L’intelligence artificielle généralisée paraît légère, instantanée et presque gratuite ; elle repose pourtant sur une économie lourde d’énergie, d’eau, de puces, de travail invisible et de pouvoir concentré.
Par Joyce Mwangi, chercheuse kenyane examinant les implications politiques de la concentration de la richesse technologique.
Le nuage n’est pas immatériel : il brûle de l’électricité, de l’eau et du capital
L’IA généralisée désigne la diffusion de systèmes d’intelligence artificielle dans presque toutes les fonctions sociales et économiques : recherche, bureautique, santé, finance, commerce, éducation, industrie, administration, création, cybersécurité. Son coût invisible regroupe les ressources que l’utilisateur ne voit pas lorsqu’il tape une requête : centres de données, processeurs graphiques, refroidissement, eau, énergie, câbles, terrains, dette, maintenance, données, travailleurs de l’annotation, modérateurs, juristes, ingénieurs sécurité. On parle de cloud comme d’un ciel ; il faut plutôt parler d’une mine climatisée. L’Agence internationale de l’énergie estime que la consommation électrique mondiale des centres de données pourrait doubler pour atteindre environ 945 TWh en 2030, soit un peu moins de 3 % de la consommation mondiale d’électricité, avec une croissance annuelle d’environ 15 % entre 2024 et 2030. En juin 2026, Reuters rapportait aussi que des chercheurs de l’ONU anticipaient un doublement de la consommation d’électricité et d’eau des centres de données d’ici 2030 sous l’effet de la demande d’IA. Cette croissance n’est pas une abstraction : un centre de données IA moderne de 100 mégawatts peut coûter plus de 4 milliards de dollars, dont environ 70 % pour les serveurs et processeurs graphiques, notamment les puces Nvidia. Voilà la première hypocrisie : l’utilisateur voit un abonnement à 20 dollars, une entreprise voit un copilote intégré, mais la société hérite d’une infrastructure électrique, foncière et financière. En avril 2026, OpenAI a suspendu un projet majeur de centre de données au Royaume-Uni en invoquant les coûts élevés de l’énergie et un environnement réglementaire défavorable. Si même les acteurs dominants hésitent devant la facture énergétique, pourquoi prétendre que l’IA généralisée serait naturellement abondante ? Dans mon regard politique, le prix réel n’est pas seulement économique. Il est territorial. Lorsqu’un centre de données arrive, il consomme une partie de la capacité électrique locale, mobilise les opérateurs de réseau, transforme les arbitrages publics et promet des emplois souvent moins nombreux que les exonérations fiscales ne le suggèrent. Les habitants comprennent cela intuitivement : un sondage Reuters/Ipsos publié en juin 2026 indique que 57 % des Américains interrogés s’opposeraient à la construction d’un centre de données dans leur communauté, contre seulement 14 % qui l’accepteraient.
La gratuité de l’IA est une stratégie de transfert des coûts
Le coût de calcul, ou compute, désigne la puissance informatique nécessaire pour entraîner et faire fonctionner les modèles. Le capex correspond aux dépenses d’investissement, notamment bâtiments, serveurs, puces, réseaux, refroidissement et alimentation. Les hyperscalers — Amazon Web Services, Microsoft Azure, Google Cloud, Meta et Oracle — construisent aujourd’hui la colonne vertébrale privée de l’intelligence artificielle mondiale. Goldman Sachs, cité par Axios en juin 2026, estime que les investissements des hyperscalers pourraient atteindre 770 milliards de dollars en 2026, un niveau comparable à leurs flux de trésorerie opérationnels, poussant les entreprises vers davantage de dette et de marchés de capitaux. McKinsey avait déjà évalué en 2025 que la capacité de centres de données liée à l’IA pourrait nécessiter entre 3 700 et 7 900 milliards de dollars d’investissements selon les scénarios de demande et de contraintes d’approvisionnement. Ce n’est pas une révolution démocratique ; c’est une course d’infrastructure réservée aux bilans géants. Lorsqu’une PME utilise ChatGPT, Claude, Gemini, Microsoft Copilot, Salesforce Einstein ou ServiceNow AI, elle croit acheter une productivité. En réalité, elle loue un accès à une chaîne de valeur contrôlée par quelques entreprises capables de financer les puces, l’énergie, les ingénieurs, les contrats cloud et les modèles propriétaires. La concentration du capital technologique devient alors une forme de gouvernement discret. Celui qui contrôle le compute contrôle le rythme de l’innovation, le prix de l’accès, les conditions d’usage et, progressivement, les normes cognitives du travail. La facture se déplace partout :
Les territoires paient par la pression sur les réseaux électriques, l’eau, le foncier, les infrastructures et les décisions locales de planification.
Les contribuables paient lorsque les pouvoirs publics financent raccordements, incitations fiscales, formation, énergie ou souveraineté numérique tardive.
Les salariés paient lorsque l’IA sert à automatiser des tâches sans redistribuer les gains de productivité ; Goldman Sachs Research estimait en mars 2026 que 300 millions d’emplois dans le monde sont exposés à l’automatisation par l’IA.
Les travailleurs invisibles paient lorsque l’annotation, la modération et le nettoyage des données reposent sur des plateformes dans des pays comme le Kenya, l’Inde ou les Philippines, avec de faibles protections et des rémunérations modestes ; un article académique de 2026 décrit précisément cette main-d’œuvre cachée derrière l’IA.
Les générations futures paient si l’infrastructure IA est construite plus vite que la production électrique bas carbone, les normes d’efficacité et la sobriété d’usage.
Là se trouve le mensonge moral de l’interface : elle rend l’extraction invisible. Un bouton « générer » masque une chaîne matérielle. Une réponse fluide masque des mines de métaux, des usines de semi-conducteurs, des GPU, des câbles sous-marins, des data centers, des microtravailleurs, des juristes chargés de limiter les scandales et des communautés locales qui négocient leur eau contre la promesse de modernité.
Payer l’intelligence artificielle, c’est décider qui a le droit d’imposer ses coûts
Il faut être claire : je ne plaide pas pour une nostalgie anti-technologique. L’IA peut réduire des gaspillages, accélérer la recherche médicale, aider les enseignants, optimiser des réseaux énergétiques, améliorer la traduction, détecter des fraudes, soutenir les petites entreprises. Mais une technologie utile peut rester injuste si son modèle de paiement est opaque. Le vrai prix de l’IA généralisée doit donc être rendu politique. Une étude publiée en juin 2026 sur 403 centres de données hyperscale aux États-Unis estime qu’entre mai 2024 et avril 2025, ces installations ont consommé environ 68 à 99 TWh d’électricité et généré 37 à 54 millions de tonnes de CO₂, avec une intensité carbone attribuée supérieure à la moyenne du réseau américain. Cela ne signifie pas qu’il faut fermer les centres de données. Cela signifie qu’il faut cesser de les présenter comme des infrastructures neutres. L’économie de l’IA doit être gouvernée par des règles simples : publication de l’empreinte énergétique et hydrique des grands modèles ; tarification qui reflète les coûts locaux ; interdiction de socialiser les raccordements tout en privatisant les profits ; audits sur les conditions de travail des annotateurs et modérateurs ; droit des collectivités à refuser ou conditionner les implantations ; obligations d’efficacité énergétique ; priorité aux usages socialement utiles plutôt qu’à la génération industrielle de contenus jetables. La question « qui paiera ? » reçoit aujourd’hui une réponse implicite : tout le monde, sauf ceux qui captent la rente au sommet. Les hyperscalers, les fabricants de puces, les plateformes SaaS et les fournisseurs de modèles vendent l’abondance ; les réseaux électriques, les travailleurs précaires, les municipalités et les utilisateurs dépendants absorbent l’incertitude. Une société démocratique doit inverser ce contrat. L’IA doit payer son eau, son carbone, ses infrastructures, ses travailleurs, ses externalités et ses erreurs. Sinon, l’intelligence artificielle généralisée deviendra le plus grand mécanisme contemporain de transfert de coûts : une machine brillante qui transforme la dette écologique, sociale et publique en marge privée.
À propos de Joyce Mwangi
Joyce Mwangi reste sceptique face à l’idée que l’innovation privée puisse, seule, répondre aux dilemmes collectifs lorsque la gouvernance publique, sociale et écologique court derrière les infrastructures. Pour elle, la vraie question n’est pas de savoir si l’intelligence artificielle est utile, mais qui paie son utilité, qui en capte la rente et qui en subit les externalités.
Sources
IEA — Energy and AI. (iea.org)
Reuters — data centers et consommation d’eau/électricité. (reuters.com)
