Les logiciels peuvent agir sur deux leviers différents dans les centres de données d’IA : réduire l’énergie nécessaire à une tâche de calcul, ou décaler une charge flexible vers un autre moment ou un autre lieu. L’évaluation de Perseus rapporte jusqu’à 30 % d’énergie en moins pour l’entraînement de grands modèles, tandis que NVIDIA avance des économies pouvant atteindre 15 % avec ses profils de puissance Blackwell. Ces résultats ne signifient pas à eux seuls que la consommation totale d’un centre baisse.

Ce que les logiciels peuvent changer

Pour une tâche donnée, un logiciel peut ajuster la manière dont le calcul est effectué : choisir une précision numérique plus faible quand elle convient, réutiliser des réponses déjà calculées grâce à la mise en cache, orienter les requêtes courantes vers des modèles plus petits ou regrouper les calculs par lots. Le dimensionnement des instances cloud et la longueur des requêtes et des réponses jouent aussi sur les ressources mobilisées.

La planification des charges répond à une autre question : quand et où exécuter le calcul. Des travaux flexibles par lots peuvent être reportés à une période où le réseau est moins sollicité, ou déplacés vers une région disposant de capacités disponibles et d’électricité moins carbonée. Dans le premier cas, l’objectif est de décaler la demande; dans le second, de modifier son lieu. Ni l’un ni l’autre ne réduit nécessairement l’énergie consommée par chaque calcul.

Résultats pour l’entraînement et les profils GPU

L’article de recherche sur Perseus publié par l’ACM rapporte jusqu’à 30 % d’énergie en moins pour l’entraînement de grands modèles, sans perte de débit et sans modification matérielle dans son évaluation. Perseus repère les périodes où l’entraînement consomme de l’énergie sans faire progresser le calcul, puis organise les opérations dans le temps. Le résultat concerne cette évaluation; il ne constitue pas une réduction garantie pour tous les modèles ou centres de données.

NVIDIA présente séparément ses profils de puissance pour les GPU Blackwell, qui couvrent l’entraînement et l’inférence de l’IA ainsi que les calculs haute performance (HPC). L’entreprise indique que la première phase peut réduire l’énergie jusqu’à 15 % tout en maintenant un niveau de performance supérieur à 97 % pour les applications critiques. Elle avance aussi jusqu’à 13 % de débit global supplémentaire dans un centre contraint par sa puissance électrique, si les économies permettent d’y installer davantage de GPU.

Dans son tableau comparatif consacré aux B200, NVIDIA distingue les résultats par réglage : la mise à l’échelle de la fréquence est associée à 10 % de performances en moins et à 5 % d’économie sur la puissance du centre de données; le profil d’entraînement, à 1 % de performances en moins et 5 % d’économie; le profil d’inférence, à 3 % de performances en moins et 8 % d’économie. Ces chiffres décrivent des compromis propres aux profils, distincts des maxima annoncés pour les économies d’énergie et le débit global.

Décaler les charges selon le réseau

Les tâches qui n’exigent pas une réponse immédiate se prêtent davantage à une planification à l’avance ou à des ajustements en temps réel. Un logiciel peut alors tenir compte des signaux du réseau pour déplacer leur exécution vers une période ou une région plus favorable, tout en respectant les exigences de performance prévues.

Le déplacement géographique a toutefois un coût opérationnel : il faut aussi transférer les données nécessaires au calcul. Les règles de souveraineté des données peuvent empêcher certains transferts, et le déplacement de grands volumes de données complique cette stratégie. La souplesse dépend donc à la fois du type de tâche, de son délai acceptable et de l’emplacement des données.

L’efficacité ne suffit pas à maîtriser la consommation totale

Une baisse d’énergie par tâche n’entraîne pas automatiquement une baisse de la consommation totale. Si chaque calcul coûte moins cher en énergie, un centre peut aussi en exécuter davantage; cet effet rebond est parfois rapproché du paradoxe de Jevons. Le nombre de tâches compte autant que leur efficacité individuelle.

Les logiciels complètent donc les puces plus efficaces et les investissements dans l’alimentation électrique et le refroidissement; ils ne les remplacent pas. Les contraintes d’infrastructure de l’IA ont également été abordées par NeoTeo dans son analyse de l’AI Infra Summit 2026.

Ce que prévoit l’AIE pour 2030

L’Agence internationale de l’énergie (AIE) estime que les centres de données du monde entier ont consommé environ 415 TWh d’électricité en 2024, soit près de 1,5 % de la consommation électrique mondiale. Dans son scénario de base, elle prévoit environ 945 TWh en 2030 pour l’ensemble des centres de données. Cette projection porte sur le secteur entier; l’AIE traite séparément la croissance de l’électricité consommée par les serveurs accélérés, principalement portée par l’adoption de l’IA.