Une défaillance sur une ligne de transport à l’extérieur de Washington, DC, cette semaine n’a pas provoqué de black-out. Mais elle a révélé un problème d’infrastructure plus vaste désormais lié à l’essor de l’IA : de grands grappes de centres de données peuvent réagir à des perturbations ordinaires du réseau de manière à rendre la perturbation plus difficile à gérer.

Selon le reportage de TechCrunch, l’incident a déclenché une vague de basculements presque simultanés vers l’alimentation de secours dans des centres de données du nord de la Virginie, faisant disparaître environ 3,1 gigawatts de charge du réseau PJM en quelque 30 secondes. Des données PJM citées par TechCrunch ont montré que le déséquilibre a ensuite atteint 3,49 gigawatts, et le réseau a mis environ 11 minutes à se stabiliser. Reuters, cité dans le même article, a indiqué que les installations déconnectées représentaient alors environ 3 % de la demande de PJM.

L’enjeu dépasse largement une seule région. Le nord de la Virginie est la plus grande concentration de centres de données au monde, et une grande partie des déploiements actuels est justifiée par la demande d’entraînement et d’inférence de l’IA. La leçon de l’incident de cette semaine est que le problème énergétique du secteur ne consiste plus seulement à sécuriser suffisamment d’électricité. Il s’agit aussi de savoir comment l’infrastructure d’IA se comporte lors de pannes, de baisses de tension et de phases de reprise sur un réseau sous tension.

Ce qui s’est passé sur le réseau PJM

La séquence de base, telle que décrite par TechCrunch à partir des données de PJM et des commentaires d’experts externes, était simple. Une ligne électrique tombée a créé une perturbation du réseau. Dans des conditions normales, le système plus large se serait probablement rétabli rapidement. Au lieu de cela, de nombreux centres de données proches semblent avoir interprété la baisse de tension comme un signal de transfert vers les systèmes de secours sur site.

Cette réaction a protégé les installations individuelles, mais a soudainement retiré au réseau une quantité très importante de demande. Comme les systèmes électriques doivent maintenir un équilibre serré entre l’offre et la demande, une perte brutale de charge peut être tout aussi déstabilisante qu’une perte soudaine de production. Dans ce cas, l’excès d’offre a fait monter la tension sur une vaste zone.

TechCrunch a rapporté que Ting Labs, qui exploite un réseau de capteurs IoT via des prises électriques résidentielles, a observé des pics de tension du nord de la Virginie jusqu’à Chicago. L’incident aurait provoqué un clignotement visible des lumières dans certaines parties de la région, sans toutefois aller jusqu’au black-out.

Le point technique est simple mais important pour les bâtisseurs de l’IA : si de nombreuses grandes installations situées dans la même zone sont conçues pour prendre la même décision à la même fraction de seconde, elles peuvent se comporter comme une seule machine géante. Une perturbation locale devient alors un problème plus large de gestion du réseau.

Pourquoi les centres de données d’IA rendent le risque plus urgent

Ce problème n’est pas propre aux charges de travail d’IA, mais l’IA augmente les enjeux. Les clusters d’entraînement de grands modèles et les déploiements d’inférence denses poussent les exploitants à construire des campus plus grands avec une demande électrique plus lourde et plus concentrée. Cette concentration peut amplifier les conséquences lorsque plusieurs sites réagissent de concert.

TechCrunch a cité Ricardo de Azevedo, CTO de ON.Energy, qualifiant l’incident de "canari dans la mine de charbon" et affirmant que des événements similaires impliquant de grandes charges se produisent plus souvent. Le rapport a également relié cette perturbation à un événement comparable sur PJM en 2024, lorsque quelque 60 centres de données se sont déconnectés en même temps et qu’environ 1,5 gigawatt de charge a disparu du système.

La trajectoire de croissance est ici essentielle. TechCrunch a cité Synapse Energy Economics indiquant que les centres de données représentaient environ 6 % de la charge de PJM en 2024 et devraient atteindre 24 % d’ici 2040. Ces chiffres ne concernent pas uniquement l’IA, mais ils montrent pourquoi la planification de l’infrastructure d’IA croise désormais directement l’exploitation du réseau. Un mode de réaction qui semblait gérable à un niveau de pénétration plus faible devient beaucoup plus conséquent à mesure que l’échelle des campus augmente.

Pour les entreprises qui achètent de la capacité d’IA et pour les fournisseurs cloud qui la vendent, cela crée une nouvelle variable de fiabilité. La disponibilité du calcul ne dépend plus seulement des GPU, des réseaux ou du refroidissement. Elle dépend aussi de la capacité du système électrique environnant à absorber les défauts sans délestage massif de charges situées sur le même site.

Les correctifs proposés : étaler les réactions ou rendre les campus capables d’encaisser

Les solutions émergentes se répartissent en deux grandes catégories.

La première relève de la coordination opérationnelle. TechCrunch a cité Ali Zain Banatwala, spécialiste senior des modèles de marché à l’Independent Electricity System Operator, disant que les exploitants de réseau et les propriétaires d’installations ont besoin d’un moyen pour que les grandes charges co-localisées se déconnectent et se reconnectent de manière séquentielle plutôt qu’en une seule fois. En pratique, cela signifierait une logique de réponse par paliers, des fenêtres de reprise coordonnées et des contrôles sensibles au réseau plutôt que de simples seuils de déclenchement au niveau du site.

La seconde est plus architecturale : concevoir les campus pour absorber les brèves perturbations sans décrocher du réseau. TechCrunch a mis en avant l’approche d’ON.Energy comme exemple. Selon la description de l’entreprise dans le rapport, elle construit une alimentation sans interruption à l’échelle du campus qui couvre non seulement les serveurs, mais aussi les refroidisseurs et autres équipements de support. L’idée est d’insérer des batteries et des systèmes de conversion d’énergie entre le réseau et l’ensemble de la charge du centre de données afin que le réseau externe voie un profil de demande plus stable.

Si cela fonctionne comme décrit, une perturbation n’obligerait pas l’installation à disparaître soudainement en tant que charge. L’énergie entrante supplémentaire pourrait être dirigée vers des batteries, tandis que les déficits seraient couverts par l’énergie stockée. TechCrunch a rapporté qu’ON.Energy affirme que son système peut suivre les conditions du réseau à la milliseconde près et lisser les fluctuations issues des rampes d’entraînement de l’IA comme des défauts du réseau.

Cette logique de conception est de plus en plus pertinente car les charges de travail d’IA ne sont pas seulement importantes ; elles peuvent aussi être irrégulières. Les jobs d’entraînement, les pics d’inférence et les changements de refroidissement peuvent créer des mouvements brusques de charge interne. Une couche tampon entre le campus et le réseau pourrait aider à la fois contre la variabilité auto-induite et contre les perturbations externes.

Preuves, repères et ce qui reste non vérifié

Les éléments factuels les plus solides de cette histoire sont l’incident lui-même et l’ampleur du délestage citée à partir des données de PJM via le reportage de TechCrunch. La publication a également attribué les observations régionales de tension à Ting Labs et les parts de demande à Reuters et Synapse Energy Economics.

Plusieurs affirmations tournées vers l’avenir doivent toutefois être considérées comme des déclarations d’entreprise ou d’expert plutôt que comme des faits sectoriels établis. La description par ON.Energy des performances de son système, notamment sa réponse à la milliseconde et sa capacité à protéger des campus entiers de la volatilité du réseau, provient de l’entreprise telle que rapportée par TechCrunch. De même, l’affirmation selon laquelle ON.Energy installe actuellement 3 gigawatts de systèmes sur quatre campus de centres de données a été attribuée à de Azevedo. Aucun document de projet indépendant n’était inclus dans le matériel source fourni ici.

Le rapport indiquait également que l’ERCOT s’oriente vers l’exigence que les grandes charges comme les centres de données "tiennent" lors des perturbations, là encore selon de Azevedo. Cela peut signaler une réelle orientation politique, mais sur la base des éléments disponibles, les lecteurs devraient le considérer comme un commentaire cité d’un dirigeant plutôt que comme un résumé réglementaire pleinement documenté.

Ce qui est bien étayé, en revanche, c’est la tendance générale : la concentration de charge des centres de données peut aggraver l’instabilité du réseau si les installations se déconnectent simultanément, et le problème devient plus important à mesure que la demande électrique de l’infrastructure d’IA augmente.

Ce que cela signifie pour les bâtisseurs et les acheteurs d’entreprise

Pour les bâtisseurs de l’IA, cette histoire modifie la liste de contrôle de la conception des sites. La production de secours seule ne suffit pas si la logique de transfert elle-même déstabilise le réseau ou accroît le risque de perturbations régionales. Les développeurs devront peut-être investir davantage dans l’électronique de puissance, le stockage sur site, les contrôles dynamiques et la coordination avec les fournisseurs d’électricité au niveau du campus.

Pour les acheteurs d’IA en entreprise, en particulier ceux qui s’appuient sur des capacités hyperscale dans des marchés fortement dotés en centres de données, la résilience électrique devient une composante de la résilience du service. Une région dotée d’une capacité abondante mais d’un comportement fragile en cas de défaut peut être moins attrayante qu’une région avec de meilleures normes de ride-through, même si l’électricité y est plus chère.

Pour les services publics et les exploitants de réseau comme PJM et peut-être ERCOT, le modèle opérationnel des "grandes charges" est en train de changer. Les centres de données étaient autrefois surtout considérés comme une demande passive avec des systèmes de secours derrière le compteur. Les campus à l’échelle de l’IA agissent de plus en plus comme des acteurs pertinents pour le réseau, dont les réglages de protection et le timing de reprise peuvent influencer la stabilité régionale.

Cela ajoute aussi de la pression au débat sur les lieux de construction. Le nord de la Virginie reste stratégiquement important en raison de la densité de fibre, de la présence du cloud et des écosystèmes existants. Mais si la concentration de capacité de centres de données d’IA crée des risques récurrents de gestion du réseau, les développeurs pourraient être davantage incités à répartir la charge géographiquement ou à adopter des exigences d’interconnexion plus strictes.

Ce qu’il faut surveiller ensuite

Premièrement, surveillez une analyse officielle de l’incident par PJM ou par des organismes de services publics et de fiabilité associés. Les questions clés sont le nombre d’installations qui se sont déconnectées, les réglages de protection en jeu, et la question de savoir si le comportement de reconnexion a aggravé la reprise.

Deuxièmement, observez les changements des règles d’interconnexion couvrant les campus de centres de données d’IA et autres grandes charges. Si la capacité de ride-through devient une exigence plutôt qu’une option de conception, cela aurait un impact matériel sur les coûts de projet, les délais et le choix des fournisseurs.

Troisièmement, suivez si le nord de la Virginie devient un terrain d’essai pour des systèmes de stockage et de conditionnement de l’énergie à l’échelle du campus proposés par des entreprises comme ON.Energy. Si ces systèmes passent de déploiements de niche à une conception standard, cela signalerait une nouvelle phase de l’infrastructure d’IA d’entreprise.

Enfin, soyez attentif à une éventuelle propagation du problème au-delà de PJM. Si des événements similaires apparaissent dans d’autres régions de centres de données à croissance rapide, le marché considérera probablement les contrôles du comportement du réseau comme une infrastructure essentielle plutôt que comme un détail d’ingénierie secondaire.

Perspective Creati.ai

L’industrie de l’IA a passé les deux dernières années à parler d’une pénurie d’électricité à venir. L’incident PJM de cette semaine suggère que le problème le plus immédiat pourrait être le comportement de l’électricité. Lorsque des clusters de plusieurs gigawatts réagissent de manière identique à une panne de routine, le résultat n’est pas seulement un problème de résilience au niveau du site ; c’est un problème système pour le réseau qui les entoure.

Cela a une conséquence pratique pour toute personne qui construit ou achète de la capacité d’IA d’entreprise. La prochaine couche concurrentielle de l’infrastructure IA ne sera peut-être pas seulement des GPU moins chers ou des réseaux plus rapides, mais une meilleure intégration électrique. Les gagnants pourraient être les opérateurs capables de prouver un ride-through stable, des rampes de charge contrôlables et une coordination plus étroite avec les services publics dans des endroits comme le nord de la Virginie. En d’autres termes, une IA fiable pourrait dépendre de plus en plus autant de l’ingénierie électrique que de l’ingénierie informatique.