôle qualité en usine doit continuer de fonctionner même si la connexion internet est interrompue. La deuxième raison est le coût de transfert : une caméra haute définition génère des volumes de données considérables au quotidien, et multiplier les sources rend le transfert vers le cloud rapidement prohibitif. La troisième est la confidentialité : certaines organisations refusent que leurs données sensibles quittent leur site physique.

Ces contraintes ont favorisé l'essor de processeurs IA embarqués aux performances remarquables rapportées à leur consommation. Des modules de calcul compacts délivrent aujourd'hui des centaines de milliers de milliards d'opérations par seconde pour quelques dizaines de watts, un ratio impensable il y a peu. L'intégration d'unités de traitement neuronal dans les processeurs grand public — ordinateurs portables, téléphones — permet désormais d'exécuter localement de la traduction, de la reconnaissance vocale ou de la génération d'images, déchargeant d'autant les data centers. La ligne de partage se stabilise : l'entraînement reste dans le cloud, l'inférence migre progressivement vers la périphérie et l'appareil.

Micro-data centers et calcul en couches

Les micro-data centers sont des installations compactes déployées au plus près des usages : au pied des antennes mobiles, dans les usines, les hôpitaux ou les centres logistiques. Préfabriqués et conteneurisés, ils peuvent être installés en quelques semaines, contre bien plus longtemps pour un data center classique. Les opérateurs de télécommunications, qui possèdent des milliers de sites techniques, les convertissent progressivement en points d'hébergement en périphérie.

Entre l'appareil et le cloud s'intercale une couche intermédiaire, parfois appelée fog computing, qui agrège les données de plusieurs équipements de périphérie, effectue un premier niveau de traitement (filtrage, compression, pré-inférence) et ne transmet au cloud que l'essentiel. Cette architecture en trois niveaux réduit le trafic réseau, diminue la latence et améliore la résilience de l'ensemble. Elle est particulièrement adaptée aux déploiements industriels et aux réseaux de capteurs à grande échelle.

Une approche complémentaire, l'apprentissage fédéré, redistribue le calcul autrement : plutôt que de centraliser toutes les données pour entraîner un modèle, on entraîne des modèles locaux sur chaque appareil, puis on agrège seulement les mises à jour de paramètres dans le cloud. Cette technique réduit fortement la quantité de données transmises tout en préservant la confidentialité des données locales — un atout précieux dans les contextes industriels ou médicaux où les données ne doivent pas sortir du site.

Réglementation et acceptabilité locale

La croissance de l'infrastructure IA s'accompagne d'un encadrement réglementaire croissant et d'un dialogue nécessaire avec les territoires. Loin d'être un frein, cette évolution apporte de la prévisibilité aux investisseurs et pousse vers de meilleures pratiques.

Transparence énergétique imposée par l'Europe

La directive européenne sur l'efficacité énergétique impose désormais aux data centers dépassant une certaine puissance de publier leurs indicateurs de performance : PUE, consommation d'eau, part d'énergies renouvelables, réutilisation de la chaleur. Cette obligation de transparence a un effet immédiat : les opérateurs dont les métriques sont médiocres subissent une pression de marché pour s'améliorer. La directive révisée impose également aux États membres d'établir des plans d'action sur la valorisation de la chaleur fatale, ce qui encourage directement les projets de récupération thermique.

La taxonomie européenne des activités durables définit par ailleurs les critères qu'un data center doit respecter pour être considéré comme un investissement « vert » : PUE plafonné, réfrigérants à faible impact climatique, plan de gestion de l'eau, reporting carbone conforme. Ce cadre, combiné à un code de conduite volontaire largement adopté, dessine progressivement un standard de bonnes pratiques à l'échelle du continent.

Le règlement IA et ses implications matérielles

Le règlement européen sur l'intelligence artificielle, entré en application progressive, comporte des implications directes pour les fournisseurs d'infrastructure. Il impose notamment aux fournisseurs de systèmes à haut niveau de risque de documenter la consommation énergétique de leurs systèmes, et soumet les modèles de fondation à des obligations de transparence sur les ressources de calcul mobilisées pour leur entraînement.

Pour les opérateurs, cela signifie une traçabilité accrue : qui utilise quelle quantité de calcul, pour quels modèles, avec quelle empreinte. Cette exigence rejoint les normes de management environnemental et énergétique déjà adoptées par les opérateurs les plus avancés. La convergence entre réglementation de l'IA et réglementation environnementale crée un cadre plus exigeant, mais aussi plus lisible pour les investisseurs.

Eau, bruit, foncier : un dialogue de territoire

L'implantation de nouveaux data centers rencontre parfois des réticences locales. La consommation d'eau est le premier sujet de préoccupation : un site utilisant le refroidissement par évaporation peut consommer des volumes importants, ce qui devient sensible dans les régions en tension hydrique. Le bruit des installations et l'artificialisation des sols soulèvent d'autres questions d'aménagement.

Les opérateurs répondent par des mesures concrètes : adoption du refroidissement liquide qui supprime l'évaporation d'eau, murs anti-bruit, végétalisation des sites, intégration architecturale soignée. Certains projets incluent des contreparties locales — emplois, formation, réutilisation de la chaleur pour le chauffage urbain. Le dialogue avec les communautés, en amont des projets, est devenu une étape incontournable, et souvent un facteur de réussite déterminant.

Perspectives 2026-2030 : vers une infrastructure sobre et souveraine

Que retenir, et surtout, vers quoi se dirige-t-on ? Plusieurs technologies émergentes et plusieurs choix stratégiques dessinent le visage probable de l'infrastructure IA à l'horizon 2030.

Innovations à surveiller

Sur le plan technologique, la photonique intégrée promet de remplacer certaines connexions électriques entre puces par des signaux lumineux, offrant une bande passante supérieure à moindre coût énergétique. Des travaux avancés visent des interconnexions optiques capables de réduire fortement la consommation du réseau interne d'un data center. Les puces neuromorphiques, qui imitent le fonctionnement du cerveau en traitant l'information par impulsions plutôt que par calculs continus, affichent une consommation très inférieure pour certaines tâches d'inférence — elles restent expérimentales pour les charges lourdes, mais pourraient redéfinir certaines installations.

Le refroidissement passif constitue une piste complémentaire prometteuse. Des matériaux à changement de phase absorbent la chaleur en fondant et la restituent en se solidifiant, lissant les pics thermiques sans consommation d'énergie. Des recherches sur des revêtements capables d'émettre la chaleur par rayonnement vers le ciel pourraient un jour permettre un refroidissement passif même en climat chaud. Ces approches en sont au stade des prototypes, mais les premiers essais montrent des baisses de charge thermique appréciables en complément des systèmes actifs.

Le scénario énergétique cible

Côté énergie, le mix visé pour un data center IA sobre à l'horizon 2030 combine plusieurs sources complémentaires : une charge de base pilotable et décarbonée (nucléaire, y compris petits réacteurs modulaires là où ils se concrétisent), des renouvelables couplées au stockage pour le complément, et des solutions à hydrogène ou à pile à combustible pour le secours, en substitution progressive des groupes diesel. Cette combinaison permettrait de rapprocher l'empreinte carbone d'un data center d'un niveau très bas, sans sacrifier la disponibilité.

Un paradoxe mérite ici d'être nommé. Les modèles plus sobres — architectures à activation parcimonieuse, quantization, distillation — ne réduisent pas mécaniquement la demande globale d'infrastructure. Par un effet de rebond bien connu, l'amélioration de l'efficacité rend l'IA plus accessible, ce qui accroît son adoption et donc la demande totale de calcul. L'infrastructure IA continuera vraisemblablement de croître. La question pertinente n'est donc plus de savoir s'il faut construire des data centers, mais comment les construire de manière sobre, souveraine et acceptable pour les territoires.

L'Europe peut-elle tenir son rang ?

L'analyse factuelle des forces et faiblesses européennes donne un tableau nuancé. Du côté des atouts : une électricité nucléaire abondante et décarbonée, un vivier de talents en ingénierie et en recherche, un cadre réglementaire stable et prévisible, des opérateurs cloud locaux compétents, et la maîtrise de maillons stratégiques comme la lithographie. Les labels de qualification offrent un avantage de confiance pour les clients publics et les secteurs réglementés.

Du côté des points faibles : l'absence d'accélérateur européen compétitif, le retard en fonderies avancées, un marché plus fragmenté que les grands ensembles concurrents, et des volumes d'investissement inférieurs à ceux des plus grands opérateurs mondiaux. Le scénario réaliste pour 2030 n'est pas un rattrapage complet, mais la construction d'une autonomie partielle et ciblée. C'est un objectif ambitieux mais atteignable si les investissements annoncés se concrétisent — et si la filière parvient à former les spécialistes en refroidissement liquide, réseau haute performance et optimisation du calcul dont elle manque aujourd'hui.

Points clés à retenir

• Croissance rapide mais mesurée en absolu : les data centers pèsent environ 1,5 % de l'électricité mondiale en 2024, potentiellement près de 3 % en 2030 selon l'IEA, l'IA étant le principal moteur de cette hausse.
• Refroidissement liquide incontournable : au-delà d'environ 40 kW par baie, l'air ne suffit plus ; les baies IA dépassent 130 kW, imposant le liquide comme nouveau standard.
• PUE stabilisé : la moyenne mondiale plafonne autour de 1,54 depuis six ans, mais les meilleurs sites descendent près de 1,1.
• Inférence dominante : sur la durée de vie d'un service à fort trafic, l'usage quotidien consomme davantage que l'entraînement initial.
• Souveraineté en construction : programmes publics, labels de confiance et opérateurs locaux structurent une offre européenne alternative, avec des atouts réels et des dépendances persistantes.

Conclusion : un socle physique au carrefour de trois enjeux

L'infrastructure physique de l'IA n'est pas un sujet secondaire réservé aux ingénieurs de salle machine. C'est le socle sur lequel repose tout l'édifice. Les data centers IA de 2026 se situent au carrefour de trois enjeux qui se répondent : une demande énergétique qui invite à repenser nos sources d'électricité, des innovations d'ingénierie — refroidissement liquide, photonique, puces neuromorphiques — qui redéfinissent l'architecture des installations, et une question de souveraineté qui déterminera qui maîtrisera la capacité de calcul de demain.

La bonne nouvelle, c'est que les leviers existent et fonctionnent. Les modèles plus sobres réduisent le coût unitaire du calcul. Le refroidissement liquide autorise des densités impensables il y a peu, tout en récupérant la chaleur pour chauffer des villes. Les indicateurs élargis — carbone, eau, réemploi — rendent l'efficacité mesurable et comparable. Et la réglementation, en imposant la transparence, transforme l'efficacité en avantage compétitif plutôt qu'en contrainte subie.

L'Europe, en particulier, dispose d'atouts concrets : une électricité largement décarbonée, une expertise en refroidissement, la maîtrise de maillons technologiques uniques et un cadre réglementaire qui valorise la sobriété. Le chemin vers une infrastructure IA durable et souveraine est exigeant, mais il est balisé. La question n'est plus de savoir si l'on construira ces installations, mais comment les rendre les plus efficaces, les plus propres et les plus utiles aux territoires qui les accueillent.

Sources

• IEA — Energy and AI : Energy demand from AI (avril 2025)
• IEA — Energy and AI : Executive summary
• Uptime Institute — Global Data Center Survey Results 2025 (PUE moyen 1,54)
• NVIDIA — Spécifications GB200 NVL72 (densité et refroidissement liquide des baies)
• Network World — Densité des baies IA et limites du refroidissement par air (2025)
• Tom's Hardware — État du refroidissement des data centers (2025)
• AFCOM — State of the Data Center Report 2025 : adoption du refroidissement liquide (via Upsite Technologies)
• Commission européenne — European Chips Act (43 Mds€, objectif 20 % en 2030)
• EU Covenant of Mayors — Récupération de chaleur des data centers à Stockholm
• World Economic Forum — Chauffage urbain à partir de data centers (2025)