Data center et IA : quel impact sur l’infrastructure numérique ?

Comment l’IA transforme l’infrastructure des data centers 

Des puces spécialisées pour une puissance de calcul inédite 

Un data center pensé pour l’IA ne ressemble plus vraiment à un data center classique. Le CPU (processeur central), utilisé partout auparavant, n’est plus le composant principal. Il est remplacé par le GPU (Graphics Processing Unit), bien plus adapté au calcul intensif, et jusqu’à 100 fois plus rapide que lui sur les tâches d’IA. Google utilise même sa propre puce, le TPU (Tensor Processing Unit), encore 2,5 fois plus rapide qu’un GPU sur ce type de calcul.

Ce changement n’a rien d’un détail technique. Entraîner un grand modèle de langage demande souvent plusieurs milliers, voire dizaines de milliers de GPU, qui tournent ensemble pendant des semaines, parfois des mois.

Le bon processeur à utiliser dépend surtout de l’étape du projet :

Étape du projet IA	Description	Processeur recommandé
Préparation des données	Collecte, nettoyage, mise en forme des volumes	CPU souvent suffisant
Entraînement du modèle	Le modèle apprend à reconnaître des motifs	GPU ou TPU indispensables
Optimisation du modèle	Ajustement fin, réduction des besoins en calcul	GPU ou TPU selon le cas
Inférence	Traitement de nouvelles données au quotidien	CPU souvent suffisant

D’où l’intérêt de calibrer son infrastructure selon l’usage réel plutôt que de foncer sur la solution la plus puissante du marché.

Cette débauche de puissance se traduit dans la densité des baies : un data center polyvalent tourne entre 5 et 15 kW par baie, contre plus de 100 kW pour une baie dédiée à l’IA, un écart qui rebat les cartes en matière de conception, de refroidissement et d’alimentation.

Il pose aussi, en creux, la question de la sobriété des usages IA, un enjeu que nous creusons plus en détail dans notre article dédié à l’IA frugale.

Des architectures réseau repensées pour l’IA 

Dans un data center classique, le trafic suit une logique nord-sud, un simple aller-retour entre un serveur et l’utilisateur final, suffisant pour la majorité des usages informatiques traditionnels. L’entraînement d’un modèle d’IA fonctionne différemment : des milliers de GPU doivent communiquer en permanence entre eux, échanger des résultats intermédiaires et se synchroniser à chaque étape du calcul.


Le trafic bascule alors vers une logique est-ouest, où l’essentiel des échanges se fait horizontalement, serveur à serveur, avec une exigence de latence quasi nulle. Un réseau beaucoup plus dense et beaucoup plus coûteux à construire qu’un data center classique.

Trois évolutions techniques découlent directement de ce changement de paradigme. 

• Des débits qui explosent. Les réseaux dédiés à l’IA grimpent désormais à 100G, 400G, voire 800G, quand un data center traditionnel se contentait souvent de débits bien inférieurs. 

• Une sursouscription qui disparaît. Le ratio classique de 3:1 entre commutateurs spine et leaf, longtemps la norme pour optimiser les coûts réseau, laisse place à des architectures en 1:1. Un choix nettement plus onéreux, mais devenu incontournable pour éviter tout goulot d’étranglement pendant l’entraînement. 

• Une redondance renforcée. Une interruption réseau en pleine phase d’entraînement peut ruiner des heures, voire des jours de calcul. D’où des mécanismes de secours plus robustes qu’ailleurs. 
  
  

Cette bascule vers le 1:1 n’est pas un simple détail d’ingénieur réseau, c’est un choix qui pèse lourd dans le budget d’un projet IA. Avant de vous lancer, mieux vaut donc évaluer précisément vos besoins réels en bande passante plutôt que de calquer, par facilité, l’architecture d’un hyperscaler dont les contraintes n’ont probablement rien à voir avec les vôtres.

La question de la sécurité mérite elle aussi qu’on s’y attarde. L’IA traite fréquemment des données sensibles, qu’il s’agisse d’informations clients, de données de santé ou de secrets industriels. Le chiffrement des flux et la sécurisation des échanges deviennent alors des prérequis, et non plus de simples options à cocher en fin de projet. 

Reste enfin un dernier levier, plus discret mais tout aussi déterminant : le SDN, ou Software-Defined Networking. Cette approche logicielle du réseau permet d’ajuster dynamiquement les capacités disponibles à la demande, sans avoir à intervenir physiquement sur les équipements à chaque pic d’activité.

Un défi thermique qui impose de nouveaux systèmes de refroidissement 

Toute cette puissance de calcul dégage, mécaniquement, une chaleur considérable. Et c’est là que le bât blesse pour beaucoup d’infrastructures existantes. Un système de refroidissement par air, aussi bien conçu soit-il, finit par toucher ses limites physiques face aux densités que réclament les baies IA. Passé un certain seuil, faire circuler de l’air ne suffit plus à évacuer la chaleur produite.

Deux familles de solutions ont émergé pour répondre à ce mur thermique. Le refroidissement liquide direct, ou DLC, consiste à faire circuler un liquide caloporteur au plus près des composants qui chauffent, généralement directement sur la puce.


L’immersion cooling, de son côté, pousse la logique encore plus loin en plongeant carrément les serveurs dans un bain d’huile diélectrique, un liquide non conducteur capable d’absorber la chaleur sans endommager l’électronique. 

Concrètement, cette transition technique oblige un grand nombre de data centers existants à revoir intégralement leur copie. Difficile, voire impossible, de faire cohabiter des racks à forte densité avec une architecture pensée il y a quinze ans pour du refroidissement par air.


D’où le recours croissant à des installations modulaires ou conteneurisées, plus rapides à déployer et plus faciles à adapter aux exigences changeantes de l’IA que des bâtiments rénovés à la marge. Ces enjeux de refroidissement soulèvent naturellement la question de leur impact environnemental, entre consommation des data centers et pollution générée par les data centers.

Data center et IA : quel impact énergétique et environnemental ? 

Une consommation en forte croissance, portée par l’IA 

Vous vous demandez peut-être si l’engouement pour l’IA se traduit vraiment, chiffres à l’appui, par une explosion de la consommation électrique des data centers. La réponse est oui, sans grande ambiguïté, même si la réalité mérite d’être nuancée. 

Vers des infrastructures hybrides et plus sobres 

Faut-il pour autant construire partout des monstres de densité refroidis au liquide ? Pas nécessairement. Une tendance de fond se dessine vers l’hybridation, une approche qui consiste à ne pas traiter toutes les charges de travail IA de la même façon. L’entraînement d’un modèle réclame une puissance colossale et continue, concentrée dans des infrastructures denses, tandis que l’inférence s’accommode très bien de data centers moins denses, parfois même relativement classiques.

Reste un dernier gisement, encore trop largement ignoré : la chaleur. Toute cette puissance de calcul finit par se transformer en chaleur fatale, un sous-produit encore trop rarement valorisé au regard de son potentiel réel.

C’est précisément ce type d’enjeu que nos équipes ont objectivé sur le terrain, en accompagnant Viridien, une multinationale du secteur des géosciences, dans la réalisation d’un bilan carbone complet sur ses trois scopes appliqué à ses data centers, une mission présentée conjointement lors du GreenTech Forum 2024.

Pour aller plus loin sur les scénarios de valorisation, nos articles dédiés à la chaleur fatale et à la valorisation de la chaleur fatale des datacenters détaillent l’ensemble des pistes disponibles.

Data centers IA en France : un déploiement accéléré 

Des chantiers structurants sur tout le territoire 

La France ne se contente pas de commenter la révolution IA, elle bâtit, littéralement, les infrastructures censées l’accueillir. Un an après le Sommet pour l’action sur l’IA, le bilan chiffré donne le vertige : 63 sites identifiés sur le territoire national, pour un potentiel de raccordement électrique cumulé de 28,6 gigawatts.

Sur ces 63 sites, 26 chantiers sont d’ores et déjà lancés, portés par une dizaine d’opérateurs. Cinq d’entre eux se distinguent par leur ampleur, avec des campus attendus à au moins 700 mégawatts chacun d’ici trois à quatre ans :

• Escaudain (Hauts-de-France)
• Le Bosquel (Hauts-de-France)
• Le Grand Port Maritime de Dunkerque (Hauts-de-France)
• Fouju (Île-de-France)
• Montereau (Île-de-France)

Deux projets illustrent l’ampleur des montants engagés. Le campus BXIA à Bordeaux, porté par Equinix et attendu pour 2028, représente 3 milliards d’euros pour la seule construction, une facture qui pourrait grimper jusqu’à 12 milliards une fois les serveurs installés. Data4, de son côté, vise 20 milliards d’euros d’investissement dans des infrastructures IA en France d’ici 2030.

La dynamique est réelle, mais elle reste concentrée sur quelques territoires bien identifiés, où les conditions de raccordement électrique et le foncier disponible ont permis d’accélérer le mouvement.

Comment anticiper l’impact de l’IA sur son data center ? 

Les bonnes questions à se poser avant d’investir 

Vous portez un projet impliquant l’hébergement de charges de travail IA, en propre ou via un prestataire ? Avant de signer quoi que ce soit, mieux vaut passer votre futur site au crible de quelques questions bien senties. Ce ne sont pas de simples cases à cocher administrativement, mais de véritables points de bascule qui peuvent conditionner la viabilité de votre projet sur le long terme.

L’alimentation électrique disponible est-elle réellement suffisante et stable pour absorber des charges IA ? Un site mal raccordé, ou soumis à des variations de tension fréquentes, peut compromettre des semaines d’entraînement en un seul incident.

L’infrastructure de refroidissement en place est-elle compatible avec des systèmes liquides, ou faudra-t-il envisager une rénovation lourde ? Comme nous l’avons vu plus haut, un bâtiment conçu pour du refroidissement par air ne s’adapte pas d’un claquement de doigts aux exigences thermiques des baies IA à forte densité.

Le site est-il correctement positionné par rapport aux données, aux services cloud ou aux plateformes edge dont votre activité dépend ? La latence n’est pas qu’un détail technique pour les férus de réseau, elle peut littéralement faire ou défaire l’expérience utilisateur de certaines applications IA.

Quelle est la vulnérabilité du site face aux pannes, aux perturbations environnementales ou, plus largement, aux risques géopolitiques ? Un data center ne vit pas en vase clos. Il dépend d’un réseau électrique, d’un contexte climatique local, parfois même d’équilibres internationaux qui dépassent largement le périmètre de l’entreprise elle-même.

Enfin, dernière question, souvent la plus négligée : le choix du modèle d’IA et du data center hébergeur s’inscrit-il dans une véritable stratégie de sobriété numérique, ou répond-il avant tout à une logique de rattrapage précipité ? Cette question n’a rien d’accessoire. Elle détermine, en creux, si votre projet IA restera soutenable à mesure que les usages se multiplient, ou s’il deviendra un poste de dépense et d’impact environnemental toujours plus difficile à maîtriser.

Poser ces questions en amont, c’est déjà éviter une bonne partie des déconvenues qui attendent les projets IA lancés dans la précipitation. C’est aussi, très concrètement, le point de départ d’une démarche de mesure d’impact sérieuse, sans laquelle il devient difficile de piloter durablement l’empreinte environnementale de son infrastructure. 

Vous portez un projet de data center ou souhaitez évaluer l’empreinte carbone de vos infrastructures existantes ? Les experts de Consultis Environnement vous accompagnent sur l’ensemble de ces enjeux, du diagnostic initial jusqu’à la réalisation de votre bilan carbone data centers et de votre ACV. N’hésitez pas à nous contacter pour en discuter.