🤖 AI

Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

Cette étude estime que 403 centres de données hyperscale américains fonctionnant entre mai 2024 et avril 2025 ont consommé 68 à 99 TWh d'électricité, contribuant à hauteur de 37 à 54 millions de tonnes métriques de CO2, avec une intensité carbone environ 48 % plus élevée que la moyenne du réseau national en raison d'une forte dépendance aux combustibles fossiles.

Auteurs originaux : Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Publié 2026-06-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que les États-Unis soient une ville géante et que, parsemés à travers elle, se trouvent de gigantesques usines surpuissantes appelées Centres de Données Hyperscale (CDH). Ce ne sont pas de simples salles de serveurs ordinaires ; ce sont les moteurs colossaux qui propulsent notre vie numérique moderne, en particulier la nouvelle vague de l'Intelligence Artificielle. Ils sont si grands qu'ils pourraient alimenter des dizaines de milliers de foyers à eux seuls.

Ce document est comme une équipe de détectives (des chercheurs de Harvard et d'autres institutions) qui ont décidé de réaliser un recensement de ces usines pour répondre à une question simple mais urgente : Quelle quantité d'électricité consomment-elles, et quelle est la propreté de cette énergie ?

Voici ce qu'ils ont trouvé, décomposé en concepts simples :

1. L'« Appétit Énergétique »

Les chercheurs ont suivi 403 de ces centres de données géants fonctionnant entre mai 2024 et avril 2025.

L'analogie : Considérez ces 403 usines comme une seule bête massive et affamée d'énergie.
La découverte : Cette bête a consommé entre 68 et 99 térawattheures (TWh) d'électricité. Pour donner un ordre de grandeur, c'est environ la même quantité d'électricité consommée par des États entiers comme l'Indiana, le Michigan ou le Tennessee pendant une année entière. Cela représente environ 1,8 % de toute l'électricité utilisée aux États-Unis.

2. L'« Empreinte Carbone »

L'électricité n'apparaît pas par magie ; elle doit être générée, souvent en brûlant des choses comme le charbon ou le gaz naturel.

L'analogie : Si l'électricité est la nourriture que mangent les centres de données, alors le dioxyde de carbone (CO2) est l'« échappement » qu'ils laissent derrière eux.
La découverte : Parce que ces centres sont si affamés, ils sont responsables de la création de 37 à 54 millions de tonnes métriques de CO2. C'est un nuage d'échappement massif. Par rapport à une étude de 2018, ce chiffre a bondi d'environ 3 à 5 fois, montrant à quel point l'appétit pour l'IA grandit rapidement.

3. Le mélange « Sale vs Propre »

Toute l'électricité n'est pas créée égale. Certaines proviennent de l'énergie propre du vent et du soleil, tandis que d'autres proviennent de la combustion de combustibles fossiles.

L'analogie : Imaginez que le réseau électrique soit un smoothie géant. Parfois, le smoothie est principalement composé de fruits (énergie propre), et parfois, il est principalement composé de café (combustibles fossiles).
La découverte : Les centres de données de cette étude boivent principalement la version « café » du smoothie.
- Environ 54 % de leur puissance provient de combustibles fossiles (principalement le gaz naturel et le charbon).
- Seulement environ 25 % provient d'énergies renouvelables (vent, solaire, hydroélectricité).
- Le reste provient du nucléaire.
Le résultat : Parce qu'ils sont situés dans des zones où le réseau électrique local dépend fortement des combustibles fossiles, leur « échappement » est beaucoup plus sale que celui d'un foyer américain moyen. Leur empreinte carbone est environ 48 % plus élevée que la moyenne nationale.

4. Le « Où » est important

Les chercheurs ont remarqué que ces centres de données ne sont pas répartis uniformément comme un arroseur ; ils sont regroupés dans des « points chauds » spécifiques.

L'analogie : C'est comme si tous les plus grands restaurants d'une ville étaient situés dans seulement trois quartiers. Ces trois quartiers devraient soudainement gérer tout le trafic et les déchets.
La découverte : La Virginie est le principal point chaud, hébergeant 142 de ces centres et utilisant environ un quart de l'électricité totale. L'Oregon, l'Ohio et l'Iowa sont également des hubs majeurs. Ensemble, ces quatre États représentent plus de la moitié de l'utilisation énergétique totale de l'étude.

5. Comment ils ont fait les calculs (Le travail de détective)

Comme les entreprises de centres de données ne publient pas toujours leurs factures d'énergie exactes, les chercheurs ont dû être des détectives ingénieux :

Enquêtes par satellite : Ils ont utilisé des images satellites pour trouver les bâtiments et mesurer leur taille, s'assurant qu'il s'agissait bien de centres de données et non de simples parcs de bureaux.
L'estimation de la « Charge » : Ils ne savaient pas exactement à quel point les ordinateurs travaillaient chaque seconde, alors ils ont créé quatre différents « scénarios » (comme deviner la vitesse d'une voiture : lente, moyenne, rapide ou en pleine course). Ils se sont arrêtés sur une estimation « centrale » qui semblait la plus réaliste selon le fonctionnement habituel de ces machines.
La carte du réseau : Ils ont cartographié chaque centre de données avec sa compagnie d'électricité locale (appelée « Autorité d'Équilibrage ») et ont examiné le « menu » des centrales électriques que cette entreprise utilise. Si un centre de données se trouve dans une région où la centrale électrique brûle du charbon, le centre de données se voit « facturer » cette pollution de charbon, même si le centre de données lui-même n'a pas brûlé le charbon.

L'essentiel

Ce document fournit un instantané clair et basé sur des données du coût environnemental du boom de l'IA. Il montre que si ces centres de données sont le cerveau de notre futur numérique, ils fonctionnent actuellement avec un régime riche en combustibles fossiles, ce qui entraîne une quantité significative d'émissions de carbone. Les chercheurs ont construit un outil public (un site web) pour que quiconque puisse voir exactement quelle quantité d'énergie et de pollution se produit dans sa zone locale.

En bref : La révolution de l'IA est réelle, mais elle repose actuellement sur beaucoup d'énergie issue des combustibles fossiles, et elle laisse une très grande empreinte carbone, particulièrement dans quelques États clés.

Résumé Technique : Évaluation des émissions de carbone et de la consommation d'énergie des centres de données hyperscale aux États-Unis

Énoncé du problème
La prolifération rapide des centres de données hyperscale (HDC) aux États-Unis, largement tirée par l'adoption de l'intelligence artificielle (IA), a soulevé des préoccupations majeures concernant leur empreinte environnementale. Bien que les centres de données constituent l'épine dorsale de l'infrastructure numérique moderne, leur nature énergivore — découlant de la puissance de calcul et des besoins en refroidissement — a entraîné une augmentation de la demande d'électricité et des émissions de gaz à effet de serre associées. La littérature existante présente une gamme d'estimations de la consommation d'énergie des centres de données, mais les études examinées par les pairs portant spécifiquement sur les émissions des installations hyperscale sont rares. Les estimations précédentes, telles que celles de Siddik et al. (17) pour 2018, sont désormais obsolètes compte tenu de l'explosion de la demande liée aux charges de travail de l'IA et au minage de cryptomonnaies (exclu de cette analyse). De plus, il existe un manque de données au niveau des installations qui intègrent des sources hétérogènes, valident l'infrastructure par imagerie satellite et attribuent les émissions à des centrales électriques spécifiques en utilisant les données de réseau les plus récentes.

Méthodologie
Les auteurs ont développé un pipeline évolutif et fondé sur les données pour estimer la consommation d'électricité et les émissions de CO2 attribuables de 403 centres de données hyperscale américains fonctionnant entre mai 2024 et avril 2025. La méthodologie se compose de cinq étapes clés :

Collecte et validation des données : L'étude a compilé un ensemble de données de 675 HDC potentiels provenant de fournisseurs privés (Baxtel). Cet ensemble de données a été rigoureusement validé à l'aide d'imagerie satellite haute résolution (Esri World Imagery) et de données d'empreinte de bâtiment provenant d'OpenStreetMap (OSM). Par vérification manuelle et géocodage, les auteurs ont confirmé l'emplacement et l'identité de 403 installations, obtenant les données de superficie pour chacune d'elles.
Estimation de la capacité de puissance : Pour les 6 installations dont la capacité de puissance n'était pas déclarée, un modèle d'arbre de régression à gradient boosté (GBRT) a été entraîné pour imputer les valeurs manquantes. Le modèle utilisait la superficie du bâtiment, le type de climat (classification Köppen-Geiger) et la région de l'autorité de régulation (balancing authority) comme prédicteurs. Le modèle a atteint un $R^2$ de 0,807 sur un échantillon de test aléatoire de 85/15, confirmant son utilité comme outil d'imputation plutôt que comme modèle prédictif général pour un nouvel emplacement.
Modélisation de la consommation d'électricité : La consommation annuelle d'électricité a été estimée en multipliant la capacité électrique totale de l'installation (incluant l'informatique, le refroidissement et les frais généraux) par le nombre d'heures de fonctionnement annuelles (8 760) et un coefficient de charge de l'installation ( $u$ $u$ ). Reconnaissant l'incertitude liée à la conversion de la capacité nominale en charge opérationnelle réelle, les auteurs ont rapporté les résultats selon quatre scénarios physiquement motivés :
- Faible charge ( $u=0,48$ ) : Serveurs conventionnels, conception de puissance maximale nominale.
- Central ( $u=0,58$ ) : Serveurs conventionnels, conception de puissance mesurée maximale, cohérente avec la modélisation descendante du flux de puissance et les vérifications indépendantes impliquant le PUE.
- Intermédiaire-haut ( $u=0,663$ ) : Utilisation effective au niveau du serveur appliquée à la capacité de l'installation (conservée pour assurer la continuité avec les études antérieures).
- Haut pondéré par l'IA ( $u=0,70$ ) : Reflétant une utilisation plus élevée pour les installations spécialisées dans l'IA.
Modélisation des émissions attribuables : Chaque HDC a été géolocalisé dans son autorité de régulation correspondante (BA). Un modèle d'attribution pondéré par la génération d'énergie (EGW) a été appliqué, supposant qu'au sein de chaque BA, la demande totale d'électricité des HDC est répartie entre les centrales électriques proportionnellement à leur production annuelle nette d'électricité. Cette approche utilise les données par centrale EPA eGRID2023 (la version la plus récente complète au moment de la révision) pour assigner les mélanges de combustibles et les facteurs d'émission.
Calcul de l'intensité carbone : L'étude a calculé l'intensité carbone moyenne pondérée (gCO2/kWh) pour les HDC en agrégeant les émissions et la charge attribuées aux centrales électriques de fourniture, en comparant ces mesures à la moyenne nationale du réseau américain.

Principales contributions

Jeu de données complet : Création d'un ensemble de données validées au niveau des installations de 403 HDC américains, représentant une empreinte électrique hyperscale nationale estimée entre 56 et 82 %.
Cadre d'attribution : Application d'une méthode de comptabilité attributionnelle transparente qui lie les centres de données spécifiques au mélange physique de génération de leurs autorités de régulation, se distinguant ainsi des approches conséquentielles (marginales).
Estimation par scénarios : Fourniture d'une gamme d'estimations (68–99 TWh d'électricité ; 37–54 Mt de CO2) plutôt qu'une estimation ponctuelle unique, tenant explicitement compte des incertitudes liées aux facteurs de charge des installations et à la couverture incomplète.
Outil public : Développement d'une plateforme web accessible au public permettant aux utilisateurs d'explorer les empreintes carbone, les charges électriques et les mélanges de combustibles au niveau des États et des autorités de régulation.

Résultats

Consommation d'électricité : Sous le scénario central ( $u=0,58$ ), les 403 HDC ont consommé environ 82 TWh d'électricité, ce qui représente environ 1,8 % de la consommation totale d'électricité aux États-Unis. À travers tous les scénarios, la consommation variait de 68 à 99 TWh (1,5 à 2,2 % du total national).
Émissions de carbone : Les émissions de CO2 associées variaient de 37 à 54 millions de tonnes métriques (Mt), avec une estimation centrale de 45 Mt. Cela est environ 3,5 à 5 fois supérieur aux 10,5 Mt estimées pour les HDC en 2018.
Distribution géographique : La Virginie a accueilli le plus grand nombre de HDC (142) et la consommation globale la plus élevée (~21 TWh), suivie de l'Oregon, de l'Ohio et de l'Iowa. Ensemble, ces quatre États ont représenté plus de 50 % de la consommation totale d'électricité des HDC de l'échantillon.
Mélange de combustibles et intensité carbone : Environ 53,9 % de l'électricité attribuée aux HDC a été fournie par des combustibles fossiles (38,2 % de gaz naturel, 15,2 % de charbon), 20,9 % par le nucléaire et 25,3 % par les énergies renouvelables. L'intensité carbone moyenne pondérée de l'électricité des HDC était d'environ 545 gCO2/kWh, soit environ 48 % de plus que la moyenne contemporaine du réseau national américain de 370 gCO2/kWh. Notamment, 90 % de la demande d'électricité des HDC est située dans des autorités de régulation dont les intensités carbone sont supérieures à la moyenne nationale.

Signification et affirmations
L'article affirme fournir un outil d'attribution robuste pour évaluer l'empreinte environnementale des centres de données hyperscale en utilisant les données les plus récentes des centrales EPA eGRID. Les auteurs soulignent que leur approche offre une évaluation statistiquement robuste en raison de la visibilité distinctive et des infrastructures bien documentées des HDC. Ils soutiennent que leurs conclusions mettent en évidence la concentration disproportionnée des centres de données dans des régions dotées de réseaux à forte intensité de carbone, un facteur critique souvent négligé dans les analyses sectorielles plus larges. L'étude souligne l'urgence d'une prise de décision fondée sur les données pour éclairer les politiques visant à atténuer l'impact environnemental des centres de données, particulièrement à mesure que l'adoption de l'IA stimule une nouvelle expansion. Les auteurs notent explicitement que leurs estimations sont des chiffres basés sur des scénarios bornés plutôt que des limites inférieures strictes, reconnaissant des limites telles que la couverture incomplète des installations et l'absence de données PUE au niveau des installations. Ils positionnent leur travail comme une étape nécessaire pour reconnaître les centres de données comme un secteur économique pertinent nécessitant une attention politique ciblée, tout en distinguant leur attribution au niveau des installations des projections d'émissions au niveau des serveurs ou spécifiques à l'IA trouvées dans d'autres littératures.