// FRANDROID — INTELLIGENZA ARTIFICIALE
Pourquoi Google, Nvidia et OpenAI acceptent de mettre leurs data centers en pause
Les centres de données sont les postes de consommation électrique dont les besoins progressent le plus rapidement. Aux États-Unis, ils ont consommé entre 177 et 192 TWh en 2024, soit 4 à 5 % de l’électricité du pays, une part qui pourrait grimper entre 9 et 17 % d’ici 2030 selon l’Electric Power Research Institute (EPRI). Les projets se multiplient dans le pays et alimentent les inquiétudes quant à leur énorme soif d’énergie. Mais les géants de la tech semblent avoir trouvé la parade : rendre les centres de données flexibles afin qu’ils adaptent leur consommation aux besoins du système électrique.
De nombreuses entreprises technologiques misent désormais sur la flexibilité des centres de données pour atténuer la pression exercée sur le réseau par la hausse des besoins en électricité, notamment ceux liés à l’IA. D’ailleurs, le 16 septembre, Google, Nvidia et Emerald AI se sont associées pour lancer l’AI Energy Management Alliance (AEMA), une initiative destinée à promouvoir cette approche. L’alliance compte aussi 18 partenaires de lancement, dont Anthropic et des énergéticiens comme Constellation, National Grid, NRG ou RWE.
Le principe de la flexibilité consiste à moduler la consommation des infrastructures pendant les périodes de forte demande sur les réseaux. Plusieurs solutions peuvent permettre cela, à commencer par le report des tâches informatiques non urgentes. Les calculs qui ne nécessitent pas une exécution immédiate peuvent être suspendus ou programmés à un moment où le réseau est moins sollicité. Ils peuvent également être transférés vers un autre centre de données situé dans une zone où le réseau est moins tendu. « C’est comme retirer les semi-remorques de la route aux heures de pointe », résumait en octobre 2025 David Porter, vice-président de l’EPRI, auprès d’Axios.
Les batteries offrent un autre levier de flexibilité. Installées directement sur le site, elles permettent de conserver de l’électricité pour la restituer lorsque la demande est élevée. Le centre de données peut alors puiser temporairement dans la réserve au lieu de solliciter autant de puissance sur le réseau.
Les exploitants peuvent aussi ajuster le fonctionnement de certains équipements, comme les systèmes de refroidissement, afin de réduire leur consommation pendant les périodes les plus critiques.
Nvidia teste déjà le principe en Virginie, sur Aurora, un site de 96 mégawatts construit par Digital Realty. Le logiciel d’Emerald AI y décale dans le temps ou vers d’autres sites les calculs d’IA les plus gourmands lorsque le réseau est tendu, puis les relance quand la demande retombe.
Arin Kaye, responsable technique à l’EPRI, explique le 8 octobre à Reuters que les centres de données sondés par l’institut se disent capables de réduire leur puissance appelée en pointe de 10 à 30 % selon le type d’installation, et même davantage pour certains hyperscalers. À l’échelle de plusieurs sites, ces baisses pourraient représenter un apport significatif pour le réseau lors des fortes demandes.
Pour l’instant, ces effacements restent surtout cantonnés à des projets pilotes ou à des accords au cas par cas. OpenAI s’est par exemple engagé à réduire jusqu’à 1 gigawatt la puissance tirée du réseau lors des périodes de tension, sur les 3,2 gigawatts prévus pour un futur site en Géorgie.
En limitant les pointes de consommation, la flexibilité pourrait également éviter ou retarder des investissements coûteux dans les infrastructures électriques. Pour répondre à la croissance de la demande, les gestionnaires de réseau doivent en effet envisager de nouvelles capacités de production, renforcer les lignes électriques et agrandir les postes de transformation. Or, une partie de ces équipements supplémentaires pourrait n’être nécessaire que pendant les heures de pointe.
Si les centres de données réduisent leur consommation durant ces périodes, le réseau pourrait absorber davantage de demande sans devoir être dimensionné pour des pics aussi élevés. Une étude du Nichola