Résumé Technique : Des certificats sans électrons ? Théorie et preuves des impacts de la demande d'énergie tirée par l'IA

1. Énoncé du problème

L'expansion rapide de l'intelligence artificielle (IA) a fait passer la consommation d'électricité des centres de données aux États-Unis de 1,9 % à 4,4 % de la demande totale en six ans. Bien que les hyperscalers utilisent des certificats d'énergie renouvelable (REC) et des contrats d'achat d'électricité (PPA) pour revendiquer la neutralité carbone, l'efficacité de ces mécanismes au niveau du réseau reste incertaine. Plus précisément, il existe un manque de preuves causales concernant la manière dont la publication de modèles d'IA affecte :

1. La qualité de l'électricité locale : Incluant la stabilité de la tension, la régulation de la fréquence et la distorsion harmonique.
2. La demande de combustibles fossiles : La mesure dans laquelle les charges de travail de l'IA déplacent la production renouvelable ou nécessitent l'appel de centrales fossiles.
3. Les prix de l'électricité de gros : L'ampleur de l'augmentation des prix dans les marchés locaux due aux chocs de demande induits par l'IA.
4. La fiabilité : La fréquence et la gravité des pannes et de la dégradation des équipements.

La littérature existante repose sur des évaluations technico-économiques ou des études de performance énergétique au niveau micro, mais ne parvient pas à isoler les externalités causales que l'IA impose aux autres utilisateurs du réseau. De plus, un « écart temporel » (timing wedge) existe où la consommation (charges de travail de l'IA) et la production renouvelable créditée (via les REC) sont décalées dans le temps et l'espace, ce qui peut dégrader la fiabilité même lorsque la consommation annuelle est théoriquement couverte par les énergies renouvelables.

2. Méthodologie

Les auteurs emploient un cadre économétrique rigoureux pour pallier la rareté des données opérationnelles granulaires (par exemple, les heures exactes de début d'entraînement) et la nature échelonnée des publications de modèles d'IA.

2.1. Cadre théorique

Un modèle de théorie des jeux est développé où les opérateurs de centres de données choisissent entre les REC, les PPA et la colocalisation derrière le compteur (behind-the-meter), tandis que les producteurs prennent des décisions d'entrée sous des coûts de financement endogènes. Le modèle identifie un écart temporel (timing wedge) — le décalage entre la consommation et la production créditée — comme le mécanisme central par lequel la demande d'IA dégrade la fiabilité et augmente les émissions, même avec une couverture REC de 100 %.

2.2. Stratégie économétrique : Différences de différences (DiD) échelonnées

Pour surmonter l'absence de fenêtres d'entraînement spécifiques et la publication échelonnée des modèles, les auteurs utilisent une approche de Différences de différences empilées avec horizons multiples (Stacked DiD with Multiple Horizons).

• Définition du traitement : Le traitement est défini par rapport à la date de publication ($r_m$) des principaux modèles d'IA.
  • Fenêtre d'entraînement : $[r_m - \tau_{train}, r_m)$
  • Fenêtre d'inférence : $[r_m, r_m + \tau_{infer}]$
• Conception empilée : Pour éviter le biais dû à l'hétérogénéité des effets de traitement (où les unités déjà traitées contaminent les groupes de contrôle dans les modèles standards de doubles différences à effets fixes), les auteurs construisent des « sous-expériences » distinctes pour chaque cohorte de publication de modèle. Chaque sous-expérience n'utilise que des unités qui sont véritablement non traitées au moment de l'adoption de cette cohorte spécifique.
• Équation : L'effet de traitement dynamique est estimé par :
  $$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$$
  Où $D^k_{ut}$ indique l'horizon temporel de l'événement $k$ par rapport à la publication.

2.3. Traitement de l'endogénéité et des facteurs de confusion

• Demande de fossiles : Une approche de doubles moindres carrés (2SLS) est utilisée pour traiter l'endogénéité des prix.
  • Première étape : Les prix de l'électricité sont instrumentés par des facteurs de changement de coût côté offre (taux de combustion des générateurs et prix au comptant du gaz naturel).
  • Seconde étape : La demande de combustibles fossiles est régressée sur les prix prédits et les indicateurs de traitement.
• Effets sur les prix : Les impacts sur les prix sont dérivés en combinant les changements de demande estimés avec l'élasticité de la courbe d'offre ($\varepsilon_s$) dans le marché PJM.
• Tests de robustesse : L'étude utilise des tests de tendances parallèles (tests de Wald sur les coefficients pré-traitement), des tests placebo (dates et lieux de traitement randomisés) et des analyses de sensibilité concernant les définitions de traitement (par exemple, variation du rayon, suppression des cas ambigus).

2.4. Données

L'analyse intègre un nouvel ensemble de données reliant l'activité de l'IA aux résultats du réseau :

• Données de traitement : Base de données Aterio pour les emplacements, la propriété et la capacité des centres de données ; liée à des publications de modèles spécifiques (ex: GPT-3, Llama 2, Claude 2.1) via les communiqués de presse et les dates d'API.
• Données de résultats :
  • Qualité de l'électricité : Indice de qualité de l'électricité pour les consommateurs (CPQI) de Whisker Labs et distorsion harmonique totale (THD) de 72 services publics.
  • Demande : Données horaires des générateurs du programme Clean Air Markets (CAMPD) de l'EPA (2021–2023).
  • Prix : Prix de gros zonaux ISO (focus sur PJM).
• Contrôles : Données météorologiques (Meteostat), prix du gaz naturel (S&P Capital IQ) et indices de marché.

3. Résultats clés

3.1. Dégradation de la qualité de l'électricité

Les publications de modèles d'IA provoquent une détérioration significative de la qualité de l'électricité locale :

• Indice de qualité de l'électricité pour les consommateurs (CPQI) : Les zones de services publics traitées subissent une augmentation du coefficient de 0,3795, ce qui correspond à un passage de la qualité typique des services publics américains au dernier quartile. Cela équivaut à une augmentation des pannes annuelles pour le client moyen d'environ 1 à 1,5–2 pannes par an.
• Distorsion harmonique (THD) : Il y a une augmentation de 0,0625 point de pourcentage des lectures au-dessus du seuil de distorsion de 0,8. Bien que cela semble faible, une exposition prolongée accélère la dégradation des équipements (ex: moteurs, réfrigérateurs).

3.2. Demande de combustibles fossiles

L'activité de l'IA augmente significativement la production d'énergie fossile :

• Magnitude : La phase d'entraînement ajoute environ 6,33 MWh par heure de générateur, et la phase d'inférence ajoute 5,20 MWh.
• Impact global : Cela se traduit par plus de 500 GWh supplémentaires de production fossile à proximité des centres de données, soit l'équivalent de la consommation annuelle d'environ 47 000 foyers américains.
• Mécanisme : L'effet est piloté par le besoin immédiat de capacité de base et de pointe que les REC ne couvrent pas temporellement.

3.3. Impacts sur les prix de gros

Dans le marché PJM, les pics de demande induits par l'IA entraînent des augmentations de prix substantielles :

• Variation par zone : Les impacts sur les prix varient selon l'élasticité de l'offre. Dans la zone American Electric Power (AEP) (élasticité plus faible), les prix de gros ont augmenté jusqu'à 25 % pendant les périodes d'activité de l'IA. Dans la zone ComEd (élasticité plus élevée), l'impact était moindre mais toujours significatif.
• Implications pour le détail : Bien que la répercussion sur les prix de détail soit différée, les auteurs estiment une hausse potentielle des prix à long terme allant jusqu'à 25 % dans les zones à fort impact, car des générateurs à coût marginal plus élevé sont sollicités pour répondre à la demande de l'IA.

3.4. Atténuation via la production sur site

Une conclusion critique est l'inversion de signe des effets sur la qualité de l'électricité selon l'infrastructure :

• Sans production sur site : La qualité de l'électricité se détériore (coefficient CPQI positif).
• Avec production sur site : La qualité de l'électricité s'améliore (coefficient CPCI négatif).
• Interprétation : La production colocalisée (souvent avec stockage) absorbe directement les pics de demande, empêchant leur propagation au réseau et réduisant la dépendance aux générateurs fossiles marginaux.

4. Analyses contrefactuelles

L'article évalue comment différentes évolutions techniques de l'IA pourraient modifier les impacts sur le réseau :

1. Mise à l'échelle des modèles (Scaling) : Passer de 2 trillions à 4 trillions de paramètres augmenterait l'impact sur la qualité de l'électricité d'environ 35 %. Une augmentation de 1 % des paramètres du modèle est corrélée à une augmentation de 0,15 % de la demande d'énergie.
2. Redistribution géographique :
   • Inférence en périphérie (Edge Inference) : Déplacer l'inférence des installations concentrées des hyperscalers vers des nœuds distribués en périphérie réduit considérablement les pics de demande zonale (de 162 MWh/heure à 4 MWh/heure dans les simulations).
   • Centralisation : Concentrer tout l'entraînement dans une seule grande installation crée des pics de demande locale extrêmes (~100 GWh), soulignant les risques de sur-concentration.
3. Production sur site : L'adoption universelle de la production sur site transformerait l'impact net des centres de données d'un préjudice pour la qualité de l'électricité en une amélioration nette.

5. Signification et contributions

L'article revendique trois contributions principales à la littérature :

1. Innovation méthodologique : Il établit une méthodologie robuste pour évaluer les impacts macro-niveau sur le réseau de l'IA en utilisant des données publiques, en surmontant l'absence de détails opérationnels propriétaires grâce aux DiD échelonnés et aux variables instrumentales.
2. Preuve causale : Il fournit les premières estimations causales des publications de modèles d'IA sur la qualité de l'électricité, la demande de combustibles fossiles et les prix de gros, dépassant les études de corrélation ou les projections technico-économiques.
3. Pertinence politique : Il démontre que les externalités de l'IA sont étroitement liées à la conception de l'approvisionnement et à l'organisation spatiale. Les résultats suggèrent que les stratégies basées uniquement sur les REC sont insuffisantes pour la stabilité du réseau. Au contraire, la colocalisation sur site avec stockage et la réallocation spatiale (ex: calcul en périphérie/edge computing) sont identifiées comme des leviers efficaces pour atténuer les impacts sur le réseau.

Les auteurs concluent que sans changements structurels dans la manière dont l'infrastructure de l'IA est alimentée et localisée, la montée en puissance continue des modèles d'IA continuera de dégrader la fiabilité du réseau et d'augmenter les coûts pour tous les consommateurs, indépendamment des revendications de neutralité carbone.