Quando si parla di intelligenza artificiale, si pensa spesso a modelli, chatbot e immagini generate in pochi secondi, dimenticando che dietro ogni risposta si cela un’infrastruttura colossale di server, chip e data center che consumano quantità impressionanti di energia. Ogni algoritmo, per essere addestrato, richiede set di dati vastissimi, miliardi di calcoli e settimane di elaborazione continua su processori altamente specializzati. Secondo i più recenti rapporti della International Energy Agency (IEA), entro il 2030 i data center di tutto il mondo potrebbero arrivare a consumare quasi il 3% dell’elettricità globale, una quota paragonabile a quella dell’intero continente africano. La crescita esponenziale della domanda è legata in larga parte proprio all’espansione dell’AI generativa, che richiede enormi risorse computazionali per addestrare e mantenere operativi i modelli linguistici di nuova generazione.
Il salto tecnologico che ha reso possibile la rivoluzione dell’intelligenza artificiale è la diffusione delle GPU e dei chip specializzati come i TPU di Google o i H100 di Nvidia, capaci di eseguire miliardi di operazioni in parallelo. Tuttavia, questa potenza si traduce in consumi elettrici altissimi: un singolo server AI può arrivare a richiedere fino a 5.000 watt, contro i 500-700 di un server tradizionale. Nei centri di calcolo più avanzati, centinaia di migliaia di queste unità lavorano in sincronia, generando un fabbisogno energetico che cresce di mese in mese. Se il training di un modello come GPT-4 richiede fino a 25 gigawattora di elettricità, pari al consumo annuo di 3.000 famiglie europee, l’uso quotidiano – cioè la fase di inferenza, quando milioni di utenti interagiscono con il sistema – rappresenta ormai la parte più pesante del bilancio ambientale.
Ogni salto di performance porta con sé un dilemma: più intelligenza equivale a più energia. La competizione tra aziende per costruire modelli sempre più grandi, con centinaia di miliardi di parametri, rischia di spingere la domanda di elettricità oltre i limiti infrastrutturali di intere nazioni. Già oggi, alcune regioni degli Stati Uniti e dell’Asia stanno affrontando problemi di rete dovuti alla concentrazione di data center, mentre l’Europa, pur spingendo sulla transizione verde, registra un’impennata dei consumi legata proprio all’espansione dell’AI. Il paradosso è evidente: l’intelligenza artificiale, nata per ottimizzare l’efficienza dei sistemi, rischia di diventare una delle principali fonti di pressione ambientale del XXI secolo.
Acqua e raffreddamento, il lato nascosto dei data center
Se l’energia è il cuore del problema, l’acqua ne è il sangue. Ogni data center genera calore, e mantenerlo entro limiti di sicurezza è una sfida costante. I sistemi di raffreddamento utilizzano migliaia di litri al giorno per dissipare la temperatura dei processori, e questo meccanismo, ripetuto su scala globale, sta trasformando l’AI in una forza che influenza i bilanci idrici locali. In alcune zone degli Stati Uniti, come l’Iowa o l’Arizona, dove sorgono enormi poli informatici, le comunità locali hanno iniziato a denunciare una competizione diretta tra la produzione di tecnologia e le riserve d’acqua potabile.
Secondo uno studio condotto dall’Università della California, addestrare un singolo modello linguistico di grandi dimensioni può richiedere oltre 700.000 litri d’acqua dolce se si sommano i consumi diretti e quelli indiretti legati alla produzione di energia. Google, nel suo ultimo report di sostenibilità, ha ammesso che il consumo idrico dei propri data center è aumentato di oltre il 20% in un solo anno, e Microsoft ha registrato incrementi ancora più elevati in alcune sedi operative. La causa principale è l’aumento del numero di GPU e la densità dei server dedicati all’AI, che generano calore costante e intenso, richiedendo un raffreddamento continuo.
Le aziende più avanzate stanno sperimentando raffreddamenti ad aria, circuiti chiusi e free cooling, che sfruttano l’aria esterna quando le condizioni climatiche lo permettono. Tuttavia, questi sistemi non sono applicabili ovunque: nelle aree più calde e secche del pianeta, dove paradossalmente si concentrano molti data center per ragioni fiscali e logistiche, il raffreddamento a liquido resta imprescindibile. Gli esperti propongono di spostare le strutture verso zone a clima temperato o polare, dove il fabbisogno energetico e idrico è minore, ma la logistica e la latenza di rete pongono nuovi ostacoli. La verità è che la transizione ecologica dei data center sarà un processo lungo e costoso, che richiederà soluzioni integrate tra ingegneria, urbanistica e politica energetica.
Carbonio e hardware, l’impronta materiale dell’AI
Dietro ogni algoritmo c’è un mondo fisico fatto di rame, silicio, cobalto, terre rare e processi produttivi estremamente energivori. La realizzazione dei chip che alimentano l’AI, in particolare quelli a 5 o 3 nanometri, comporta l’uso di gas fluorurati e solventi chimici ad alto potere climalterante. Secondo uno studio del MIT, la fase di fabbricazione può rappresentare fino al 70% dell’impronta di carbonio complessiva di un sistema AI, una quota ben superiore a quella del suo utilizzo operativo. Ogni nuovo acceleratore installato nei data center aggiunge emissioni incorporate che si accumulano lungo tutta la supply chain.
La corsa al miglioramento delle prestazioni sta portando a un ricambio hardware ogni 18-24 mesi, un ritmo insostenibile anche per l’ambiente. Milioni di schede grafiche vengono dismesse per fare spazio a modelli più efficienti, ma il recupero dei materiali resta complesso e poco remunerativo. Molti componenti finiscono in discariche elettroniche, spesso in Paesi privi di sistemi di smaltimento adeguati, generando inquinamento da metalli pesanti. L’impronta ecologica dell’AI, dunque, non si limita al suo consumo energetico, ma si estende lungo tutto il ciclo di vita del dispositivo, dal silicio alla discarica.
Alcuni produttori, come TSMC e Intel, stanno investendo in tecnologie di produzione net-zero, impegnandosi a ridurre l’uso dei gas serra e a utilizzare energia rinnovabile nei processi di litografia. Tuttavia, le dimensioni del problema richiedono una risposta collettiva: senza una trasparenza obbligatoria sulle emissioni incorporate e sugli approvvigionamenti di materie prime, sarà impossibile quantificare con precisione l’impatto reale dell’intelligenza artificiale sull’ambiente.
L’intelligenza artificiale può aiutare a ridurre cosa produce?
Paradossalmente, la stessa tecnologia che consuma enormi quantità di energia può diventare uno strumento per ridurla. L’AI applicata ai sistemi energetici consente di ottimizzare i consumi, bilanciare le reti elettriche e migliorare l’efficienza dei processi industriali. In molte centrali eoliche o fotovoltaiche, algoritmi di machine learning vengono già impiegati per prevedere la produzione e gestire l’intermittenza, riducendo le perdite e aumentando la quota di energia pulita utilizzabile. Lo stesso vale per l’agricoltura di precisione e per la logistica, dove l’AI consente di tagliare sprechi, emissioni e costi.
Il bilancio, tuttavia, resta controverso. Gli effetti positivi dell’intelligenza artificiale sulla sostenibilità dipendono dalla sua scala di implementazione e dall’origine dell’energia utilizzata. Un algoritmo che ottimizza il traffico cittadino può ridurre notevolmente le emissioni di CO₂, ma se per funzionare si appoggia a una rete di server alimentata da centrali a carbone, il vantaggio si annulla. È quindi necessario distinguere tra AI verde e AI grigia, ovvero tra quella che contribuisce a decarbonizzare e quella che si limita ad aumentare la domanda di potenza di calcolo.
Gli esperti concordano sul fatto che la chiave risieda nell’efficienza dei modelli e nell’uso di energie rinnovabili per alimentare i data center. Alcune piattaforme stanno già sperimentando sistemi di addestramento localizzato, dove i calcoli vengono eseguiti in regioni con alta disponibilità di energia solare o eolica. Parallelamente, la ricerca sull’AI a basso consumo, basata su modelli più piccoli, compressi e specializzati, potrebbe ridurre drasticamente l’impronta complessiva senza compromettere le prestazioni. È una sfida ingegneristica e culturale: imparare a misurare il valore dell’intelligenza non solo in termini di velocità o potenza, ma anche di sostenibilità ecologica.
