IA : la fin de la course aux mégawatts, le début de l'économie de l'efficacité

Des campus IA à 45 milliards d'euros d'un côté, 95 % de pilotes GenAI sans retour de l'autre. Le problème n'est pas le nombre de mégawatts - c'est ce qu'on en fait.

Dans les Hauts-de-France, SoftBank engage 45 milliards d'euros pour 3,1 gigawatts de data centers dédiés à l'IA - première phase ferme d'un projet à 75 milliards, annoncé fin mai au sommet Choose France. Au même moment, 95 % des pilotes d'IA générative en entreprise ne produisent aucun retour mesurable. Deux chiffres, une question : pourquoi autant de puissance pour des résultats aussi minces ?

Le débat public oppose ceux qui veulent construire au nom de la souveraineté et ceux qui veulent freiner au nom de l'environnement. Les deux camps partagent pourtant la même hypothèse - plus de mégawatts, donc plus d'IA, donc plus de valeur. C'est elle que je veux examiner. Parce que la contrainte la plus dure n'est ni écologique, ni politique. Elle est économique.

L'infrastructure bute sur deux murs, pas un

Le premier mur est physique, et documenté. La consommation électrique mondiale des data centers a bondi de 17 % en 2025, à environ 485 TWh, et l'AIE la projette vers 950 TWh en 2030 (rapport spécial "Key Questions on Energy and AI", 2026). Un doublement en cinq ans.

Les montants suivent la même pente. Les dépenses d'investissement des cinq plus grands groupes technologiques ont dépassé 400 milliards de dollars en 2025 et devraient encore croître de 75 % en 2026. Pour situer : le programme EPR2, six réacteurs nucléaires, est plafonné à 72,8 milliards d'euros 2020 - chiffrage audité et confirmé par EDF au Conseil de politique nucléaire de mars 2026. Un projet privé de data centers au prix d'un programme nucléaire national. Il fallait oser.

Le second mur est financier. On en parle beaucoup moins. Il se rapproche plus vite.

Dix-neuf pilotes sur vingt

Selon l'étude du MIT publiée à l'été 2025 ("The GenAI Divide", projet NANDA), 95 % des pilotes d'IA générative en entreprise ne produisent aucun retour mesurable, pour 30 à 40 milliards de dollars investis. Je préfère le dire d'emblée : sa méthodologie a été critiquée pour son critère de succès très étroit - un impact P&L mesurable six mois après le pilote. Mais même en prenant de la marge, l'ordre de grandeur reste inconfortable. Un an plus tard, même tableau : d'après l'enquête annuelle de Domino Data Lab (21 juillet 2026) - une étude d'éditeur, à lire comme telle - auprès de 639 dirigeants IA d'entreprises pesant plus de 100 millions de dollars, 57 % ont un retour qui ne couvre toujours pas leurs dépenses d'IA. Inchangé depuis 2025.

Le problème, visiblement, n'est pas la puissance disponible.

La facture de la paresse architecturale

Ma réponse de praticien : la puissance bon marché a tué l'optimisation. Quand le compute semble illimité, personne ne se demande si la tâche exigeait vraiment le plus gros modèle. Un prompt de trois pages pour classer un e-mail : personne ne facturerait ça à un client, mais on le facture sans sourciller à un GPU.

Chaque gaspillage pris isolément est invisible. Le même contexte renvoyé à chaque requête, un modèle géant sur une tâche qu'une règle métier réglait déjà - multipliez par des millions de requêtes : une charge serveur, puis des mégawatts, puis un data center de plus. La course aux mégawatts n'est pas seulement le prix du progrès. C'est aussi, en partie, la facture de la paresse architecturale.

Le logiciel a déjà vécu ce cycle : tant que le matériel absorbait tout, le code gonflait ; la contrainte revenue, le code propre est redevenu un avantage économique. L'IA y arrive, plus vite.

L'économie de l'efficacité

Le signal existe déjà, et l'AIE le chiffre : mesurée par tâche, l'efficacité énergétique de l'IA progresse "à un rythme sans précédent dans l'histoire de l'énergie", l'énergie par tâche chutant d'au moins un ordre de grandeur par an. Ces gains sont dévorés par l'explosion des usages énergivores - agents, génération vidéo. Raison de plus pour ne pas gaspiller le reste. Côté matériel, le STM32N6 de STMicroelectronics (annoncé fin 2024, produit en volume depuis) exécute de l'inférence de réseaux de neurones sur un microcontrôleur : des tâches qui exigeaient hier un data center tournent en périphérie. L'edge ne remplacera pas l'entraînement des grands modèles. Il montre la direction : dimensionner le calcul au besoin, pas l'inverse.

C'est ce que j'appelle l'économie de l'efficacité. Le gagnant de la décennie ne sera pas l'acteur qui aligne le plus de gigawatts. Ce sera celui qui produit le plus de valeur par watt et par token consommé. Une compétition d'architecture, pas de budget.

Trois leviers pour une PME B2B

Pas besoin d'un campus à 45 milliards. Trois chantiers accessibles tout de suite.

Dimensionner le modèle à la tâche. Classer, extraire, router des demandes : un petit modèle spécialisé suffit dans la plupart de ces cas. Réservez le grand modèle aux tâches qui justifient son coût - aujourd'hui, c'est le réglage par défaut à peu près partout.

Mettre le coût par requête dans le tableau de bord. Vous suivez votre coût d'acquisition au centime. Faites pareil avec l'IA : prenez la facture API du mois dernier, divisez-la par le nombre de requêtes, posez le chiffre à côté du CAC. Tant qu'il n'y est pas, l'optimisation reste une intention.

Auditer le gaspillage de tokens. Prompts surchargés, contexte envoyé en double, appels répétés pour le même résultat. Traitez ces flux comme du code : une revue périodique qui rend le gras visible avant qu'il ne devienne une ligne de facture.

Changer d'axe

Les mégawatts vont continuer à se construire - la demande projetée par l'AIE ne laisse guère de doute. Mais la bonne question n'est pas qui aura le plus gros data center - c'est qui aura besoin du plus petit pour produire le même résultat. Les 95 % de pilotes sans retour ne manquent pas de puissance. Ils manquent d'architecture. Et ça, aucune enveloppe de 45 milliards ne l'achète.