Indice

• Data center: il motore industriale dell’IA
• Quanta energia consumano davvero i data center?
• Oltre le stime: come misuriamo davvero l’impronta energetica dell’IA?
  • 1. Approccio Top-Down: stime basate sul mercato
  • 2. Approccio Bottom-Up: energia misurata per task
• Quindi, l’IA è sostenibile o no?
• Verso un ecosistema IA più sostenibile
• Considerazioni finali: responsabilità, non solo ottimizzazione

L’ascesa dell’intelligenza artificiale generativa ha alimentato un’ondata globale di innovazione e ottimismo, ma anche una crescente preoccupazione. Man mano che modelli linguistici, generatori di immagini e altri sistemi intelligenti si integrano negli strumenti e nei flussi di lavoro quotidiani, emerge una domanda fondamentale: quanta energia consuma davvero l’IA, ed è un modello sostenibile?

Un tempo confinata ai laboratori di ricerca e ai supercomputer, l’high-performance computing è ormai mainstream. Milioni di persone interagiscono quotidianamente con modelli come GPT. Le aziende utilizzano l’IA per automatizzare, generare e ottimizzare; tutto questo richiede risorse energetiche non indifferenti.

Ma qual è la reale entità di questa domanda energetica? L’IA può allinearsi agli obiettivi globali di decarbonizzazione? E qual è il compromesso tra i benefici dell’IA e il suo impatto ambientale?

Queste domande non sono più teoriche. I provider di energia e infrastrutture avvertono già la pressione mentre l’IA ridefinisce il modo in cui l’elettricità viene consumata, distribuita e persino prezzata.

Data center: il motore industriale dell’IA

Ogni prompt, immagine, traduzione o frammento di codice generato dall’IA viene elaborato all’interno di data center, ambienti altamente ingegnerizzati che ospitano server, array di storage, reti ad alta velocità e sistemi di raffreddamento sofisticati.

Questi “stabilimenti digitali” sono dove avviene l’inferenza (quando i modelli rispondono alle richieste degli utenti) e, occasionalmente, l’addestramento (il processo molto più intensivo per creare nuovi modelli).

Il consumo energetico di un data center tipico si suddivide in tre componenti principali:

• Hardware IT (40–50%) – server, GPU/TPU, networking, storage
  
• Sistemi di raffreddamento (30–40%) – ventole, HVAC, raffreddamento a liquido
  
• Sistemi ausiliari (10–30%) – illuminazione, sicurezza, conversione di potenza, backup

_{Fonte: Artificial Intelligence’s Energy Paradox, World Economic Forum & Accenture, gennaio 2025}

L’IA generativa sta intensificando questi carichi. Rispetto alle applicazioni cloud tradizionali, i carichi di lavoro dell’IA sono più densi, continui e imprevedibili, rendendone più difficile la scalabilità efficiente nei sistemi energetici esistenti.

Quanta energia consumano davvero i data center?

Nel 2022, secondo l'International Energy Agency (IEA), i data center hanno consumato tra i 240 e i 340 terawattora (TWh), pari a circa l’1–1,3% della domanda elettrica globale. Includendo il mining di criptovalute e le reti di trasmissione dati, si arriva a circa al 2%.

Con l’adozione dell’IA in rapida crescita, questa quota è destinata ad aumentare. Secondo le stime IEA:

• Il consumo elettrico dei data center potrebbe raddoppiare entro il 2030
  
• La capacità dei data center specializzati in IA cresce del 30% l’anno, contro il 9% dell’infrastruttura tradizionale
  
• I server dedicati all’IA potrebbero causare un aumento del 165% nella domanda di energia entro il 2030 secondo Goldman Sachs

Eppure, oggi, l’IA rappresenta solo una frazione del consumo energetico totale dei data center: 10% e il 15%, a seconda dei carichi di lavoro e della regione.

Il vero problema non è solo il volume, ma la concentrazione e il tasso di crescita. I carichi generati dall’IA sono ad alta densità energetica, difficili da prevedere e mettono sotto pressione le reti elettriche locali. In alcuni stati USA, le aziende energetiche hanno iniziato a razionare la potenza o a ritardare le connessioni per nuovi data center hyperscale.

Oltre le stime: come misuriamo davvero l’impronta energetica dell’IA?

Misurare il consumo energetico dei sistemi IA è sorprendentemente complesso, per motivi sia tecnici che metodologici.

Due sono gli approcci principali:

1. Approccio Top-Down: stime basate sul mercato

Si parte dall’hardware (tipicamente GPU) e si moltiplica il consumo stimato per il numero di server previsti per un dato compito.

Uno studio molto citato è quello di Alex de Vries, che ha stimato il consumo se Google integrasse l’IA generativa nel proprio motore di ricerca.

Utilizzando come base i server NVIDIA A100 e ipotizzando 400.000–500.000 server, De Vries ha calcolato un consumo annuo di 23–29 TWh , pari a 7–9 Wh per ricerca, circa 23–30 volte di più rispetto a una ricerca Google tradizionale.

Anche De Vries ha ammesso che le sue cifre sono speculative: le assunzioni sono difficili da verificare, il numero di server può cambiare rapidamente, e i nuovi modelli ottengono risultati simili con meno potenza.

Il vantaggio di questo metodo? Segnalare per tempo rischi sistemici , specialmente quando le infrastrutture richiedono anni per essere pianificate.

2. Approccio Bottom-Up: energia misurata per task

Qui si usano modelli (spesso open-source) in ambienti reali, misurando l’energia consumata ed estrapolando i dati su larga scala.

I risultati sono molto variabili:

• Generare un’immagine (es. Stable Diffusion): ~0.5 Wh
  
• Generare testo (es. modelli tipo GPT): leggermente meno
  
• Addestrare un modello tipo GPT-3: fino a 1 GWh
  

Tuttavia, è la fase di inferenza (ogni volta che qualcuno pone una domanda all'IA e ottiene una risposta) a dominare l'impronta energetica a lungo termine , non l'addestramento (la fase di insegnamento di un modello di IA). Se i modelli vengono interrogati miliardi di volte al giorno (fase di inferenza), anche un consumo basso per richiesta porta a carichi annuali dell'ordine dei terawattora.

Recenti stime hanno aggiunto ulteriori dettagli. Ad esempio:

• Una ricerca del 2024 stima che l’inferenza di GPT consuma mediamente ~0,34 Wh per query, con un range tra 0,18 e 0,67 Wh a seconda della difficoltà della task.
  
• Prompts semplici consumano <0,5 Wh, mentre quelli complessi o multi-turn arrivano a 4–5 Wh.

Molte stime pubbliche sovrastimano l’energia consumata dall’IA di 4–20 volte, ignorando ottimizzazioni server, caching o inferenze condivise.

Allora, abbiamo una risposta?

Luccioni e altri ricercatori hanno lanciato il progetto AI Energy Score, un'iniziativa pubblica volta a confrontare l'efficienza energetica dei modelli di IA su diversi compiti, che assegna a ciascun modello una valutazione a stelle. 

Luccioni e i suoi colleghi hanno osservato che il consumo energetico dei compiti di IA varia in modo significativo a seconda del tipo di attività. I loro risultati più recenti indicano che la creazione di un'immagine da un prompt di testo utilizza in genere circa 0,5 wattora di elettricità, mentre la generazione di testo tende a consumarne leggermente meno.

Quindi, l’IA è sostenibile o no?

La risposta breve: dipende.

L’IA, in particolare quella generativa, è indubbiamente ad alta intensità energetica, soprattutto su larga scala. Ma ha anche il potenziale per diventare un fattore abilitante dell’efficienza energetica in molti settori.

Verso un ecosistema IA più sostenibile

• Smart grids: ottimizzazione dei carichi, previsione dei blackout, integrazione delle rinnovabili
  
• Predictive maintenance: riduzione degli sprechi e dei tempi di fermo nelle fabbriche
  
• Building automation: sistemi HVAC adattivi e intelligenti
  
• Trasporti e logistica: ottimizzazione dei percorsi e riduzione dei consumi
  
• EV charging management: sincronizzazione con capacità di rete e prezzi dinamici
  
• Previsioni energetiche: miglior stima di produzione solare/eolica
  

In altre parole, l’IA è sia consumatrice che regolatrice di energia. La sfida è garantire che il suo valore superi i suoi costi , non solo in termini economici, ma anche ecologici e infrastrutturali.

Verso un ecosistema IA più sostenibile

Ecco alcune leve chiave per conciliare innovazione IA e sostenibilità energetica:

1. Innovazione hardware

• Chip ad alta efficienza (neuromorfici, ottici, ASIC personalizzati)
  
• Design di modelli “hardware-aware”
  
• Sistemi di raffreddamento intelligenti (a immersione, a cambiamento di fase)

2. Design the data center green

• Architetture modulari e raffreddamento a liquido
  
• Energie rinnovabili on-site e sistemi di accumulo
  
• Load balancing dinamico e risposta alla domanda
  

3. Efficienza dei modelli

• Tecniche di quantizzazione, pruning e distillazione
  
• Modelli più piccoli e specializzati
  
• Riduzione attiva delle “allucinazioni” e dei retry
  

4. Benchmarking energetico

• Iniziative come l'AI Energy Score o ML.ENERGY sono fondamentali per stabilire parametri trasparenti
  
• I Policymakers potrebbero promuovere etichette energetiche o obblighi di disclosure delle emissioni per i modelli
  

5. Collaborazione cross-settoriale

• Co-design tra sviluppatori IA , cloud provider, utility e regolatori
  
• Evitare sovraccarichi locali e instradamenti inefficienti
  

6. Strategia geografica

• Localizzazione dei data center in aree ad alta disponibilità rinnovabile
  
• Incentivi per l’uso di reti low-carbon o fonti locali (nucleare, geotermico)
  

Considerazioni finali: responsabilità, non solo ottimizzazione

L’IA generativa non è solo una tecnologia rivoluzionaria: è un cambio di paradigma nel modo in cui distribuiamo informazione, calcolo e intelligenza.

Ma da grandi poteri derivano grandi… bollette.

Se vogliamo che l’IA non sia solo intelligente, ma anche responsabile, l’energia deve diventare un principio progettuale fondamentale, non un problema del futuro. Il futuro dell’IA non riguarda solo modelli più grandi o chip più veloci. Riguarda la costruzione di sistemi allineati ai limiti umani, ambientali e infrastrutturali.