GreenAI.fr

Consommation électrique de l'IA : ce que l'on sait mesurer

L'IA n'est pas le premier poste de consommation des datacenters, mais c'est le plus dynamique.

En bref

Entraînement et inférence

L'entraînement est une dépense ponctuelle et massive : des milliers d'accélérateurs pendant des semaines. L'inférence est une dépense répétée à chaque requête, multipliée par des millions d'utilisateurs. Plus un modèle est utilisé, plus l'inférence pèse dans son bilan.

Inférence et entraînement : où va l'énergie du machine learning
Répartition de l'énergie du machine learning entre inférence et entraînementEnviron 60 % pour l'inférence et 40 % pour l'entraînement.Inférence ≈ 60 %Entraînement ≈ 40 %

Source : Google (2022), énergie consacrée au machine learning chez Google.

Pourquoi l'IA concentre la puissance

Un accélérateur haut de gamme comme le Nvidia H100 a une puissance maximale d'environ 700 W. Les baies qui en regroupent des dizaines dégagent une chaleur intense, ce qui pousse vers le refroidissement liquide (voir les alternatives).

Puissance par baie : jusqu'à dix fois plus pour l'IA
Puissance d'une baie de serveursUne baie classique demande environ 5 à 15 kW, une baie de calcul IA environ 40 à plus de 100 kW.04080120Baie classique≈ 5 à 15 kWBaie de calcul IA≈ 40 à plus de 100 kW

Ordres de grandeur du secteur, en kW. L'IEA estime qu'une baie avancée pourrait atteindre en 2027 la puissance de pointe de 65 foyers.

Un chiffre à ne pas reprendre

On lit parfois que l'IA consommerait « 500 TWh par an » dès 2026. Aucune source de référence ne l'établit : ce total à lui seul dépasserait celui de tous les datacenters du monde en 2025 (environ 485 TWh selon l'IEA). Préférez les ordres de grandeur sourcés de cette page et du panorama mondial.

Détail par famille d'usages

Dernière mise à jour :