Les économies nettes d’électricité liées à l’intelligence artificielle dépendent de l’efficacité de son déploiement dans le système électrique de la Chine

Pourquoi une électricité plus intelligente compte

L’intelligence artificielle (IA) est souvent présentée comme un cerveau invisible dans le cloud, mais derrière chaque chatbot ingénieux ou générateur d’images se cache un flux bien réel d’électricité. Cette étude pose une question aux grandes conséquences pour le climat et la planification énergétique : les économies d’énergie que l’IA permet au sein du système électrique peuvent-elles compenser la consommation supplémentaire des immenses centres de données ? En se concentrant sur le réseau en rapide évolution de la Chine, les auteurs retracent comment l’IA pourrait passer d’un fardeau électrique croissant à un gain net — si elle est déployée de manière suffisamment efficace et généralisée.

Les deux visages de l’intelligence artificielle

L’article commence par exposer une tension. D’un côté il y a les centres de données d’IA, dont les serveurs spécialisés peuvent consommer six à huit fois plus d’électricité que des machines traditionnelles. À mesure que les modèles grossissent et sont utilisés plus fréquemment, ces installations deviennent une nouvelle source majeure de demande sur le réseau. De l’autre, des algorithmes d’IA s’intègrent dans l’ensemble du système électrique — aidant à prévoir la production éolienne et solaire, à affiner le fonctionnement des centrales à charbon, à gérer le chauffage et la climatisation des bâtiments, à équilibrer les charges industrielles et à prolonger la durée de vie des batteries. Ces applications peuvent réduire le gaspillage et lisser les pics de demande. L’enjeu central est de savoir si, pris ensemble, les gains permis par l’IA dans le réseau peuvent annuler voire dépasser l’électricité que l’IA consomme elle‑même.

Mesurer l’effet net au fil du temps

Pour aborder cette question, les chercheurs construisent un modèle d’évaluation dynamique qui s’étend de 2025 à 2060. Ils estiment la propre consommation électrique de l’IA « du bas vers le haut », en partant des livraisons projetées de serveurs d’IA, de leur durée de service, de leur consommation lors de l’entraînement et de l’usage courant, et de l’évolution de l’efficacité énergétique des centres de données. En parallèle, ils passent en revue une décennie d’études sur les mesures d’économie d’énergie permises par l’IA. À l’aide d’une méta‑analyse, ils synthétisent combien d’électricité peut être économisée dans sept pratiques clés, comme l’amélioration de l’efficacité des centrales à charbon, la réduction des pertes de transmission, l’amélioration de l’efficacité des bâtiments et de l’industrie, et l’optimisation du stockage par batteries. Ces économies sont ensuite extrapolées à l’échelle de la Chine selon trois hypothèses différentes sur la profondeur de diffusion de ces outils d’IA dans le système.

Différents futurs pour l’IA et le réseau

Le modèle combine trois récits pour la consommation électrique de l’IA avec trois pour sa capacité d’épargne, produisant neuf futurs possibles. Côté consommation, une voie « technologique » suppose une croissance rapide de l’informatique IA mais de fortes avancées dans les puces de serveurs et les systèmes de refroidissement ; une voie « contrainte par la politique » suppose des règles strictes limitant l’expansion et imposant une bonne efficience ; une voie « d’inertie » suppose des améliorations plus lentes et des contrôles plus laxistes. Côté économie, une voie « efficace » imagine une adoption rapide et étendue des meilleures applications d’IA dans les centrales, les lignes, les bâtiments, les usines et le stockage ; une voie « typique » reflète une adoption modérée ; et une voie « inefficace » suppose un déploiement plus lent ou inégal. Ensemble, ces scénarios montrent comment à la fois du matériel plus performant et une utilisation opérationnelle plus profonde de l’IA façonnent l’équilibre entre demande supplémentaire et gaspillage évité.

Où se cachent les plus grandes économies

Parmi les nombreuses façons dont l’IA peut aider, l’étude identifie un « petit nombre vital » : environ un cinquième des pratiques fournit plus de quatre cinquièmes du potentiel d’économie total. L’amélioration des charges des bâtiments, la réduction des pertes sur les lignes du réseau et l’affinement des prévisions d’énergies renouvelables se distinguent comme les leviers les plus puissants. À l’échelle nationale, dans l’hypothèse la plus optimiste, l’IA pourrait réduire d’environ 15 % la consommation électrique projetée de la Chine d’ici 2060 ; sous des hypothèses typiques ou inefficaces, ce chiffre tombe à des pourcentages à un seul chiffre. Une analyse régionale de cinq provinces montre que les zones riches en production d’électricité — comme la Mongolie‑Intérieure avec son charbon et ses renouvelables — bénéficient surtout de l’IA côté offre, tandis que des pôles industriels et de services comme le Guangdong et le Jiangsu tirent davantage d’avantages de la gestion de la demande dans les bâtiments et les usines.

Quand l’IA devient un gain net

La métrique clé de l’étude est « l’économie nette d’électricité » : le ratio entre l’électricité économisée grâce à l’IA et l’électricité que l’IA consomme. Une valeur supérieure à 100 % signifie que l’IA réduit globalement la pression sur le réseau. Parmi les neuf futurs, seule la combinaison d’un déploiement élevé d’applications économes et de progrès technologiques forts dans les centres de données — le cas Efficace–Technologie‑drivée — atteint ce résultat tôt, atteignant environ 130 % d’ici 2040. Dans cette voie, un déploiement rapide de l’IA à travers le réseau et les bâtiments, combiné à des puces très efficaces et à des surcoûts de refroidissement très faibles, permet aux économies de dépasser la demande propre de l’IA. Même alors, le bénéfice se tasse et décline légèrement après 2050 à mesure que les technologies mûrissent et que les gains faciles s’épuisent. Dans des futurs moins ambitieux, l’économie nette est retardée ou n’est jamais atteinte pendant la période étudiée.

Ce que cela signifie pour la vie quotidienne

Pour les non‑spécialistes, l’enseignement est que l’IA n’est pas automatiquement bonne ou mauvaise pour le climat. La laisser se développer dans des centres de données peu efficaces avec une utilisation limitée dans les opérations réelles du réseau revient principalement à augmenter la demande électrique. Mais si elle est associée à des normes d’efficacité strictes, à du meilleur matériel et à un déploiement large dans les centrales, les lignes, les bâtiments, les usines et le stockage, l’IA peut plus que compenser sa propre facture en kilowattheures économisés. L’étude suggère que la Chine — et par extension d’autres pays — aura besoin de politiques intelligentes pour orienter l’IA dans cette direction : limites strictes sur les centres de données inefficaces, incitations pour des systèmes de refroidissement et des puces avancés, et soutien fort aux outils d’IA qui réduisent le gaspillage dans l’ensemble du système électrique. Bien menée, la même technologie qui menace de surcharger le réseau pourrait devenir l’un des moteurs le rendant plus propre et plus fiable.

Citation: Zhou, K., Yang, Z. & Hu, R. Net electricity savings from artificial intelligence depend on deployment efficiency in China’s power system. Commun. Sustain. 1, 72 (2026). https://doi.org/10.1038/s44458-026-00080-4

Mots-clés: intelligence artificielle et énergie, efficacité des centres de données, optimisation du réseau électrique, prévision de la demande d’électricité, intégration des énergies renouvelables