Etica e governance

La resa dei conti sull’energia: come la fame di elettricità dell’IA sta riscrivendo le regole del sistema energetico globale

La domanda di elettricità dell’IA non è più soltanto una previsione. Le indicazioni degli hyperscaler sulle spese in conto capitale per il 2026 superano i 700 miliardi di dollari, i costi per la capacità di PJM hanno raggiunto il record di

AI.info Team · 2026-09-17

Nel 2005, Luiz André Barroso di Google pubblicò un articolo in cui avvertiva che il consumo energetico delle apparecchiature informatiche, «se fosse sfuggito al controllo, avrebbe potuto avere gravi conseguenze per l’accessibilità economica dell’informatica nel suo complesso, per non parlare della salute del pianeta». Il consumo di elettricità di Google rimase segreto fino a settembre 2011, quando l’azienda rivelò un assorbimento continuo di circa 260 milioni di watt: quanto quello di 100.000-200.000 abitazioni americane, secondo le stime fornite all’epoca dalle aziende elettriche.

Vent’anni dopo, la portata del problema fa sembrare modeste quelle cifre.

Secondo l’Agenzia internazionale dell’energia, nel 2024 il consumo globale di elettricità dei data center ha raggiunto 415 terawattora, più o meno quanto il consumo annuo di elettricità della Francia. I carichi di lavoro specifici dell’IA rappresentavano una quota sempre più ampia di quel totale, e la loro quota cresceva più rapidamente di qualsiasi altra categoria di domanda. Nel rapporto Energy and AI, l’agenzia ha stimato per il 2030 un consumo di circa 945 terawattora: più del doppio del livello del 2024 e poco più di quanto consuma in un anno l’intero Giappone.

I numeri sono così grandi da essere diventati astratti. Ma descrivono una pressione reale e senza precedenti sulle infrastrutture fisiche: reti elettriche progettate per un’altra epoca, sistemi di trasmissione che non possono espandersi rapidamente per far fronte all’impennata della domanda, comunità in cui i data center competono ormai con abitazioni e fabbriche per la limitata capacità della rete, e un sistema climatico globale la cui matematica non cambia in base all’importanza strategica della tecnologia che consuma l’energia.

La resa dei conti sull’energia è arrivata. Il modo in cui il settore dell’IA la affronterà — con miglioramenti dell’efficienza, nuove fonti energetiche, concessioni normative o una combinazione di queste soluzioni — plasmerà non solo l’economia dell’IA, ma anche la politica energetica, il ritmo della transizione energetica e la distribuzione geografica del controllo sulle infrastrutture computazionali più potenti del mondo.

La portata della domanda

Per capire quanto l’IA stia chiedendo al sistema energetico globale, conviene partire dall’hardware.

Un moderno cluster per l’addestramento dell’IA — l’infrastruttura usata per addestrare i grandi modelli di frontiera — è composto da decine di migliaia di chip acceleratori di fascia alta per l’IA. Prendiamo la generazione di chip con cui sono stati costruiti gli attuali modelli di frontiera. H100 di Nvidia, il chip dominante per l’addestramento fino al 2024, assorbe 700 watt. Un cluster di 32.000 chip H100 — una dimensione tipica delle principali sessioni di addestramento dei modelli fondativi di quell’anno — assorbirebbe circa 22 megawatt in modo continuativo, e una sessione di 90 giorni consumerebbe all’incirca 48 gigawattora di elettricità.

Per dare un termine di paragone, 48 gigawattora corrispondono approssimativamente al consumo annuo di elettricità di 4.300 abitazioni americane medie. Una sola sessione di addestramento dell’IA consuma in tre mesi quanto migliaia di famiglie consumano in un anno.

Quelle cifre appartengono ormai al passato, e non sono diminuite. Il 31 maggio 2026 Nvidia ha annunciato che la sua piattaforma Vera Rubin stava entrando nella fase di piena produzione, con spedizioni previste dall’autunno e istanze promesse presso AWS, Google Cloud, Microsoft, Oracle e un gruppo di fornitori cloud specializzati. La principale affermazione dell’azienda è che il costo per token può essere fino a dieci volte inferiore rispetto a Blackwell, la generazione precedente. Finora, token più economici non hanno mai significato una bolletta elettrica più bassa, perché i rack che li producono sono più densi e i campus che li ospitano sono più grandi.

E l’addestramento è solo una parte del quadro. L’inferenza — l’esecuzione dei modelli addestrati per rispondere alle richieste degli utenti — consuma nel complesso molta più elettricità dell’addestramento, perché avviene senza sosta e su vastissima scala. ChatGPT ha superato i 900 milioni di utenti attivi settimanali nel febbraio 2026, e il 31 luglio 2026 OpenAI ha dichiarato che i suoi modelli raggiungevano più di un miliardo di utenti attivi. Claude, Gemini, Copilot e decine di altri servizi di IA gestiscono complessivamente miliardi di richieste al giorno. Ogni richiesta consuma energia. La domanda cumulativa per l’inferenza dei sistemi di IA già in uso supera di gran lunga quella per l’addestramento, e cresce ogni volta che un nuovo utente adotta un servizio di IA o che una nuova applicazione basata sull’IA entra in funzione.

Per singola richiesta, i numeri sembrano piccoli. Nell’agosto 2025 Google ha pubblicato una misurazione secondo cui un prompt testuale mediano rivolto a Gemini consuma 0,24 wattora di energia e 0,26 millilitri d’acqua, producendo 0,03 grammi di CO2 equivalente: una stima che comprende acceleratori, macchine host, capacità inutilizzata e consumi generali dei data center, e che non è stata sottoposta a revisione paritaria. La questione non dipende dal fatto che un prompt costi un quarto di wattora oppure tre. Un prompt economico, ripetuto un miliardo di volte alla settimana, è una centrale elettrica.

L’espansione dei centri dati

I centri dati sono le infrastrutture fisiche in cui avvengono tutti questi calcoli, e l’impennata della domanda di IA ha innescato un boom edilizio senza precedenti nel settore.

Microsoft ha dichiarato che, nell’anno fiscale 2025, era sulla buona strada per investire circa 80 miliardi di dollari in centri dati attrezzati per l’IA. Amazon Web Services, Google Cloud e Meta hanno annunciato ciascuna investimenti analoghi. Nel 2025 Amazon, Microsoft, Alphabet e Meta hanno speso complessivamente circa 410 miliardi di dollari. Le loro previsioni di spesa per il 2026, riviste più volte al rialzo nel corso dell’anno, ammontano a una cifra compresa fra 700 e 760 miliardi di dollari, a seconda di chi tiene il conto e di quali revisioni più recenti sono state considerate. In ogni caso, si tratta di un aumento di circa tre quarti in dodici mesi e della più grande impennata degli investimenti infrastrutturali nella storia dell’industria tecnologica.

Questi investimenti stanno disegnando una geografia fisica dell’IA. Le maggiori concentrazioni di centri dati sorgono in luoghi che dispongono di energia elettrica affidabile, terreni a basso costo e risorse per il raffreddamento. La Virginia settentrionale, già il più grande mercato di centri dati al mondo, si espande a un ritmo che ha spinto le aziende elettriche locali ad avvertire dei limiti di capacità. Phoenix, in Arizona, deve fare i conti sia con la domanda di elettricità sia con il consumo d’acqua per il raffreddamento, in una regione desertica già soggetta a una grave scarsità idrica. In Irlanda, dove diverse grandi aziende tecnologiche hanno costruito grandi impianti, i centri dati sono arrivati a consumare un quarto dell’elettricità del paese: secondo il Central Statistics Office, nel 2025 rappresentavano il 23% dei consumi elettrici misurati dai contatori, contro il 5% del 2015.

La concentrazione geografica non è casuale. Rispecchia la disponibilità di infrastrutture di rete elettrica già esistenti, la vicinanza alle dorsali in fibra ottica, il costo dei terreni e l’accesso alle energie rinnovabili. Ma crea anche problemi propri: un’infrastruttura di rete progettata per carichi residenziali e industriali distribuiti non è adatta ad alimentare un piccolo numero di impianti enormi e ad altissimo consumo elettrico. I sistemi di trasmissione e distribuzione che portano l’elettricità alle maggiori concentrazioni di centri dati richiedono costosi potenziamenti, che richiedono anni per essere completati.

La rete elettrica non è pronta

La rete elettrica degli Stati Uniti è stata in gran parte progettata e costruita a metà del Novecento. È un insieme composito di reti regionali, gestite da diverse aziende elettriche nell’ambito di un complesso intreccio di norme federali e statali, e collegate da linee di trasmissione che portano l’elettricità dai generatori ai centri di consumo.

Il sistema funzionava bene per i profili di domanda per cui era stato progettato: domanda residenziale con picchi al mattino e alla sera, domanda industriale concentrata in zone specifiche, domanda commerciale distribuita fra molti edifici. Non era stato progettato per il profilo di domanda dei centri dati per l’IA: una crescita dei consumi enorme, continua e fortemente concentrata in luoghi specifici, con tempi che comprimono in pochi mesi decenni di crescita storica della domanda.

Nella Virginia settentrionale, la cosiddetta Data Centre Alley, che ospita una capacità di centri dati superiore a quella di qualsiasi altra regione al mondo, le aziende elettriche hanno cominciato a lanciare avvertimenti sulla capacità nel 2023. La prova più chiara che quegli avvertimenti erano fondati è arrivata sotto forma di un prezzo. PJM, l’organizzazione regionale per la trasmissione dell’elettricità che serve gli stati della costa medio-atlantica, organizza un’asta per assicurarsi la futura capacità di generazione. Per l’anno di fornitura 2024/25, la capacità è stata aggiudicata a 28,92 dollari per megawatt-giorno; per il 2026/27, a 329,17 dollari, più di dieci volte tanto. Nell’asta tenutasi nel dicembre 2025, i costi complessivi per la capacità hanno raggiunto i 16,4 miliardi di dollari e a PJM sono mancati 6.623 megawatt rispetto al proprio requisito di affidabilità: il primo deficit nei diciotto anni di storia del mercato. Il responsabile indipendente della vigilanza sul mercato di PJM ha attribuito 6,5 miliardi di dollari di quella cifra, pari al 40%, alla domanda dei centri dati.

Quei costi non restano nel mercato all’ingrosso. Arrivano nelle bollette delle famiglie: per questo la scelta dei siti dei centri dati ha smesso di essere una questione di pianificazione ed è diventata una questione elettorale.

I vincoli non riguardano solo gli Stati Uniti. In Irlanda, il gestore della rete Eirgrid ha imposto una moratoria sui nuovi allacciamenti dei centri dati in alcune parti del paese, citando le preoccupazioni per l’impatto della loro domanda sulla stabilità della rete e il rischio di superare i limiti del paese in materia di sicurezza energetica. In Germania, i gestori della rete hanno avvertito che la combinazione tra crescita dei centri dati, diffusione dei veicoli elettrici ed elettrificazione dell’industria stava spingendo le infrastrutture di trasmissione verso i loro limiti.

Il problema di fondo è la differenza tra i tempi necessari. Costruire un centro dati richiede dai 18 ai 24 mesi. Costruire le infrastrutture di rete necessarie ad alimentarlo — nuove linee di trasmissione, sottostazioni, capacità di generazione — richiede dai 5 ai 10 anni e, in alcune giurisdizioni, molto di più a causa delle procedure autorizzative e normative. Le aziende tecnologiche che vogliono costruire centri dati oggi si contendono una capacità di rete già impegnata anni fa, mentre la nuova capacità di cui hanno bisogno non sarà disponibile ancora per anni.

La scommessa sul nucleare

Il fabbisogno di elettricità dell’IA ha ottenuto un risultato che i sostenitori dell’azione per il clima cercavano di raggiungere da decenni: ha reso di nuovo l’energia nucleare economicamente interessante per le grandi aziende tecnologiche.

Dal punto di vista di un’azienda di IA, l’attrattiva del nucleare è evidente. Le centrali nucleari producono elettricità ininterrottamente, indipendentemente dalle condizioni meteorologiche, con fattori di capacità elevati. Durante il funzionamento non producono emissioni di carbonio. Si trovano in siti precisi, che possono essere collegati appositamente ai data center. E la loro produzione è prevedibile e affidabile in un modo in cui quella dell’eolico e del solare, per quanto in rapida crescita, non lo è.

Nel 2024 Microsoft ha firmato un accordo per acquistare tutta l’elettricità prodotta da un reattore riavviato a Three Mile Island, in Pennsylvania, il sito dell’incidente del 1979 che segnò per una generazione la paura del nucleare nell’opinione pubblica. Il reattore in cui si verificò la fusione del nocciolo era l’altro; l’Unità 1 rimase in funzione fino al 2019 e fu chiusa perché il gas a basso costo l’aveva resa antieconomica. Constellation, che ne è proprietaria, l’ha ribattezzata Crane Clean Energy Center, ha impegnato circa 1,6 miliardi di dollari per il riavvio e ha assegnato per contratto a Microsoft l’intera produzione da 835 megawatt per 20 anni. Nel novembre 2025, l’ufficio prestiti del Dipartimento dell’Energia ha aggiunto un prestito da 1 miliardo di dollari e la data prevista per il riavvio è stata anticipata al 2027.

Il valore simbolico non è sfuggito a nessuno: l’impianto in cui la fusione del nocciolo è diventata un simbolo della paura del nucleare viene rimesso in funzione, con un finanziamento federale, per eseguire inferenza.

Google ha firmato accordi a lungo termine per acquistare elettricità da reattori modulari di piccole dimensioni (SMR) sviluppati da Kairos Power, con l’inizio delle forniture previsto nel 2030. Amazon Web Services ha annunciato un investimento in X-energy, un altro sviluppatore di SMR. Meta, OpenAI e diverse altre aziende di IA hanno avviato contatti con fornitori e sviluppatori di energia nucleare.

I reattori modulari di piccole dimensioni sono una soluzione particolarmente interessante per il settore dell’IA perché, in linea di principio, possono essere installati accanto ai data center, eliminando la necessità di trasmettere elettricità su lunghe distanze da grandi centrali elettriche. Un SMR da 300 megawatt situato nel complesso di un data center fornirebbe all’incirca l’energia necessaria a un grande impianto di calcolo per l’IA, con un’interazione minima con la rete elettrica.

Per la maggior parte dei fornitori, la diffusione commerciale degli SMR è ancora lontana diversi anni, ma gli impegni finanziari delle aziende tecnologiche stanno accelerando i tempi di sviluppo. Il segnale di domanda proveniente dal settore dell’IA ha fatto più di decenni di campagne per il clima e programmi di sussidi pubblici per stimolare gli investimenti nello sviluppo di nuove centrali nucleari.

La realtà delle rinnovabili

Sebbene il nucleare attiri l’attenzione, la maggior parte della nuova capacità di produzione elettrica collegata ai data center proviene da fonti rinnovabili, soprattutto solare ed eolico.

Microsoft, Google, Amazon e Meta si sono tutte impegnate a compensare il consumo di elettricità dei propri data center con acquisti di energia rinnovabile. Questi impegni hanno trainato ingenti investimenti nello sviluppo del solare e dell’eolico, e le aziende tecnologiche sono oggi tra i maggiori acquirenti aziendali di energia rinnovabile al mondo.

Ma compensare il consumo di elettricità con acquisti di energia rinnovabile non equivale ad alimentare effettivamente i data center con energia rinnovabile in tempo reale. La produzione delle rinnovabili è intermittente. I pannelli solari producono elettricità solo quando splende il sole. Le turbine eoliche la producono solo quando soffia il vento. I data center, invece, consumano elettricità senza interruzione, 24 ore al giorno, sette giorni su sette.

Il divario tra la compensazione dei consumi e l’effettivo funzionamento con energia rinnovabile 24 ore su 24, sette giorni su sette, è la sfida centrale per un data center di IA alimentato da energia pulita. Google è stata la più ambiziosa nel tentare di colmare questo divario, con l’obiettivo dichiarato di operare con energia priva di emissioni di carbonio, ora per ora, entro il 2030. Per riuscirci occorre combinare la generazione di energia sul posto, sistemi di accumulo energetico di lunga durata, la distribuzione geografica del carico di calcolo in base alla disponibilità di energia rinnovabile e una gestione flessibile del carico che sposti le attività nei momenti e nei luoghi in cui è disponibile energia pulita.

La tecnologia per farlo su larga scala, a costi commercialmente sostenibili, non esiste ancora. L’accumulo energetico di lunga durata — la capacità di immagazzinare elettricità per giorni o settimane nei periodi di abbondante produzione da fonti rinnovabili, per poi utilizzarla nei periodi di scarsità — resta costoso e poco diffuso. I sistemi di gestione della rete necessari per ottimizzare la distribuzione geografica dei carichi di lavoro dell’IA in base alla disponibilità di energia rinnovabile sono nelle prime fasi di sviluppo. La prospettiva di un’alimentazione interamente pulita 24 ore su 24, sette giorni su sette, è un’aspirazione concreta, ma la sua realizzazione pratica alla scala richiesta dai grandi data center di IA è probabilmente ancora lontana un decennio o più.

La corsa all’efficienza

Il fabbisogno energetico dell’IA non è una costante fisica immutabile. È il risultato di precise scelte tecnologiche — architetture hardware, progettazione dei data center, dimensioni dei modelli, metodi di inferenza — che possono cambiare.

Storicamente, l’efficienza dell’hardware per l’IA è migliorata rapidamente, e ogni generazione viene presentata in base ai progressi rispetto alla precedente: Hopper rispetto ad Ampere, Blackwell rispetto a Hopper e ora Rubin rispetto a Blackwell, per cui Nvidia dichiara un costo per token fino a dieci volte inferiore. Sono dati del produttore, misurati su carichi di lavoro scelti dal produttore, e meritano lo scetticismo dovuto a dati di questo tipo. La direzione del cambiamento, però, non è in discussione. Le prestazioni per watt degli acceleratori per l’IA sono migliorate più rapidamente di quanto previsto dalla curva della legge di Moore per l’informatica general-purpose, proprio perché i carichi di lavoro dell’IA si prestano maggiormente alla specializzazione delle architetture.

I miglioramenti nell’efficienza dei modelli sono stati altrettanto significativi. La rivoluzione del post-training descritta nel precedente articolo di questa serie ha prodotto modelli che eguagliano le prestazioni dei precedenti sistemi di frontiera a un costo di inferenza sensibilmente inferiore. Tecniche come la distillazione della conoscenza — addestrare modelli piccoli a imitare il comportamento di quelli grandi — hanno ridotto da cinque a dieci volte la potenza di calcolo necessaria per ogni query in molti casi d’uso comuni, senza perdite significative di qualità.

La decodifica speculativa, una tecnica in cui un modello piccolo genera possibili completamenti che un modello più grande verifica o respinge, ha aumentato sensibilmente la capacità di elaborazione nell’inferenza. Le architetture mixture-of-experts, che indirizzano ogni input verso un sottoinsieme dei parametri del modello anziché attivare l’intero modello, riducono la potenza di calcolo effettivamente necessaria per ogni query nei modelli la cui erogazione potrebbe altrimenti essere molto costosa.

Il risultato complessivo di questi miglioramenti è che il consumo energetico assoluto per ogni query rivolta all’IA è diminuito, anche mentre il numero di query cresce. Finora, però, la crescita dei volumi ha superato di gran lunga i guadagni di efficienza. Ogni miglioramento che riduce il costo dell’IA aumenta anche il numero di casi d’uso che diventano economicamente sostenibili, e la conseguente crescita della domanda ha più che assorbito i risparmi energetici. L’effetto rimbalzo — noto come paradosso di Jevons — è una caratteristica persistente delle economie tecnologiche e suggerisce che la sola efficienza difficilmente risolverà il problema energetico.

La contraddizione climatica

Per le aziende tecnologiche che hanno assunto ambiziosi impegni di azzeramento delle emissioni nette, il fabbisogno energetico dell’IA crea una contraddizione pubblica difficile da sostenere.

Il rapporto ambientale di Google del 2026, pubblicato alla fine di giugno, ha rivelato che l’impronta carbonica complessiva dell’azienda è aumentata del 18 per cento in un solo anno e si colloca ora circa l’81 per cento sopra il livello di riferimento del 2019. Il consumo di elettricità è cresciuto del 37 per cento su base annua, il maggiore aumento annuale mai registrato dall’azienda. Il rapporto sulla sostenibilità di Microsoft del 2026, relativo all’esercizio fiscale 2025, indica che le sue emissioni combinate degli scope 1, 2 e 3 sono aumentate del 25 per cento su base annua, arrivando a circa 20,3 milioni di tonnellate di anidride carbonica equivalente — sei anni dopo che l’azienda si era impegnata a raggiungere un bilancio carbonico negativo entro il 2030. Meta, Amazon e le altre aziende si trovano davanti alla stessa aritmetica.

Le aziende rispondono a questa contraddizione in vari modi. Richiamano i miglioramenti di efficienza introdotti nell’hardware e nel software per l’IA. Richiamano i massicci acquisti di energia rinnovabile che stanno effettuando, con cui finanziano nuova capacità di produzione di energia pulita. Sostengono che il valore economico creato dall’IA — e il suo potenziale ruolo nell’accelerare le soluzioni al cambiamento climatico stesso — debba essere soppesato rispetto alle emissioni nel breve periodo.

Quest’ultimo argomento merita attenzione critica. Esistono prove concrete che l’IA stia accelerando il progresso scientifico su problemi rilevanti per il clima: la scoperta di materiali per batterie migliori, la modellizzazione climatica, l’ottimizzazione dei sistemi energetici, la progettazione di edifici più efficienti. Ma sostenere che l’IA finirà per risolvere i problemi energetici creati dal suo stesso addestramento significa attribuire meno peso al presente rispetto al futuro, un ragionamento che le autorità di regolamentazione e gli attivisti per il clima stanno cominciando a contestare. Le emissioni avvengono ora; i benefici sono futuri e ipotetici.

La posizione più onesta, adottata da alcuni ricercatori e da alcuni dirigenti di aziende tecnologiche, è che l’industria dell’IA abbia un reale problema di emissioni che i miglioramenti di efficienza e gli acquisti di energia rinnovabile non risolveranno del tutto nei tempi richiesti dalla scienza del clima — e che questo dato debba orientare sia il ritmo della diffusione dell’IA sia la definizione delle politiche climatiche.

La geopolitica della capacità di calcolo

La concentrazione delle infrastrutture per l’IA non è soltanto un problema energetico. È anche una questione geopolitica.

I paesi e le regioni che ospitano le maggiori concentrazioni di capacità dei data center per l’IA stanno acquisendo una forma di potere strategico che non era stata prevista quando si progettavano queste infrastrutture. L’Irlanda, diventata un importante polo europeo dei data center grazie al suo regime fiscale per le imprese e alle sue risorse energetiche rinnovabili, ospita oggi infrastrutture di calcolo che elaborano una quota significativa dell’attività digitale europea, creando dipendenze e vulnerabilità che le autorità di regolamentazione irlandesi ed europee stanno iniziando a esaminare con attenzione.

Il governo degli Stati Uniti si è interessato attivamente alla distribuzione geografica della capacità di calcolo per l’IA come questione di sicurezza nazionale. I controlli sulle esportazioni di chip avanzati per l’IA mirano a impedire ai concorrenti di procurarsi l’hardware necessario per costruire infrastrutture comparabili. Il Chips and Science Act ha investito decine di miliardi di dollari nella produzione nazionale di semiconduttori per ridurre la dipendenza dalla produzione taiwanese. La logica implicita è che l’infrastruttura di calcolo per l’IA sia diventata una risorsa strategica, come le raffinerie di petrolio o gli stabilimenti di produzione di semiconduttori, che non si può lasciare concentrare in luoghi geograficamente vulnerabili né finire sotto controllo straniero.

La Cina, intanto, persegue una strategia parallela. Nonostante i controlli statunitensi sulle esportazioni di chip abbiano limitato il suo accesso agli acceleratori per l’IA più avanzati, le aziende cinesi hanno sviluppato alternative nazionali e stanno realizzando infrastrutture per l’IA su scala enorme. Le implicazioni energetiche per la Cina sono significative: importanti data center per l’IA nell’interno del paese sorgono accanto a centrali elettriche a carbone, dando priorità all’accesso all’energia rispetto alla contabilizzazione delle emissioni di carbonio.

La geografia energetica dell’IA si sta così intrecciando con la geopolitica dell’IA in modi complessi e dalle conseguenze rilevanti. Dove vengono costruite le infrastrutture per l’IA, chi le possiede, quale energia utilizzano e a quale sovranità sono soggetti i dati che elaborano sono questioni a cui i governi stanno iniziando a dare risposte esplicite, anziché lasciarle alle forze del mercato.

Le prospettive

La resa dei conti sul fabbisogno energetico dell’IA non si risolverà rapidamente né facilmente. Le traiettorie di crescita sono troppo ripide, i tempi di realizzazione delle infrastrutture troppo lunghi e le pressioni competitive troppo intense.

Ma diversi sviluppi nei prossimi cinque-dieci anni determineranno come andrà a finire.

L’entrata in funzione di piccoli reattori modulari a partire dai primi anni 2030 potrebbe fornire ai data center per l’IA energia pulita e affidabile, senza i problemi legati all’intermittenza delle fonti rinnovabili. Per i fornitori più avanzati, si prevedono ulteriori installazioni commerciali di piccoli reattori modulari tra il 2028 e il 2032, e gli impegni finanziari dell’industria dell’IA stanno anticipando queste tempistiche.

I continui miglioramenti nell’efficienza dell’inferenza dell’IA, trainati dai progressi dell’hardware, dalla compressione dei modelli e dalla speculative decoding, ridurranno il costo energetico per interrogazione anche mentre il numero delle interrogazioni cresce. Resta da capire se l’effetto rimbalzo assorbirà questi guadagni di efficienza: è questa l’incertezza centrale.

I programmi di ammodernamento delle reti elettriche negli Stati Uniti, in Europa e in altri grandi mercati stanno accelerando per effetto congiunto della domanda trainata dall’IA, della diffusione dei veicoli elettrici e della transizione energetica. Le infrastrutture che si costruiscono oggi determineranno la geografia energetica dell’IA per decenni.

Anche sul piano normativo si è passati dalla stesura delle regole alla loro applicazione. Ai sensi dell’articolo 53 dell’AI Act dell’UE, i fornitori di modelli di IA per finalità generali devono documentare le risorse computazionali impiegate nell’addestramento e l’energia consumata, ricorrendo a stime dove non siano disponibili misurazioni. L’obbligo si applica ai nuovi modelli dal 2 agosto 2025; per i modelli già sul mercato a quella data, il termine è il 2 agosto 2027. Non fissa un tetto ai consumi, ma produce la prima serie di dati pubblicati e comparabili. Ed è sui dati comparabili che, prima o poi, si costruisce la regolamentazione.

Diversi stati americani hanno presentato o stanno valutando leggi che imporrebbero ai data center specifici standard di efficienza o requisiti in materia di energia rinnovabile. I meccanismi di fissazione del prezzo del carbonio, se saranno rafforzati come auspicano molti economisti del clima, faranno rientrare nel calcolo economico parte dei costi ambientali del consumo energetico dell’IA che oggi vengono scaricati sull’atmosfera.

Quanto costa l’intelligenza

L’IA è il consumatore di elettricità la cui domanda cresce più rapidamente nella storia. Non è un problema che l’industria tecnologica possa risolvere interamente con l’innovazione. Occorre affrontare compromessi davvero difficili: tra la velocità di diffusione dell’IA e il ritmo di sviluppo dell’energia pulita; tra l’imperativo strategico di mantenere la leadership nell’IA e quello climatico di decarbonizzare il sistema elettrico; tra il valore economico creato dall’IA e i costi ambientali a cui il mercato, lasciato a sé stesso, non attribuirà un prezzo adeguato.

Questi compromessi non hanno facili soluzioni tecniche. Richiedono scelte: che cosa costruire, dove costruirlo, quanto rapidamente metterlo in funzione e chi debba sostenere i costi e ricevere i benefici. Richiedono che l’industria dell’IA, il settore energetico, i governi e le comunità negozino un nuovo rapporto tra capacità di calcolo ed energia.

La resa dei conti sul fabbisogno energetico è, in definitiva, una resa dei conti su quanto costa l’intelligenza. La risposta, a quanto pare, è molto. Ed è arrivato il momento di pagare il conto.