L’intelligenza artificiale accelera la transizione verde ottimizzando reti elettriche, processi industriali e riduzione degli sprechi, ma ha un prezzo energetico non trascurabile. Studi indipendenti stimano che alcune query arrivino fino a 0,43 Wh, con picchi di 2–4 Wh per richieste più lunghe o articolate, l’equivalente di tenere accesa una lampadina LED per quasi un minuto. La crescita di GPU e TPU nei data center, insieme a servizi come cloud e streaming, alimenta una domanda elettrica in forte aumento, in linea con le proiezioni che indicano un raddoppio del consumo globale di elettricità dei data center entro il 2026 rispetto al 2022.
Emissioni in salita: il segnale d’allarme dalle big tech
I report di sostenibilità mostrano traiettorie chiare: dal 2020 Microsoft registra un +29% di emissioni complessive (Scope 1–3), mentre Google segna nel 2023 un +48% rispetto al 2019. Considerando Microsoft, Amazon e Meta, le emissioni indirette di filiera (Scope 3) crescono del 150% tra il 2020 e il 2023. È un indicatore della pressione energetica e materiale che la filiera digitale scarica su infrastrutture, fornitori e logistica, soprattutto in un’epoca di adozione massiva dell’IA generativa.
Italia: data center più energivori e consumi in forte crescita
Il quadro nazionale conferma la tendenza. Tra il 2019 e il 2023 la domanda elettrica dei servizi informatici e dei data center in Italia cresce del 50%, con un balzo del 144% dei consumi elettrici riconducibili ai data center. Nel 2023 il totale è di 509,7 GWh, concentrato per quasi l’85% in Lombardia, Lazio, Emilia-Romagna e Piemonte. Sono numeri che riflettono una digitalizzazione accelerata ma anche la necessità di politiche energetiche, tariffarie e infrastrutturali più consapevoli.
Dove si consuma davvero: dal modello all’architettura
Il consumo non dipende solo dal modello IA. A contare è l’intero percorso, dall’addestramento all’inferenza, dalla rete al raffreddamento, fino alla logistica hardware. Una query a un modello multimodale come Gemini è stimata intorno a 0,24 Wh con la metodologia Google, mentre modelli complessi come GPT-4 si attestano in media a 0,43 Wh. La variabilità è ampia e aumenta con la complessità del prompt e l’ampiezza del contesto. Per questo le imprese devono considerare l’impatto lungo tutto il ciclo di vita, con metriche comparabili e verificabili.
Come le imprese possono agire: dalla contabilità della CO₂ alle scelte architetturali
L’impatto emissivo dell’IA ricade normalmente nello Scope 3 per chi utilizza servizi esterni, mentre interessa gli Scope 1 e 2 per chi gestisce modelli e infrastrutture proprietarie. È qui che strumenti di carbon accounting digitale diventano essenziali per misurare, attribuire e ridurre. L’adozione di pratiche come l’ottimizzazione dei prompt, il caching dei risultati, l’inferenza su hardware più efficiente e la scelta di regioni data center con mix energetici più puliti può tagliare significativamente i consumi. Architetture “zero copy”, che evitano duplicazioni superflue dei dati, riducono traffico e storage, migliorando al contempo la sicurezza e la governance. L’obiettivo è una strategia ESG che integri l’IA senza scaricare costi nascosti su energia, acqua e filiere.
La prospettiva ClimateSeed: trasparenza, metriche e vantaggio competitivo
Lo scenario elaborato da ClimateSeed sottolinea la responsabilità nell’uso dell’IA e la centralità di metriche trasparenti per evitare greenwashing e rischi reputazionali. “L’IA può diventare un alleato della transizione verde solo se gestita in modo trasparente e sostenibile. È essenziale misurare e gestire l’impatto dei sistemi digitali per garantire che l’innovazione acceleri, e non ostacoli, gli obiettivi climatici”, afferma Edoardo Bertin, Head of Business Development & Growth di ClimateSeed. In questa direzione, le organizzazioni che inseriscono indicatori ambientali nei processi decisionali sono più pronte a guidare la trasformazione verso un’economia a basse emissioni e ad alto impatto positivo.
Cosa monitorare da oggi
Per mantenere l’IA come alleata della transizione è necessario presidiare pochi, fondamentali pilastri: qualità dei dati per ridurre computazioni inutili e falsi positivi, misurazione puntuale dei consumi per addestramento e inferenza, scelte architetturali che evitino ridondanze, tracciabilità delle emissioni lungo la supply chain digitale, e una governance che unisca procurement, IT e sostenibilità. Come abbiamo evidenziato in una recente analisi sul ruolo dei data center italiani, e come ribadiscono le stime internazionali più accreditate, il punto non è “se” l’IA consumi, ma “come” farla lavorare meglio, con meno.
