Derrière l’apparente immatérialité de l’intelligence artificielle se déploie une infrastructure industrielle considérable. Semi-conducteurs, centres de données, réseaux électriques, systèmes de refroidissement, cuivre, eau, béton et chaînes logistiques constituent le socle physique d’une technologie souvent présentée comme purement numérique. À mesure que l’IA se diffuse, la question de sa puissance devient aussi celle des ressources nécessaires pour la soutenir.

L’intelligence artificielle semble ne rien peser. Une question est saisie sur un écran, quelques secondes passent et une réponse apparaît. Aucun moteur n’est visible, aucune cheminée ne fume, aucun matériau ne semble avoir été consommé. Cette simplicité de l’interface entretient l’image d’une technologie presque abstraite, produite quelque part dans un « cloud » dont le nom lui-même suggère l’absence de matière.

La réalité industrielle est presque exactement inverse.

Chaque modèle d’intelligence artificielle repose sur une accumulation de machines extrêmement sophistiquées, elles-mêmes installées dans des bâtiments industriels, alimentées par des réseaux électriques, refroidies par des équipements thermiques et connectées par des milliers de kilomètres de fibres et de câbles. Leur fabrication commence bien avant le centre de données, dans les mines, les raffineries de métaux, les usines chimiques, les fonderies de semi-conducteurs et les chaînes logistiques internationales.

L’intelligence artificielle appartient ainsi pleinement au monde matériel. Son développement pourrait même devenir l’un des principaux moteurs d’une nouvelle vague mondiale d’investissements industriels.

I. Derrière le logiciel, une machine industrielle

Le cœur physique de l’intelligence artificielle contemporaine est constitué par les accélérateurs de calcul, principalement des GPU et d’autres circuits spécialisés capables d’effectuer simultanément un nombre considérable d’opérations mathématiques.

La sophistication de ces composants donne une première idée de la densité industrielle nécessaire à l’IA. L’architecture Blackwell de NVIDIA, par exemple, rassemble 208 milliards de transistors sur ses GPU et repose sur un procédé de fabrication spécifique de TSMC. Derrière une seule puce se trouve donc une chaîne industrielle extraordinairement complexe : conception électronique, logiciels de conception assistée, lithographie, wafers de silicium, produits chimiques ultrapurs, équipements de fabrication, mémoire à haut débit, packaging avancé, substrats et systèmes de refroidissement.

Cette chaîne est également fortement concentrée géographiquement. Une partie importante des semi-conducteurs avancés est produite en Asie orientale, tandis que plusieurs technologies critiques nécessaires à leur fabrication sont contrôlées par un nombre limité d'entreprises situées aux États-Unis, en Europe, au Japon, en Corée du Sud et à Taïwan.

L’IA n’est donc pas seulement dépendante des algorithmes. Elle dépend d’une architecture industrielle mondiale dont certaines étapes constituent de véritables points de passage obligés.

Cette matérialité devient encore plus visible lorsque les puces quittent les usines pour rejoindre les centres de données.

II. Le data center devient une infrastructure énergétique

Les centres de données existaient bien avant l’intelligence artificielle. Internet, le commerce électronique, les services bancaires, les plateformes vidéo et le cloud reposaient déjà sur d'immenses capacités informatiques.

L’IA modifie cependant leur dynamique.

L'entraînement et l'exploitation des modèles contemporains utilisent massivement des serveurs accélérés. Selon l’Agence internationale de l’énergie, la consommation électrique mondiale des centres de données pourrait atteindre environ 945 TWh en 2030, soit plus du double de son niveau de 2024 et un peu moins de 3 % de la consommation électrique mondiale projetée. Entre 2024 et 2030, leur consommation augmenterait d'environ 15 % par an dans le scénario central de l'agence, soit plus de quatre fois plus rapidement que celle des autres usages électriques réunis.

L’IA constitue une partie majeure de cette accélération. L’AIE estime que la consommation des serveurs accélérés, principalement stimulée par son adoption, pourrait progresser d’environ 30 % par an jusqu’en 2030. Ces équipements représenteraient près de la moitié de l’augmentation nette de la consommation électrique mondiale des centres de données sur la période.

Les chiffres doivent néanmoins être interprétés avec prudence. Tous les centres de données ne sont pas consacrés à l’IA, les performances énergétiques des puces progressent rapidement et les prévisions dépendent fortement du rythme d’adoption des technologies. L’AIE souligne d'ailleurs qu'à l'échelle mondiale, même une consommation proche de 945 TWh resterait inférieure à 3 % de la demande électrique totale.

Le problème est davantage géographique que simplement global.

Un centre de données n’est pas raccordé à un « réseau électrique mondial ». Il se connecte à un réseau local précis. Une concentration de plusieurs installations dans une même région peut donc représenter une charge considérable pour les capacités de production, de transport et de distribution disponibles.

Aux États-Unis, le Department of Energy estimait fin 2024 que la demande électrique des centres de données pourrait doubler ou tripler d’ici 2028, notamment sous l’effet de l’IA.

La question change alors de nature. Il ne s’agit plus seulement de savoir combien d’électricité l’IA consomme, mais où cette électricité pourra être produite, transportée et garantie vingt-quatre heures sur vingt-quatre.

III. La bataille du mégawatt

Cette contrainte explique une évolution spectaculaire de l’industrie technologique : les entreprises numériques interviennent de plus en plus directement dans les questions énergétiques.

L’accès à une capacité électrique abondante, stable et prévisible devient un facteur de localisation des infrastructures informatiques. Les délais de raccordement au réseau, la disponibilité de transformateurs, la capacité des lignes de transport ou la présence de nouvelles unités de production peuvent désormais conditionner le calendrier d'un projet informatique de plusieurs milliards de dollars.

Microsoft indiquait ainsi dans son rapport environnemental 2025 avoir contractualisé 34 GW de nouvelles capacités renouvelables dans 24 pays.

Ce mouvement dépasse largement la seule énergie renouvelable. Les besoins futurs des centres de données contribuent au regain d'intérêt pour le nucléaire, les centrales à gaz, le stockage électrique, les nouvelles infrastructures de réseau et, à plus long terme, les petits réacteurs modulaires ou d'autres technologies énergétiques encore en développement.

L’économie numérique rejoint ainsi une problématique que connaissent depuis longtemps l’aluminium, la sidérurgie, la chimie ou les industries électro-intensives : la disponibilité de l’énergie devient un facteur stratégique de production.

Une différence subsiste néanmoins. Les centres de données peuvent concentrer une puissance économique considérable sur une surface relativement réduite. Leur consommation électrique peut donc augmenter très rapidement dans certaines régions, alors que la construction d’une centrale, d’une ligne à haute tension ou d'un poste électrique demande souvent plusieurs années.

La vitesse du logiciel rencontre ici la lenteur des infrastructures.

IV. Une intelligence qui produit de la chaleur

Presque toute l’électricité consommée par un processeur finit par être dissipée sous forme de chaleur. Plus les accélérateurs deviennent puissants et plus ils sont regroupés dans des systèmes denses, plus l’évacuation de cette chaleur devient un problème d’ingénierie central.

Le refroidissement est donc indissociable de l’infrastructure de l’IA.

Les systèmes traditionnels reposent largement sur la circulation d’air refroidi. Mais la densité thermique croissante des serveurs accélérés favorise le développement du refroidissement liquide, notamment celui appliqué directement aux composants.

Cette évolution peut améliorer considérablement l’efficacité thermique, mais elle introduit une autre ressource dans l’équation : l’eau.

Il serait toutefois trompeur d'attribuer une quantité fixe d'eau à chaque requête adressée à une IA. Les besoins varient selon le modèle utilisé, le matériel, le lieu, la température extérieure, la technologie de refroidissement et le mix électrique. Une partie de l’eau associée au calcul est consommée directement dans le centre de données, tandis qu’une autre l’est indirectement dans la production d’électricité.

Les technologies évoluent également rapidement. Microsoft affirme par exemple que plus de 90 % de ses capacités de centres de données utilisent désormais des systèmes liquides en boucle fermée qui réutilisent leur eau, et indique que certains systèmes de refroidissement direct permettent d’économiser plus de 125 millions de litres d’eau par installation et par an par rapport aux architectures auxquelles ils se substituent.

La question de l’eau ne disparaît donc pas, mais elle ne peut pas être réduite à une formule universelle du type « une requête égale X litres ». Son importance dépend avant tout de la localisation et de la technologie employée.

Dans une région humide disposant d'importantes ressources hydriques, l'enjeu n'est pas identique à celui d'une installation implantée dans une zone confrontée au stress hydrique. L’empreinte matérielle de l’IA doit ainsi être analysée territorialement autant que globalement.

V. Avant l’électricité, les métaux

L’analyse environnementale de l’IA se concentre fréquemment sur la consommation électrique. Pourtant, l’électricité n’est que la partie opérationnelle de son empreinte.

Il faut construire les bâtiments, produire les serveurs, fabriquer les cartes électroniques, installer les transformateurs, relier les centres de données au réseau électrique et connecter entre elles les machines.

Cela signifie du béton, de l’acier, de l’aluminium, du cuivre, du silicium, des plastiques, des fibres optiques et de nombreux matériaux spécialisés.

Le cuivre occupe notamment une position particulière. Il intervient dans les équipements électriques, les câbles, les transformateurs, les systèmes électroniques et l’extension générale des réseaux. L’IA vient ainsi ajouter une nouvelle source de demande à un métal déjà sollicité par l’électrification des transports, le développement des énergies renouvelables et la modernisation des réseaux électriques. L’AIE souligne depuis plusieurs années que l'expansion de ces derniers implique une augmentation importante des besoins en cuivre et en aluminium.

Les semi-conducteurs exigent parallèlement leurs propres matériaux et procédés industriels. Leur production utilise des wafers de silicium extrêmement purs, différents métaux, des gaz industriels, des produits chimiques spécialisés et de grandes quantités d'eau ultrapure.

L'ordinateur qui fait fonctionner un modèle d'IA est donc l'extrémité visible d'une chaîne extractive et industrielle beaucoup plus longue.

La CNUCED insiste précisément sur cette dimension de l’économie numérique : derrière les services dématérialisés se trouvent des matières premières, des équipements physiques et une production croissante de déchets électroniques. Elle souligne également que les coûts environnementaux associés à l’extraction et au traitement des ressources sont souvent supportés par des économies en développement qui captent une part beaucoup plus faible de la valeur créée en aval.

Cette géographie produit une asymétrie fondamentale : les lieux où sont consommés les services numériques ne sont pas nécessairement ceux où leur empreinte matérielle est la plus forte.

VI. Une chaîne de valeur profondément géopolitique

Cette dépendance matérielle transforme l’intelligence artificielle en enjeu géopolitique.

La puissance informatique suppose simultanément la maîtrise de plusieurs couches industrielles : conception des puces, fabrication des semi-conducteurs avancés, mémoires, packaging, équipements lithographiques, matériaux, énergie, réseaux électriques, centres de données et infrastructures de télécommunications.

Peu de pays contrôlent l’ensemble de cette chaîne.

Les États-Unis occupent une position dominante dans plusieurs segments de la conception de processeurs et dans les plateformes d’IA. Taïwan joue un rôle majeur dans la fabrication des semi-conducteurs avancés. La Corée du Sud est centrale dans les mémoires. Le Japon reste important dans certains matériaux et équipements industriels. Plusieurs technologies essentielles à la lithographie et à la production des puces dépendent de fournisseurs européens. La Chine possède de son côté une puissance industrielle considérable, une infrastructure électrique gigantesque et des positions importantes dans le traitement de nombreuses matières premières.

L’accès au calcul devient ainsi un attribut de puissance comparable, à certains égards, à l’accès à l’énergie ou aux capacités industrielles.

L’OCDE parle désormais explicitement de capacités nationales de calcul et souligne que les stratégies nationales d’intelligence artificielle doivent être articulées avec les ressources informatiques disponibles.

Une souveraineté algorithmique dépourvue de capacité matérielle reste donc limitée. Posséder des chercheurs et développer des modèles ne suffit pas nécessairement si les processeurs doivent être importés, si les centres de données ne peuvent être alimentés ou si les infrastructures de réseau sont insuffisantes.

L’IA réintroduit ainsi brutalement la géographie dans un univers numérique qui avait longtemps prétendu s'en affranchir.

VII. Le paradoxe de l’efficacité

Il serait néanmoins erroné de considérer que la consommation d’un système d’intelligence artificielle augmente mécaniquement avec ses performances.

Les processeurs deviennent plus efficaces. Les architectures des modèles évoluent. La précision numérique nécessaire à certaines opérations diminue. Les logiciels optimisent l’utilisation du matériel. Les centres de données améliorent leur refroidissement et les mêmes tâches peuvent progressivement nécessiter moins d’énergie.

En théorie, ces progrès devraient réduire l’empreinte nécessaire à chaque unité de calcul.

Mais ils peuvent produire l’effet inverse à l’échelle du système.

C’est le mécanisme classique de l’effet rebond : lorsqu’une ressource devient plus efficace et moins coûteuse à utiliser, sa consommation totale peut augmenter parce que ses usages se multiplient.

Une génération d’images moins coûteuse permet d'en générer davantage. Une inférence plus efficace permet d’intégrer l’IA dans davantage de logiciels. Une baisse du coût des modèles permet de traiter davantage de documents, de vidéos, de données scientifiques ou de requêtes quotidiennes.

L’amélioration de l’efficacité énergétique d’une requête ne garantit donc absolument pas une diminution de la consommation totale.

La question essentielle devient celle de la relation entre deux vitesses : la vitesse à laquelle l’efficacité du calcul progresse et celle à laquelle la demande de calcul augmente.

Pour l’instant, les projections de l’AIE indiquent que la seconde devrait rester suffisamment élevée pour provoquer une forte augmentation de la consommation électrique globale des centres de données.

VIII. Le coût matériel doit être comparé à ce que l’IA remplace

L’empreinte matérielle de l’intelligence artificielle ne peut cependant être étudiée uniquement comme un coût isolé.

Une technologie peut consommer beaucoup de ressources tout en permettant d'en économiser davantage ailleurs.

L’IA peut contribuer à optimiser des réseaux électriques, améliorer des procédés industriels, prévoir certaines défaillances, réduire des déplacements, optimiser la logistique, accélérer la recherche de nouveaux matériaux ou améliorer la gestion énergétique des bâtiments. L’AIE considère elle-même les deux dimensions simultanément : l’intelligence artificielle augmente la demande énergétique, mais peut également améliorer l’efficacité et le fonctionnement du système énergétique.

Mesurer son impact environnemental réel suppose donc de comparer des systèmes complets.

Si une simulation numérique évite des milliers d’expériences physiques, son bilan ne se résume pas à l’électricité du centre de données. Si un modèle améliore la consommation d'une usine, il faut intégrer les économies réalisées. À l'inverse, si l’IA génère principalement une explosion de nouveaux usages numériques qui n’existaient pas auparavant, son empreinte vient largement s’ajouter aux consommations existantes.

L’OCDE recommande précisément de distinguer les impacts environnementaux directs du calcul et des équipements des effets indirects, positifs comme négatifs, produits par les applications. Elle souligne également les lacunes persistantes de mesure et de transparence.

Le débat sérieux ne consiste donc ni à présenter l’IA comme intrinsèquement écologique, ni à calculer son empreinte à partir de quelques exemples spectaculaires. Il consiste à mesurer ce qu’elle consomme, ce qu’elle remplace et ce qu’elle permet réellement d’économiser.

IX. L’IA comme nouvelle industrie lourde

L’expression peut sembler paradoxale. Pourtant, à mesure que l’infrastructure de calcul grandit, l’intelligence artificielle adopte plusieurs caractéristiques des grandes industries de capital.

Elle nécessite des investissements initiaux considérables. Elle dépend d’infrastructures énergétiques. Elle mobilise des chaînes mondiales de matières premières. Elle nécessite des installations industrielles complexes. Elle dépend de fournisseurs spécialisés difficiles à remplacer. Elle rencontre des contraintes foncières, électriques, hydriques et réglementaires.

Le data center devient progressivement moins comparable à un simple bâtiment informatique qu’à une installation industrielle connectée à un écosystème énergétique.

Cette transformation pourrait avoir des conséquences économiques importantes.

Pendant plusieurs décennies, une partie de l’économie numérique a bénéficié d’une caractéristique exceptionnelle : le coût marginal extrêmement faible de la reproduction de l’information. Copier un logiciel, une photographie ou un fichier numérique ne nécessitait presque aucune matière supplémentaire.

L’intelligence artificielle générative modifie partiellement cette logique.

Produire une nouvelle réponse nécessite du calcul. Produire un milliard de réponses nécessite beaucoup plus de calcul. L’information demeure numérique, mais sa génération possède un coût physique permanent.

L’économie de l’IA reste donc soumise aux contraintes fondamentales du monde industriel : capital, énergie, ressources, capacité de production et infrastructure.

X. La prochaine frontière ne sera peut-être pas algorithmique

La compétition mondiale autour de l’intelligence artificielle est généralement racontée comme une course aux modèles : quel système sera le plus intelligent, le plus rapide ou le plus capable ?

Cette lecture pourrait progressivement devenir insuffisante.

À mesure que les performances algorithmiques progressent, les contraintes matérielles peuvent prendre une importance croissante. Disposer du meilleur modèle ne suffit pas s’il manque les accélérateurs nécessaires pour le déployer à grande échelle. Posséder les accélérateurs ne suffit pas si les capacités électriques ne permettent pas de les alimenter. Construire les centres de données ne suffit pas si les réseaux ne peuvent absorber leur charge.

La frontière technologique devient alors une frontière infrastructurelle.

Les pays capables de combiner énergie abondante, réseaux électriques robustes, capacité financière, stabilité réglementaire, connectivité internationale et accès aux semi-conducteurs pourraient bénéficier d'un avantage structurel dans l'économie de l'IA.

À l'inverse, les États qui restent de simples consommateurs de services d'intelligence artificielle pourraient importer non seulement leurs technologies mais également, indirectement, leur capacité de calcul.

Une nouvelle géographie numérique se dessine ainsi autour de quelques ressources très anciennes : le territoire, l’énergie, l’eau, les métaux et le capital.

Conclusion — Derrière le cloud, le monde physique

L’intelligence artificielle possède une caractéristique étrange : plus son interface devient simple, plus l’infrastructure nécessaire pour la produire devient complexe.

Quelques mots tapés sur un téléphone peuvent déclencher des opérations réalisées dans une machine contenant des dizaines ou des centaines de milliards de transistors, installée parmi des milliers d’autres processeurs, dans un bâtiment relié à un réseau électrique et à des infrastructures de télécommunications mondiales.

Derrière cette machine se trouvent des usines de semi-conducteurs. Derrière ces usines, des équipements industriels et des chaînes chimiques. Derrière les réseaux électriques, du cuivre, de l’aluminium, des transformateurs et des centrales. Derrière l’ensemble, des investissements qui se comptent désormais en centaines de milliards de dollars.

Cela ne signifie pas que l’intelligence artificielle soit matériellement insoutenable. Les gains d’efficacité peuvent être considérables, les systèmes de refroidissement évoluent, les processeurs progressent et l’IA elle-même peut contribuer à optimiser l’utilisation des ressources.

Mais cela signifie que sa croissance n’est pas indépendante du monde physique.

La question déterminante de la prochaine décennie pourrait donc ne pas être seulement de savoir qui construira l’intelligence artificielle la plus avancée, mais qui possédera l’écosystème industriel capable de la faire fonctionner à grande échelle.

Car derrière les modèles, les paramètres et les algorithmes demeure une réalité beaucoup plus ancienne.

L’intelligence artificielle a besoin de puces. Les puces ont besoin d’usines. Les usines et les centres de données ont besoin d’eau et d’électricité. Les réseaux ont besoin de métaux. Et toutes ces infrastructures ont besoin de territoire, de capital et de temps.

Le cloud n’a jamais été un nuage. C’est une industrie.

Sources principales

  • Agence internationale de l’énergie, Energy and AI, 2025 ; projections relatives à la consommation électrique des centres de données et aux serveurs accélérés.
  • U.S. Department of Energy / Lawrence Berkeley National Laboratory, travaux sur l’évolution de la consommation électrique des centres de données aux États-Unis.
  • OCDE, travaux sur les capacités de calcul nationales et Measuring the Environmental Impacts of Artificial Intelligence Compute and Applications.
  • CNUCED, Rapport sur l’économie numérique 2024, concernant notamment les ressources matérielles, les déchets électroniques et la répartition géographique de l’empreinte environnementale de l’économie numérique.
  • Microsoft, Environmental Sustainability Report 2025, données relatives aux centres de données, au refroidissement, à l’eau et aux capacités énergétiques renouvelables contractualisées.
  • NVIDIA, documentation technique de l’architecture Blackwell ; caractéristiques des accélérateurs et procédé de fabrication.
  • Agence internationale de l’énergie, travaux sur les minerais critiques et les besoins en cuivre et aluminium associés aux infrastructures électriques.