Après la folie des grandeurs du gigawatt (GW), Anthropic et OpenAI changent d’échelle : la bataille de l’IA se déplace vers les data centers de 20 à 30 MW.
Après avoir sécurisé des capacités de plusieurs centaines de mégawatts, voire de plusieurs gigawatts, Anthropic et OpenAI recherchent désormais des déploiements plus compacts. Ce mouvement traduit moins un ralentissement de l’industrialisation de l’IA qu’un changement de contrainte : face aux délais de raccordement, aux oppositions locales et au basculement progressif de la demande vers l’inférence, la rapidité d’accès à une puissance exploitable devient aussi stratégique que le volume total de capacité.
La course à l’infrastructure IA ne se joue plus seulement dans les campus géants. Anthropic et OpenAI explorent des contrats portant sur des installations de l’ordre de 20 à 30 MW. Anthropic aurait sondé des opportunités au Royaume-Uni et dans les pays nordiques, tandis qu’OpenAI aurait étudié des capacités comparables dans les pays nordiques et aux États-Unis. Les discussions ne constituent pas nécessairement des engagements fermes, mais elles signalent une inflexion importante dans la stratégie immobilière et énergétique des deux laboratoires.
Jusqu’ici, leur logique était celle de la concentration. Anthropic aurait conclu avec Nscale un accord cloud estimé à environ 45 milliards de dollars, portant sur près de 460 MW de capacité informatique en Virginie-Occidentale. OpenAI affirme de son côté avoir dépassé son engagement initial de 10 GW dans le programme Stargate, avant d’annoncer 3 GW supplémentaires en Géorgie et 8 GW dans l’Ohio. Ces volumes restent indispensables pour l’entraînement des modèles de très grande taille, qui exigent des grappes de processeurs étroitement interconnectées.
Mais cette architecture centralisée se heurte à une réalité industrielle moins spectaculaire : il est aujourd’hui beaucoup plus difficile de mettre rapidement sous tension un nouveau campus de plusieurs centaines de mégawatts que de mobiliser une capacité déjà alimentée dans un site existant.
L’inférence redessine la carte
L’entraînement d’un grand modèle nécessite de faire travailler simultanément un très grand nombre d’accélérateurs, avec des échanges massifs entre les GPU et une interconnexion à très faible latence. Ce type de charge favorise les campus centralisés, homogènes et fortement maillés. L’inférence – c’est-à-dire l’exécution du modèle pour répondre aux requêtes des utilisateurs – est différente. Elle peut être répartie entre plusieurs grappes plus petites, à condition de disposer d’une connectivité réseau suffisante et d’un logiciel capable d’orchestrer les charges. Cette distribution réduit la dépendance à un site unique et rapproche le calcul des bassins d’utilisateurs.
JLL prévoit que l’inférence pourrait dépasser l’entraînement comme principal moteur de capacité IA dès 2027. En 2025, elle représentait environ 9 % des charges mondiales des data centers, contre 14 % pour l’entraînement. En 2030, sa part pourrait atteindre 37 %, tandis que l’entraînement reculerait à 13 %.
Il faut toutefois manier ces pourcentages avec prudence : ils décrivent une projection de capacité et de workloads, non une mesure universelle de l’utilisation réelle des GPU. Le rapport Interface souligne que les grands clusters multiclients peuvent afficher des taux d’utilisation moyens de seulement 30 à 40 %, alors même qu’ils mobilisent une capacité électrique importante. La puissance contractée ne correspond donc pas toujours à une puissance informatique productive.
Le futur ne sera pas pour autant entièrement distribué. JLL estime que 80 % de l’inférence mondiale pourrait encore être concentrée dans moins de 50 clusters au cours de la première phase de développement. La trajectoire est donc hybride : grands pôles régionaux pour des raisons de coût et de performance, sites plus proches des utilisateurs lorsque la latence, la souveraineté ou l’accès aux données deviennent déterminants.
Des sites plus petits, mais pas plus simples
Réduire la taille d’un site ne signifie pas réduire proportionnellement sa complexité. Un data center IA de 20 à 30 MW reste une infrastructure industrielle lourde. Les racks GPU peuvent atteindre plusieurs dizaines, voire plus de 100 kW. Le refroidissement à air devient insuffisant au-delà de certains seuils, ce qui impose du direct-to-chip, des boucles hydrauliques, des échangeurs et une gestion plus fine de la qualité de l’eau.
Le choix d’un site existant peut accélérer le calendrier, mais il pose une question de compatibilité. Tous les bâtiments ne peuvent pas recevoir des charges thermiques et électriques aussi élevées. Les transformateurs, tableaux électriques, onduleurs, groupes de secours, systèmes de refroidissement et réseaux internes doivent parfois être remplacés plutôt que simplement complétés.
JLL chiffre le coût moyen mondial de construction du shell and core à environ 11,3 millions de dollars par MW en 2026, hors foncier et équipements informatiques. Pour les infrastructures IA, le fit-out technique peut ajouter jusqu’à 25 millions de dollars par MW. Un site de 30 MW n’est donc pas une installation légère : l’ordre de grandeur peut rapidement dépasser le milliard de dollars une fois intégrés les GPU, le réseau, le stockage et le refroidissement liquide.
La modularité apporte néanmoins un avantage décisif. Les modules préfabriqués peuvent réduire les travaux sur site et permettre une mise en service par phases. JLL estime que le marché mondial des systèmes modulaires et des micro-data centers pourrait passer de 11 milliards de dollars en 2025 à 48 milliards en 2030. Cette évolution répond directement à la priorité des opérateurs : livrer rapidement une première tranche exploitable, puis ajouter des blocs au fil de la puissance disponible.
Une nouvelle hiérarchie des risques
Le mouvement vers les 20-30 MW constitue une réponse pragmatique à la pénurie de capacité. Il ne remet pas en cause les mégaprojets, nécessaires pour l’entraînement et les charges centralisées. Il crée plutôt un portefeuille à plusieurs niveaux : grands campus pour la puissance de calcul massive, sites régionaux pour l’inférence, installations modulaires pour tester de nouveaux usages ou absorber rapidement une demande locale.
Pour les investisseurs et les développeurs, la valeur se déplace vers les actifs déjà alimentés, extensibles et compatibles avec le refroidissement liquide. Un terrain bien situé mais dépourvu de puissance sécurisée risque de devenir un actif bloqué. À l’inverse, un site plus éloigné, disposant d’un raccordement crédible et d’une bonne connectivité, peut prendre une prime stratégique.
