L’intelligenza artificiale (IA) è sotto gli occhi di tutti come motore di innovazione, automazione e cambiamento, ma dietro la sua promessa di progresso si nasconde un problema spesso ignorato: l’impatto ambientale che deriva dal consumo energetico, dal consumo d’acqua e dalla produzione massiva di hardware specializzato. Se vogliamo che l’AI non diventi un paradosso climatico, occorre affrontare davvero la domanda: come possiamo ridurre il costo ambientale dell’IA in ogni fase del ciclo, dalla progettazione al deployment, dall’uso al riciclo?
L’ombra dell’IA: energia, acqua e materie prime
In prima battuta è capire da dove proviene il costo ecologico dell’intelligenza artificiale. Modelli grandi, come quelli generativi, richiedono quantità enormi di calcoli durante la fase di training, spesso distribuiti su settimane o mesi, con consumi in kilowattora che si traducono in tonnellate di CO₂. Secondariamente, la fase di inference – ossia l’uso quotidiano del modello – può consumare più energia del training stesso, poiché ogni richiesta attiva nodi computazionali che girano in data center. Google stima che il 60 % dell’energia totale spesa da sistemi IA va all’inference più che al training.
In parallelo, i data center che ospitano questi modelli richiedono sistemi di raffreddamento intensivi, spesso a circuito ad acqua, che consumano ingenti quantità di risorsa idrica. In alcune stime, una singola interazione con un modello GPT può evocare il consumo di mezzo litro d’acqua per il raffreddamento, a seconda del clima e del sistema adottato.
Un terzo aspetto critico è costituito dalle materie prime: chip, server, memorie e circuiti richiedono minerali rari, estratti da miniere altamente impattanti. L’impronta incorporata (embodied emissions), ovvero le emissioni generate nella produzione dell’infrastruttura prima ancora del suo uso, può rappresentare un terzo o più dell’impatto totale.
Oltre a ciò, i data center generano e-waste: l’obsolescenza accelerata e la sostituzione costante dei componenti rendono il problema dei rifiuti elettronici un fattore non trascurabile nel bilancio climatico dell’IA.
Nei prossimi anni, le stime dicono che l’IA potrebbe assorbire fino al 49 % del consumo elettrico totale dei data center, se non si interviene con strategie incisive.
Verso l’IA verde
Un punto di partenza è smettere di adoperare il paradigma «più grande è meglio». Nel recente studio “Small is Sufficient”, gli autori mostrano che per molti compiti l’uso di modelli più piccoli e meglio ottimizzati consente risparmi energetici che vanno dal 1 % al 98 % a seconda del task, con perdite di prestazione minime.
Un’altra tecnica è la model selection dinamica: ossia, scegliere in runtime il modello più appropriato (per esempio più piccolo per compiti leggeri, più grande per compiti complessi), anziché usare sempre l’architettura più potente per tutto. Ciò introduce flessibilità ed evita sprechi sistematici.
Inoltre, architetture energy-aware integrano circuiti che riducono trasferimenti dati inutili all’interno del chip, memorie su silicio combinate e supporti hardware custom che eliminano operazioni di overhead. Queste tecnologie permettono di risparmiare parecchia energia sin dallo stadio di base.
Un’ulteriore innovazione è il framework Sprout, che introduce “directive di generazione” capaci di guidare il modello verso percorsi meno energivori di inference, riducendo le emissioni carboniche di oltre il 40 % nei casi test con Llama2.
In parallelo, le architetture green con ottimizzazione multilivello progettate per economie circolari permettono il riuso intelligente delle risorse, modulando consumo e produzione e applicando logiche di bilancio energetico tra fasi diverse di funzionamento.
Spesso il training non è vincolato a un luogo particolare: è possibile spostarlo in regioni dove l’elettricità è più verde, dove l’energia rinnovabile è abbondante, o dove le ore diurne abbondano. Questo approccio è noto come “carbon-aware computing”.
Inoltre è possibile distribuire i carichi computazionali in fasce orarie “a bassa domanda” per stabilizzare la rete e sfruttare surplus rinnovabili. Alcuni provider già offrono servizi di scheduling intelligente delle attività AI in funzione della carbon intensity della rete elettrica attuale.
Anche il placement strategico dei data center ha rilievo: posizionarli vicino a fonti rinnovabili (idro, eolico, solare) riduce le perdite sulla rete e assicura che l’energia usata sia più pulita. Alcune aziende, Nvidia per esempio, hanno già dichiarato di operare con elettricità 100 % rinnovabile in alcune sedi.
Un’ultima leva è la compensazione attiva: integrare sistemi per la rimozione del carbonio, come cattura diretta dell’aria (DAC), progetti forestali o soluzioni tecnologiche di sequestro, per neutralizzare le emissioni residue.
È necessario ridurre gli sprechi operativi. Ad esempio, molti modelli vengono riaddestrati frequentemente anche senza reale necessità, consumando energia inutile. Riflettere su cicli periodici più larghi aiuta a evitare sprechi.
Dal punto di vista dei dati, un approccio data-centric enfatizza la qualità del set dati più che l’ampiezza: ridurre la dimensionalità, de-duplicare, escludere dati superflui può abbattere il carico computazionale con impatti marginali sulla qualità del modello. In un esperimento, modificando dataset e caratteristiche, si è ottenuto un risparmio energetico fino al 92 %, con perdita minima di accuratezza.
Un tema spesso sottovalutato è il riciclo, il riuso e la progettazione per la longevità dell’hardware. Riparare server, rinnovare moduli, adottare design modulari riduce la frequenza di sostituzione e il flusso di e-waste.
Infine, la standardizzazione delle metriche di impatto energetico è essenziale: senza trasparenza e metriche condivise, le decisioni non tengono conto dell’impatto reale. Alcuni studi denunciano che l’impatto dell’IA rimane “opaco” proprio per la mancanza di metriche pubblicate coerenti.
Il bilancio e i limiti di sistema
Anche con strategie intelligenti resta delicato stabilire se l’IA, nel suo complesso, sarà benefica o deleteria per il clima. Alcuni rapporti, come quello dell’IMF, sostengono che i guadagni economici derivanti dall’adozione dell’IA (per esempio efficienza, innovazione) potrebbero superare i costi ambientali, almeno nell’immediato.
Un rischio concreto è il fenomeno del rimbalzo: l’IA migliora l’efficienza in molti ambiti (trasporti, agricoltura, edifici), ma queste efficienze possono stimolare una maggiore domanda e consumo, annullando o superando il risparmio netto. Il World Economic Forum segnala che, in trasporti e agricoltura, l’IA potrebbe ridurre consumi del 20 %, ma il rebound resta una variabile non banale.
Inoltre, non tutti i paesi hanno accesso a reti elettriche pulite: dove la generazione è dominata da fossili, l’IA ha già un costo climatico più alto. La tensione tra crescita dell’IA e decarbonizzazione può diventare vera e propria incompatibilità, se non si regolano i confini dell’uso.
Un altro limite è quello delle risorse materiali: la domanda crescente di silicio, rame, terre rare può generare impatti collaterali nei cicli estrattivi, nelle catene di fornitura e nei conflitti ambientali.
Infine, buona parte delle emissioni totali possono derivare da Scope 3, ossia le emissioni indirette legate alla catena di fornitura e all’uso dei prodotti, che sono spesso fuori dal controllo diretto delle aziende IA ma imprescindibili per avere un bilancio ambientale realistico.
