Ogni volta che un modello di intelligenza artificiale elabora una richiesta complessa, consuma energia. Molta più di quanto si immagini. Il tema del data center energia impatto ambientale è diventato uno dei nodi più delicati della transizione ecologica: la crescita esponenziale dell’infrastruttura computazionale necessaria a sostenere l’IA rischia di entrare in rotta di collisione con gli obiettivi climatici che governi e istituzioni internazionali si sono dati per il prossimo decennio.
Quanto consuma davvero un data center alimentato dall’IA
I data center non sono una novità , ma la loro evoluzione recente è senza precedenti. Fino a qualche anno fa, servivano principalmente a ospitare siti web, archiviare dati aziendali e gestire servizi cloud relativamente semplici. Oggi, con la diffusione su larga scala di modelli linguistici avanzati, sistemi di generazione di immagini e strumenti di analisi predittiva, il fabbisogno energetico di questi impianti è cresciuto in modo vertiginoso.
Per dare un’idea della scala del problema: secondo uno studio dell’Università del Massachusetts risalente al 2019, addestrare un singolo modello di IA di grandi dimensioni può produrre oltre 284 tonnellate di COâ‚‚. Si tratta di una stima riferita a un singolo ciclo di addestramento, in un’epoca in cui i modelli erano già enormi ma non comparabili con quelli attuali. Oggi i modelli più avanzati richiedono cicli di addestramento molto più intensi, ripetuti più volte, e poi operano in inference — cioè rispondono alle richieste degli utenti — in modo continuo, 24 ore su 24.
La domanda energetica non riguarda solo l’elettricità per i server. I data center producono enormi quantità di calore, che devono essere smaltite attraverso sistemi di raffreddamento. Questi sistemi consumano a loro volta energia e, in molti casi, grandi quantità di acqua. Secondo stime elaborate nell’ambito di studi coordinati dalle Nazioni Unite, entro il 2030 l’ecosistema globale dell’IA potrebbe richiedere fino a 9.300 miliardi di litri di acqua all’anno per il solo raffreddamento degli impianti — una cifra che mette sotto pressione le risorse idriche anche in regioni già soggette a stress idrico.
→ Leggi anche: Data center e recupero energetico: le strategie per ridurre il consumo d'acqua
Il paradosso delle centrali fossili che non chiudono
Uno degli aspetti più contraddittori di questa crescita riguarda il mix energetico che alimenta i data center. La transizione verso le rinnovabili è in corso, ma procede a un ritmo che fatica a stare al passo con l’aumento della domanda. Il risultato è che, in diversi mercati, la crescita del fabbisogno energetico legata all’IA sta di fatto rallentando il processo di dismissione delle centrali a combustibile fossile.
Il Global Energy Monitor (GEM) ha documentato come negli Stati Uniti sia in corso una significativa espansione della capacità installata di centrali a gas naturale, motivata in larga parte dalla necessità di garantire una fornitura stabile e continua di elettricità ai nuovi data center. Le rinnovabili come il solare e l’eolico sono per natura intermittenti: non producono energia quando non c’è sole o vento. I data center, al contrario, non possono permettersi interruzioni. Questo crea una domanda strutturale di energia dispatchable — cioè disponibile su richiesta — che oggi viene soddisfatta principalmente dal gas, e in alcuni contesti ancora dal carbone.
Il meccanismo è più sottile di quanto sembri. Non si tratta solo di costruire nuove centrali: in molti casi, impianti a carbone che erano stati programmati per la chiusura vengono mantenuti operativi più a lungo del previsto, perché la rete elettrica locale non riesce a fare a meno della loro capacità . La pressione della domanda dei data center, insomma, può tradursi in anni aggiuntivi di vita per infrastrutture che avrebbero dovuto essere dismesse.
Dove si concentra il problema geograficamente
Non tutti i data center hanno lo stesso impatto. La variabile più importante è dove si trovano e quale mix energetico caratterizza la rete elettrica locale. Un data center in Norvegia, alimentato quasi interamente da idroelettrico, ha un’impronta carbonica radicalmente diversa da uno nel Midwest americano o in alcune regioni asiatiche dove il carbone ha ancora un peso rilevante nel sistema elettrico.
Questa disparità geografica crea un problema di carbon leakage computazionale: le grandi aziende tecnologiche tendono a localizzare i data center dove l’energia è più economica e disponibile, non necessariamente dove è più pulita. Alcune hanno assunto impegni pubblici di alimentare le proprie infrastrutture al cento per cento con energie rinnovabili, ma la verifica di questi impegni è complessa e spesso si basa su meccanismi di certificati di energia rinnovabile che non garantiscono una corrispondenza fisica reale tra consumo e produzione verde.
→ Leggi anche: Riscaldamento globale, rapporto Unep: scenario di +2,6°C se le politiche climatiche non cambiano
- Un data center in un paese con alta penetrazione rinnovabile emette una frazione delle emissioni di uno equivalente in un paese carbone-dipendente.
- I certificati di energia rinnovabile (REC) consentono alle aziende di dichiarare consumi “verdi” senza che l’energia provenga fisicamente da fonti pulite.
- La domanda costante e non interrompibile dei data center crea pressione specifica sulle fonti dispatchable, che oggi sono prevalentemente fossili.
L’IA può anche essere parte della soluzione
Sarebbe riduttivo presentare l’intelligenza artificiale solo come un problema energetico. Esistono applicazioni concrete in cui l’IA contribuisce attivamente alla riduzione delle emissioni e all’ottimizzazione dei sistemi energetici. Modelli predittivi vengono già utilizzati per migliorare l’efficienza delle reti elettriche, bilanciare la produzione intermittente delle rinnovabili, ridurre gli sprechi nei processi industriali e accelerare la ricerca su nuovi materiali per le batterie e le celle fotovoltaiche.
La questione non è quindi se l’IA sia “buona” o “cattiva” per il clima, ma come viene sviluppata, dove viene ospitata, con quale energia viene alimentata e con quale efficienza opera. Un modello addestrato in modo inefficiente, su hardware obsoleto, in una regione carbone-dipendente, ha un impatto molto diverso rispetto a uno sviluppato con architetture ottimizzate, in un data center alimentato da rinnovabili con sistemi di raffreddamento a basso consumo idrico.
Efficienza computazionale come leva ambientale
Uno degli sviluppi più promettenti degli ultimi anni riguarda proprio l’efficienza dei modelli. La ricerca ha dimostrato che è possibile ottenere prestazioni comparabili con modelli molto più piccoli, se progettati e addestrati con attenzione. Tecniche come la distillazione — in cui un modello più piccolo impara a replicare il comportamento di uno grande — o la quantizzazione — che riduce la precisione numerica dei calcoli senza perdere troppa qualità — stanno diventando standard nell’industria.
Questo non risolve il problema alla radice, ma indica una direzione: non è detto che la crescita della capacità computazionale debba tradursi in una crescita proporzionale del consumo energetico. Se l’efficienza migliora più rapidamente della domanda, l’impatto ambientale per unità di calcolo può diminuire anche in uno scenario di espansione complessiva.
Il nodo rimane però strutturale. Finché la domanda di energia dei data center crescerà più rapidamente della capacità installata di rinnovabili, e finché non esisteranno soluzioni di stoccaggio sufficientemente scalabili da eliminare la dipendenza dalle fonti dispatchable, l’impatto ambientale dell’infrastruttura IA continuerà a pesare sulla traiettoria climatica globale. Monitorare questo fenomeno con dati trasparenti e verificabili — come fa il Global Energy Monitor per le centrali a combustibile fossile — è il primo passo per governarlo.
Questo articolo è stato realizzato con il supporto dell'AI e sottoposto a revisione editoriale.
