Nel 2023 il consumo energetico globale ha superato i 23 000 TWh, una cifra che, sebbene in lieve calo rispetto ai picchi degli ultimi due decenni, rimane comunque allarmante. Un nuovo studio congiunto dell’International Energy Agency (IEA) e di un consorzio di università europee ha stimato che l’intelligenza artificiale (IA) e le infrastrutture cloud, combinate, stanno per superare il 4 % della domanda energetica mondiale. Si tratta di una quota che, se non gestita con attenzione, potrebbe invertire i progressi verso la decarbonizzazione, ma che al contempo offre spunti per innovare la produzione e l’uso dell’energia.
Il contesto energetico del cloud: più server, più energia
Il cloud è diventato la spina dorsale di quasi tutte le attività digitali: streaming video, e‑commerce, servizi bancari, e persino la sanità. I data center, ovvero i “cervelli” fisici del cloud, consumano circa 1 % dell’energia elettrica globale, una percentuale già significativa per una singola tecnologia. Tra le cause principali troviamo:
- Scalabilità on‑demand: la capacità di aggiungere risorse in tempo reale richiede un surplus di server sempre attivi, anche se non utilizzati al 100 %.
- Raffreddamento: i sistemi di climatizzazione, soprattutto in regioni con clima caldo, possono rappresentare fino al 40 % del consumo totale di un data center.
- Distribuzione geografica: la necessità di ridurre la latenza porta a replicare i data center in più continenti, aumentando la rete di alimentazione.
Secondo il rapporto Data Center Energy Consumption 2022 di Greenpeace, il consumo medio di un grande data center è di circa 30 MW, equivalenti a una piccola città. Se moltiplichiamo questa cifra per le migliaia di strutture operative in tutto il mondo, il risultato è un carico energetico di ordine 300 TWh annui, già quasi il 1,3 % del fabbisogno globale.
Intelligenza artificiale: un appetito crescente per la potenza di calcolo
L’IA, in particolare i modelli di deep learning, richiede enormi quantità di calcolo per il training e l’inferenza. Il caso più citato è il modello GPT‑4, che ha richiesto più di 1 000 petaflop‑giorni di potenza di calcolo per la fase di addestramento, tradotto in un consumo stimato di ~ 600 MWh di energia elettrica. Se si considera che ogni anno vengono addestrati centinaia di modelli di dimensioni comparabili, il consumo totale dell’IA si aggira attorno a 100 TWh, pari a circa il 0,4 % del consumo globale.
Ma il training è solo la punta dell’iceberg. L’inferenza, ovvero l’utilizzo quotidiano dei modelli in applicazioni reali (ricerca, assistenti virtuali, riconoscimento facciale), è continua e scalabile a miliardi di richieste al giorno. Uno studio di OpenAI del 2023 ha mostrato che l’inferenza di modelli di grandi dimensioni può consumare il 10‑15 % dell’energia totale di un data center medio.
Il risultato è una crescita esponenziale della quota di energia attribuibile all’IA: dal 0,8 % nel 2018 al 4 % previsto per il 2025, se le tendenze attuali non saranno invertite.
Verso una sostenibilità condivisa: strategie e sfide
Di fronte a queste cifre, la comunità scientifica e industriale ha iniziato a esplorare soluzioni concrete. Di seguito una lista delle iniziative più promettenti, suddivise per livello di intervento:
- Efficienza hardware: l’adozione di chip specializzati (TPU, GPU a basso consumo, ASIC) può ridurre il consumo per operazione fino al 50 % rispetto ai processori generici.
- Data center “verdi”: progettare strutture con refrigerazione ad aria esterna, utilizzo di acqua di raffreddamento riciclata e posizionamento in zone con clima fresco (es. Nord Europa) diminuisce il fabbisogno di energia di raffreddamento del 30‑40 %.
- Energia rinnovabile on‑site: molte grandi aziende (Google, Microsoft, Amazon) stanno investendo in impianti solari e eolici direttamente presso i propri data center, garantendo una copertura energetica del 70‑80 %.
- Scheduling intelligente: spostare i carichi di lavoro più intensivi (training) in fasce orarie di bassa domanda o in regioni con surplus di energia rinnovabile (es. energia eolica notturna).
- Modelli più “snelli”: ricerca su tecniche di pruning, quantization e distillazione dei modelli permette di mantenere prestazioni elevate con meno parametri e quindi meno calcolo.
Queste azioni, se coordinate, potrebbero non solo limitare la crescita del consumo, ma addirittura invertire la tendenza. Ad esempio, un report interno di Microsoft (2024) indica che la combinazione di hardware più efficiente e data center alimentati al 100 % da energia rinnovabile ha ridotto l’impronta carbonica dei loro servizi IA del 55 % in soli due anni.
Il ruolo delle politiche pubbliche e della responsabilità aziendale
Le iniziative private, per quanto importanti, non possono da sole garantire una transizione sostenibile. I governi hanno la capacità di creare incentivi e normative che guidino il settore verso pratiche più responsabili:
- Standard di reporting energetico: obbligare le aziende a pubblicare il consumo energetico per modello IA e per data center, similmente a quanto richiesto per le emissioni di CO₂.
- Tariffe energetiche differenziate: incentivare l’uso di energia rinnovabile con tariffe più basse durante le ore di picco di produzione solare o eolica.
- Finanziamenti per ricerca verde: bandi mirati a sviluppare chip a bassa potenza e algoritmi più efficienti.