AI e energia: il vero consumo dei datacenter

Nel dibattito pubblico sull’intelligenza artificiale, poche narrazioni hanno attecchito quanto quella dell’AI come mostro energetico. Se ne leggono di tutti i colori: una ricerca su ChatGPT consumerebbe dieci volte più di una ricerca Google, i datacenter starebbero per divorare tutta l’energia del pianeta, il settore tech sarebbe sul punto di mandare in crisi la rete elettrica globale. Queste affermazioni circolano come fatti assodati, ma lo sono davvero?

Per rispondere dobbiamo partire da un principio fondamentale: le affermazioni straordinarie richiedono prove straordinarie. E nel caso del consumo energetico dell’AI, molte delle affermazioni più allarmistiche si basano su dati parziali, confronti distorti, o semplici estrapolazioni prese e rilanciate senza verifica.

In questo articolo cercheremo di fare quello che manca nel dibattito pubblico: mettere i numeri in prospettiva, distinguere i fatti dalle speculazioni, e capire cosa sappiamo davvero sul consumo energetico dell’AI e dei datacenter.

La prima domanda: quanto consumano i datacenter?

La prima cosa da fare è dimensionare il fenomeno. Quando si parla del consumo energetico dell’AI, si parla in realtà del consumo dei datacenter, le strutture fisiche dove girano i server che eseguono i modelli di intelligenza artificiale. Ma i datacenter non esistono solo per l’AI: ospitano anche i servizi cloud, lo streaming video, l’e-commerce, i social media, la posta elettronica, e praticamente tutto ciò che chiamiamo “internet”.

Secondo l’International Energy Agency (IEA), nel 2024 i datacenter globali hanno consumato circa 460 TWh (terawattora), pari all’1,5% del consumo elettrico mondiale. Sembra tanto? Mettiamolo in prospettiva:

Il solo settore dell’aria condizionata e del riscaldamento residenziale consuma circa 6.000 TWh all’anno globalmente. I trasporti elettrici (incluse le auto elettriche) consumano già circa 120 TWh e crescono rapidamente. L’industria dell’acciaio consuma circa 1.200 TWh. L’illuminazione pubblica e residenziale consuma circa 2.800 TWh.

I datacenter, che fanno funzionare praticamente tutta l’economia digitale globale, consumano meno energia dell’illuminazione domestica. Non è un consumo trascurabile, ma non è nemmeno il mostro che viene raccontato.

Ma l’AI sta facendo esplodere i consumi?

Qui arriviamo al cuore della questione. L’AI consuma più energia delle applicazioni tradizionali? Sì, ma la misura di quanto di più è spesso distorta.

Il confronto più citato è quello tra una ricerca Google tradizionale (circa 0,3 Wh) e una query a ChatGPT (stimata tra 3 e 10 Wh). Da qui il titolo “ChatGPT consuma 10 volte più di Google”. Tecnicamente il numero può essere corretto, ma il confronto è fuorviante per almeno tre ragioni.

Primo, una ricerca Google e una conversazione con ChatGPT non sono la stessa cosa. Una ricerca Google trova link; una sessione con ChatGPT analizza, ragiona, produce testo strutturato. È come confrontare il consumo di uno scooter con quello di un camion e concludere che i camion sono uno spreco: fanno lavori diversi.

Secondo, il confronto ignora cosa l’utente avrebbe fatto senza ChatGPT. Se una singola interazione con ChatGPT sostituisce dieci ricerche Google, cinque click su siti diversi, la lettura di tre articoli e la sintesi manuale dei risultati, il bilancio energetico complessivo potrebbe essere a favore dell’AI.

Terzo, i numeri stessi sono contestati. La stima di 10 Wh per query ChatGPT viene da estrapolazioni basate su informazioni parziali. Né OpenAI né le altre aziende pubblicano dati dettagliati sul consumo per singola query, e le stime accademiche variano enormemente a seconda delle assunzioni fatte.

L’efficienza nascosta: la legge di Koomey e oltre

Un aspetto sistematicamente ignorato nel dibattito è che l’efficienza dei datacenter e dell’hardware per AI migliora costantemente.

Jonathan Koomey, ricercatore di Stanford, ha documentato una tendenza storica nota come Legge di Koomey: il numero di computazioni possibili per kilowattora raddoppia circa ogni 2,7 anni. Questo significa che a parità di consumo energetico, ogni pochi anni si può fare il doppio del lavoro computazionale.

Nel settore specifico dell’AI, i miglioramenti sono ancora più rapidi. Le GPU di nuova generazione (come le NVIDIA H100 e le successive B200) offrono prestazioni per watt fino a 4 volte superiori rispetto alla generazione precedente. Le tecniche di ottimizzazione dei modelli (quantizzazione, pruning, distillazione) riducono il consumo per singola inferenza senza sacrificare significativamente la qualità. I chip specializzati per l’inferenza (come i TPU di Google o i chip custom di Amazon) sono progettati specificamente per massimizzare l’efficienza energetica nelle operazioni AI.

In pratica, GPT-4 è molto più efficiente per token generato rispetto a GPT-3, nonostante sia un modello più capace. E i modelli futuri saranno ancora più efficienti.

Questo non significa che il consumo totale diminuirà: probabilmente crescerà, perché l’uso dell’AI si espanderà enormemente. Ma la narrazione di una crescita esponenziale e incontrollata dei consumi ignora i progressi tecnologici che storicamente hanno sempre compensato, almeno in parte, l’aumento della domanda.

Il PUE e l’efficienza dei datacenter

Un altro aspetto spesso trascurato è l’efficienza dei datacenter stessi, misurata dal Power Usage Effectiveness (PUE). Il PUE indica quanta energia totale serve per ogni unità di energia effettivamente utilizzata per il calcolo. Un PUE di 2,0 significa che per ogni watt di calcolo serve un altro watt per raffreddamento, illuminazione e infrastruttura. Un PUE di 1,1 significa che quasi tutta l’energia va al calcolo.

I datacenter moderni dei grandi operatori (Google, Microsoft, Amazon) raggiungono PUE tra 1,1 e 1,2, un miglioramento enorme rispetto ai datacenter tradizionali che operano spesso a PUE di 1,6-2,0. Questo significa che l’infrastruttura moderna è molto più efficiente nel convertire energia in calcolo utile.

Google ha dichiarato di aver raggiunto un PUE medio di 1,10 nei propri datacenter nel 2023, il che significa che solo il 10% dell’energia viene “sprecata” in overhead. Per confronto, un datacenter aziendale tipico spreca tra il 40% e il 60% dell’energia in raffreddamento e infrastruttura.

La transizione verso datacenter più efficienti è anche una transizione verso datacenter che utilizzano sempre più energia rinnovabile. Google dichiara di operare al 100% con energia rinnovabile (su base annuale), Microsoft ha impegni simili, e Amazon Web Services è il più grande acquirente corporativo di energia rinnovabile al mondo.

I numeri che non tornano

Alcune delle statistiche più citate nel dibattito meritano un esame più attento.

“I datacenter consumeranno il 3-4% dell’energia globale entro il 2030”. Questa proiezione dell’IEA è plausibile ma va contestualizzata. Il consumo energetico globale è circa 30.000 TWh. Il 3-4% sarebbe 900-1.200 TWh. Sembra tanto in assoluto, ma ricordiamo che stiamo parlando dell’infrastruttura che fa funzionare l’intera economia digitale, non solo l’AI. Se il 3-4% dell’energia globale permette di far funzionare email, streaming, e-commerce, cloud computing, e intelligenza artificiale per 8 miliardi di persone, è un uso dell’energia straordinariamente efficiente.

“L’addestramento di GPT-4 ha consumato quanto una piccola città per un anno”. Anche questa affermazione, pur essendo nell’ordine di grandezza corretto, è fuorviante. L’addestramento di un grande modello linguistico è un evento che avviene una volta (o poche volte). Non è un consumo continuo. Una volta addestrato, il modello viene utilizzato per miliardi di interazioni. Il costo energetico dell’addestramento, ammortizzato su tutti gli utilizzi, diventa trascurabile per singola query. È come calcolare il costo energetico della costruzione di un’autostrada e attribuirlo a ogni singolo veicolo che la percorre: tecnicamente corretto, praticamente irrilevante.

“Ogni immagine generata dall’AI consuma quanto ricaricare un telefono”. Questa stima, attribuita a varie fonti, è basata su calcoli approssimativi e non tiene conto della rapida evoluzione dell’efficienza. I modelli di generazione di immagini più recenti sono significativamente più efficienti dei primi modelli, e la tendenza continua. Inoltre, il confronto con la ricarica di un telefono (circa 10-15 Wh) è scelto per il suo impatto emotivo più che per la sua rilevanza: nessuno si preoccupa del consumo energetico quando ricarica il telefono.

L’acqua: un problema reale ma contestualizzato

Un aspetto del consumo dei datacenter che merita attenzione separata è l’uso dell’acqua per il raffreddamento. I datacenter moderni utilizzano spesso sistemi di raffreddamento evaporativo che consumano quantità significative di acqua.

Microsoft ha riportato che il suo consumo idrico è aumentato del 34% tra il 2021 e il 2022, raggiungendo circa 6,4 miliardi di litri, in gran parte attribuibile all’espansione dei datacenter per l’AI. Google ha riportato numeri simili.

Questi numeri sono significativi e meritano attenzione, ma anche qui il contesto è importante. 6,4 miliardi di litri sembrano enormi, ma l’industria del golf negli Stati Uniti consuma circa 7,6 miliardi di litri al giorno. L’agricoltura globale consuma circa 2.700 miliardi di metri cubi d’acqua all’anno. Il consumo dei datacenter, pur essendo non trascurabile, rappresenta una frazione minuscola del consumo idrico globale.

Detto questo, il consumo d’acqua dei datacenter è un problema localizzato: un datacenter che consuma molta acqua in una zona arida crea un problema reale indipendentemente dalle statistiche globali. Le aziende tech stanno investendo in sistemi di raffreddamento che non richiedono acqua (raffreddamento ad aria, raffreddamento a liquido in circuito chiuso) e in progetti di ripristino idrico, ma la transizione richiede tempo.

Lo scenario realistico

Sulla base dei dati disponibili, possiamo delineare uno scenario realistico per i prossimi anni.

Il consumo energetico dei datacenter crescerà, probabilmente raggiungendo i 1.000-1.500 TWh entro il 2030. Questo è significativo ma gestibile, soprattutto se accompagnato da investimenti in energia rinnovabile.

L’efficienza dell’hardware e del software per AI continuerà a migliorare rapidamente, in parte compensando l’aumento della domanda. I modelli futuri faranno di più con meno energia per operazione.

La concentrazione dei carichi AI in datacenter moderni e efficienti è preferibile, dal punto di vista energetico, alla distribuzione su infrastrutture meno ottimizzate. Paradossalmente, centralizzare il calcolo AI nei datacenter delle big tech è probabilmente la scelta più efficiente dal punto di vista energetico.

Le sfide reali non sono nel consumo energetico aggregato ma nella localizzazione: dove vengono costruiti i datacenter, quali reti elettriche devono supportarli, come viene gestito l’impatto sulle comunità locali. Questi sono problemi di pianificazione e governance, non di tecnologia.

La vera domanda

In ultima analisi, la domanda non dovrebbe essere “l’AI consuma troppa energia?” ma “il valore prodotto dall’AI giustifica l’energia consumata?”.

Nessuno mette in discussione che Netflix consumi quantità significative di energia per lo streaming video. Nessuno propone di spegnere i datacenter che fanno funzionare l’e-commerce globale. L’energia viene giudicata in relazione al valore che produce.

Se l’AI può accelerare la ricerca medica, ottimizzare i consumi energetici industriali, migliorare la produttività di milioni di lavoratori, e rendere accessibili servizi che prima richiedevano costosi professionisti, il suo consumo energetico potrebbe essere uno degli investimenti energetici più produttivi della storia.

Questo non significa ignorare il problema. Significa affrontarlo con dati e contesto, non con allarmismo e confronti fuorvianti. La risposta giusta non è “fermiamo l’AI per risparmiare energia” ma “facciamo in modo che l’AI funzioni con energia pulita e nel modo più efficiente possibile”.

Le aziende tech hanno sia l’incentivo economico (l’energia è un costo significativo) sia i mezzi per investire in efficienza e rinnovabili. Il ruolo della politica e della società civile è assicurarsi che lo facciano davvero, non alimentare narrazioni catastrofiste basate su numeri decontestualizzati.

Il consumo energetico dell’AI è un tema serio che merita un dibattito informato. Quello che non merita è la disinformazione mascherata da ambientalismo che circola in gran parte del dibattito pubblico attuale.