Construire un centre de données d’intelligence artificielle d’une capacité de 1 GW ne ressemble plus à ériger une simple infrastructure avec des serveurs. À cette échelle, l’installation devient une opération financière, énergétique et industrielle de premier plan. La réalité à prendre en compte est difficile à ignorer : selon le modèle d’Epoch AI, un centre de données IA de 1 GW nécessite en moyenne un investissement initial d’environ 38 milliards de dollars et environ 900 millions de dollars par an en coûts opérationnels.

La visualisation proposée par Epoch AI estime le CapEx initial à 37,2 milliards de dollars, une valeur que l’analyse arrondit à 38 milliards. Cela ne modifie pas la compréhension fondamentale : le principal obstacle en capitaux ne se situe pas sur le terrain, ni même dans la connexion au réseau. Il réside dans le hardware de calcul, en particulier dans les serveurs avec accélérateurs IA. Selon Epoch, ces serveurs représentent la majorité du coût annuel total, avec environ 5 milliards de dollars par an, ce qui équivaut à environ 60 % du coût total de possession annuel.

L’IA ne croît pas uniquement avec l’énergie : elle nécessite aussi du capital

Dans le débat public au sujet des centres de données IA, on évoque souvent l’électricité, les permis, la disponibilité du terrain, l’eau, la connexion au réseau et l’opposition locale. Tout cela est important. Sans puissance électrique, pas de cluster IA. Sans permis, pas de construction. Sans systèmes de refroidissement, il n’y a pas d’exploitation stable. Mais lorsque l’on examine la structure économique d’une installation de 1 GW, une réalité plus dérangeante apparaît : le composant le plus coûteux est aussi celui qui se déprécie le plus rapidement.

Le modèle d’Epoch AI envisage un centre de données hypothétique de 1 GW, exploité par un géant américain du cloud, avec une capacité nominale de 1 GW pour les équipements IT. La société précise que cette estimation ne concerne pas une installation spécifique et que les coûts peuvent varier selon la localisation, la conception, le financement, la stratégie énergétique et le type de serveur.

Le scénario central repose également sur l’utilisation de systèmes NVIDIA GB200 NVL72, une configuration associée aux charges IA haute performance. Si l’on change de type de serveur, les coûts de hardware, réseau, refroidissement, densité, puissance et exploitation évolueront aussi.

L’analyse financière est simple : un centre de données IA de cette envergure nécessite de dédier des dizaines de milliards avant de commencer à générer des revenus. Il ne suffit pas de construire le bâtiment et de le alimenter en énergie ; il faut acheter et installer une masse considérable de serveurs, GPU, réseaux internes, stockage, refroidissement, alimentation électrique et systèmes auxiliaires. L’infrastructure physique est coûteuse, mais c’est le silicium qui pèse le plus.

Le hardware, le goulot d’étranglement silencieux

La décomposition du modèle d’Epoch AI indique que plus de la moitié de l’investissement initial est consacrée aux serveurs. À l’échelle annuelle, cette tendance est encore plus claire : ces serveurs représentent environ 5 milliards de dollars par an sur un coût total de possession d’environ 8,5 milliards. L’énergie, bien qu’étant le plus grand poste opérationnel, reste autour de 600 millions de dollars par an, une somme importante mais bien inférieure au coût annuel hardware.

Cela modifie la perception de la course à l’IA. La pénurie ne concerne pas uniquement les mégawatts. Elle touche aussi la capacité à acheter, financer, recevoir et amortir du hardware spécialisé à grande échelle. Les puces IA, la mémoire HBM, les commutateurs, les systèmes d’interconnexion et les racks à haute densité sont la partie qui transforme un projet de centre de données en un enjeu de capital très concentré.

La infrastructure réseau interne mérite une attention particulière. En IA, il ne suffit pas d’accumuler des GPUs ; il faut les relier avec une faible latence et un haut débit pour rendre l’entraînement et l’inférence à grande échelle efficaces. Par conséquent, le coût du réseau n’est pas accessoire : il fait partie intégrante de la performance globale du cluster.

Le terrain n’est pas le coût principal, mais il peut faire obstacle au projet

Que le coût du terrain et de la connexion soient faibles en proportion ne signifie pas qu’ils soient insignifiants. Un terrain peu cher est inutile s’il n’offre pas un accès à l’énergie, à la fibre, à l’eau ou aux permis. Une connexion réseau peut paraître une dépense mineure dans le tableau Excel, mais elle peut devenir le point bloquant qui retarde le projet pendant des années.

Ce détail est essentiel. D’un point de vue financier, le plus gros investissement se situe dans le hardware. D’un point de vue opérationnel et réglementaire, la disponibilité électrique et les démarches administratives peuvent décider si le centre de données voit le jour ou pas.

C’est pourquoi l’industrie met tant l’accent sur l’énergie. Ce n’est pas toujours la dépense la plus coûteuse, mais c’est la condition préalable. Un gigawatt ne se déploie pas à l’improviste. Il nécessite une planification réseau, des sous-stations, des contrats d’approvisionnement, des capacités d’évacuation, des permis, du refroidissement et une coordination avec les opérateurs électriques.

Epoch suppose dans son modèle que l’installation est entièrement alimentée par le réseau électrique, sans production autonome derrière le compteur. La société indique qu’introduire une production dédiée pourrait augmenter le coût total de l’installation et aussi modifier la consommation énergétique.

L’espérance de vie du hardware bouleverse toute l’économie

L’aspect le plus révélateur de l’analyse d’Epoch AI concerne la sensibilité à la durée de vie du matériel. L’organisation considère une vie utile de cinq ans pour le hardware IT et de 14 ans pour l’installation. Si cette durée est réduite à trois ans, le coût annuel augmente notablement, atteignant environ 12 milliards de dollars. À l’inverse, si la durée s’allonge à sept ans, le coût diminue à environ 7 milliards.

Ce point est crucial pour comprendre la pression concurrentielle dans le domaine de l’IA. Les bâtiments peuvent durer plus longtemps. Les sous-stations aussi. Mais les accélérateurs IA vieillissent rapidement si chaque nouvelle génération offre davantage de performances, de mémoire, de meilleure efficacité ou de coûts par token réduit. La dépréciation du hardware devient dès lors une variable stratégique.

Pour un géant du cloud ou un hyperacteur, il ne suffit pas d’acheter des GPUs. Il faut également faire en sorte que ces GPUs soient exploitées de façon rentable le plus longtemps possible, avant que la nouvelle génération de hardware ne réduise leur compétitivité. C’est pourquoi la gestion de l’utilisation, la répartition des charges, la planification (scheduling), la consommation, l’efficacité logicielle, les modèles déployés et la vente ou l’usage interne de cette capacité doivent être optimisés.

L’IA ne requiert pas seulement des investissements en CapEx. Elle impose aussi une rotation du CapEx.

Pourquoi cela favorise-t-il les géants du cloud ?

Une dépense de 37 à 38 milliards de dollars par centre de données dépasse de loin la capacité financière de la majorité des acteurs, sauf ceux disposant d’un hypercontrôle de leur bilan, d’un accès privilégié au crédit, de contrats d’approvisionnement, de relations étroites avec les fabricants de puces ou de fortes capacités énergétiques. Cela entraîne une concentration naturelle du secteur : ceux qui disposent de fonds solides, d’un accès au crédit, de contrats de livraison et de relations avec les fournisseurs de puces sont en position de force.

La discussion sur le financement devient plus proche de l’infrastructure à grande échelle que de la technologie traditionnelle. L’industrie ne finance plus simplement des serveurs. Elle finance des gigawatts, des chaînes logistiques, des accords énergétiques, des terrains, des sous-stations, de la fibre, du refroidissement liquide et des renouvellements hardware.

Cela explique pourquoi le débat sur les tarifs douaniers, les exportations, les restrictions sur les semi-conducteurs ou le prix de la mémoire n’est pas secondaire. Si le hardware constitue la part principale du coût, toute tension dans la chaîne d’approvisionnement se traduit directement dans le coût de déploiement de l’IA.

Cela explique aussi pourquoi de nombreuses entreprises chercheront des alternatives pour entraîner ou déployer leurs modèles sans dépendre des plus gros fournisseurs. Des modèles plus petits, une inférence optimisée, la quantification, du hardware spécialisé, du cloud privé, le partage d’accélérateurs, un routage intelligent et une meilleure efficacité logicielle deviendront de plus en plus cruciaux. Tout problème d’IA ne justifie pas toujours l’utilisation de la solution la plus coûteuse.

La métrique manquante : le coût par capacité utile

Le chiffre de 1 GW impressionne, mais ne raconte pas toute l’histoire. Ce qui compte vraiment, c’est la capacité utile obtenue par dollar dépensé. Un centre de données peut disposer d’une puissance installée massive mais ne pas atteindre ses objectifs de performance si le réseau interne limite la formation, si le refroidissement contraint la densité, si l’utilisation est faible ou si le logiciel ne tire pas pleinement parti du hardware.

Dans les années à venir, il sera moins pertinent de ne parler que de mégawatts ou de nombres de GPU. Il faudra évoquer le coût par token, par tâche, par entraînement, par heure d’utilisation utile de GPU, par rendement par watt, par taux d’utilisation réelle, par latence, et par amortissement par génération de matériel.

La progression de l’IA se transforme en une course à l’efficacité industrielle. Celui qui parviendra à transformer le capital en capacité utile plus rapidement et avec moins de gaspillage sera le gagnant.

Le rapport d’Epoch AI permet de clarifier une discussion qui se limite souvent à des titres sur l’énergie. L’énergie est importante. Le terrain l’est aussi. Les permis ont leur rôle. Mais dans un centre de données IA de 1 GW, la question décisive se pose dès le départ : qui peut financer des dizaines de milliards en hardware sans savoir si cette capacité sera utilisée de manière rentable durant toute sa durée de vie ?

Questions fréquentes

Combien coûte la construction d’un centre de données IA de 1 GW ?
Selon le modèle d’Epoch AI, environ 38 milliards de dollars en CapEx initial, avec environ 900 millions de dollars par an en OpEx.

Quelle est la dépense la plus importante ?
Le hardware de serveurs et d’accélérateurs. En coût annuel, ces serveurs représentent environ 60 % du coût total de possession.

L’énergie est-elle le coût principal ?
C’est le coût opérationnel majeur, mais pas le plus lourd dans le coût total de possession lorsque l’on annualise l’investissement. Epoch AI estime environ 600 millions de dollars par an en énergie contre environ 5 milliards pour les serveurs.

Pourquoi la durée de vie des GPU est-elle si importante ?
Parce que le hardware IA se déprécie rapidement. Si la durée de vie passe de cinq à trois ans, le coût annuel total grimpe considérablement.

Une entreprise moyenne peut-elle construire une infrastructure IA à cette échelle ?
À l’échelle de 1 GW, c’est très difficile. Le volume de capital, l’accès à l’électricité, au matériel IA et la capacité opérationnelle favorisent les grands hyperéchelons et les alliances industrielles ou financières majeures.