En 1999, la famille Bland a cédé environ 87 acres, soit un peu plus de 35 hectares, à Taylor, au Texas, pour 10 dollars. La parcelle devait devenir un parc public pour les enfants d’un quartier populaire, majoritairement noir et hispanique. En 2025, la Taylor Economic Development Corporation en a vendu la majeure partie pour 10 millions de dollars à Blueprint Data Centersqui prévoit trois bâtiments totalisant environ 12 500 m². Le parc n’a jamais ouvert.
En apparence, le dossier oppose un don presque gratuit à une vente foncière de 10 millions de dollars. En réalité, il réunit la portée du don, la validité juridique des transferts et la demande électrique d’un site conçu pour le cloud et l’intelligence artificielle. La question porte donc sur le titre de propriété, l’usage promis et les effets du projet sur le quartier.
De la fondation au développement économique
Pour rappel, la famille Bland avait confié le terrain à une fondation dédiée aux parcs, avec l’objectif d’en faire un espace ouvert aux habitants. Pamela Griffin, qui a grandi à proximité, a expliqué que les familles afro-américaines du quartier rencontraient alors des obstacles pour acheter des terrains à Taylor. Le projet devait fournir aux enfants un lieu de proximité.
En 2003, la propriété a changé de mains à deux reprises pour 10 dollars. Taylor l’a ensuite cédée à sa structure de développement économique en échange de 15 000 dollars et de 16 hectares situés ailleurs. La Taylor Economic Development Corporation avait pour mission d’attirer des investissements dans la commune.
En 2025, cette structure a vendu la majeure partie de la parcelle à Blueprint Data Centers pour 10 millions de dollars. La ville affirme ne pas avoir eu connaissance de la volonté précise de la famille Bland au moment de l’acquisition. Elle soutient que le premier acte ne crée pas de restriction juridique opposable imposant un parc.
Le zonage peut donc autoriser un usage sans reprendre l’engagement associé au don. Le conflit oppose la portée juridique du titre à l’intention exprimée en 1999.
Le prix a changé avec les infrastructures

Autre valeur : l’emplacement. Taylor a attiré une usine Samsung consacrée aux semi-conducteurs, puis des projets industriels et des infrastructures adaptées aux gros consommateurs d’électricité. Les routes, les lignes à haute tension et la proximité des zones d’activité ont changé la valeur des terrains disponibles.
Blueprint prévoit trois bâtiments destinés aux serveurs, pour environ 12 500 m² au total, à moins de 800 mètres de certaines habitations. Le site suppose une sous-station électriquedes groupes électrogènes et un système de refroidissement en circuit fermé. Ces équipements placent aussi la question énergétique à quelques centaines de mètres des maisons voisines.
La municipalité avance un investissement pouvant atteindre 1 milliard de dollars et près de 30 millions de dollars de recettes supplémentaires sur dix ans.
Les serveurs font varier la demande électrique

Surtout, un data center ne se réduit pas à ses serveurs. Les groupes de refroidissement peuvent produire un bruit continu, les générateurs de secours fonctionner lors des essais ou des coupures, et la sous-station ajouter des équipements électriques autour du site. Pour les riverains, ces installations s’ajoutent à la crainte d’une demande électrique locale plus élevée.
L’article Characterization of high-resolution AI data center training workloads on single and multiple GPU nodespublié en 2026 dans la revue Scientific Dataprésente un jeu de données consacré aux charges d’entraînement de l’IA. Il rassemble plus de 1,8 million de mesures prises à une résolution inférieure à la seconde : 32 sessions d’entraînement sur des nœuds équipés de huit GPU H100 ou B200 et 40 sessions sur des cartes NVIDIA GeForce RTX 3060.
Les relevés enregistrent la demande électrique, l’utilisation des processeurs et des GPU, la puissance de chaque GPU, la mémoire et la température. Les profils varient selon les tâches, le matériel et la configuration des nœuds. Le jeu de données ne mesure pas le futur site de Taylor, mais il montre pourquoi une infrastructure d’IA doit être dimensionnée pour des variations rapides de charge, et pas seulement pour une moyenne annuelle.
Le refroidissement en circuit fermé ne supprime ni la puissance appelée, ni les groupes électrogènes, ni la sous-station. Le projet ne se limite donc pas au bâtiment : ces équipements peuvent affecter le voisinage par le bruit, les essais et la demande électrique.
Le zonage autorise le projet, pas la promesse
La bataille judiciaire a commencé avant l’ouverture du chantier. En octobre 2025, un juge a rejeté la plainte de plusieurs riverains, estimant qu’ils ne possédaient pas la parcelle et ne disposaient pas d’un intérêt financier suffisant. Les opposants ont fait appel devant la Third Court of Appeals d’Austin.
En septembre 2026, le procureur général du Texas, Ken Paxton, a ouvert une enquête pour vérifier si l’obligation de conserver le terrain pour un parc avait été retirée légalement. Son bureau examine aussi les déclarations de consommation d’eau de centaines de projets de data centers au Texas. Cette enquête ne vaut pas annulation du projet.
À l’été 2026, une coalition locale a remis environ 1 400 signatures à la mairie pour demander un contrôle accru des centres de données. La municipalité invoque un cadre texan qui limite la capacité des villes à exclure ces infrastructures lorsque le zonage les autorise. Le conflit sépare ainsi deux questions : le droit de construire et la légitimité de l’usage choisi.
À la date de septembre 2026, le terrain n’est ni un parc public ni un data center opérationnel. Il reste pris entre une promesse formulée en 1999, une vente conclue en 2025, des recettes fiscales projetées et des nuisances redoutées par les habitants. Le chèque ne clôt pas l’affaire.
Sources et références scientifiques
- Database resources of the National Genomics Data Center, China National Center for Bioinformation in 2026 – PMC. Nucleic acids research. DOI: 10.1093/nar/gkaf1172 · PMID: 41359036.
- 1. Bao Y, Xue Y.. From BIG data center to China National Center for Bioinformation. Genomics Proteomics Bioinformatics. 2023;21:900-3. 10.1016/j.gpb.2023.10.0010. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.gpb.2023.10.0010.
- 2. Piwecka M, Rajewsky N, Rybak-Wolf A.. Single-cell and spatial transcriptomics: deciphering brain complexity in health and disease. Nat Rev Neurol. 2023;19:346-62. 10.1038/s41582-023-00809-y. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41582-023-00809-y.
- 3. Vandereyken K, Sifrim A, Thienpont Bet al. Methods and applications for single-cell and spatial multi-omics. Nat Rev Genet. 2023;24:494-515. 10.1038/s41576-023-00580-2. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41576-023-00580-2.
- 4. Gulati GS, D'Silva JP, Liu Yet al. Profiling cell identity and tissue architecture with single-cell and spatial transcriptomics. Nat Rev Mol Cell Biol. 2025;26:11-31. 10.1038/s41580-024-00768-2. [DOI] [PubMed] [Google Scholar]. doi:10.1038/s41580-024-00768-2.
- 5. All of Us Research Program Genomics, I. Genomic data in the all of us research program. Nature. 2024;627:340-6. [DOI] [PMC free article] [PubMed] [Google Scholar].
- 6. Cook MB, Sanderson SC, Deanfield JEet al. Our future health: a unique global resource for discovery and translational research. Nat Med. 2025;31:728-30. 10.1038/s41591-024-03438-0. [DOI] [PubMed] [Google Scholar]. doi:10.1038/s41591-024-03438-0.
- 7. Rozenblatt-Rosen O, Stubbington MJT, Regev Aet al. The Human Cell Atlas: from vision to reality. Nature. 2017;550:451-3. 10.1038/550451a. [DOI] [PubMed] [Google Scholar]. doi:10.1038/550451a.
- 8. Lewin HA, Robinson GE, Kress WJet al. Earth BioGenome project: sequencing life for the future of life. Proc Natl Acad Sci USA. 2018;115:4325-33. 10.1073/pnas.1720115115. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1073/pnas.1720115115.
- 9. Papatheodorou I, Moreno P, Manning Jet al. Expression atlas update: from tissues to single cells. Nucleic Acids Res. 2020;48:D77-83. [DOI] [PMC free article] [PubMed] [Google Scholar].
- 10. Bycroft C, Freeman C, Petkova Det al. The UK Biobank resource with deep phenotyping and genomic data. Nature. 2018;562:203-9. 10.1038/s41586-018-0579-z. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41586-018-0579-z.
- 11. Bhattacharya S, Andorf S, Gomes Let al. ImmPort: disseminating data to the public for the future of immunology. Immunol Res. 2014;58:234-9. 10.1007/s12026-014-8516-1. [DOI] [PubMed] [Google Scholar]. doi:10.1007/s12026-014-8516-1.
- 12. Ju LF, Xu HJ, Yang YGet al. Omics views of mechanisms for cell fate determination in early mammalian development. Genomics Proteomics Bioinformatics. 2023;21:950-61. 10.1016/j.gpb.2023.03.001. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.gpb.2023.03.001.
- Characterization of high-resolution AI data center training workloads on single and multiple GPU nodes – PMC. Scientific data. DOI: 10.1038/s41597-026-07496-6 · PMID: 42236483.
- en, S. How much energy will AI really consume? The good, the bad and the unknown. Nature639.8053, 22-24 (2025). [DOI] [PubMed] [Google Scholar].
- 2.Rasch, M. J. et al. Hardware-aware training for large-scale and diverse deep learning inference workloads using in-memory computing-based accelerators. Nature communications14(1), 5282 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
- 3.Alarcon, Nefi, OpenAI presents GPT-3, a 175 billion parameters language model. Nvidia (2020)..
- 4.Liu, A et al. Deepseek-v3 technical report. Preprint at (2024)..
- 5.North American Electric Reliability Corporation (NERC), Characteristics and Risks of Emerging Large Loads (2025)..
- 6.Tazi, N. et al. The Ultra-Scale Playbook: Training LLMs on GPU Clusters (2025)..
- 7.Wang, Q., Zhang, F. & Li, R. Artificial intelligence and sustainable development during urbanization: Perspectives on AI R&D innovation, AI infrastructure, and AI market advantage. Sustainable Development33.1, 1136-1156 (2025). [Google Scholar].
- 8.Google Cluster Data (2019)..
- 9.Azure Public Dataset (2019)..
- 10.Alibaba Cluster Trace Program (2023)..
- 11.Antici, F., Seyedkazemi Ardebili, M., Bartolini, A. & Kiziltan, Z. PM100: A job power consumption dataset of a large-scale production HPC system. In Proceedings of the SC’23 Workshops of The International Conference on High Performance Computing, Network, Storage, and Analysis, pp. 1812-1819 (2023)..
- 12.Antici, F., Bartolini, A., Domke, J., Kiziltan, Z. & Yamamoto, K. F-DATA: A Fugaku Workload Dataset for Job-centric Predictive Modelling in HPC Systems. Scientific Data12(1), 1321 (2025). [DOI] [PMC free article] [PubMed] [Google Scholar].
- Sustainable Control of Carbon Emissions and Energy Consumption Through a Green Data Center Approach – PMC. TheScientificWorldJournal. DOI: 10.1155/tswj/1158756 · PMID: 42163451.
- 1. Cloud H., The Nist Definition of Cloud Computing, 2011, National Institute of Science and Technology, special publication 800-145. [Google Scholar].
- 2. Paul A. K. and Sahoo B., Dynamic Virtual Machine Placement in Cloud Computing, Resource Management and Efficiency in Cloud Computing Environments, 2017, IGI Global Scientific Publishing, 136-167. [Google Scholar].
- 3. Alharbi F., Tian Y.-C., Tang M., Ferdaus M. H., Zhang W.-Z., and Yu Z.-G., Simultaneous Application Assignment and Virtual Machine Placement via Ant Colony Optimization for Energy-Efficient Enterprise Data Centers, Cluster Computing. (2021) 24, no. 2, 1255-1275, 10.1007/s10586-020-03186-z. [DOI] [Google Scholar]. doi:10.1007/s10586-020-03186-z.
- 4. Khosravi A., Garg S. K., and Buyya R., Energy and Carbon-Efficient Placement of Virtual Machines in Distributed Cloud Data Centers, European Conference on Parallel Processing, 2013, Springer Berlin Heidelberg, 317-328. [Google Scholar].
- 5. Möbius C., Dargie W., and Schill A., Power Consumption Estimation Models for Processors, Virtual Machines, and Servers, IEEE Transactions on Parallel and Distributed Systems. (2014) 25, no. 6, 1600-1614, 10.1109/TPDS.2013.183, 2-s2.0-84901020434. [DOI] [Google Scholar]. doi:10.1109/TPDS.2013.183.
- 6. Liu Z., Liu I., Low S., and Wierman A., Pricing Data Center Demand Response, ACM SIGMETRICS Performance Evaluation Review. (2014) 42, no. 1, 111-123, 10.1145/2637364.2592004, 2-s2.0-84955569761. [DOI] [Google Scholar]. doi:10.1145/2637364.2592004.
- 7. Ding Z., Tian Y.-C., Tang M., Li Y., Wang Y.-G., and Zhou C., Profile-Guided Three-Phase Virtual Resource Management for Energy Efficiency of Data Centers, IEEE Transactions on Industrial Electronics. (2020) 67, no. 3, 2460-2468, 10.1109/TIE.2019.2902786. [DOI] [Google Scholar]. doi:10.1109/TIE.2019.2902786.
- 8. Mann Z. and Szabó M., Which Is the Best Algorithm for Virtual Machine Placement Optimization?, Concurrency and Computation: Practice and Experience. (2017) 29, no. 10, e4083, 10.1002/cpe.4083, 2-s2.0-85016277509. [DOI] [Google Scholar]. doi:10.1002/cpe.4083.
- 9. Dayarathna M., Wen Y., and Fan R., Data Center Energy Consumption Modeling: A Survey, IEEE Communications Surveys & Tutorials. (2016) 18, no. 1, 732-794, 10.1109/COMST.2015.2481183, 2-s2.0-84962438898. [DOI] [Google Scholar]. doi:10.1109/COMST.2015.2481183.
- 10. Talebian H., Gani A., Sookhak M., Abdelatif A., Yousafzai A., Vasilakos A., and Yu F., Optimizing Virtual Machine Placement in IaaS Data Centers: Taxonomy, Review and Open Issues, Cluster Computing. (2020) 23, no. 2, 837-878, 10.1007/s10586-019-02954-w, 2-s2.0-85069939209. [DOI] [Google Scholar]. doi:10.1007/s10586-019-02954-w.
- 11. Bashroush R., Woods E., and Noureddine A., ICT Energy Demand: What Got Us Here Won′t Get Us There, IEEE Software. (2016) 33, no. 2, 18-21, 10.1109/MS.2016.53, 2-s2.0-84964725785. [DOI] [Google Scholar]. doi:10.1109/MS.2016.53.
- 12. Pascual J. A., Lorido-Botrán T., Miguel-Alonso J., and Lozano J. A., Towards a Greener Cloud Infrastructure Management Using Optimized Placement Policies, Journal of Grid Computing. (2015) 13, no. 3, 375-389, 10.1007/s10723-014-9312-9, 2-s2.0-84949313986. [DOI] [Google Scholar]. doi:10.1007/s10723-014-9312-9.
- How does construction of the healthcare data center affect the health of older adults?evidence from China – PMC. Frontiers in medicine. DOI: 10.3389/fmed.2025.1589319 · PMID: 40529131.
- en Y, Yang C. Integration of medical care and elderly health management services: Empirical evidence from pilot cities in China. Finance Econ Res. (2023) 49:121-35. 10.16538/j.cnki.jfe.20231016.401 [DOI] [Google Scholar]. doi:10.16538/j.cnki.jfe.20231016.401.
- 2.Bhattacharyya S, Banerjee S, Bose I, Kankanhalli A. Temporal effects of repeated recognition and lack of recognition on online community contributions. J Manage Informat Syst. (2020) 37:536-62. 10.1080/07421222.2020.1759341 [DOI] [Google Scholar]. doi:10.1080/07421222.2020.1759341.
- 3.Pan J, Ding S, Wu D, Yang S, Yang J. Exploring behavioural intentions toward smart healthcare services among medical practitioners: A technology transfer perspective. Int J Product Res. (2019) 57:5801-20. 10.1080/00207543.2018.1550272 [DOI] [Google Scholar]. doi:10.1080/00207543.2018.1550272.
- nkner S, Arbona A, Berti G, Chiarini A, Dunlop R, Engelbrecht G, et al. @neurIST: Infrastructure for advanced disease management through integration of heterogeneous data, computing, and complex processing services. IEEE Trans Inf Technol Biomed. (2010) 14:1365-77. 10.1109/TITB.2010.2049268 [DOI] [PubMed] [Google Scholar]. doi:10.1109/TITB.2010.2049268.
- ai G, Wang J. Value excavation and realization of medical big data under the “Healthy China” strategy. Electronic Govern. (2022) 6:99-110. [Google Scholar].
- en L, Liu W. The effect of Internet access on body weight: Evidence from China. J Health Econ. (2022) 85:102670. 10.1016/j.jhealeco.2022.102670 [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.jhealeco.2022.102670.
- 7.Jia H. Impact of digital infrastructure construction on the migrants’ utilization of basic public health services in China. BMC Health Serv Res. (2024) 24:761. 10.1186/s12913-024-11221-7 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s12913-024-11221-7.
- 8.Secinaro S, Calandra D, Secinaro A, Muthurangu V, Biancone P. The role of artificial intelligence in healthcare: A structured literature review. BMC Med Inform Decis Mak. (2021) 21:125. 10.1186/s12911-021-01488-9 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s12911-021-01488-9.
- 9.Cowie M, Blomster J, Curtis L, Duclaux S, Ford I, Fritz F, et al. Electronic health records to facilitate clinical research. Clin Res Cardiol. (2017) 106:1-9. 10.1007/s00392-016-1025-6 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1007/s00392-016-1025-6.
- 10.Silva G, Schwamm L. Advances in stroke: Digital health. Stroke. (2021) 52:351-5. 10.1161/STROKEAHA.120.033239 [DOI] [PubMed] [Google Scholar]. doi:10.1161/STROKEAHA.120.033239.
- 11.Naumzik C, Feuerriegel S, Nielsen A. Data-driven dynamic treatment planning for chronic diseases. Eur J Operat Res. (2023) 305:853-67. 10.1016/j.ejor.2022.06.016 [DOI] [Google Scholar]. doi:10.1016/j.ejor.2022.06.016.
- 12.Ge Z, Li X, Wang H. Progress in digital health management for the elderly. Life Sci. (2023) 35:984-93. 10.13376/j.cbls/2023108 [DOI] [Google Scholar]. doi:10.13376/j.cbls/2023108.
- Un fermier vend son terrain à 10 € dans le but d'en faire un parc pour les enfants, la ville le revend p…. 2026.
- Francis Uliel. Ce fermier avait cédé son terrain pour 10 € afin d’en faire un parc, la mairie la revend 10 millions pour un data center IA. 2026.
- Audrey OEILLET. Ce fermier avait cédé son terrain contre 10 € afin d'en faire un parc, la ville le revend 10 millions pour y construire un data center. 2026.




