IA : La fin de la course aux mégawatts, le début de l’économie de l’efficacité
Dans les Hauts-de-France, SoftBank investit 45 milliards d’euros pour développer 3,1 gigawatts de data centers dédiés à l’intelligence artificielle, marquant la première phase d’un projet total de 75 milliards, annoncé lors du sommet Choose France en mai dernier. En parallèle, 95 % des pilotes d’IA générative en entreprise ne produisent aucun retour mesurable. Ces chiffres soulèvent une question cruciale : pourquoi déployer autant de puissance pour des résultats si minces ?
Le débat public se divise entre ceux qui prônent la construction au nom de la souveraineté et ceux qui plaident pour une limitation par souci environnemental. Cependant, les deux camps partagent l’hypothèse que plus de mégawatts entraîneront une augmentation de la valeur générée par l’IA. Cette hypothèse mérite d’être examinée, car la contrainte la plus difficile à surmonter n’est ni écologique ni politique, mais économique.
L’infrastructure bute sur deux murs, pas un
Le premier mur est physique. En 2025, la consommation électrique mondiale des data centers a augmenté de 17 %, atteignant environ 485 TWh, et l’Agence internationale de l’énergie (AIE) projette une consommation de 950 TWh d’ici 2030. Ce doublement en cinq ans souligne une pression croissante sur les ressources énergétiques.
Les investissements des cinq plus grands groupes technologiques ont dépassé 400 milliards de dollars en 2025, avec une prévision de croissance de 75 % en 2026. À titre de comparaison, le programme EPR2, qui comprend six réacteurs nucléaires, est plafonné à 72,8 milliards d’euros.
Le second mur est financier, souvent moins discuté, mais qui se rapproche rapidement.
Dix-neuf pilotes sur vingt
D’après une étude du MIT publiée en 2025, 95 % des pilotes d’IA générative en entreprise n’ont pas généré de retour mesurable, malgré des investissements de 30 à 40 milliards de dollars. Bien que la méthodologie de cette étude ait été critiquée pour son critère de succès étroit, le constat reste préoccupant. Un an plus tard, une enquête de Domino Data Lab a révélé que 57 % des dirigeants d’entreprises de plus de 100 millions de dollars ne voient toujours pas de retour couvrant leurs dépenses d’IA.
Il est donc évident que le problème ne réside pas dans la puissance disponible.
La facture de la paresse architecturale
La disponibilité de puissance à bas coût a conduit à une optimisation insuffisante. Lorsque les ressources semblent illimitées, il est facile de négliger l’adéquation entre les tâches et les modèles utilisés. Par exemple, utiliser un modèle complexe pour une tâche simple, comme le classement d’un e-mail, entraîne un gaspillage significatif.
Chaque gaspillage, pris isolément, passe inaperçu. Cependant, lorsqu’on multiplie ces inefficacités par des millions de requêtes, cela se traduit par une surcharge des serveurs et une augmentation des besoins en mégawatts.
L’économie de l’efficacité
L’AIE a noté que l’efficacité énergétique de l’IA progresse à un rythme sans précédent, avec une diminution de l’énergie par tâche d’au moins un ordre de grandeur par an. Cependant, ces gains sont souvent annulés par l’augmentation des usages énergivores, comme la génération vidéo.
Pour remédier à cela, des solutions émergent. Par exemple, le STM32N6 de STMicroelectronics permet d’exécuter des tâches d’inférence de réseaux de neurones sur des microcontrôleurs, réduisant ainsi le besoin de data centers.
Trois leviers pour une PME B2B
Il n’est pas nécessaire d’investir 45 milliards pour optimiser l’utilisation de l’IA. Voici trois actions concrètes :
Dimensionner le modèle à la tâche : Utiliser des modèles spécialisés pour des tâches spécifiques, réservant les modèles plus complexes pour des cas justifiant leur coût.
Suivre le coût par requête : Intégrer le coût d’utilisation de l’IA dans les tableaux de bord financiers pour encourager l’optimisation.
Auditer le gaspillage de tokens : Mettre en place des revues périodiques pour identifier et réduire les inefficacités dans l’utilisation des ressources.
Changer d’axe
La construction de mégawatts continuera, mais la question pertinente n’est pas qui possède le plus grand data center, mais qui peut obtenir les mêmes résultats avec moins de ressources. Les 95 % de pilotes sans retour ne manquent pas de puissance ; ils manquent d’architecture. Et cela, aucun investissement de 45 milliards ne pourra le corriger.
Source : MIT, AIE, Domino Data Lab
