Le rapport 2026 d’Ana Semedo titré « IA et énergie, transformer une interdépendance en capacité de décision » est parti d’une relation encore trop souvent pensée à moitié. D’un côté, l’intelligence artificielle est décrite comme une nouvelle demande énergétique, matérialisée par les data centers, les GPU, l’inférence, les raccordements et les chaînes industrielles du calcul. De l’autre, l’énergie est présentée comme un domaine que l’IA pourrait optimiser, automatiser ou rendre plus sobre. L’enjeu de ce rapport a été de tenir ces deux mouvements ensemble : l’IA transforme la demande d’énergie, tandis que l’IA peut aussi transformer les systèmes énergétiques eux-mêmes. Quel enjeu pour le France ?
L’objet du rapport est clair. La question n’est pas seulement de savoir si la France doit accueillir l’IA, raccorder des data centers ou encourager des usages numériques plus sobres. Elle est de savoir comment gouverner une interdépendance nouvelle entre calcul, énergie, infrastructures, territoires, organisations, souveraineté et transition écologique. Cette interdépendance peut devenir une capacité stratégique si elle est instruite, arbitrée et pilotée. Elle peut aussi devenir une dépendance supplémentaire si elle est laissée aux seules logiques d’annonce, de marché, de confort logiciel ou d’urgence technologique.
L’énergie n’est pas seulement une contrainte pour l’IA
Le premier enseignement du rapport est que l’IA n’est pas immatérielle. Elle engage des ressources physiques : électricité, eau, foncier, chaleur, câbles, serveurs, GPU, métaux, bâtiments, groupes de secours, compétences et capacités industrielles. Le data center rend cette matérialité visible, mais il ne l’épuise pas. L’inférence intégrée dans les logiciels, les API, les suites bureautiques, les agents et les services SaaS diffuse aussi une demande de calcul souvent invisible pour les organisations qui l’utilisent. L’empreinte de l’IA ne se situe donc pas seulement dans les grands sites visibles. Elle se loge aussi dans les usages ordinaires, les architectures logicielles, les contrats fournisseurs et les chaînes d’inférence. Le deuxième enseignement est que l’énergie n’est pas seulement une contrainte pour l’IA. Elle devient l’un de ses terrains d’usage les plus stratégiques. Prévision, optimisation, maintenance, pilotage, gestion des flexibilités, bâtiments intelligents, pompes à chaleur, supervision industrielle, intégration des renouvelables : les organisations énergétiques montrent que l’IA peut contribuer à mieux utiliser certaines ressources, à sécuriser certains processus et à améliorer certains arbitrages. Mais cette promesse doit rester instruite. Une IA au service de l’énergie ne devient pas automatiquement frugale, utile ou bénéfique. Elle doit démontrer ce qu’elle économise, ce qu’elle consomme, ce qu’elle transforme, ce qu’elle rend plus robuste et ce qu’elle rend plus dépendant. Le troisième enseignement est que la demande IA n’est pas homogène. Entraînement, inférence, fine-tuning, edge industriel, cloud généraliste, usage critique, usage de divertissement ou de confort, automatisation agentique ou optimisation énergétique ne posent pas les mêmes questions. Tous ne justifient pas les mêmes infrastructures, les mêmes localisations, les mêmes niveaux de puissance, les mêmes exigences de continuité ni les mêmes contreparties territoriales. Qualifier l’usage devient donc une condition préalable à toute décision sérieuse. Sans qualification des usages, les infrastructures risquent d’être dimensionnées par défaut pour une demande indifférenciée.
La souveraineté ne se décrète pas par localisation
Le quatrième enseignement est que la frugalité ne commence pas au moment d’optimiser un modèle. Elle commence au moment de qualifier un besoin. Faut-il vraiment de l’IA pour cet usage ? Le bénéfice attendu est-il démontré ? Existe-t-il un scénario sans IA ? Le modèle est-il proportionné ? L’infrastructure est-elle maîtrisée ? Les effets rebond sont-ils suivis ? Les impacts humains et sociaux sont-ils instruits ? La frugalité devient alors une discipline d’arbitrage entre 152 usages, coûts, souveraineté, robustesse, sécurité, dépendances, impacts et valeur créée. Elle ne consiste pas à faire moins en toute circonstance, mais à consommer juste pour un usage dont la valeur peut être démontrée. Le cinquième enseignement est que la souveraineté ne se décrète pas par localisation. Héberger en France ne signifie pas maîtriser en France. La souveraineté se joue dans les capitaux, les opérateurs, les clients, les modèles, les données, les puces, les câbles, les logiciels, les API, les interfaces, les compétences et la capacité à substituer une solution à une autre. Cette lecture par couches évite deux impasses : croire qu’il faudrait tout maîtriser, ce qui est irréaliste, ou considérer que la localisation physique suffit, ce qui est insuffisant. La question stratégique devient : quelles couches critiques doivent être maîtrisées, lesquelles peuvent rester dépendantes, lesquelles doivent être rendues substituables, et lesquelles créent une vulnérabilité si elles disparaissent ou changent de conditions d’accès ?
Les organisations doivent apprendre à gouverner l’IA comme une infrastructure d’usage
Le sixième enseignement est que les territoires ne peuvent pas être de simples lieux d’accueil. Ils sont les lieux où se matérialisent les ressources mobilisées et les externalités produites : foncier, eau, chaleur, raccordement, voirie, fiscalité, bruit, groupes de secours, emplois, compétences, acceptabilité et réversibilité. Pour un opérateur mondial, un site peut être une option parmi d’autres. Pour une collectivité, c’est un engagement de long terme. Cette asymétrie impose une ingénierie publique indépendante, des critères d’accueil explicites, une négociation documentée et des contreparties vérifiables. Le septième enseignement est que les organisations doivent apprendre à gouverner l’IA comme une infrastructure d’usage, et non comme une simple couche logicielle. Un copilote, un agent, un modèle de langage, un routeur d’inférence ou une suite logicielle enrichie à l’IA appellent des infrastructures, des données, de l’énergie, des contrats, des coûts, des dépendances et des responsabilités. Les organisations doivent donc rendre visibles les usages, suivre les coûts complets, contractualiser les exigences fournisseurs, organiser la réversibilité, former les métiers et mesurer les bénéfices dans la durée. Sans cela, l’IA risque d’être reçue plus qu’elle n’est choisie. Ces enseignements convergent vers une même exigence : gouverner la relation IA-énergie comme un système. Cette gouvernance suppose de relier ce qui est encore trop souvent séparé : les usages et les infrastructures, les raccordements et les clients finaux, les promesses de chaleur et les réseaux existants, les gains d’efficacité et les effets rebond, la localisation et la maîtrise, la performance logicielle et les ressources matérielles, l’innovation et la réversibilité.
Les organisations énergétiques doivent pouvoir expérimenter l’IA sans perdre la maîtrise de leurs systèmes critiques
Le rapport ne plaide donc pas pour une couche supplémentaire de complexité administrative. Il plaide pour une capacité d’instruction proportionnée à la complexité réelle de l’objet. Cette doctrine appelle un changement de posture publique. Il ne s’agit pas seulement d’accélérer ou de ralentir. Il s’agit de qualifier, sélectionner, conditionner, contractualiser, suivre et réviser. L’accueil des data centers doit devenir un contrat stratégique explicite. Les usages IA doivent être hiérarchisés selon leur valeur, leurs coûts complets et leurs effets induits. Les organisations énergétiques doivent pouvoir expérimenter l’IA sans perdre la maîtrise de leurs systèmes critiques. Les collectivités doivent disposer des moyens de négocier. Les acheteurs publics et privés doivent intégrer la frugalité, la transparence, la réversibilité et la souveraineté par couches dans leurs critères de choix. La France et l’Europe ne gagneront pas nécessairement en singeant les hyperscalers. Elles ne disposent pas des mêmes volumes de capitaux, des mêmes plateformes mondiales, des mêmes 153 marchés captifs ni des mêmes positions industrielles dans la chaîne complète du calcul. Leur stratégie peut être différente : devenir critiques sur les couches qui conditionnent la décision, l’intégration, la confiance, la robustesse, la frugalité, l’explicabilité, la souveraineté opérationnelle et les usages industriels. Dans un monde de ressources finies, ces attributs peuvent devenir des avantages stratégiques, pas seulement des contraintes.
L’enjeu n’est pas de choisir entre développement de l’IA et transition énergétique
Gouverner la réciprocité entre IA et énergie, c’est refuser deux simplifications. La première consisterait à voir l’IA seulement comme une charge énergétique supplémentaire. La seconde consisterait à voir l’IA seulement comme un levier d’optimisation de l’énergie. Elle est les deux à la fois : une demande nouvelle et un outil potentiel de transformation. C’est précisément cette double nature qui impose une doctrine. La France et l’Europe disposent d’une fenêtre stratégique : qualifier les usages avant de dimensionner les infrastructures, rendre l’inférence visible, mesurer les gains nets, conditionner les ressources rares, construire des capacités souveraines par couches, renforcer l’ingénierie publique et apprendre collectivement des usages réels. L’enjeu n’est pas de choisir entre développement de l’IA et transition énergétique. Il est de faire de leur relation un objet de décision, de maîtrise et de responsabilité. La question finale est : quels usages IA la France veut-elle rendre possibles, avec quelles ressources, dans quels territoires, sous quelles garanties et au bénéfice de quelle stratégie industrielle, énergétique et démocratique ?
Â
Â
Â
