La consommation électrique des data centers doit plus que doubler d’ici 2030 pour atteindre environ 945 térawattheures, soit un peu plus que ce que consomme le Japon aujourd’hui, selon l’Agence internationale de l’énergie. Pendant ce temps, l’indicateur d’efficacité de référence des exploitants n’a pratiquement pas bougé depuis six ans. Des chercheurs interrogés par Tom’s Hardware soutiennent que le levier le plus accessible n’est pas le matériel, mais le logiciel.
945 térawattheures en 2030, autant que la consommation japonaise
Le cadrage chiffré vient de l’Agence internationale de l’énergie. La demande d’électricité des data centers doit passer de 415 TWh en 2024, environ 1,5 % de l’électricité mondiale, à près de 945 TWh en 2030, un volume légèrement supérieur à la consommation électrique totale du Japon aujourd’hui. La réponse du secteur a surtout porté sur le physique : des processeurs graphiques plus efficaces et des contrats d’alimentation arrachés à un réseau électrique déjà tendu. L’enquête publiée le 8 octobre 2026 par Tom’s Hardware, signée Chris Stokel-Walker, interroge ce choix.
Un PUE figé à 1,56, qui ne dit rien du travail utile
L’argument repose sur une stagnation documentée. Selon l’enquête annuelle 2025 de l’Uptime Institute, publiée en juillet 2025, le PUE moyen déclaré par les exploitants pour leur plus grand site s’établit à 1,56 et n’évolue quasiment pas pour la sixième année consécutive, les gains étant freinés par les infrastructures anciennes. Or il ne mesure pas le travail utile accompli par les serveurs. Ces derniers pèsent environ 60 % de la demande électrique d’un data center moderne, contre 7 % pour le refroidissement d’un site hyperscale efficace et plus de 30 % dans une installation d’entreprise peu efficace.
Un tiers en FP8, 30 % avec Perseus, sans changer de puces
Jae-Won Chung, doctorant en informatique et génie informatique à l’université du Michigan et chercheur de l’initiative ML.Energy, déclare à Tom’s Hardware Premium : « La réponse à ce qui semble être la question centrale, à savoir le logiciel ou les algorithmes peuvent-ils vraiment aider sur la puissance et l’énergie, est oui, à 100 %. » Les puces sont lentes et coûteuses à remplacer, contrairement aux logiciels. Les mesures de ML.Energy sur le modèle Qwen 3 235B A22B Thinking d’Alibaba indiquent qu’une inférence en FP8, format de précision légèrement réduite, consomme un tiers d’énergie en moins que les versions en bfloat16 sur des tâches de résolution de problèmes. Son optimiseur Perseus ralentit les parties d’un entraînement qui ont moins à calculer pour qu’elles finissent en même temps que les plus chargées, réduisant l’énergie d’entraînement jusqu’à 30 % sans baisse de débit ni changement de matériel.
| Technique | Gain annoncé | Source du chiffre |
|---|---|---|
| Inférence FP8 au lieu de bfloat16 | Un tiers d’énergie en moins | ML.Energy |
| Optimiseur Perseus | Jusqu’à 30 %, sans perte de débit | Université du Michigan |
| Profils Blackwell | Jusqu’à 15 %, 97 % de performance gardée | Nvidia, chiffre d’entreprise |
« La baie la plus bruyante de la salle » et les calculs qu’on pourrait décaler
Nvidia avance que ses profils de puissance Blackwell, qui ajustent fréquences, limites de puissance et réglages de cache selon la charge, économisent jusqu’à 15 % d’énergie en conservant 97 % ou plus de la performance, et permettraient d’augmenter le débit jusqu’à 13 % sur un site contraint : ces chiffres sont annoncés par l’entreprise. Chetan Visrolia, business development manager pour les infrastructures de data centers chez SHI, désigne le gaspillage qu’il rencontre le plus souvent, du matériel ancien qui fait tourner du vieux code : « C’est toujours le fruit le plus facile à cueillir pour des économies rapides. On en trouve dans n’importe quel data center, car c’est la baie la plus bruyante de la salle. » Sophie Hall, doctorante au laboratoire de contrôle automatique de l’ETH Zurich, qui a étudié le déplacement des charges dans le parc mondial de data centers de Google, déplace la question : « C’est plutôt : quand l’utilisent-ils, où l’utilisent-ils, et comment cela interagit-il avec le réseau ? »
Souveraineté des données et paradoxe de Jevons, les deux limites
Les travaux par lots non urgents pourraient attendre la baisse de la demande locale ou partir vers une région disposant de capacité libre. Mais ce déplacement bute sur du concret : les règles nationales de souveraineté des données peuvent interdire à une charge de franchir une frontière. « Les données doivent littéralement, physiquement, géographiquement, être déplacées vers un autre endroit. Ce n’est pas si simple », dit Sophie Hall. Reste le paradoxe de Jevons : l’efficacité ne réduit pas la consommation d’un site si chaque watt économisé sert à produire davantage de jetons. Le logiciel n’est donc ni une solution miracle ni un substitut à de meilleures puces et à de nouvelles infrastructures électriques. « L’électricité est le goulet d’étranglement central des data centers d’IA », dit Jae-Won Chung.
