Plan nationaux, initiatives européennes, montants record affichés : le signal politique est clair.
Pourtant, derrière un même terme — investir dans l’IA — se cachent des réalités profondément différentes, aux conséquences très inégales en matière de souveraineté, d’énergie et de compétitivité.
À mesure que l’IA devient un facteur de production structurant, la question n’est plus seulement combien investir, mais dans quoi, où et avec quelles contraintes infrastructurelles.
C’est précisément à cette interface — entre usages IA, infrastructures Datacenters et trajectoires énergétiques — que s’inscrivent les travaux menés par MD.C, à travers l’étude Datacenters IT & IA et l’analyse des conditions matérielles nécessaires à un déploiement soutenable et souverain de l’IA en Europe.
1. L’IA : d’une innovation logicielle à une infrastructure critique
L’intelligence artificielle a longtemps été abordée comme une avancée essentiellement logicielle, portée par des algorithmes et des modèles toujours plus performants. Cette lecture n’est plus suffisante. L’IA s’impose désormais comme une infrastructure critique, au même titre que l’électricité ou les réseaux de télécommunications.
“Artificial intelligence is becoming a critical infrastructure for the global economy, comparable to electricity or the internet.”
— Groupe d’études géopolitiques, Financing Infrastructure for a Competitive European AI
À l’horizon 2030–2035, la majorité des tâches cognitives, industrielles et administratives seront augmentées ou automatisées par des modèles d’IA. Dans cette économie profondément « LLM-isée », l’accès à la puissance de calcul devient un facteur de production structurant, conditionnant la productivité, la compétitivité et la capacité d’innovation des territoires.
Ce basculement modifie radicalement la nature des investissements en jeu. Il ne s’agit plus seulement de financer de la recherche ou des briques logicielles, mais de déployer des capacités physiques lourdes : Datacenters, réseaux, infrastructures électriques, systèmes de refroidissement.
Ces choix engagent directement trois dimensions indissociables :
Environnementale, car l’IA repose sur des infrastructures fortement consommatrices d’électricité et d’eau, dont l’empreinte dépend des choix d’implantation et de conception ;
Géopolitique, car la concentration mondiale des capacités de calcul crée des rapports de dépendance entre États et expose les économies aux décisions industrielles de quelques acteurs dominants ;
De souveraineté, enfin, car sans maîtrise des infrastructures de calcul et de l’énergie associée, la capacité à piloter les usages de l’IA — et donc à décider — devient structurellement limitée.
L’IA ne relève donc plus d’un simple débat technologique. Elle s’inscrit désormais au cœur des arbitrages industriels, énergétiques et stratégiques, là où se joue la capacité à anticiper les transformations économiques plutôt qu’à les subir.
2. Une dépendance structurelle européenne au calcul
Aujourd’hui, la répartition mondiale des capacités de calcul dédiées à l’IA est extrêmement déséquilibrée :
- 70 % de la puissance de calcul mondiale est détenue par les États-Unis,
- 80 % de cette puissance est contrôlée par des hyperscalers américains,
- 4 à 5 % seulement est située en Europe.
« By 2030, economic and technological freedom will have a price: GPUs. »
— Financing Infrastructure for a Competitive European AI
Cette dépendance n’est pas théorique. Toute rupture d’accès au calcul — qu’elle soit géopolitique, réglementaire ou économique — aurait un impact direct sur des secteurs critiques : santé, énergie, industrie, défense.
Les investissements nécessaires pour rééquilibrer cette situation sont d’un autre ordre de grandeur :
- France : 5–6 GW de puissance IA d’ici 2028, soit 250 à 300 Md€,
- Europe : 20 GW d’ici 2030, soit 500 à 700 Md€.
3. L’explosion du compute dépasse les gains d’efficacité
Une idée largement répandue consiste à penser que les progrès matériels et algorithmiques suffiront à contenir les impacts énergétiques de l’IA.
Les travaux de Desroches et al. montrent l’inverse.
« Large generative AI models consume up to 4600 times more energy than traditional models. »
— Exploring the sustainable scaling of AI
Selon leurs projections, la consommation électrique liée à l’IA pourrait être multipliée par 24,4 d’ici 2030 dans un scénario de forte adoption, malgré les gains d’efficacité.
« Isolated improvements in hardware efficiency or model optimization are insufficient. »
Ces dynamiques se traduisent concrètement, dans les infrastructures, par des profils de charge plus variables, des pics de puissance marqués et des besoins de refroidissement accrus.
Abonnez-vous à la newsletter
4. Tous les investissements IA ne se valent pas
L’empreinte environnementale de l’IA ne dépend pas uniquement des volumes de calcul mobilisés, mais aussi des choix technologiques et organisationnels qui structurent son développement. Tous les modèles, tous les usages et toutes les trajectoires d’innovation ne produisent pas les mêmes impacts.
Les analyses montrent notamment que :
les modèles audio et multimodaux présentent une empreinte carbone plus élevée que les modèles NLP,
la fréquence de retraining et de versioning constitue un facteur déterminant d’augmentation des émissions,
le contexte organisationnel (projets universitaires, entreprises, communautés ouvertes) influe fortement sur les niveaux d’impact observés.
« Model size and versioning frequency are strongly correlated with higher emissions. »
— The Hidden AI Race: Tracking Environmental Costs of Innovation (Agarwal & Chakraborti)
Ces résultats soulignent une limite majeure des approches agrégées de l’investissement IA : raisonner sans distinguer les usages revient à piloter à l’aveugle.
Les travaux conduits dans le cadre de l’étude Datacenters IT & IA s’inscrivent précisément dans cette logique de différenciation, en reliant les profils de charge, les usages serveurs et les arbitrages énergétiques aux décisions d’investissement.
5. Datacenters, énergie et eau : le cœur du problème
La montée en puissance de l’IA pose d’abord une problématique environnementale, souvent reléguée au second plan derrière les performances des modèles ou les annonces d’investissement.
Derrière le cloud, l’IA s’ancre dans une réalité physique : serveurs, électricité, eau et implantation territoriale.
L’IA ne se déploie pas dans l’abstraction logicielle, mais dans des Datacenters soumis à des contraintes énergétiques, hydriques et foncières de plus en plus fortes.
Les projections montrent une accélération très marquée des besoins. La consommation électrique mondiale des Datacenters pourrait passer d’environ 415 TWh en 2024 à près de 945 TWh en 2030, avec une part disproportionnée liée aux charges IA.
Aux États-Unis, les seuls serveurs IA pourraient générer d’ici 2030 :
+200 à 300 milliards de gallons d’eau par an,
+24 à 44 MtCO₂ par an.
« Global data center electricity demand may increase from 415 TWh in 2024 to nearly 945 TWh by 2030. »
— The Environmental Impact of AI Servers and Sustainable Solutions (Patel et al.)
Un résultat central de cette étude est que les choix d’infrastructure comptent autant que la performance du matériel. Le design des systèmes de refroidissement et la localisation géographique influencent l’empreinte environnementale au même niveau que l’efficacité des serveurs eux-mêmes.
« Cooling system design and geographic location influence environmental impact as strongly as hardware efficiency. »
— Patel et al.
Ces enseignements confirment que la trajectoire environnementale de l’IA se joue largement en amont des modèles, dans les décisions d’implantation, de refroidissement et d’intégration énergétique.
Objectiver ces arbitrages suppose de relier les leviers techniques — refroidissement, implantation, intégration énergétique — aux usages réels et aux trajectoires de long terme.
6. Souveraineté : une question d’infrastructures, pas seulement de données
Les travaux internes menés au sein de MD.C mettent en évidence une contradiction structurante dans l’approche européenne de la souveraineté numérique. Celle-ci est encore largement abordée sous l’angle réglementaire — protection des données, cadres juridiques, conformité — alors qu’elle repose avant tout sur des capacités industrielles et infrastructurelles effectives.
À mesure que l’IA devient une infrastructure critique, la souveraineté ne peut se limiter à la maîtrise des flux de données. Elle suppose l’existence de capacités de calcul, d’hébergement et d’alimentation énergétique localisées, maîtrisées et pilotables sur le territoire.
Dans ce contexte, les Datacenters s’imposent comme des actifs stratégiques, au croisement de l’énergie, de l’économie et de la géopolitique. Pourtant, une part significative de ces infrastructures reste aujourd’hui opérée ou contrôlée par des acteurs extra-européens, introduisant une dépendance structurelle incompatible avec les ambitions affichées en matière d’autonomie technologique.
7. Structurer des trajectoires plutôt que subir les contraintes
L’ensemble de ces travaux converge vers un constat central : la soutenabilité de l’IA ne repose ni sur un indicateur unique, ni sur une solution technologique isolée.
Elle se construit dans la capacité à articuler des choix techniques, énergétiques et industriels, qui engagent directement des enjeux économiques et géopolitiques.
Structurer une trajectoire IA soutenable suppose notamment :
une lecture fine des usages IT et IA, distinguant entraînement, inférence, intensité et temporalité des charges,
des indicateurs alignés sur les charges réelles, capables de dépasser les approches bâtimentaires historiques,
une articulation étroite entre capacités de calcul, énergie et systèmes de refroidissement,
une vision d’investissement inscrite dans le temps long, intégrant les contraintes énergétiques, réglementaires et géopolitiques.
À défaut, les décisions deviennent contraintes, réactives et fragmentées, subissant les arbitrages énergétiques, les limites de raccordement ou les dépendances infrastructurelles sans capacité d’anticipation.
Cette logique consiste à déplacer le point d’entrée des décisions : non plus le bâtiment seul, mais les usages, leurs contraintes énergétiques et leurs implications industrielles et géopolitiques, telles qu’elles se posent concrètement dans l’exploitation et la conception des Datacenters, au cœur des travaux menés par MD.C.
Conclusion
Investir dans l’IA ne signifie pas automatiquement renforcer l’autonomie stratégique ni la compétitivité économique.
Selon ce qui est financé — logiciels, capacités de calcul, Datacenters, énergie — un investissement peut structurer une trajectoire maîtrisée ou, au contraire, renforcer une dépendance déjà critique.
À l’horizon 2030, la question n’est plus de savoir si l’IA transformera l’économie, mais dans quelles conditions matérielles, énergétiques et infrastructurelles cette transformation aura lieu.
Ces choix engagent le long terme : ils conditionnent la capacité à piloter les usages, à sécuriser l’accès au calcul et à arbitrer entre performance, soutenabilité et souveraineté.
C’est précisément sur ces points de friction entre technique, énergie et décision que MD.C s’investit : non pour commenter l’IA, mais pour éclairer ses conditions réelles de déploiement, là où se jouent les trajectoires industrielles, énergétiques et stratégiques.
Sources et références
- Groupe d’études géopolitiques – Financing Infrastructure for a Competitive European AI LIEN
- Desroches et al. – Exploring the sustainable scaling of AI (arXiv:2501.14334) LIEN
- Agarwal & Chakraborti – The Hidden AI Race: Tracking Environmental Costs of Innovation (arXiv:2511.22781) LIEN
- Patel et al. – The Environmental Impact of AI Servers and Sustainable Solutions (arXiv:2601.06063) LIEN
- Étude MD.C – Datacenters IT & IA (travaux internes) LIEN
