Verdict factuel : l’IA ne se résume plus à des puces ou à des modèles. À la fin de 2025, la capacité électrique cumulée des centres de données dédiés à l’IA est estimée à 29,6 GW. Ce n’est pas une consommation instantanée relevée sur le réseau : c’est une capacité estimée à partir des accélérateurs vendus et d’un facteur pour les serveurs, le refroidissement et le réseau. La nuance change la lecture du chiffre.
Le AI Index 2026 de Stanford HAI, publié en 2026, rapproche cette capacité du pic de demande électrique de l’État de New York, autour de 31 GW. L’ordre de grandeur éclaire une conséquence concrète : déployer l’IA dépend de raccordements, de transformateurs, d’eau et de production électrique, pas seulement de GPU.
Les 3 points à retenir
- 29,6 GW est une estimation mondiale de capacité cumulée au T4 2025, pas la facture électrique annuelle de « l’IA ».
- Les puces représentent environ 11,8 GW ; le reste est l’infrastructure qui les fait fonctionner.
- Les comparaisons par requête sont utiles, mais l’utilisation effective reste mal connue.
Le chiffre qui change l’échelle du débat
Selon Stanford HAI, qui reprend les données d’Epoch AI, la capacité totale est passée d’environ 10,3 GW au premier trimestre 2025 à 29,6 GW au quatrième. L’estimation attribue 11,82 GW à la puissance thermique nominale (TDP) des puces IA et 17,74 GW aux éléments du centre de données : alimentation, serveurs, refroidissement et réseau.
| Indicateur | Période | Valeur | Définition |
|---|---|---|---|
| Capacité IA totale | T4 2025 | 29,56 GW | Puces + infrastructure associée, estimation cumulée |
| Puces IA (TDP) | T4 2025 | 11,82 GW | Puissance nominale des accélérateurs |
| Hors puces | T4 2025 | 17,74 GW | Refroidissement, réseau et autres équipements |
| Repère réseau | Pic | ≈ 31 GW | Demande de pointe de l’État de New York |
Présentation calculée à partir des valeurs de l’AI Index 2026 ; total : 29,56 GW.
Ce que mesure exactement l’estimation
GW exprime une puissance. L’électricité consommée sur une période s’exprime en GWh ou TWh. Ici, Epoch AI reconstruit une capacité à partir des ventes de grandes puces IA et applique un multiplicateur d’environ 2,5 pour couvrir les équipements non liés aux puces. Stanford documente cette méthode dans la figure 1.2.4.
Elle est pertinente pour suivre l’expansion physique du parc. Elle ne dit pas que toutes les machines tournent à pleine charge, ni quelle part de chaque centre exécute effectivement un modèle d’IA. Elle ne remplace donc ni des compteurs électriques, ni un bilan carbone d’entreprise. Les opérateurs publient rarement le détail nécessaire à une mesure exhaustive.
Pourquoi les requêtes ne racontent pas tout
L’AI Index estime une requête courte à GPT-4o (version mars 2025) à 0,42 Wh, une requête moyenne à 1,21 Wh et une requête longue à 1,79 Wh. Huit requêtes moyennes quotidiennes atteignent 9,71 Wh dans ce scénario. Ces valeurs dépendent du modèle, de la longueur de contexte, du matériel, du lieu et du taux d’utilisation. Elles ne se transposent pas directement à Claude, Gemini, un modèle local ou une API donnée.
Le même rapport estime l’eau annuelle associée à l’inférence GPT-4o entre 1,314 et 1,580 million de kilolitres. Ce sont des estimations de scénario, pas une déclaration d’OpenAI. La comparaison avec les besoins annuels en eau potable de 1,2 million de personnes donne l’échelle, mais ne localise ni les prélèvements ni le stress hydrique. L’emplacement et la saison restent déterminants.
Ce que les autres sources confirment — et ne confirment pas
L’Agence internationale de l’énergie étudie l’électricité des centres de données, de l’IA et des cryptomonnaies dans Energy and AI (2025). Son périmètre est plus large que l’IA. Il ne valide donc pas « 29,6 GW consommés par l’IA », mais confirme que l’infrastructure numérique devient un sujet de planification électrique.
Le Department of Energy américain sépare lui aussi charges de centres de données et effets sur le réseau. Ce rapport 2024 porte sur les États-Unis, non sur une mesure mondiale de l’IA ; il décrit la difficulté de raccorder rapidement de grosses charges. Le programme ENERGY STAR de l’EPA rappelle que le rendement des installations, notamment le refroidissement, modifie le besoin électrique au-delà du calcul.
Conséquences pour une entreprise qui utilise l’IA
- Demander le bon indicateur. Énergie par tâche, part d’électricité décarbonée, localisation et taux d’utilisation sont plus instructifs qu’un chiffre marketing unique.
- Réduire les appels inutiles. Cache, déduplication, routage vers un modèle plus petit et plafonds de contexte réduisent le volume, sans promettre une empreinte exacte.
- Regarder le lieu. Un même calcul n’a pas le même effet sur un réseau tendu ou dans une zone de stress hydrique. Les données publiques restent insuffisantes pour classer finement tous les services.
- Ne pas confondre efficacité et baisse absolue. Une puce plus efficace peut consommer moins par calcul, pendant que le nombre total de calculs augmente.
Les limites à garder en tête
Le 29,6 GW est un point de départ robuste dans ce rapport, pas une mesure définitive. L’inférence est difficile à isoler ; les développeurs divulguent peu ; la TDP n’est pas la puissance réellement tirée ; et le multiplicateur d’infrastructure est une hypothèse. La progression de la courbe peut aussi refléter des livraisons de matériel avant mise en service.
Ce chiffre porte sur une capacité mondiale estimée jusqu’à fin 2025, publiée en 2026. Il ne permet pas d’affirmer la consommation de l’IA en France, ni d’attribuer le pic d’un réseau à un seul modèle. Une décision locale doit partir du gestionnaire de réseau et des données du site.
Comment lire ces chiffres sans surinterpréter
Trois niveaux de mesure coexistent et ne doivent pas être mélangés. La capacité installée répond à la question « quelle puissance l’infrastructure pourrait-elle appeler ? ». La consommation annuelle répond à « quelle énergie a réellement été délivrée sur une période ? ». Les émissions répondent enfin à « quelle était l’intensité carbone de cette électricité et de la chaîne matérielle ? ». Le 29,56 GW de Stanford appartient au premier niveau.
Cette séparation évite deux erreurs fréquentes. La première consiste à convertir directement une capacité en TWh sans hypothèse de taux de charge : il faudrait connaître le temps de fonctionnement et la puissance effective. La seconde consiste à attribuer les émissions d’un centre entier à l’IA alors que des capacités peuvent être partagées avec du cloud, du stockage ou des services classiques. Les méthodes de répartition existent, mais elles demandent des données d’exploitation rarement publiques.
La comparaison avec le pic de New York est donc un repère visuel, pas l’équivalence d’une consommation annuelle ou territoriale. Elle rend tangible la taille de l’infrastructure ; elle ne dit rien à elle seule sur le mix électrique alimentant les machines. Une région dotée d’électricité peu carbonée peut afficher moins d’émissions par kWh, sans pour autant supprimer les contraintes de raccordement, de capacité locale ou d’eau.
Pour suivre le sujet en 2026, le signal le plus utile sera la publication de mesures reproductibles : utilisation moyenne des accélérateurs, PUE des installations, origine de l’électricité et eau prélevée puis restituée. Tant que ces séries ne sont pas standardisées par fournisseur, les estimations globales comme celle d’Epoch AI sont indispensables pour donner l’échelle, mais elles doivent garder leur marge d’incertitude dans le titre comme dans la décision.
Questions fréquentes
L’IA consomme-t-elle 29,6 GW en permanence ?
Non. C’est une estimation de capacité cumulée au T4 2025, pas une puissance appelée en permanence.
Pourquoi inclure le refroidissement ?
Les serveurs, le réseau, l’alimentation et le refroidissement font partie de l’infrastructure nécessaire au calcul IA.
Peut-on comparer directement une requête ChatGPT à une recherche web ?
Seulement avec des hypothèses explicites : prompt, modèle et infrastructure font varier le résultat.
Ce chiffre concerne-t-il la France ?
Non. Il s’agit d’une estimation mondiale de capacité IA.
Sources utiles
- Stanford HAI — AI Index Report 2026 (2026 ; figures 1.2.4, 1.4.7 et 1.4.8).
- Epoch AI (série de capacité reprise par Stanford).
- AIE — Energy and AI (2025).
- U.S. Department of Energy — Data Centers and the U.S. Electric Grid (2024).
- EPA — Data centers and energy efficiency.
Photo de couverture : panumas nikhomkhai / Pexels.
Vincent Vandegans analyse les outils, usages et chiffres de l’intelligence artificielle pour Minderlist.
