Efficacité du stockage à l’ère de l’électricité

La demande mondiale en électricité augmente rapidement, stimulée par la croissance de l’AI et l’expansion des datacenters. Les perspectives énergétiques mondiales 2025 de l’AIE avertissent que la capacité du réseau risque de ne pas suivre le rythme de la demande numérique, ce qui limite réellement la disponibilité de l’énergie. L’inférence de l’AI et les charges de travail agents émergentes vont intensifier cette pression. Pour les planificateurs de datacenters, l’efficacité du stockage est désormais essentielle. La plateforme Pure Storage offre des performances élevées avec une consommation d’énergie et d’espace nettement inférieure, ce qui aide les organisations à faire évoluer l’AI tout en respectant les limites de puissance, de coût et de durabilité.

Pourquoi l’efficacité du stockage est importante à l’ère de l’électricité

La demande mondiale en électricité augmente

Les World Energy Outlook 2025 de l’Agence internationale de l’énergie (IEA) confirment ce que la plupart des équipes chargées de l’infrastructure de datacenter voient déjà. Le monde passe à l’ère de l’électricité. Dans tous les scénarios, les modèles de l’AIE augmentent plus rapidement que la consommation totale d’énergie. La demande en électricité provenait autrefois des économies émergentes. Désormais, elle vient également des datacenters et de l’AI sur les marchés avancés. L’AIE prévoit que les investissements mondiaux dans les datacenters atteindront environ 580 milliards de dollars en 2025, soit un chiffre supérieur aux 540 milliards de dollars prévus pour les investissements mondiaux dans l’approvisionnement en pétrole. Et bien que les énergies renouvelables continuent de se développer, la vitesse de croissance du réseau et la nouvelle offre énergétique ne correspondront pas au rythme de la demande numérique. Il en résulte un fossé croissant entre ce dont les systèmes d’AI ont besoin et ce que le réseau peut fournir.

Tableau 1 : Tendances en matière de datacenter et d’électricité de l’IEA WEO 2025

Sources : IEA World Energy Outlook 2025, S&P Global, DataCenterDynamics.

L’AI est à la pointe de la puissance

Au cours des années précédentes, la croissance des données était la principale histoire. Aujourd’hui, c’est l’inférence de l’AI. L’entraînement d’un modèle de base nécessite de grandes rafales de puissance sur de courtes périodes. L’inférence s’exécute partout, tout le temps. Lorsqu’une organisation déploie des chatbots, des assistants de code ou des services d’AI agents, ces modèles sont utilisés en permanence. La consommation d’énergie ne s’arrête pas à l’arrêt de l’entraînement. Même des augmentations modestes de l’utilisation de l’AI sur les charges de travail cloud et d’entreprise pourraient augmenter la demande énergétique des datacenters de plusieurs centaines de térawatts-heures d’ici 2030. Les charges d’inférence dominent cette augmentation, car elles évoluent en fonction des utilisateurs, et non des modèles.

Les charges de travail d’inférence AI devraient jouer un rôle prépondérant dans la croissance de la demande énergétique des datacenters. 

Sources : Rapport IEA : Demande énergétique de l’AI, Lawrence Berkeley National Laboratory : Rapport 2024 sur la consommation énergétique des datacenters aux États-Unis

Lorsque le pouvoir n’est pas là

L’approvisionnement en énergie est désormais un risque opérationnel. En Californie, en Virginie du Nord et dans certaines régions d’Europe, les services publics retardent déjà les nouvelles connexions de datacenter en raison des contraintes du réseau. Certaines installations de l’ouest des États-Unis ont construit des shells qui restent inutilisés dans l’attente d’une allocation de l’énergie. Dans le comté de Santa Clara, en Californie, par exemple, de nouveaux projets ont été mis en pause, car la capacité du réseau disponible ne pouvait pas répondre à la charge prévue. Même lorsque de nouveaux projets énergétiques sont approuvés, leur mise en ligne prend des années. L’IEA décrit cela comme une tension croissante entre l’expansion numérique et les limites physiques. Lorsque l’infrastructure électrique ne parvient pas à suivre le rythme, les développeurs de datacenters sont confrontés à des coûts plus élevés, à des délais plus longs et à une disponibilité incertaine.

L’efficacité énergétique est la nouvelle capacité

La puissance la plus simple à trouver est la puissance dont vous n’avez pas besoin. En pratique, les gains d’efficacité sont désormais équivalents à des gains de capacité. Lorsque les équipements de stockage, de calcul et de réseau consomment moins d’énergie pour la même charge de travail, cela libère de la marge sur le réseau pour davantage d’AI et d’utilisateurs sans nouvelles sous-stations ou lignes. L’AIE souligne que la flexibilité et l’efficacité de l’infrastructure sont essentielles pour éviter les pénuries d’approvisionnement. Les performances énergétiques ne sont donc pas seulement un indicateur de durabilité, mais aussi une contrainte de planification.

Pourquoi le stockage joue un rôle central

Le stockage est souvent l’élément oublié dans la planification énergétique. Le calcul et le refroidissement attirent l’attention, mais le choix de l’architecture de stockage façonne la charge totale du datacenter de trois manières :

1. Consommation d’énergie directe : watts par téraoctet et watts par IOPS de la baie
   
2. Charge indirecte : Combien de racks, commutateurs et ressources de refroidissement sont nécessaires pour prendre en charge ce stockage
   
3. Empreinte du cycle de vie : Coûts d’énergie, de fabrication et d’élimination intégrés

Les charges de travail d’AI, en particulier les systèmes d’inférence et d’agent, sont lourdes en I/O. Ils extraient et transmettent de grandes quantités de données à travers des magasins vectoriels, des magasins de fonctionnalités et des index de récupération. Si ces données reposent sur un stockage inefficace ou à faible densité, chaque requête consomme plus d’énergie et plus de refroidissement.

L’efficacité de Pure Storage en contexte

Les systèmes Pure Storage sont conçus selon le principe selon lequel les performances et l’efficacité se conjuguent. La plateforme Pure Storage repose sur des architectures flash haute densité offrant un débit élevé et une capacité de stockage de données par watt. Dans une récente analyse interne comparant les baies de disques hybrides classiques aux baies 100 % flash de Pure Storage, les résultats montrent :

Tableau 2 : Comparaison de l’énergie et de l’espace de stockage 

Ces différences évoluent rapidement. Dans les ensembles de données d’AI de plusieurs pétaoctets, une empreinte FlashBlade//EXA™ peut réduire de 75 % ou plus la consommation d’alimentation et de refroidissement du datacenter par rapport aux systèmes PB concurrents.

Pourquoi les charges de travail d’inférence nécessitent un stockage efficace

L’inférence se propage partout. La fourniture de modèles, la génération augmentée par récupération (RAG), les systèmes agents et les fonctionnalités d’AI intégrées reposent tous sur un accès rapide aux données stockées. Chaque appel de modèle peut toucher des gigaoctets de données vectorielles ou de journaux. Multipliez cela par des millions d’appels quotidiens entre les utilisateurs, et le profil d’I/O du stockage devient énorme.

Principales exigences en matière de stockage d’inférence :

• Débit élevé pour alimenter les accélérateurs sans blocage des I/O
  
• Faible latence pour une réponse rapide
  
• Haute densité pour maintenir les données à portée de main et réduire le nombre de racks
  
• Efficacité énergétique pour gérer la croissance sans surcharger les budgets énergétiques

Les architectures FlashBlade//EXA et FlashArray™ répondent à ces besoins grâce au parallélisme et à la conception flash dense. Pour le même débit d’inférence, ils utilisent moins de racks et moins d’énergie que les disques rotatifs ou même les systèmes flash à plusieurs niveaux.

La vague à venir de l’AI agentique

Les charges de travail d’AI agentiques vont bien au-delà de la simple inférence. Ils enchaînent plusieurs appels de modèle, récupèrent les données à plusieurs reprises et effectuent des étapes de raisonnement complexes qui imitent les flux de travail à plusieurs étapes.

Chaque interaction agentique peut impliquer :

1. Analyse des entrées
   
2. Récupération à partir de bases de données vectorielles ou structurées
   
3. Raisonnement ou invocation d’outils
   
4. Génération et vérification des résultats

Ces boucles peuvent fonctionner des dizaines de fois par requête. La couche de stockage doit gérer efficacement des milliers de petites requêtes simultanées. Si le stockage est inefficace, chaque session agentique augmente le coût énergétique mesurable. Au fil du temps, la consommation énergétique totale du système peut rivaliser avec les charges d’entraînement. Le seul moyen viable de gérer cela passe par l’efficacité et la densité à chaque couche.

Les contraintes électriques sont désormais des contraintes métier

Les limites d’énergie ne sont plus indiquées uniquement dans les rapports sur le développement durable. Ils façonnent désormais les calendriers de déploiement, la disponibilité des services et la croissance des datacenters. Lorsqu’une organisation ne peut pas bénéficier d’une allocation énergétique suffisante, son plan d’extension s’arrête. Lorsque les systèmes de refroidissement atteignent leur capacité, les marges de disponibilité diminuent. Lorsque le prix du réseau augmente, les coûts d’exploitation augmentent. Il s’agit d’un risque systémique dans les économies numériques. De nombreuses économies émergentes reproduisent aujourd’hui ce modèle à mesure que l’adoption de l’AI se propage. Le rapport 2025 de l’IEA WEO met également en garde contre le fait que les chaînes d’approvisionnement en minerais critiques pourraient ralentir le déploiement de nouveaux systèmes énergétiques, ce qui renforcerait encore davantage l’approvisionnement.

Ce que les planificateurs de datacenter doivent faire maintenant

Les équipes de datacenter et d’infrastructure ne peuvent pas contrôler les délais de construction du réseau, mais elles peuvent contrôler leurs choix de conception.

1. Audit et référence
Mesurez la consommation totale d’énergie et d’espace pour le stockage, le calcul et le refroidissement existants. Suivez les watts par To et les watts par IOPS.

2. Modéliser la demande future en AI
Estimer la croissance de l’entraînement et de l’inférence. Incluez les charges de travail agentiques attendues et les schémas d’inférence distribués.

3. Identifier les goulets d’étranglement
Découvrez d’abord où l’énergie ou l’espace limitera la croissance : espace rack, refroidissement, alimentation électrique ou capacité du transformateur.

4. Moderniser le stockage
Passez de baies lourdes en HDD durs ou hybrides à des systèmes 100 % flash denses comme FlashArray et FlashBlade//EXA. Cela permet de réduire le volume d’énergie par To, le nombre de racks et les besoins en refroidissement.

5. Optimiser le placement des données
Conservez les données d’inférence fréquemment consultées sur une mémoire flash haute performance et déplacez les données plus froides vers des niveaux inférieurs ou un stockage d’objets avec la déduplication.

6. Alignement sur les installations et les services publics
Impliquez rapidement les fournisseurs d’électricité locaux. Prévoir que l’alimentation aura besoin de trois à cinq ans à l’avance. Intégrez les mises à niveau du stockage à la disponibilité de l’alimentation.

7. Intégration des indicateurs de développement durable
Inclure les données d’énergie et de CO2 dans la planification de l’infrastructure. Quantifier les réductions de chaque mesure d’efficacité.

8. Préparez-vous à la pénurie d’énergie
Planifiez des scénarios où l’alimentation est plafonnée ou retardée. Grâce à un stockage efficace, vous pouvez toujours évoluer dans les limites existantes.

Exemple de scénario de planification

Une plateforme d’AI d’entreprise de taille moyenne prévoit un triplement du trafic d’inférence d’ici 2027. Son architecture de stockage actuelle utilise des baies de HDD hybrides qui consomment environ 1,2 kW pour 100 To. Si la capacité de données de l’entreprise passe de 2PB à 6PB, la puissance totale de stockage passe de 24kW à 72kW. Le refroidissement ajoute 30 % à 40 % de plus, ce qui pousse la charge totale de l’installation à près de 100kW uniquement pour le stockage.

Le remplacement de ces baies par des systèmes FlashBlade//EXA à 250W pour 100TB fait passer la charge de stockage prévue de 72kW à 15kW. En incluant le refroidissement, la charge totale de l’installation est inférieure à 20kW. Cela permet d’économiser environ 700MWh par an, soit environ 85 000 $ de coût énergétique, et d’éviter environ 300 tonnes d’émissions de CO2. Plus important encore, il maintient le projet dans la capacité de puissance existante.

Anticiper

L’AIE prévoit que les énergies renouvelables augmenteront plus rapidement que n’importe quelle autre source d’énergie d’ici 2050, sous l’impulsion du PV solaire. Le nucléaire se développe également après des décennies de stagnation. Mais même avec cette croissance, la mise en ligne d’une nouvelle alimentation propre prend du temps. Les services d’AI et de données augmentent plus rapidement que la génération d’électricité et le renforcement du réseau. Ce déséquilibre définira la prochaine décennie de conception de l’infrastructure. L’efficacité du stockage n’est plus un avantage secondaire. C’est une exigence de conception. Les systèmes qui offrent davantage de performances par watt et de capacité par rack assurent directement la continuité des opérations et la durabilité.

Dernières réflexions

La prochaine vague d’AI ne sera pas limitée par le calcul. Elle sera limitée par la disponibilité de l’alimentation. Les entreprises qui prévoient désormais de réduire leur consommation d’énergie et d’espace déploieront leurs solutions plus rapidement, fonctionneront à moindre coût et atteindront leurs objectifs de développement durable en faisant moins d’efforts. La plateforme Pure Storage offre aux datacenters un moyen pratique d’atteindre ce résultat. Elles offrent des performances, une densité et une efficacité élevées sur une seule plateforme, ce qui permet à l’infrastructure d’AI d’évoluer dans les limites du monde réel. Comme l’a indiqué l’AIE, l’ère de l’électricité est là. La puissance est limitée. L’efficacité, c’est la capacité. Le meilleur moment pour planifier cela est avant que la grille ne dise non.