L'intelligenza artificiale può aiutare un'azienda a consumare meno energia, ridurre sprechi e rendere il reporting ESG meno manuale. Ma chi costruisce prodotti AI sa anche l'altra metà della storia: ogni modello gira su infrastrutture energivore, ogni chiamata API ha un costo computazionale, e la domanda di calcolo non sta rallentando.
Per questo la sostenibilità intelligenza artificiale non va trattata né come slogan né come colpa da espiare. Va gestita come un problema operativo. In Italia il dibattito si è ormai strutturato attorno a due idee precise: sustainability of AI e AI for sustainability. La prima riguarda l'impronta dell'AI stessa. La seconda riguarda l'uso dell'AI per migliorare processi, consumi e governance ambientale. Nello stesso contesto, la componente di reporting ESG supportata dall'AI risulta “quasi triplicata nell'ultimo anno” secondo questa analisi sulla sostenibilità dell'intelligenza artificiale e governance ESG.
Da fondatore di un'azienda AI, trovo sterile sia l'allarmismo automatico sia il tecno-ottimismo pigro. Il punto non è decidere se l'AI sia “buona” o “cattiva” per l'ambiente. Il punto è capire dove consuma, quando crea valore reale e quali scelte concrete riducono l'impatto senza distruggere l'utilità.
La conversazione sulla sostenibilità intelligenza artificiale si è fatta più adulta. Finalmente. Non perché il problema sia stato risolto, ma perché è diventato impossibile ridurlo a una frase fatta.
Da un lato, l'AI aiuta aziende e impianti a usare meglio l'energia, a limitare gli sprechi e a rendere più ordinato il reporting ESG. Dall'altro, gli stessi sistemi richiedono potenza di calcolo, data center, raffreddamento, reti e componenti hardware che hanno un costo ambientale reale. Se si guarda solo a uno dei due lati, si prende una decisione sbagliata.
Le due categorie che uso più spesso sono quelle ormai diffuse anche nel contesto italiano:
La differenza non è teorica. Ti costringe a fare due domande diverse. La prima è: quanto pesa il mio stack AI? La seconda è: quel peso genera un beneficio ambientale o operativo abbastanza concreto da giustificarlo?
La domanda giusta non è “usare o non usare AI”. La domanda giusta è “per questo task serve davvero questa quantità di calcolo?”.
L'errore che vedo più spesso non è tecnologico. È decisionale. Molte aziende adottano l'AI come se tutta la potenza disponibile dovesse essere usata sempre. In pratica, scelgono il modello più grande, il workflow più complesso e l'automazione più estesa anche quando il problema era molto più semplice.
In realtà, una strategia sostenibile parte da un principio meno spettacolare: proporzionalità. Se un task può essere eseguito bene con meno calcolo, meno trasferimento dati e meno complessità, quella non è una rinuncia. È una scelta migliore.
La parte più utile della discussione comincia quando si smette di parlare in astratto. L'impatto ambientale dell'AI non è un'opinione. È un tema infrastrutturale con numeri già abbastanza chiari da imporre prudenza.
Una fonte italiana che riprende dati internazionali segnala che uno studio del 2019 dell'Università del Massachusetts ha stimato che l'addestramento di un singolo modello di AI possa generare oltre 284 tonnellate di CO₂, equivalenti alle emissioni di cinque automobili nell'intero ciclo di vita. La stessa fonte riporta che lo sviluppo di ChatGPT-3 avrebbe richiesto circa 1.287 MWh di elettricità, pari al consumo annuo di circa 120-130 abitazioni americane medie, e richiama anche una proiezione di Goldman Sachs Research secondo cui la domanda elettrica dei data center potrebbe aumentare del 160%, con un incremento di circa 200 TWh l'anno tra 2023 e 2030, mentre entro il 2028 il consumo legato all'AI potrebbe arrivare al 19% del fabbisogno energetico totale dei data center. Tutti questi dati sono riportati in questa analisi italiana sul costo ambientale dell'AI.
Il punto non è usare questi numeri per fare terrorismo comunicativo. Il punto è capire la scala. Se costruisci o adotti AI, stai partecipando a una crescita della domanda energetica che riguarda infrastrutture intere, non solo il tuo budget cloud.
Regola pratica: quando valuti un progetto AI, guarda oltre il costo per token o per API call. Il problema vero spesso è a monte, nell'infrastruttura che rende quella chiamata possibile.
Molti pensano che il costo ambientale dell'AI coincida quasi solo con il training. È una semplificazione comoda, ma sbagliata. Il consumo si distribuisce lungo più livelli:
| Componente | Perché conta |
|---|---|
| Training | Richiede grandi volumi di calcolo concentrato |
| Inferenza | Ogni richiesta utente genera lavoro ripetuto nel tempo |
| Data center | Alimentazione, ridondanza e gestione continua dell'infrastruttura |
| Raffreddamento | Il calore prodotto dai sistemi va dissipato in modo efficiente |
| Reti e trasferimento dati | Spostare dati tra sistemi, regioni e servizi ha un costo energetico |
Questo cambia il modo in cui va affrontata la sostenibilità intelligenza artificiale. Non basta chiedersi “quanto consuma il modello”. Devi chiederti anche dove gira, quanto traffico genera, quante volte viene interrogato e se l'architettura è stata progettata per limitare sprechi.
Per questo ha senso osservare anche i casi in cui l'AI viene usata per migliorare la propria infrastruttura. Un esempio utile è quello dell’ottimizzazione energetica dei data center con AI, che mostra bene una cosa semplice: il problema non è solo il modello, ma tutto l'ambiente tecnico che lo sostiene.
Se ci si ferma ai costi, si perde metà del quadro. L'AI può anche essere una leva seria per migliorare la sostenibilità aziendale. Non in senso retorico, ma in processi molto concreti.
Nel contesto italiano, applicata a sistemi di gestione energetica, l'AI può ridurre i consumi operativi in impianti industriali e PMI prevedendo i picchi di domanda e regolando in tempo reale carichi come HVAC e illuminazione. Questo ha un impatto diretto sulle emissioni di Scope 2 e aiuta a ottimizzare l'uso di fonti rinnovabili intermittenti, come descritto in questo approfondimento sui sistemi di gestione energetica con AI.
Questo è il tipo di applicazione che considero difendibile anche da un punto di vista ambientale. Non perché sia gratuita, ma perché usa il calcolo per eliminare sprechi fisici continui. In un impianto con domanda variabile, regolare in tempo reale ventilazione, climatizzazione o illuminazione può valere più di mille slide sulla transizione green.
Tre aree in cui l'AI tende a essere davvero utile sono queste:
Per una PMI, il beneficio spesso non nasce da un modello spettacolare. Nasce da un sistema che evita lavoro duplicato. Export manuali, fogli Excel multipli, allegati inviati più volte, riconciliazioni fatte da persone diverse sullo stesso dato. Tutto questo consuma tempo, macchine, banda e attenzione.
Un processo rifatto cinque volte da persone diverse è inefficiente anche dal punto di vista ambientale, non solo da quello organizzativo.
Quando l'AI centralizza i dati, automatizza passaggi ripetitivi e rende le analisi riutilizzabili, il valore ambientale non sta nella singola inferenza. Sta nell'eliminazione della ridondanza.
Per chi lavora sul reporting, un esempio vicino a questo problema è ELECTE per reporting ESG, utile per capire come l'automazione possa ridurre passaggi manuali e dispersione informativa senza trasformare ogni attività in un progetto IT complesso.
L'aspetto incoraggiante è che l'industria non è ferma. L'AI sta creando il problema, ma sta anche spingendo innovazioni che cercano di ridurne il costo energetico. Conviene però essere onesti: non esiste una soluzione singola.
Una direzione promettente è quella che punta sugli interconnessi e sull'efficienza dell'infrastruttura. Quando i sistemi di calcolo aspettano dati, la potenza installata viene usata male. Questo è uno dei motivi per cui l'hardware di nuova generazione non va letto solo in chiave di performance, ma anche di efficienza.
Nel dibattito tecnologico circolano proposte che lavorano su collegamenti fotonici, migliore trasmissione dei dati e minore dissipazione. Il punto pratico, per chi acquista servizi cloud e non chip, è un altro: scegliere stack che fanno più lavoro utile con meno attese, meno traffico e meno overhead.
Questa logica si applica anche fuori dall'AI in senso stretto. Chi vuole ragionare più in generale su modelli produttivi meno dissipativi può trovare spunti utili in queste pratiche di economia sostenibile, soprattutto per collegare efficienza digitale e riduzione degli sprechi materiali nei processi.
Sul lato software, le leve più interessanti sono spesso meno glamour e più immediate:
Questa, nella mia esperienza, è stata la scelta con più impatto. Il cambiamento più efficace non è stato introdurre una tecnologia futuristica, ma smettere di usare il modello più potente per tutto. Classificazione, formattazione, estrazione di pattern noti e molte operazioni di supporto non richiedono sempre un modello frontier. Richiedono disciplina architetturale.
Se il risultato per l'utente resta equivalente, usare meno calcolo non è un compromesso. È progettazione migliore.
Per questo parlo spesso di “modello giusto per il task giusto”. In pratica significa creare un layer di routing che assegna ogni operazione al livello di potenza necessario. È una scelta di costo, ma anche di sostenibilità.
Chi vuole approfondire il legame tra soluzioni tecniche e impatto ambientale può leggere anche ELECTE sull'AI e l'ambiente, che raccoglie diversi casi e direzioni di sviluppo senza presentarle come cure miracolose.
L'obiezione più importante è anche la più scomoda: rendere l'AI più efficiente non garantisce automaticamente una riduzione del consumo complessivo. Anzi, a volte succede il contrario.
Quando il calcolo diventa più economico, più accessibile e più veloce, le aziende tendono a usarlo di più. Più automazioni, più richieste, più integrazioni, più processi generati “perché tanto costa poco”. È il cuore del paradosso dell'efficienza.
Per questo la sostenibilità intelligenza artificiale non può essere solo un tema di chip migliori o modelli più compatti. Deve diventare un criterio di priorità. Alcune domande andrebbero poste prima di ogni implementazione:
Una delle lacune più evidenti nel dibattito italiano è proprio questa: la mancanza di metriche standardizzate e di un approccio olistico per misurare l'impronta dell'AI lungo il ciclo di vita, tema sottolineato in questa prospettiva sistemica sulla sostenibilità dell'intelligenza artificiale.
Il problema, quindi, non è frenare l'innovazione. È smettere di considerare il calcolo come una risorsa gratuita e inesauribile. Ogni organizzazione dovrebbe trattarlo come tratta il budget o il tempo delle persone: qualcosa da allocare dove produce davvero valore.
Per una PMI, parlare di sostenibilità senza un piano operativo serve a poco. Conviene partire da quattro decisioni che possono essere prese subito, anche senza una misurazione perfetta dell'impronta ambientale.
Una fonte italiana osserva che molte discussioni sulla sostenibilità dell'AI ignorano il trade-off costo-beneficio, mentre i data center consumano già circa il 3% dell'energia globale. La domanda sottovalutata è: quando conviene usare un modello più piccolo o un processo tradizionale per evitare un aumento insostenibile di consumi e costi? Il punto è ben sintetizzato in questo articolo sul trade-off ambientale dell'AI.
Scegli il modello proporzionato al problema
Questa è la leva con il miglior rapporto tra semplicità e impatto. Non usare il modello più potente come default. Usalo solo dove fa una differenza reale. Per molte attività quotidiane bastano modelli più leggeri o sistemi non generativi.
Valuta il provider cloud anche per il profilo energetico
Non guardare solo prezzo, latenza e compliance. Guarda anche trasparenza su data center, mix energetico regionale e approccio all'efficienza operativa. La geografia conta. Un workload non ha la stessa impronta in ogni regione.
Taglia la ridondanza nei flussi di lavoro
Se lo stesso dato viene esportato, ricopiato, riformattato e re-inviato più volte, stai sprecando risorse prima ancora di parlare di AI. Una piattaforma come ELECTE, un'AI-powered data analytics platform for SMEs, può essere usata per centralizzare dati, automatizzare report e ridurre analisi duplicate. Il vantaggio, in questo contesto, non è “fare più AI”. È fare meno lavoro inutile.
Misura anche in modo imperfetto
Non tutte le aziende hanno strumenti per misurare kWh o CO₂ per singola inferenza. Va bene. Comincia da metriche operative che sono già a portata di mano.
In assenza di uno standard di settore davvero consolidato, io partirei da una tabella semplice:
| Metrica operativa | Cosa ti dice |
|---|---|
| Chiamate API per task completato | Se stai facendo troppo lavoro per ottenere un output |
| Dimensione media del modello per operazione | Se stai sovradimensionando i task |
| Volume di dati trasferiti per sessione | Se il tuo workflow genera traffico evitabile |
| Analisi prodotte ma non usate | Se stai automatizzando output che nessuno legge |
Misurare male ma in modo coerente è meglio che non misurare affatto.
Se dopo tre mesi vedi che il numero di chiamate per task scende, che i modelli grandi vengono attivati meno spesso e che il trasferimento dati è più contenuto, non hai ancora una carbon accounting perfetta. Hai però qualcosa di molto utile: una disciplina di efficienza che riduce spreco computazionale, costo e probabilmente anche impatto ambientale.
La sostenibilità dell'intelligenza artificiale non si risolve con uno slogan. Nemmeno con un rifiuto ideologico dell'AI. Si costruisce con decisioni tecniche e manageriali migliori.
Chi usa l'AI oggi deve tenere insieme due verità. La prima: il costo ambientale esiste, cresce e non va minimizzato. La seconda: l'AI può produrre benefici concreti quando riduce sprechi, migliora l'uso dell'energia e sostituisce processi ripetitivi e disordinati con sistemi più intelligenti. La qualità della scelta sta nel rapporto tra questi due lati.
Per le aziende europee c'è anche un secondo livello di responsabilità. Non basta essere compliant. Serve capire come tecnologia, infrastruttura, governance e proprietà intellettuale si intrecciano. Su quest'ultimo punto, per chi vuole approfondire il quadro legale che accompagna l'adozione dell'AI, segnalo questa guida sui brevetti di intelligenza artificiale, utile per leggere la sostenibilità tecnologica anche come scelta strategica di lungo periodo.
La direzione giusta non è usare meno AI in assoluto. È usare l'AI giusta, nel posto giusto, con il livello di potenza giusto.
Se vuoi adottare l'AI in modo più efficiente e più consapevole, puoi vedere come funziona ELECTE. La piattaforma aiuta le PMI a centralizzare i dati, automatizzare report e ridurre lavoro analitico ridondante, con un approccio pragmatico alla scelta del modello e all'efficienza operativa.
.svg)
.svg)
.svg)
