60 data center AI pianificati potrebbero emettere quanto 24 milioni di auto

Google News ha rilanciato questa settimana un’affermazione provocatoria: i data center AI pianificati potrebbero emettere tanta anidride carbonica quanto 24 milioni di auto a benzina. CarBuzz ha trasformato quel paragone in un consiglio irresistibile per gli appassionati. Guidate l’auto sportiva, suggeriva il titolo, perché l’infrastruttura AI rappresenta una minaccia atmosferica maggiore.

La stima sottostante merita attenzione, ma non concede a nessuno un’esenzione climatica. Confronta 60 data center statunitensi pianificati con 24 milioni di auto medie in funzione per un anno. Non confronta un’auto sportiva con una query AI, un server o persino una singola struttura.

Questa distinzione mette in luce il vero conflitto. Amazon, Google, Meta e Microsoft vogliono maggiore capacità di calcolo mantenendo al contempo ambiziosi impegni climatici. Le utility devono soddisfare quella domanda in modo continuo, spesso prima che siano disponibili sufficienti capacità di generazione e trasmissione a basse emissioni.

Il risultato non è una semplice gara tra auto e computer. È uno scontro tra la rapida costruzione di infrastrutture AI e la più lenta trasformazione della rete elettrica. Questo divario temporale determina se i nuovi data center accelereranno gli investimenti nell’energia pulita o prolungheranno la dipendenza da gas e carbone.

Cosa misura davvero l’affermazione dei 24 milioni di auto

Il titolo descrive una potenziale impronta annuale di 60 strutture future, non emissioni che stanno già entrando nell’atmosfera oggi.

Un’analisi del Financial Times ha esaminato 60 grandi data center pianificati da Amazon, Google, Meta e Microsoft negli Stati Uniti. Secondo un riepilogo della ricerca, le strutture potrebbero produrre 101,5 milioni di tonnellate metriche di anidride carbonica all’anno una volta pienamente operative.

Questa cifra presuppone che i progetti ricevano elettricità che rifletta una recente fotografia della produzione elettrica americana. Traduce il loro consumo elettrico previsto nelle emissioni associate al settore energetico. Il calcolo dipende quindi sia dalla domanda prevista sia dall’intensità carbonica dell’elettricità che la soddisfa.

L’analisi ha espresso i 101,5 milioni di tonnellate metriche attraverso tre confronti. Equivalgono a circa il 7 percento delle emissioni del settore elettrico degli Stati Uniti nel 2025. Sono inoltre paragonabili alle emissioni annuali di 27 centrali a carbone o di 24 milioni di auto a benzina.

Il confronto con le auto è in linea, in termini generali, con i dati federali di conversione. L’Environmental Protection Agency afferma che un veicolo passeggeri medio emette circa 4,6 tonnellate metriche di anidride carbonica ogni anno. La stima presuppone 11.500 miglia percorse e un’efficienza di carburante di circa 22,2 miglia per gallone.

Moltiplicando questa media per 24 milioni di veicoli si ottengono all’incirca 110 milioni di tonnellate metriche. Il risultato è vicino alla stima dei data center, anche se ogni calcolo include ipotesi e scelte di arrotondamento diverse. Il confronto comunica la scala, ma non dimostra effetti ambientali identici.

Le emissioni dei veicoli avvengono lungo le strade e nelle comunità. Le emissioni del settore elettrico originano nelle centrali di generazione, mentre i data center creano altrove carichi elettrici altamente concentrati. Le auto comportano inoltre emissioni di produzione, domanda di infrastrutture stradali, inquinamento da pneumatici e scarichi locali, elementi esclusi dal semplice confronto annuale.

Anche i data center implicano più della sola elettricità operativa. La costruzione delle strutture, la produzione dei processori, la realizzazione delle apparecchiature di backup e lo sviluppo delle infrastrutture elettriche comportano tutti emissioni incorporate. Il consumo d’acqua e l’inquinamento atmosferico locale aggiungono ulteriori dimensioni ambientali.

La cifra di 101,5 milioni di tonnellate è inoltre condizionata. Tutte e 60 le strutture devono raggiungere la scala operativa modellata, e il mix di generazione ipotizzato deve rimanere pertinente. Ritardi, cancellazioni, miglioramenti dell’efficienza, elettricità più pulita o un utilizzo ridotto cambierebbero il risultato.

Google News ha condensato queste precisazioni in un confronto altamente condivisibile. Questo processo è normale nell’aggregazione di notizie, ma la formulazione abbreviata può far sembrare uno scenario un risultato misurato. “Potrebbero emettere” diventa facile da ricordare come “emetteranno”.

La distinzione conta perché le decisioni di investimento possono ancora cambiare il risultato. Le strutture non sono automobili con serbatoi di carburante fissi. Le loro emissioni dipendono da ciò che costruiscono le utility, dai contratti energetici firmati dagli sviluppatori e da quando vengono eseguiti i carichi di lavoro computazionali.

Questo rende la stima utile come avvertimento, piuttosto che come inventario definitivo. Illustra le conseguenze del servire enormi nuovi carichi con l’attuale mix di generazione. Non dimostra che ogni struttura proposta produrrà la quota di emissioni assegnatale.

Anche l’inquadramento dell’auto sportiva crea un falso confronto personale. Una persona che guida in modo più aggressivo non compensa né influenza in modo significativo un progetto hyperscale. Entrambe le attività aggiungono domanda in sistemi distinti, e nessuna delle due diventa innocua perché un’altra fonte è più grande.

La domanda seria non è se gli automobilisti possano smettere di preoccuparsi. È se le aziende tecnologiche e le utility possano cambiare le ipotesi prima che le strutture raggiungano la piena operatività.

Google News ha reso personale il confronto, ma è la rete a determinare il risultato

L’impronta di carbonio dell’AI dipende meno da una suggestiva analogia con le auto che dai generatori che rispondono quando arriva la domanda dei data center.

I moderni data center contengono server, apparecchiature di rete, sistemi di archiviazione, sistemi di raffreddamento, alimentazione di backup e hardware per la conversione elettrica. L’International Energy Agency stima che i server consumino circa il 60 percento della loro elettricità. Il raffreddamento può richiedere dal 7 a oltre il 30 percento, a seconda della progettazione della struttura.

I carichi di lavoro AI aumentano la concentrazione di questa domanda. I server accelerati utilizzano processori specializzati per l’addestramento e l’inferenza dei modelli, ovvero la produzione di risposte dopo l’addestramento. Migliaia di questi chip possono operare insieme, creando carichi elettrici densi e talvolta in rapido cambiamento.

Le prospettive globali dell’International Energy Agency hanno stimato che i data center abbiano consumato circa 415 terawattora nel 2024. Ciò rappresentava approssimativamente l’1,5 percento dell’uso mondiale di elettricità. Il consumo era cresciuto di circa il 12 percento annuo nei cinque anni precedenti.

L’IEA prevede circa 945 terawattora entro il 2030 nel suo scenario di base. Ciò rimarrebbe al di sotto del 3 percento della domanda elettrica globale, ma la concentrazione geografica crea problemi locali più acuti. Una quota globale modesta può comunque sovraccaricare particolari sottostazioni, corridoi di trasmissione o mercati elettrici regionali.

Gli Stati Uniti offrono l’esempio più chiaro. L’agenzia prevede che il consumo elettrico dei data center americani aumenterà di circa 240 terawattora tra il 2024 e il 2030. Questo rappresenta una crescita di circa il 130 percento rispetto al livello del 2024.

La costruzione di un data center può richiedere due o tre anni. I principali progetti di trasmissione e le nuove centrali elettriche richiedono spesso molto più tempo. Gli sviluppatori possono quindi completare le strutture di calcolo prima che le utility portino a termine l’infrastruttura più pulita destinata a servirle.

Le utility si rivolgono quindi a forme di generazione in grado di ottenere autorizzazioni, finanziamenti, apparecchiature e connessioni alla rete entro i tempi richiesti. Le centrali a gas naturale spesso si adattano a questa esigenza operativa meglio della trasmissione in ritardo o delle tecnologie nucleari emergenti. Anche le centrali a carbone esistenti possono rimanere aperte più a lungo di quanto pianificato in precedenza.

L’analisi del Financial Times ha rilevato che tre quarti delle utility che servono i progetti esaminati stavano pianificando o costruendo nuova generazione a gas. Secondo quanto riportato, il diciassette percento ha detto alle autorità di regolazione che una specifica struttura hyperscale aveva determinato la necessità di nuova capacità a gas.

Tra le utility che gestivano già centrali a carbone, un terzo stava ritardando le chiusure, secondo l’analisi. Queste decisioni mostrano perché gli acquisti contrattuali di energia rinnovabile non raccontano l’intera storia. Un’azienda può acquistare crediti di energia pulita mentre il suo carico incrementale continua a incidere sulla generazione fossile.

La generazione marginale è la risorsa che risponde quando aumenta la domanda di elettricità. La sua identità cambia in base al luogo, all’ora, alla stagione e alle condizioni della rete. Un data center collegato vicino a un’abbondante disponibilità di energia pulita può avere un’impronta diversa da quella di un edificio identico su una rete fortemente dipendente dal gas.

Il funzionamento costante complica il quadro. La produzione solare cala dopo il tramonto, mentre molti servizi AI restano disponibili ventiquattr’ore su ventiquattro. La produzione eolica varia, e le batterie coprono attualmente durate limitate in molti mercati.

I data center possono ridurre il disallineamento spostando i lavori di calcolo flessibili verso le ore più pulite. L’addestramento dei modelli e parte dell’elaborazione batch possono tollerare modifiche di programmazione. I servizi interattivi richiedono risposte più rapide, limitando quanto gli operatori possano spostare la domanda.

La flessibilità geografica offre un altro strumento. Gli sviluppatori possono collocare le strutture dove esistono già elettricità a basse emissioni, capacità di trasmissione, climi più freschi e acqua sufficiente. Tuttavia, anche i requisiti di latenza, gli incentivi fiscali, la disponibilità di terreni, la vicinanza ai clienti e le autorizzazioni influenzano la localizzazione.

Il risultato atmosferico emerge quindi da migliaia di scelte infrastrutturali. Il confronto virale con le auto comprime queste scelte in un solo numero. Il suo valore sta nel mostrare la loro scala combinata, non nel sostituire l’analisi sottostante.

I lettori di Google News dovrebbero considerare la cifra dei 24 milioni di auto come uno scenario con parametri modificabili. Il carbonio della rete, il completamento delle strutture, l’efficienza dell’hardware, l’utilizzo e la flessibilità dei carichi di lavoro rimangono tutti variabili. Modificarne uno cambia il totale.

Le promesse climatiche di Big Tech affrontano ora il loro test più difficile

Il conflitto principale è tra la rapida espansione dell’AI da parte di Big Tech e la sua promessa di ridurre le emissioni, non tra gli utenti dell’AI e i proprietari di auto sportive.

Amazon, Google, Meta e Microsoft trascorrono da anni a presentare l’energia pulita come compatibile con una continua crescita digitale. L’infrastruttura AI sta mettendo alla prova questa posizione perché la domanda di calcolo cresce più rapidamente di quanto molti progetti elettrici a basse emissioni riescano a raggiungere la rete.

Google illustra entrambi i lati dell’argomento. Il suo 2025 Environmental Report ha dichiarato che le emissioni energetiche dei data center sono diminuite del 12 percento nel 2024, nonostante l’aumento della domanda energetica. L’azienda ha inoltre firmato accordi che coinvolgono oltre 8 gigawatt di generazione pulita.

Google ha riferito che la sua unità di elaborazione tensoriale Ironwood offriva quasi 30 volte l’efficienza energetica della sua prima Cloud TPU del 2018. Questo confronto misura il calcolo di picco a bassa precisione erogato per watt a livello di chip. Non rappresenta una riduzione di 30 volte nell’intero complesso dei data center.

L’efficienza riduce l’elettricità richiesta per una quantità fissa di calcolo. Tuttavia, un calcolo più economico e più capace può stimolare domanda aggiuntiva. Le aziende possono addestrare modelli più grandi, servire più utenti, elaborare contesti più lunghi e aggiungere video generati o attività basate su agenti.

Questo effetto rimbalzo non rende priva di significato l’efficienza. Senza hardware e software migliori, la stessa espansione richiederebbe ancora più elettricità. Significa però che le metriche di efficienza non possono sostituire la rendicontazione delle emissioni e del consumo energetico assoluti.

L’analisi collegata al FT ha riportato un aumento delle emissioni aziendali con l’espansione dell’infrastruttura. Secondo quanto riferito, le emissioni totali di Amazon sono aumentate del 16 percento tra il 2024 e il 2025. Microsoft ha segnalato un aumento del 25 percento, dovuto principalmente all’espansione dell’infrastruttura dei data center.

Alphabet ha riconosciuto che il suo impatto climatico stava crescendo insieme all’AI. Ha inoltre affermato che la sua impronta di carbonio sarebbe stata cinque volte maggiore senza altre misure di decarbonizzazione. Entrambe le affermazioni possono essere vere perché le emissioni evitate e le emissioni totali descrivono basi di confronto diverse.

Questa tensione contabile è al centro della vicenda. Le aziende sottolineano i contratti per l’energia pulita, i processori efficienti e le emissioni evitate grazie alla tecnologia. I critici si concentrano sulle emissioni assolute, sulla nuova capacità fossile, sui materiali da costruzione e sui rinvii nella chiusura delle centrali elettriche.

Nessuna delle due prospettive può essere valutata con una sola metrica. La contabilizzazione dell’elettricità basata sul mercato attribuisce crediti agli acquisti contrattuali di energia, anche quando una struttura consuma energia in ore diverse o in un’altra regione della rete. La contabilizzazione basata sulla localizzazione riflette il mix medio di generazione nel luogo in cui avviene il consumo.

L’abbinamento orario stabilisce uno standard più rigoroso. Chiede se l’elettricità priva di carbonio sia disponibile nella stessa regione durante l’ora in cui una struttura consuma energia. Raggiungere tale corrispondenza richiede una combinazione di generazione, accumulo, trasmissione, domanda flessibile e risorse a basse emissioni affidabili.

Google ha puntato sull’energia geotermica avanzata e su accordi relativi ai piccoli reattori nucleari modulari. Altre aziende tecnologiche hanno firmato contratti per il nucleare, il solare, l’eolico e la rimozione del carbonio. Questi progetti possono contribuire ad ampliare l’offerta, ma molti richiedono anni di sviluppo.

Le infrastrutture del gas operano su una tempistica diversa. Una volta costruita, una centrale può funzionare per decenni e recuperare i costi attraverso i pagamenti dei clienti. Una risposta di breve periodo alla domanda di AI può quindi creare un impegno sulle emissioni di lungo periodo.

Le aziende dispongono inoltre di una leva che i normali clienti dell’elettricità non hanno. Gli hyperscaler possono finanziare la generazione, negoziare le tariffe, scegliere le localizzazioni e impegnarsi con contratti di lunga durata. Possono sostenere progetti di trasmissione o accettare limiti operativi durante i periodi di stress della rete.

Le autorità di regolazione devono decidere chi sostiene costi e rischi. Le utility potrebbero costruire infrastrutture attorno a una domanda prevista che in seguito cambia a causa di chip migliori, di una minore adozione dell’AI o della cancellazione di campus. I clienti residenziali potrebbero affrontare tariffe più alte se l’allocazione dei costi fallisce.

Al contrario, le aziende tecnologiche possono diventare clienti di riferimento per nuova generazione pulita. Acquirenti grandi e affidabili possono rendere i progetti finanziabili. I data center possono anche offrire domanda flessibile se gli operatori accettano interruzioni o programmano il lavoro non urgente in base alle condizioni della rete.

Il conflitto tra promessa e realtà resta irrisolto perché entrambi i percorsi si stanno sviluppando contemporaneamente. Big Tech sta acquistando energia più pulita mentre le utility aggiungono capacità fossile. L’equilibrio finale dipende da quali progetti entreranno in funzione, dove verranno collegati e da come verrà gestita la domanda.

I lettori che seguono le aziende AI dovrebbero quindi guardare oltre i benchmark dei modelli. L’approvvigionamento energetico, le pratiche delle utility, gli accordi di interconnessione e le emissioni assolute rivelano ora vincoli strategici. I piani di calcolo senza piani energetici credibili sono piani aziendali incompleti.

Perché il confronto sulle emissioni dell’AI resta incerto

La stima di 101,5 milioni di tonnellate è un avvertimento credibile, ma la sua precisione supera ciò che chiunque sa sui progetti finali e sulle loro forniture di elettricità.

Il calcolo copre 60 strutture selezionate anziché tutti i data center americani. Alcune sono pianificate, mentre altre sono in fase di sviluppo. La loro capacità finale, le date di completamento, i tassi di utilizzo e le fonti di elettricità possono cambiare prima della piena operatività.

Gli annunci dei progetti descrivono spesso la capacità massima del campus. Gli operatori possono costruire i campus in fasi, installare meno server o mantenere le apparecchiature al di sotto del massimo utilizzo. Anche la domanda di elettricità può crescere gradualmente man mano che i clienti adottano nuovi servizi.

L’hardware cambia rapidamente all’interno di questa finestra di costruzione. Acceleratori più efficienti possono ridurre l’energia per calcolo. Migliori sistemi di raffreddamento, conversione di potenza, rete e software possono ridurre i costi operativi della struttura. Modelli più piccoli possono svolgere alcuni compiti senza instradare ogni richiesta al sistema più grande.

Tuttavia, nuovi formati AI possono spingere la domanda nella direzione opposta. Generare video richiede generalmente più calcolo che produrre un breve testo. I sistemi di ragionamento possono eseguire molti passaggi di calcolo interni prima di restituire una risposta. Gli agenti autonomi possono effettuare chiamate ripetute agli strumenti senza prompt umani costanti.

Questa incertezza rende inadeguata una singola stima per query. Un breve completamento testuale, un filmato generato e una lunga attività di ricerca non sono unità equivalenti. I data center svolgono inoltre archiviazione cloud, ricerca, pubblicità, calcolo aziendale e altre attività non AI.

L’attribuzione crea un altro problema. Un edificio ottimizzato per l’AI potrebbe comunque supportare servizi convenzionali. Una normale struttura cloud potrebbe dedicare una quota crescente dei suoi server all’AI. Le comunicazioni pubbliche raramente forniscono dati su elettricità ed emissioni a livello di carico di lavoro con confini coerenti.

Ricercatori indipendenti hanno prodotto intervalli più ampi modellando direttamente i server AI. Una valutazione sottoposta a revisione paritaria ha previsto che i server AI americani potrebbero emettere da 24 a 44 milioni di tonnellate metriche di biossido di carbonio equivalente all’anno entro il 2030.

Quegli autori hanno tradotto le loro stime in circa 5-10 milioni di veicoli, non 24 milioni. Una critica della metodologia ha osservato che alcune coperture avevano confuso 24 milioni di tonnellate metriche con 24 milioni di automobili.

Quella critica affronta una stima diversa rispetto alla successiva analisi da 101,5 milioni di tonnellate. Le due cifre non sono automaticamente contraddittorie perché esaminano insiemi di progetti, ipotesi e confini di sistema differenti. Tuttavia, la loro coesistenza mostra quanto facilmente numeri contigui possano fondersi online.

Google News può distribuire entrambe le affermazioni senza spiegare tali confini in un titolo. I lettori possono imbattersi in 24 milioni di tonnellate, 24 milioni di automobili e 101,5 milioni di tonnellate durante la stessa ricerca. La ripetizione può farle apparire intercambiabili quando non lo sono.

La stima media dei veicoli dell’EPA crea un altro problema di confini. La sua cifra di 4,6 tonnellate rappresenta principalmente il biossido di carbonio allo scarico. Esclude gran parte della catena di approvvigionamento del carburante, della produzione dei veicoli, della costruzione delle strade e di altri danni ambientali.

La cifra relativa ai data center rappresenta il biossido di carbonio legato all’elettricità secondo un mix di generazione ipotizzato. Potrebbe non includere tutte le attività di costruzione, la produzione di chip, la generazione di backup, i refrigeranti o gli effetti legati all’acqua. Definire una fonte “peggiore” richiede confini del ciclo di vita comparabili.

Anche le auto sportive variano molto. Un modello leggero guidato occasionalmente differisce da un veicolo pesante e ad alte prestazioni usato ogni giorno. Il confronto con 24 milioni di automobili utilizza un veicolo passeggeri medio, non una flotta di auto sportive orientate alla pista.

Questi limiti non eliminano il rischio di fondo. Una stima può restare utile per le decisioni senza essere una previsione. Utility e regolatori devono pianificare prima che arrivino informazioni perfette, perché aspettare che ogni server sia operativo lascia meno opzioni.

L’interpretazione responsabile è condizionale. Se i 60 progetti raggiungeranno la scala ipotizzata e utilizzeranno elettricità simile al mix di rete modellato, le loro emissioni annuali sarebbero enormi. Un’offerta più pulita, una maggiore efficienza o una diffusione inferiore ridurrebbero tale risultato.

Vale anche il contrario. Le nuove strutture potrebbero produrre emissioni maggiori se la domanda supererà le proiezioni o se i progetti di energia pulita subiranno ritardi. I generatori di backup e le centrali a gas dietro il contatore possono aumentare ulteriormente gli impatti locali.

I lettori dovrebbero resistere a due errori opposti. Il primo considera inevitabile la stima più alta. Il secondo usa l’incertezza per liquidare qualsiasi necessità di pianificazione. Entrambe le posizioni ignorano che le decisioni su politiche e investimenti determinano quale scenario diventerà reale.

Le prove disponibili non giustificano l’idea di guidare un’auto sportiva più aggressivamente senza preoccuparsi. Giustificano invece la richiesta di dati trasparenti alle aziende che costruiscono infrastrutture a una velocità senza precedenti. Ciò include elettricità a livello di struttura, intensità oraria di carbonio, uso dell’acqua, emissioni da costruzione e impegni di gestione della domanda.

Cosa dovrebbero osservare ora i lettori di Google News

Tre segnali determineranno se la stima virale delle emissioni diventerà un avvertimento che ha cambiato le politiche o una previsione che si è in gran parte avverata.

Il primo segnale è il mix di generazione approvato per le utility che servono i principali campus AI. Nuove centrali a gas, ritardi nella chiusura delle centrali a carbone e generazione dedicata in loco rafforzerebbero l’ipotesi delle alte emissioni. Connessioni accelerate alle rinnovabili, accumulo, geotermia o diffusione del nucleare la indebolirebbero.

Le pratiche delle utility meritano particolare attenzione perché collegano gli annunci aziendali alle infrastrutture fisiche. Mostrano il carico previsto, le sottostazioni richieste, le aggiunte di generazione, le strutture tariffarie e il recupero dei costi richiesto. Questi dettagli contano più di un annuncio isolato sull’acquisto di energia pulita.

I regolatori dovrebbero inoltre rendere noto se una struttura paga l’intero costo per soddisfare la propria domanda. Contratti speciali possono proteggere i clienti comuni dalle infrastrutture non utilizzate. Possono anche richiedere agli operatori di ridurre i consumi durante le carenze o il mancato raggiungimento delle tappe di costruzione.

Il secondo segnale è la rendicontazione delle emissioni assolute di Amazon, Alphabet, Meta e Microsoft. I miglioramenti dell’efficienza dovrebbero alla fine rallentare o invertire la crescita delle emissioni totali. Se le emissioni assolute continuano ad aumentare nonostante chip migliori, la domanda in espansione sta superando il progresso tecnico.

I lettori dovrebbero confrontare diverse prospettive contabili. Le emissioni a livello aziendale rivelano la traiettoria generale. Le emissioni elettriche basate sulla localizzazione riflettono le reti regionali, mentre le cifre basate sul mercato incorporano gli acquisti contrattuali. L’abbinamento orario di energia priva di carbonio mostra se l’offerta pulita coincide con il consumo effettivo.

Le emissioni da costruzione meritano un trattamento separato. Calcestruzzo, acciaio, processori, sistemi elettrici e apparecchiature di backup generano carbonio prima che una struttura inizi a servire gli utenti. Una rapida espansione può aumentare tali emissioni anche quando l’elettricità operativa diventa più pulita.

Il terzo segnale è se gli operatori AI rendono flessibili i carichi di lavoro. Le esecuzioni di addestramento, la preparazione dei dati, le valutazioni e parte dell’inferenza batch possono spostarsi tra ore o località. La flessibilità consentirebbe ai data center di assorbire l’elettricità pulita in eccesso e ridurre la domanda durante lo stress della rete.

Le prove dovrebbero arrivare attraverso dati operativi anziché promesse generiche. Le aziende possono comunicare quanta domanda spostano, quali carichi di lavoro partecipano e quanto spesso le strutture rispondono alle condizioni della rete. Le utility possono verificare se tali azioni riducono la generazione fossile o il fabbisogno di infrastrutture.

Se il calcolo flessibile resta raro, le utility pianificheranno attorno a una domanda di picco continua. Ciò favorisce una generazione disponibile in qualsiasi ora e può rafforzare il caso economico per nuove centrali a gas. Se la flessibilità si diffonde su scala, i data center possono diventare più facili da integrare.

Questi tre segnali chiariscono anche ciò che i singoli utenti possono ragionevolmente influenzare. Evitare attività computazionalmente intensive non necessarie riduce una parte della domanda, ma la moderazione dei consumatori non può sostituire la politica infrastrutturale. Le decisioni più importanti riguardano la localizzazione dei campus, l’approvvigionamento energetico, gli investimenti nella rete e la trasparenza.

I lavoratori della conoscenza possono comunque porre domande migliori sui servizi che acquistano. I team di procurement aziendale possono richiedere dati su energia ed emissioni insieme alle informazioni su sicurezza, affidabilità e prestazioni. Gli sviluppatori possono scegliere modelli di dimensioni adeguate anziché optare automaticamente per la capacità massima.

I team che documentano tali decisioni hanno bisogno di prove che resistano ai titoli in continuo cambiamento. Una base di conoscenza AI ricercabile può collegare rapporti di sostenibilità, pratiche delle utility, requisiti dei modelli e registri interni di procurement. Ciò rende più facili da verificare le affermazioni successive.

La lezione più ampia di Google News non è che l'AI sia già diventata peggiore della guida. È che un enorme programma infrastrutturale si sta scontrando con una rete elettrica che non può cambiare alla velocità del software.

Le auto restano una fonte rilevante di anidride carbonica e inquinamento locale. I data center per l'AI rappresentano un'altra fonte di domanda in crescita. Trattare l'una o l'altra come un permesso per ignorare l'altra trasforma un utile confronto di scala in una scusa.

La cifra di 24 milioni di auto dovrebbe invece sollevare una domanda più esigente. Le aziende tecnologiche finanzieranno abbastanza elettricità pulita e affidabile prima che i campus pianificati entrino in funzione, oppure le utility consolideranno prima ulteriore generazione da combustibili fossili?

Osservate le autorizzazioni delle utility, le emissioni assolute e la flessibilità dei carichi di lavoro verificata. Questi segnali riveleranno se il settore sta cambiando le ipotesi del modello o si sta semplicemente limitando a discutere del suo titolo.