Intelligenza artificiale: quanto costa ogni nostra domanda?
L’apparente leggerezza del cloud maschera un apparato industriale pesante, alle prese con consumi record, minerali rari e ricadute dirette sull’ecosistema
L’immaginario collettivo associa spesso l’intelligenza artificiale generativa a entità immateriali, fatte di flussi algoritmici incorporei, nuvole di dati e modelli capaci di redigere testi, elaborare immagini o risolvere formule matematiche complesse. Tuttavia, dietro la risposta di ciascun assistente digitale e l’elaborazione di qualunque modello linguistico si trova un imponente apparato materiale: microchip al silicio, cavi ad alta tensione, circuiti di raffreddamento e milioni di litri d’acqua. La vertiginosa espansione di tali strumenti su scala planetaria ha condotto l’impatto ambientale dell’industria tecnologica a un punto critico, rendendo la questione ecologica dell’IA uno dei nodi centrali della transizione energetica ed ecologica contemporanea.
La domanda energetica dei modelli e la pressione sulle reti elettriche
Il ciclo operativo delle moderne architetture intelligenti si divide in due momenti fondamentali, ciascuno caratterizzato da consumi energetici senza precedenti: l’addestramento (training) e l’inferenza (inference). Nella fase di training, cluster formati da decine di migliaia di processori grafici specializzati (GPU e TPU) operano ininterrottamente per settimane o mesi analizzando mastodontiche quantità di informazioni. Tale elaborazione concentrata e continua richiede svariati gigawattora di elettricità per un singolo modello avanzato, generando un’impronta carbonica iniziale pari a centinaia di voli transatlantici.
Se la fase di addestramento rappresenta un picco temporaneo, l’inferenza, ossia il momento in cui miliardi di persone interrogano quotidianamente i sistemi, costituisce la quota principale dei consumi sul lungo termine. Secondo i dati diffusi dall’Agenzia Internazionale dell’Energia (IEA), un singolo prompt inviato a un modello generativo può richiedere fino a dieci volte più energia elettrica rispetto a una ricerca effettuata sui motori tradizionali. Con miliardi di richieste al giorno, la domanda energetica complessiva dei data center globali è destinata a raddoppiare entro la fine del decennio, arrivando a eguagliare il fabbisogno di intere nazioni industrializzate.
Questo incremento vertiginoso sottopone a forte stress le infrastrutture locali. In diverse regioni degli Stati Uniti e dell’Europa settentrionale, la densità di centri di calcolo ha indotto i gestori di rete a posticipare la chiusura delle centrali a combustibili fossili per assicurare energia di base costante, oppure a stringere intese per riattivare e sfruttare impianti nucleari dedicati. Emerge così un paradosso climatico: mentre i colossi del settore tecnologico promuovono traguardi di neutralità carbonica, le loro emissioni assolute di gas serra continuano a salire a causa dell’ampliamento delle infrastrutture computazionali.
Il consumo idrico e l’impatto del ciclo di vita dei semiconduttori
L’energia elettrica non è la sola risorsa naturale intensamente consumata dall’universo digitale. I chip dedicati all’intelligenza artificiale lavorano a densità termiche estreme, sprigionando elevate quantità di calore che devono essere dissipate costantemente per scongiurare guasti tecnici e interruzioni del servizio. La tecnica più economica ed efficiente per il raffreddamento dei data center su larga scala resta il raffreddamento evaporativo, che impiega quantità ingenti di acqua dolce purificata.
Le torri di raffreddamento pompano l’acqua per assorbire il calore dell’aria proveniente dai server; una parte evapora nell’atmosfera e un’altra viene scartata per prevenire depositi di minerali e sedimenti. Ricerche condotte da scienziati accademici e dalle Nazioni Unite evidenziano come la produzione di poche decine di risposte complesse da parte di un modello equivalga al consumo indiretto di circa mezzo litro d’acqua potabile. Su scala globale, il fabbisogno idrico annuale dei centri di calcolo potrebbe toccare migliaia di miliardi di litri entro il 2030, una quantità comparabile al fabbisogno domestico primario di centinaia di milioni di cittadini. Questo fenomeno aggrava le tensioni nelle aree colpite da siccità o stress idrico, dove i centri di elaborazione dati entrano in concorrenza diretta con l’agricoltura e le necessità delle comunità locali, prelevando volumi consistenti dalle falde acquifere di pregio.
Oltre ai costi di funzionamento, l’impatto ecologico include l’intero ciclo vitale dell’hardware. La realizzazione di semiconduttori avanzati poggia su filiere globali ad alta intensità energetica e richiede l’impiego massiccio di terre rare, litio, gallio, cobalto, rame e composti chimici sintetici come le sostanze perfluoroalchiliche (PFAS), note per la loro persistenza nell’ambiente. La sola produzione di un wafer di silicio per chip di ultima generazione comporta un’impronta di carbonio incorporata considerevole, spesso superiore all’impatto energetico dell’uso del componente durante i suoi primi mesi di attività. A ciò si somma l’obsolescenza rapida: l’esigenza di modelli più performanti induce alla sostituzione dei server ogni tre o quattro anni, generando un flusso continuo di rifiuti elettronici (e-waste) difficili da riciclare, con pericoli di dispersione di metalli pesanti e spreco di risorse preziose.
Il paradosso di Jevons e le strategie per una Green AI
Nel dibattito industriale si sostiene frequentemente che il progresso dell’efficienza algoritmica e dell’hardware renderà l’intelligenza artificiale intrinsecamente sostenibile. Negli ultimi anni il dispendio energetico per singola operazione di calcolo è calato drasticamente grazie a chip compatti e algoritmi ottimizzati. Tuttavia, l’efficienza da sola non riduce i consumi complessivi a causa del paradosso di Jevons: rendendo una tecnologia più economica ed efficiente, la soglia di accesso si abbassa e l’utilizzo si moltiplica a ritmi tali da superare i risparmi unitari. La presenza pervasiva dell’IA in ogni software, sistema operativo, motore di ricerca e procedura aziendale accresce il volume totale dei calcoli, annullando i progressi di efficienza e provocando un incremento netto dell’impronta ecologica globale.
Per rispondere a tale criticità salvaguardando l’evoluzione scientifica, ricercatori e istituzioni stanno promuovendo il modello della Green AI, che affianca la sostenibilità computazionale alle prestazioni pure. Tra le soluzioni più concrete rientrano l’adozione di modelli linguistici di dimensioni ridotte (Small Language Models), le tecniche di quantizzazione e potatura (pruning) delle reti neurali per rimuovere parametri superflui, e l’addestramento distribuito programmato in concomitanza con eccedenze di energia rinnovabile.
Sul piano dell’ingegneria dei data center, molte strutture stanno rimpiazzando i sistemi evaporativi con il raffreddamento a liquido a circuito chiuso (direct-to-chip o a immersione), azzerando l’evaporazione idrica e permettendo di recuperare il calore residuo per alimentare reti di teleriscaldamento urbano o impianti industriali. Sul fronte normativo, l’European AI Act e i criteri di rendicontazione ESG impongono trasparenza sull’impronta energetica e sulle emissioni dei modelli a elevato impatto. L’intelligenza artificiale resta una risorsa straordinaria per ottimizzare reti energetiche complesse, scoprire nuovi materiali per la transizione verde e monitorare il clima, ma il suo futuro dipenderà dalla capacità di governare la sua impronta fisica, integrando la sostenibilità ecologica nella progettazione fin dalle prime righe di codice.
A cura della redazione
Leggi anche: Biotecnologie estreme: quanto manca all’immortalità?
