Etica e governance

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

La domanda di elettricità dell’IA non è più una semplice previsione. Le stime degli hyperscaler sulla spesa in conto capitale per il 2026 superano i 700 miliardi di dollari, i costi della capacità di PJM hanno raggiunto il record di 16,4 mi

Gabriele Masetti · 2026-09-17

Nel 2005, Google pubblicò uno studio in cui osservava che i suoi data center consumavano all’incirca tanta elettricità quanta 200.000 abitazioni americane medie. All’epoca sembrò un dato notevole: una piccola azienda tecnologica consumava l’equivalente del fabbisogno elettrico di una città di medie dimensioni. Lo studio era una dichiarazione di responsabilità, un impegno a prendere sul serio la questione energetica.

Vent’anni dopo, la portata del problema fa sembrare modesta quella cifra del 2005.

Secondo l’International Energy Agency, nel 2024 il consumo elettrico dei data center a livello mondiale ha raggiunto 415 terawattora, all’incirca quanto il consumo annuo di elettricità della Francia. I carichi di lavoro legati specificamente all’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 leggermente superiore a 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 una capacità di rete limitata, e un sistema climatico globale che non modifica i propri calcoli in base all’importanza strategica della tecnologia che consuma quell’energia.

La resa dei conti energetica è arrivata. Il modo in cui l’industria dell’IA la affronterà — con miglioramenti dell’efficienza, nuove fonti di energia, adeguamenti normativi 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 di calcolo più potenti al 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 con cui sono stati realizzati gli attuali modelli di frontiera. L’H100 di Nvidia, il chip dominante per l’addestramento fino al 2024, assorbe 700 watt. Un cluster di 32.000 H100 — una dimensione tipica dei principali cicli di addestramento dei foundation model di quell’anno — assorbirebbe circa 22 megawatt in modo continuo, e un ciclo di 90 giorni consumerebbe all’incirca 48 gigawattora di elettricità.

Per dare un termine di paragone, 48 gigawattora corrispondono all’incirca al consumo annuo di elettricità di 4.300 abitazioni americane medie. Un singolo ciclo di addestramento dell’IA consuma in tre mesi quanto migliaia di famiglie consumano in un anno.

Questi numeri appartengono ormai al passato, e non sono diminuiti. Nvidia ha annunciato il 31 maggio 2026 che la sua piattaforma Vera Rubin era entrata in piena produzione, con le consegne previste dall’autunno e istanze promesse presso AWS, Google Cloud, Microsoft, Oracle e una serie di fornitori cloud specializzati. La principale affermazione dell’azienda è che il costo per token sia fino a dieci volte inferiore rispetto a Blackwell, la generazione precedente. Token più economici non hanno mai significato, finora, una bolletta elettrica più bassa, perché i rack che li producono hanno una maggiore densità 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 complessivamente molta più elettricità dell’addestramento, perché avviene di continuo e su vastissima scala. ChatGPT ha superato i 900 milioni di utenti attivi settimanali nel febbraio 2026, e OpenAI ha dichiarato il 31 luglio 2026 che i suoi modelli raggiungevano più di un miliardo di utenti attivi. Claude, Gemini, Copilot e decine di altri servizi di IA gestiscono insieme miliardi di richieste al giorno. Ogni richiesta consuma energia. La domanda complessiva 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 viene lanciata una nuova applicazione basata sull’IA.

Considerati singolarmente, i numeri sembrano piccoli. Google ha pubblicato nell’agosto 2025 una misurazione secondo cui un prompt testuale mediano rivolto a Gemini richiedeva 0,24 wattora di energia, produceva 0,03 grammi di CO2 equivalente e consumava 0,26 millilitri d’acqua: un dato che comprende acceleratori, macchine host, capacità inattiva e consumi generali del data center, e che non è stato sottoposto a revisione tra pari. La questione non dipende dal fatto che un prompt costi un quarto di wattora o tre. Un prompt poco costoso, ripetuto un miliardo di volte alla settimana, equivale a una centrale elettrica.

L’impennata dei centri dati

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

Nel 2024, Microsoft ha annunciato l’intenzione di spendere 80 miliardi di dollari per nuovi centri dati nell’anno successivo. 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, e le loro previsioni per il 2026 — riviste più volte al rialzo nel corso dell’anno — ammontano a una cifra compresa tra 700 e 760 miliardi di dollari, a seconda di chi tiene il conto e di quali revisioni più recenti riesce a includere. In ogni caso, si tratta di un aumento di circa tre quarti in dodici mesi e della più grande ondata di investimenti in infrastrutture nella storia del settore tecnologico.

Questi investimenti stanno disegnando una geografia fisica dell’IA. Le maggiori concentrazioni di centri dati sorgono in luoghi che offrono 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 sta espandendo a un ritmo tale che le aziende elettriche locali lanciano allarmi sui limiti della capacità disponibile. Phoenix, in Arizona, deve fare i conti sia con la domanda di elettricità sia con il consumo di acqua per il raffreddamento, in una regione desertica già sottoposta a una grave pressione sulle risorse idriche. In Irlanda, dove diverse grandi aziende tecnologiche hanno costruito grandi impianti, i centri dati sono arrivati a consumare un quarto dell’energia elettrica: secondo il Central Statistics Office, nel 2025 rappresentavano il 23 per cento dei consumi elettrici misurati dai contatori, contro il 5 per cento del 2015.

Questa concentrazione geografica non è casuale. Dipende dalla disponibilità di infrastrutture di rete elettrica già esistenti, dalla vicinanza alle dorsali in fibra ottica, dal costo dei terreni e dall’accesso alle energie rinnovabili. Ma crea a sua volta problemi: una rete elettrica progettata per servire carichi residenziali e industriali distribuiti non è adatta ad alimentare un piccolo numero di impianti enormi e affamati di energia. 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 mosaico di reti regionali, gestite da aziende diverse nel quadro di un complesso insieme di norme federali e statali, e collegate da linee di trasmissione che portano l’elettricità dagli impianti di generazione ai centri di consumo.

Il sistema funzionava bene per i profili di domanda a cui era destinato: consumi domestici con picchi al mattino e alla sera, consumi industriali concentrati in zone specifiche, consumi commerciali distribuiti tra molti edifici. Non è stato progettato per il profilo di domanda dei centri dati per l’IA: una crescita enorme, continua e fortemente concentrata del carico elettrico 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 iniziato a lanciare allarmi sulla capacità disponibile nel 2023. La prova più chiara che quegli allarmi erano fondati è arrivata sotto forma di un prezzo. PJM, l’organizzazione regionale che gestisce la trasmissione negli Stati della costa atlantica centrale, tiene un’asta per assicurarsi la futura capacità di generazione. La capacità per il periodo di fornitura 2024/25 è stata aggiudicata a 28,92 dollari per megawatt al giorno; per il 2026/27, a 329,17 dollari, oltre dieci volte tanto. Nell’asta tenuta a dicembre 2025, il costo complessivo della capacità ha raggiunto 16,4 miliardi di dollari e a PJM sono mancati 6.625 megawatt per soddisfare il proprio requisito di affidabilità: la prima carenza nei diciotto anni di storia del mercato. Il monitor indipendente del mercato di PJM ha attribuito 6,5 miliardi di dollari di quel conto, pari al 40 per cento, al carico dei centri dati.

Questi costi non restano confinati al mercato all’ingrosso. Arrivano nelle bollette delle famiglie: per questo la scelta di dove costruire i centri dati ha smesso di essere una questione urbanistica 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 sulle nuove connessioni 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 di sicurezza energetica del Paese. 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 propri limiti.

Il problema fondamentale è lo scarto tra i tempi necessari. Costruire un centro dati richiede dai 18 ai 24 mesi. Costruire le infrastrutture elettriche per 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 oggi vogliono costruire centri dati competono per una capacità di rete già assegnata anni fa, mentre la nuova capacità di cui hanno bisogno non sarà disponibile per anni.

La scommessa sul nucleare

Il fabbisogno elettrico 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, i vantaggi del nucleare sono evidenti. Le centrali nucleari producono elettricità senza interruzioni, indipendentemente dalle condizioni meteorologiche, e operano con fattori di capacità elevati. Durante il funzionamento non producono emissioni di carbonio. Si trovano in siti specifici 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 rimesso in funzione a Three Mile Island, in Pennsylvania: il sito dell’incidente del 1979 che per una generazione ha segnato la percezione pubblica dei rischi del nucleare. Il reattore che subì la fusione era l’altro; l’Unità 1 ha funzionato fino al 2019 ed è stata chiusa perché il gas a basso costo l’aveva resa antieconomica. Constellation, la società proprietaria, l’ha ribattezzata Crane Clean Energy Center, ha stanziato circa 1,6 miliardi di dollari per riavviarla e ha stipulato con Microsoft un contratto per l’intera produzione dei suoi 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 il cui incidente con fusione del reattore è diventato un simbolo della paura del nucleare viene rimesso in funzione, con un finanziamento federale, per eseguire inferenze.

Google ha firmato accordi a lungo termine per acquistare elettricità da piccoli reattori modulari (SMR) sviluppati da Kairos Power, con le prime forniture previste a partire dal 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 piccoli reattori modulari rappresentano una soluzione particolarmente interessante per il settore dell’IA perché, in linea di principio, possono essere collocati accanto ai data center, eliminando la necessità di trasmettere elettricità su lunghe distanze dalle grandi centrali. Un SMR da 300 megawatt situato nel campus di un data center fornirebbe all’incirca l’energia necessaria a una grande struttura 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. La domanda espressa dal settore dell’IA ha fatto più per stimolare gli investimenti nello sviluppo di nuovi impianti nucleari di quanto abbiano fatto decenni di campagne per il clima e programmi di sussidi pubblici.

La realtà delle rinnovabili

Mentre il nucleare attira l’attenzione, la maggior parte della nuova capacità di generazione collegata ai data center proviene da fonti rinnovabili, soprattutto solare ed eolico.

Microsoft, Google, Amazon e Meta si sono tutte impegnate ad acquistare energia rinnovabile in quantità equivalente al consumo elettrico dei loro data center. Questi impegni hanno stimolato ingenti investimenti nello sviluppo del solare e dell’eolico, e le aziende tecnologiche figurano oggi tra i maggiori acquirenti aziendali di energia rinnovabile al mondo.

Ma acquistare energia rinnovabile in quantità equivalente al consumo elettrico non significa alimentare effettivamente i data center con energia rinnovabile in tempo reale. La produzione da fonti 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 interruzioni, 24 ore al giorno, sette giorni su sette.

Colmare la distanza tra compensare i consumi con acquisti di energia rinnovabile e funzionare davvero con energia rinnovabile 24/7 è la sfida centrale per un data center di IA pulito. Google è stata la più ambiziosa nel tentare di ridurre questa distanza, con l’obiettivo dichiarato di funzionare con energia priva di emissioni di carbonio in ogni singola 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 funzione della disponibilità di energia rinnovabile e una gestione flessibile dei carichi di lavoro, che li sposti nei momenti e nei luoghi in cui è disponibile energia pulita.

La tecnologia necessaria per farlo su larga scala non è ancora disponibile a costi commercialmente sostenibili. L’accumulo energetico di lunga durata — la possibilità di immagazzinare elettricità per giorni o settimane nei periodi di abbondante produzione da fonti rinnovabili, per poi utilizzarla nei periodi di carenza — 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. L’obiettivo di un’alimentazione interamente pulita 24/7 è un’aspirazione concreta, ma la sua realizzazione pratica sulla scala richiesta dai grandi data center per l’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 essere cambiate.

Storicamente, i miglioramenti nell’efficienza dell’hardware per l’IA sono stati rapidi, e ogni nuova generazione viene presentata sulla base dei progressi rispetto alla precedente: Hopper rispetto ad Ampere, Blackwell rispetto a Hopper e ora Rubin rispetto a Blackwell, per il quale Nvidia sostiene che il costo per token possa essere fino a dieci volte inferiore. Sono dati del produttore, misurati su carichi di lavoro scelti dal produttore, e meritano lo scetticismo che i dati del produttore si guadagnano. La direzione del progresso, però, non è in discussione. Le prestazioni per watt degli acceleratori per l’IA sono migliorate più rapidamente di quanto preveda la curva della legge di Moore per l’informatica generalista, 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 nell’articolo precedente di questa serie ha prodotto modelli che eguagliano le prestazioni dei precedenti sistemi di frontiera a un costo di inferenza notevolmente inferiore. Tecniche come la distillazione della conoscenza — l’addestramento di modelli piccoli a imitare il comportamento di quelli grandi — hanno ridotto di un fattore compreso tra cinque e dieci la potenza di calcolo necessaria per ogni richiesta 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 vengono poi verificati o scartati da un modello più grande, ha aumentato notevolmente il numero di richieste gestibili durante l’inferenza. Le architetture mixture-of-experts, che indirizzano ogni input a un sottoinsieme dei parametri del modello anziché attivare l’intero modello, riducono la potenza di calcolo effettivamente necessaria per ogni richiesta nel caso di modelli la cui erogazione potrebbe altrimenti essere molto costosa.

Il risultato complessivo di questi miglioramenti è che il consumo energetico assoluto per ogni richiesta all’IA è diminuito, mentre il numero di richieste 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 il risparmio energetico. Questo effetto di rimbalzo — noto come paradosso di Jevons — è una caratteristica ricorrente 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 a raggiungere la neutralità delle emissioni, il fabbisogno energetico dell’IA crea una difficile contraddizione sotto gli occhi di tutti.

Il rapporto ambientale 2026 di Google, pubblicato alla fine di giugno, ha rivelato che l’impronta di carbonio complessiva dell’azienda è aumentata del 18 per cento in un solo anno e si trova ora circa l’81 per cento sopra il livello di riferimento del 2019. Il suo consumo di elettricità è cresciuto del 37 per cento su base annua, il maggiore aumento registrato in un solo anno. Il rapporto sulla sostenibilità 2026 di Microsoft, relativo all’esercizio fiscale 2025, indica che le sue emissioni complessive degli scope 1, 2 e 3 sono aumentate del 25 per cento su base annua, raggiungendo circa 20,3 milioni di tonnellate di CO₂ equivalente — sei anni dopo l’impegno a diventare carbon negative entro il 2030. Meta, Amazon e le altre aziende devono fare i conti con la stessa aritmetica.

Le aziende rispondono a questa contraddizione in diversi modi. Richiamano i miglioramenti di efficienza introdotti nell’hardware e nel software per l’IA. Richiamano gli ingenti acquisti di energia rinnovabile che stanno effettuando e che finanziano nuova capacità di generazione pulita. Sostengono che il valore economico creato dall’IA — e il suo potenziale contributo ad accelerare le soluzioni al cambiamento climatico stesso — debbano essere soppesati rispetto alle emissioni nel breve periodo.

Quest’ultimo argomento merita un esame attento. 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 modellazione 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 addestramento significa attribuire meno peso al presente che al futuro: un ragionamento che le autorità di regolamentazione e gli attivisti per il clima cominciano a contestare. Le emissioni si producono ora; i benefici sono ipotetici e futuri.

La posizione più onesta, adottata da alcuni ricercatori e da pochi dirigenti di aziende tecnologiche, è che il settore dell’IA abbia un autentico 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 di diffusione dell’IA sia la definizione delle politiche climatiche.

La geopolitica della potenza di calcolo

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

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 uno dei principali poli europei dei data center grazie al suo regime fiscale per le imprese e alle sue risorse di energia rinnovabile, ospita oggi infrastrutture di calcolo che elaborano una quota significativa dell’attività digitale europea. Ne derivano dipendenze e vulnerabilità che le autorità di regolamentazione irlandesi ed europee stanno cominciando a esaminare con attenzione.

Il governo degli Stati Uniti si interessa attivamente alla distribuzione geografica della potenza 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 acquisire l’hardware necessario a costruire infrastrutture per l’IA 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 le infrastrutture di calcolo per l’IA siano diventate una risorsa strategica, come le raffinerie di petrolio o gli impianti di fabbricazione dei semiconduttori, che non si può lasciare concentrare in luoghi geograficamente vulnerabili né finire sotto il controllo straniero.

La Cina, intanto, segue 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 vasta scala. Le conseguenze energetiche all’interno della Cina sono significative: nell’entroterra del paese, grandi data center per l’IA 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 intreccia dunque con la geopolitica dell’IA in modi complessi e dalle conseguenze importanti. Dove si costruiscono le infrastrutture per l’IA, chi le possiede, quale energia utilizzano e quale sovranità si applica ai dati che elaborano sono domande a cui i governi stanno cominciando a rispondere esplicitamente, anziché lasciare le risposte alle forze del mercato.

L’orizzonte

La resa dei conti energetica dell’IA non si risolverà in fretta 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 di intermittenza delle fonti rinnovabili. Le prime installazioni commerciali di SMR, per i fornitori più avanzati, sono attese tra il 2028 e il 2032, e gli impegni finanziari del settore dell’IA stanno anticipando queste scadenze.

I continui miglioramenti nell’efficienza dell’inferenza dell’IA, favoriti dai progressi dell’hardware, dalla compressione dei modelli e dalla decodifica speculativa, ridurranno il costo energetico per query anche mentre il numero di query cresce. La questione centrale resta se l’effetto rimbalzo assorbirà questi guadagni di efficienza.

I programmi di ammodernamento delle reti elettriche negli Stati Uniti, in Europa e in altri grandi mercati stanno accelerando sotto la spinta congiunta della domanda legata all’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 all’applicazione. Ai sensi dell’articolo 53 dell’AI Act, i fornitori di modelli di IA per finalità generali devono documentare le risorse computazionali impiegate nell’addestramento e l’energia consumata per addestrarli, ricorrendo a stime dove non esistono 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 comparabili e pubblicati, ed è sui dati comparabili che, prima o poi, si costruisce la regolamentazione.

Diversi stati degli Stati Uniti hanno presentato o stanno valutando leggi che impongono ai data center specifici standard di efficienza o requisiti sull’energia rinnovabile. Se si rafforzeranno, come auspicano molti economisti del clima, i meccanismi di tariffazione delle emissioni di carbonio incorporeranno almeno in parte i costi ambientali del consumo energetico dell’IA che oggi vengono scaricati sull’atmosfera.

Quanto costa l’intelligenza

L’IA è il consumatore di elettricità a più rapida crescita della storia. Non è un problema che il settore tecnologico possa risolvere interamente con l’innovazione. Richiede di 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: cosa costruire, dove costruirlo, quanto rapidamente metterlo in funzione e chi debba sostenere i costi e ricevere i benefici. Richiedono che il settore dell’IA, quello dell’energia, i governi e le comunità negozino un nuovo rapporto tra calcolo ed energia.

La resa dei conti energetica è, in ultima analisi, una resa dei conti su quanto costa l’intelligenza. La risposta, a quanto pare, è molto. Ed è arrivato il momento di pagare.