L'IA a buté sur le poteau électrique : pourquoi le goulot d'étranglement est désormais l'énergie, pas la puce

Ce qui freine l'intelligence artificielle aujourd'hui, ce n'est pas la puce. C'est le poteau électrique. Alors que tout, en technologie, double de capacité et baisse de prix selon des cycles prévisibles, les lignes de transmission électrique ne sont pas devenues une technologie exponentielle : elles continuent de mettre des années à sortir du papier. Et c'est précisément là que la course de l'IA se heurte à un mur.

Les chiffres du Texas racontent cette histoire mieux que n'importe quelle prévision. L'ERCOT, opérateur du réseau électrique texan, disposait mi-2026 d'une file d'attente de plus de 438 000 mégawatts de demande sollicitée — et environ 90 % de ces demandes proviennent de data centers. En avril, cette file dépassait déjà 410 gigawatts.

Des années d'attente pour se brancher au réseau

Raccorder une nouvelle charge importante au réseau est devenu un processus qui prend des années. Des études du Lawrence Berkeley National Laboratory montrent que le délai d'attente moyen dans les files d'interconnexion a plus que doublé au cours des quinze dernières années, et que les projets passent en moyenne environ cinq ans en file d'attente avant d'entrer en exploitation commerciale. Le Texas, avec approximativement 4,2 ans, figure parmi les plus rapides des États-Unis — ce qui en dit long sur le reste.

Le 18 juin 2026, le régulateur texan a approuvé un nouveau processus qui étudie désormais les demandes de grandes charges par lots, en allouant la capacité et en produisant un plan de construction de transmission plutôt que d'analyser projet par projet. C'est une reconnaissance officielle que le problème n'est plus une exception, mais une structure.

Et il y a le voisin

Il existe un second frein, et celui-ci ne se résout pas par l'ingénierie : une enquête Gallup de mars 2026, menée auprès de mille adultes, a révélé que 71 % des Américains s'opposent à la construction de data centers d'IA dans leur propre communauté — près de la moitié se dit fortement opposée. Un sondage de Heatmap Pro en juin est arrivé à un niveau similaire, avec 55 % d'opposition forte. Neuf mois plus tôt, l'opinion publique était partagée à parts égales. Les raisons les plus citées sont la consommation d'eau et d'électricité.

Autrement dit : même avec de l'argent disponible et des puces achetées, il manque deux choses que l'argent n'achète pas rapidement — la capacité du réseau et la licence sociale.

Combien d'énergie cela va-t-il consommer, au juste

Une précision s'impose ici, car une information erronée circule à ce sujet. Les projections varient considérablement selon qui les calcule :

• L'EPRI, institut de recherche du secteur électrique, projette que les data centers consommeront entre 9 % et 17 % de l'électricité des États-Unis d'ici 2030 — une fourchette, pas un chiffre unique.
• BloombergNEF table sur environ 12 % en 2030, atteignant 20 % en 2035. C'est de cette source que provient le chiffre de 20 % souvent attribué à d'autres sources.
• À l'échelle régionale, le tableau est plus préoccupant : en Virginie, l'un des plus grands pôles de data centers au monde, l'EPRI estime que cette activité pourrait consommer de 41 % à 59 % de l'électricité de l'État d'ici 2030, contre environ 25 % aujourd'hui.

Retenir la fourchette, et non le chiffre rond, voilà ce qui distingue ceux qui ont compris de ceux qui se contentent de répéter.

Pourquoi personne ne résout cela avec de l'argent

Lors d'une conversation récente avec Peter Diamandis, l'expert en énergie Ramez Naam a résumé ce renversement d'intuition : un data center de 1 gigawatt coûte environ 50 milliards de dollars à construire, dont environ 35 milliards de dollars en puces. Le coût de l'énergie sur cinq ans est faible comparé au capital investi. La conséquence est contre-intuitive : les laboratoires d'IA accepteraient de payer le double pour l'électricité si celle-ci était disponible dès demain. L'énergie est devenue un goulot d'étranglement de délai, pas un poste de coût.

Naam souligne par ailleurs que les grandes turbines à gaz — la solution de ceux qui ne peuvent pas attendre le réseau — sont vendues avec environ sept ans d'avance, et que la voie la plus rapide disponible aujourd'hui est le solaire couplé à des batteries, capable de passer de zéro à la production en environ douze mois. Avec une réserve qu'il tient à souligner : la batterie résout la différence entre le jour et la nuit, elle ne résout pas la saisonnalité — Londres reçoit environ un sixième du rayonnement solaire en janvier par rapport à juillet.

Ce que cela change pour ceux qui ne font qu'utiliser l'IA

Vous n'allez pas construire de data center. Mais trois conséquences touchent votre entreprise :

1. Le prix de l'IA ne baisse pas de manière uniforme. Le coût par tâche chute lorsqu'un nouveau modèle est plus efficace, et se bloque lorsque la capacité de calcul se raréfie. Planifier un budget annuel d'IA en supposant une baisse continue relève de l'optimisme — mieux vaut revoir le coût par tâche chaque trimestre.
2. La capacité devient un critère de choix de fournisseur. Lorsque vous contractez un système qui dépend de l'IA, demandez ce qui se passe si le fournisseur limite la capacité : existe-t-il une alternative configurée, ou votre processus s'arrête-t-il tout simplement ?
3. Tout ne nécessite pas le modèle le plus puissant. Une grande partie des tâches d'entreprise — classer, extraire, résumer, répondre aux questions fréquentes — fonctionne avec un modèle petit, bon marché et souvent local. Ceux qui structurent cela dès maintenant sont moins exposés aux files d'attente et aux ajustements de prix.

Sur ce calcul du coût par tâche, nous avons écrit dans combien coûte l'IA pour votre entreprise. Et c'est précisément cette conception — quelle tâche, quel modèle, quel plan B — que nous réalisons dans implémentation de l'IA pour les entreprises.

Le résumé en trois lignes

L'IA est limitée par l'infrastructure physique, pas par les idées. Poteaux électriques, transformateurs et autorisations ne suivent pas de courbe exponentielle, et c'est pourquoi les délais énergétiques se mesurent aujourd'hui en années. Pour ceux qui utilisent l'IA en entreprise, la leçon pratique est simple : traitez la capacité comme une ressource rare, pas comme un robinet ouvert.

Sujet inspiré de l'édition du 20 août 2026 de la newsletter Metatrends, de Peter Diamandis, à partir de l'entretien avec Ramez Naam. Les données sur les files d'interconnexion (Lawrence Berkeley National Laboratory et ERCOT), sur l'opinion publique (Gallup et Heatmap Pro) et sur la consommation électrique (EPRI et BloombergNEF) ont été vérifiées auprès des sources avant publication.