L’avanzata dell’intelligenza artificiale generativa viene frequentemente descritta attraverso metafore legate all’immaterialità: nuvole di dati, flussi intangibili di informazioni e reti neurali astratte capaci di comporre testi, produrre immagini e risolvere calcoli complessi. Dietro ogni modello linguistico addestrato o risposta formulata da un assistente virtuale si nasconde tuttavia una solida dimensione fisica fatta di imponenti infrastrutture, microchip in silicio, cavi ad alta tensione, circuiti termici e milioni di litri d’acqua. Con la rapida diffusione globale di tali tecnologie, l’impatto ecologico del settore tecnologico ha raggiunto una soglia critica, trasformando la sostenibilità dell’intelligenza artificiale in uno dei temi centrali della transizione ecologica ed energetica contemporanea.
Il consumo energetico tra addestramento e inferenza
Il funzionamento dei moderni sistemi di intelligenza artificiale si articola in due macro-fasi, entrambe caratterizzate da un fabbisogno energetico senza precedenti: l’addestramento (training) e l’inferenza (inference). Durante l’addestramento, cluster formati da decine di migliaia di processori grafici dedicati (GPU e TPU) operano senza sosta per settimane o mesi elaborando moli sterminate di dati. Questa fase esige una potenza di calcolo concentrata e ininterrotta, in grado di assorbire svariati gigawattora di elettricità per un singolo modello all’avanguardia, generando un’impronta carbonica iniziale paragonabile a centinaia di voli transatlantici.
Se l’addestramento costituisce un picco energetico limitato nel tempo, l’inferenza — ossia la fase in cui miliardi di utenti interrogano quotidianamente il sistema — rappresenta la voce preponderante dei consumi nel lungo periodo. In base ai dati dell’Agenzia Internazionale dell’Energia (IEA), una singola richiesta sottoposta a un modello linguistico generativo può consumare fino a dieci volte più energia elettrica rispetto a una ricerca su un motore tradizionale. Moltiplicando questo divario per miliardi di prompt giornalieri, la domanda complessiva di elettricità dei data center mondiali è destinata a raddoppiare entro la fine del decennio, arrivando a competere con il fabbisogno energetico totale di intere nazioni industrializzate.
Questo incremento esponenziale sta mettendo a dura prova le reti elettriche locali. In varie zone degli Stati Uniti e dell’Europa settentrionale, la forte concentrazione di centri di calcolo ha costretto i fornitori di energia a rimandare la dismissione di centrali a combustibili fossili per assicurare l’erogazione di base, o a stipulare accordi diretti per riattivare e sfruttare impianti nucleari dedicati. Ne deriva un paradosso climatico: mentre i colossi tecnologici fissano traguardi di neutralità carbonica, le loro emissioni assolute di gas serra registrano forti aumenti trainati dall’espansione delle infrastrutture computazionali.
L’impronta idrica e il ciclo di vita dei componenti hardware
L’elettricità non è la sola risorsa naturale consumata in modo massiccio dall’ecosistema digitale. I microchip dedicati all’intelligenza artificiale operano a densità termiche estreme, sviluppando ingenti quantità di calore che devono essere costantemente dissipate per prevenire guasti hardware e interruzioni operative. La tecnica più efficiente ed economica per raffreddare i data center su vasta scala resta il raffreddamento evaporativo, un procedimento che richiede quantitativi enormi di acqua dolce purificata.
Le torri di raffreddamento pompano acqua per sottrarre calore all’aria calda dei server; una parte evapora nell’atmosfera, mentre un’altra viene scartata per evitare l’accumulo di sedimenti e minerali. Ricerche condotte da istituti accademici e dalle Nazioni Unite evidenziano che la generazione di poche decine di risposte complesse da parte di un’intelligenza artificiale può comportare il consumo indiretto di circa mezzo litro d’acqua potabile. A livello globale, la domanda idrica annuale dei data center potrebbe raggiungere migliaia di miliardi di litri entro il 2030, pari al consumo domestico essenziale di centinaia di milioni di persone. La pressione si fa critica nei territori affetti da siccità o stress idrico, dove la presenza delle server farm compete con i fabbisogni delle comunità locali e dell’agricoltura a causa del prelievo dalle falde acquifere.
Oltre ai consumi operativi diretti, l’impatto ambientale include l’intero ciclo di vita dell’hardware specializzato. La produzione di semiconduttori avanzati richiede filiere globali ad altissima intensità energetica e l’impiego massiccio di terre rare, litio, gallio, cobalto, rame e composti chimici persistenti come i PFAS (sostanze perfluoroalchiliche). La fabbricazione di un singolo wafer di silicio comporta un’impronta di carbonio incorporata che spesso supera l’impatto energetico dell’uso operativo del chip durante i suoi primi mesi. A questo si aggiunge l’obsolescenza accelerata: la corsa a modelli più potenti induce a rinnovare i server ogni tre o quattro anni, generando un flusso continuo di rifiuti elettronici (e-waste) il cui recupero e riciclo restano complessi e incompleti, con rischi di inquinamento da metalli pesanti.
Il paradosso di Jevons e le strategie per una Green AI
Un’opinione diffusa nel settore suggerisce che il progressivo miglioramento dell’efficienza algoritmica e hardware renderà l’intelligenza artificiale pienamente sostenibile, dal momento che l’energia per singola operazione computazionale è calata drasticamente grazie a chip compatti e algoritmi ottimizzati. Tuttavia, l’efficienza da sola non riduce i consumi complessivi a causa del Paradosso di Jevons: quando una tecnologia diventa più efficiente ed economica, la barriera d’accesso si abbassa e il suo impiego si moltiplica a ritmi tali da superare i risparmi unitari. L’integrazione pervasiva dell’intelligenza artificiale in software, sistemi operativi e processi aziendali provoca un’impennata del volume complessivo delle elaborazioni, neutralizzando i vantaggi tecnici ed espandendo l’impatto ecologico totale.
Per affrontare questa sfida, ricercatori ed enti regolatori promuovono il paradigma della Green AI, volto a privilegiare la sostenibilità computazionale accanto alle prestazioni. Tra le soluzioni più promettenti figurano i modelli linguistici di dimensioni ridotte (Small Language Models), la quantizzazione e la potatura (pruning) delle reti neurali per eliminare parametri ridondanti, nonché l’addestramento distribuito programmato per sfruttare surplus di energia rinnovabile. Sul piano ingegneristico, molte strutture stanno passando al raffreddamento a liquido a circuito chiuso (direct-to-chip o a immersione), che riduce drasticamente l’evaporazione d’acqua e consente di recuperare il calore residuo per il teleriscaldamento urbano o per usi industriali.
Parallelamente, normative come l’European AI Act e i nuovi standard internazionali di rendicontazione ESG impongono di quantificare e dichiarare pubblicamente l’impronta energetica e le emissioni generate dai modelli ad alto impatto. L’intelligenza artificiale offre opportunità straordinarie per ottimizzare reti energetiche, identificare nuovi materiali per la transizione ecologica e monitorare il clima, ma la sua legittimità futura dipenderà dalla capacità di governare la propria impronta materiale, trasformando la sostenibilità in un parametro di progettazione imprescindibile fin dalle prime righe di codice.
A cura della redazione
Leggi anche: Organi di ricambio e cloni: inizia l’era della post-umanità