Il costo ambientale dell’AI mette sotto pressione le promesse climatiche del Big Tech

Google News ha portato alla luce un calcolo inquietante: entro il 2030 i data center potrebbero consumare ogni anno 945 terawattora di elettricità, in larga parte a causa dell’intelligenza artificiale.

La previsione proviene da un rapporto della United Nations University che esamina l’impronta di carbonio, acqua, suolo e rifiuti elettronici dell’AI. Le sue conclusioni mettono in discussione l’argomento preferito dal settore, secondo cui chip più efficienti ed energia più pulita possano contenere i costi ambientali dell’AI.

Il conflitto non è più tra l’innovazione e chi non ama la tecnologia. È tra le promesse climatiche del Big Tech e l’infrastruttura fisica necessaria per offrire l’AI su scala globale.

Google, Microsoft, Amazon, Meta e altri operatori hanno investito in elettricità più pulita, calcolo efficiente e ripristino delle risorse idriche. Sono iniziative importanti. Tuttavia, la domanda di servizi AI sta crescendo più rapidamente di quanto molti miglioramenti ambientali riescano a compensare.

Il rapporto evidenzia anche un problema di misurazione. Le aziende spesso comunicano i dati complessivi su elettricità, emissioni e acqua dell’intera organizzazione senza separare l’AI dagli altri carichi di lavoro. I ricercatori devono quindi stimare la quota dell’AI usando informazioni pubbliche imperfette.

Questo limite non rende immaginaria la pressione ambientale. Rende più importante il divario di responsabilità.

Il rapporto ONU amplia il conto ambientale dell’AI

La conclusione centrale è che l’AI è un sistema fisico i cui costi ambientali vanno ben oltre l’elettricità impiegata per addestrare i modelli.

Il rapporto del giugno 2026 proviene dall’United Nations University Institute for Water, Environment and Health. Ha esaminato la domanda di elettricità e le conseguenti impronte di carbonio, acqua e suolo nei principali mercati dei data center.

Il suo rapporto sul costo ambientale prevede che il consumo globale di elettricità dei data center raggiungerà circa 945 terawattora nel 2030. Si tratta di oltre il doppio del livello stimato per il 2024.

L’International Energy Agency è giunta alla stessa previsione principale sull’elettricità attraverso la propria modellazione. Questa convergenza rafforza la conclusione generale, anche se resta incertezza sulla quota precisa attribuibile all’AI.

L’elettricità rappresenta soltanto il primo livello dell’impatto. La generazione di energia consuma acqua, occupa suolo, utilizza materiali e produce emissioni di gas serra. I data center usano inoltre acqua direttamente per il raffreddamento.

I ricercatori ONU stimano che l’impronta idrica associata potrebbe equivalere al fabbisogno domestico annuale di base di 1,3 miliardi di persone. Prevedono un’impronta territoriale superiore a 14.500 chilometri quadrati.

Questi confronti descrivono un’impronta globale modellata, non acqua fisicamente sottratta a 1,3 miliardi di persone. La distinzione è importante perché gli effetti sull’acqua dipendono fortemente dal luogo, dalla stagione, dalla tecnologia e dalla fonte elettrica.

Un litro consumato in una regione ricca d’acqua non crea lo stesso rischio di un litro consumato durante una grave siccità. I totali globali possono nascondere questa differenza locale.

Il rapporto stima inoltre che l’infrastruttura AI potrebbe generare fino a 2,5 milioni di tonnellate metriche di rifiuti elettronici all’anno entro il 2030. Server, acceleratori, apparecchiature di rete e sistemi di alimentazione richiedono tutti sostituzioni man mano che l’hardware migliora.

L’addestramento non rappresenta necessariamente il maggiore onere continuativo. Il rapporto sostiene che l’uso di routine, noto come inferenza, possa costituire la maggior parte della domanda energetica nell’arco della vita operativa di un modello.

L’inferenza è il calcolo eseguito ogni volta che un modello distribuito risponde a un prompt, genera un’immagine o elabora un documento. Una risposta ha un’impronta limitata, ma miliardi di richieste ripetute si accumulano.

Questo cambiamento modifica la questione politica. Misurare una singola sessione di addestramento molto visibile non può descrivere il costo nell’intero ciclo di vita di un servizio AI ampiamente utilizzato.

Cambia anche chi esercita influenza. Gli sviluppatori scelgono le dimensioni dei modelli, le aziende progettano i prodotti, i fornitori cloud gestiscono l’infrastruttura e gli utenti determinano con quale frequenza vengono eseguite funzionalità computazionalmente costose.

Il rapporto tratta quindi le prestazioni ambientali come una responsabilità dell’intero sistema. I miglioramenti di efficienza in un livello possono svanire quando la domanda si espande altrove.

Questo è il primo importante ribaltamento. Il conto ambientale dell’AI non è una spesa temporanea di addestramento che termina al lancio di un modello. Continua a crescere con l’adozione.

Perché il titolo di Google News va oltre il carbonio

La notizia di Google News è importante perché una contabilità basata solo sul carbonio può premiare scelte che aumentano l’uso di acqua, la domanda di suolo o l’esposizione delle comunità.

La comunicazione sul clima spesso riduce le prestazioni ambientali a un’unica cifra sulle emissioni. Questo approccio rende più facili i confronti, ma può nascondere i compromessi creati dalle diverse fonti energetiche.

L’analisi ONU offre un esempio significativo. Secondo i suoi scenari modellati, sostituire il carbone con la bioenergia può ridurre nettamente le emissioni di carbonio associate.

Tuttavia, il rapporto afferma che la stessa sostituzione può aumentare l’impronta idrica di circa 30 volte. Può far crescere l’impronta territoriale di circa 100 volte.

La bioenergia richiede suolo e acqua per produrre il materiale vegetale usato come combustibile. Il suo profilo di carbonio può apparire preferibile, mentre le sue richieste più ampie di risorse si muovono nella direzione opposta.

La lezione non è che il carbone sia migliore. Il carbone comporta gravi costi climatici, sanitari e di inquinamento. La lezione è che un’unica metrica ambientale non può rappresentare ogni conseguenza.

L’energia solare ha un’impronta di carbonio operativa inferiore rispetto alla generazione da combustibili fossili, ma i grandi impianti richiedono suolo e materiali. L’energia idroelettrica ha una bassa intensità di carbonio diretta in molti contesti, ma i bacini possono trasformare gli ecosistemi.

Le centrali nucleari forniscono elettricità a basse emissioni di carbonio con limitati requisiti di suolo. Richiedono inoltre acqua di raffreddamento, tempi di costruzione lunghi e un’attenta gestione dei rifiuti.

Anche i certificati di elettricità rinnovabile richiedono attenzione. Abbinare il consumo annuo di elettricità ad acquisti di energia rinnovabile non significa che ogni data center funzioni con energia priva di carbonio in ogni ora.

Le emissioni basate sulla localizzazione riflettono l’energia disponibile sulla rete locale. La contabilità basata sul mercato può riflettere contratti o certificati acquistati da progetti situati altrove.

Entrambe le misurazioni rispondono a domande utili. Nessuna delle due, da sola, rivela se un ulteriore carico di lavoro AI crei congestione sulla rete locale, stress idrico o generazione da combustibili fossili durante i picchi di domanda.

Ecco perché l’approccio dell’intero sistema adottato dal rapporto merita attenzione. Ogni kilowattora ha una fonte, e ogni fonte comporta una combinazione diversa di oneri.

Anche il calcolo dell’acqua è altrettanto complesso. I data center possono prelevare acqua, consumarla attraverso l’evaporazione o dipendere indirettamente dall’acqua usata dalle centrali elettriche.

Il prelievo misura l’acqua rimossa da una fonte, anche se una parte vi ritorna successivamente. Il consumo descrive generalmente l’acqua che, dopo l’uso, non è più disponibile per il bacino idrografico immediato.

Questi dati non dovrebbero essere trattati come intercambiabili. Le comunicazioni pubbliche spesso presentano uno dei due, lasciando poco chiaro l’altro.

Le catene di fornitura aggiungono un ulteriore livello. I chip avanzati dipendono da acqua altamente purificata, produzione ad alta intensità energetica, sostanze chimiche specializzate e minerali critici.

L’acceleratore finito appare pulito all’interno di un rack server. Il suo impatto incorporato è iniziato molto prima dell’installazione e può estendersi attraverso diversi Paesi.

I benefici dell’AI attraversano anche i confini, mentre gli oneri infrastrutturali restano concentrati. Un utente può ricevere una risposta immediata a migliaia di chilometri dal data center che la produce.

La comunità ospitante subisce la domanda d’acqua, le linee elettriche, i generatori di riserva, la costruzione e la conversione del suolo. Può ricevere posti di lavoro e gettito fiscale, ma questi benefici non sono automaticamente distribuiti in modo equo.

Questa separazione geografica indebolisce il normale riscontro dei consumatori. Gli utenti raramente sanno dove viene eseguito un prompt o quali condizioni sulle risorse esistano in quel luogo.

L’elenco originale di Google News presentava le conclusioni come una storia ambientale allarmante. La conclusione più rilevante è che gli attuali dashboard non riescono ad assegnare pienamente le responsabilità.

Un totale globale delle emissioni di carbonio non può dire ai residenti se una struttura proposta metterà sotto pressione la loro falda acquifera. Un progetto di reintegro idrico non può sostituire automaticamente l’acqua persa da un altro bacino idrografico.

La contabilità ambientale deve quindi diventare più locale, tempestiva e specifica per carico di lavoro. Senza questo cambiamento, totali apparentemente precisi possono comunque produrre decisioni sbagliate.

La promessa climatica del Big Tech incontra la realtà delle infrastrutture

Il conflitto principale è tra gli impegni climatici aziendali e una costruzione di infrastrutture AI che continua ad aumentare la domanda assoluta di risorse.

Le più recenti comunicazioni di Google illustrano la tensione. L’azienda ha riportato un aumento annuale del 37% della domanda di elettricità nel 2025, mentre la sua infrastruttura si espandeva.

Google ha inoltre affermato che le emissioni operative sono diminuite del 2% su base annua. Durante l’anno ha firmato accordi per oltre 12 gigawatt di nuova energia pulita.

Il suo rapporto ambientale 2026 afferma che le iniziative di efficienza ed energia hanno evitato oltre 58 milioni di tonnellate metriche di anidride carbonica equivalente. Google ha inoltre dichiarato di aver reintegrato 7,7 miliardi di galloni d’acqua.

Questi dati mostrano che sono in corso seri interventi di mitigazione. Non dimostrano che l’espansione sia diventata ambientalmente neutra.

L’azienda ha riconosciuto che l’infrastruttura AI sta crescendo più rapidamente della decarbonizzazione della rete elettrica. Questa ammissione coglie il problema centrale del settore più chiaramente di un elenco di singoli progetti.

Le misure di efficienza riducono le risorse necessarie per una determinata unità di calcolo. Non garantiscono che la domanda totale diminuisca.

Se l’energia necessaria per una query si dimezza mentre il volume delle query triplica, il consumo complessivo di elettricità continua ad aumentare. Gli economisti lo chiamano spesso effetto rimbalzo.

I prodotti AI sono progettati per aumentare l’utilizzo. I fornitori stanno inserendo modelli nella ricerca, nei software per ufficio, nei telefoni, nei sistemi pubblicitari, negli ambienti di programmazione, nel servizio clienti e negli strumenti media.

Le funzionalità multimodali possono essere particolarmente intensive dal punto di vista computazionale. Generare immagini, audio o video richiede generalmente più elaborazione rispetto a restituire una breve risposta testuale.

I prodotti basati su agenti aggiungono un ulteriore moltiplicatore. Una richiesta dell’utente può attivare chiamate ripetute al modello, ricerche, azioni degli strumenti e passaggi di convalida prima di produrre un risultato.

Il fornitore può migliorare ogni chiamata mentre il prodotto ne esegue di più. Questa tensione rende compatibili i progressi per query con l’aumento della domanda complessiva aziendale.

Google ha pubblicato una ricerca che stima l’energia, il carbonio e l’acqua associati a un prompt testuale Gemini mediano. Questo lavoro migliora la misurazione considerando chip, sistemi host, capacità inattiva e costi generali delle strutture.

Tuttavia, il prompt mediano di un singolo fornitore non può rappresentare l’intero mercato. I risultati cambiano in base alle dimensioni del modello, alla lunghezza dell’output, all’utilizzo dell’hardware, alla composizione della rete elettrica e alle condizioni di raffreddamento.

Microsoft, Amazon e Meta gestiscono inoltre flotte differenti in regioni diverse. I loro confini contabili e le categorie di rendicontazione non sono identici.

Confrontare i dati principali può quindi creare una falsa precisione. Un’azienda che comunica più categorie può apparire peggiore di una che pubblica totali più ristretti.

Ecco perché la trasparenza è diventata parte della concorrenza. La rendicontazione ambientale non serve più soltanto come documento reputazionale.

Utility, regolatori, residenti, investitori e clienti aziendali hanno bisogno di questi dati per valutare le promesse infrastrutturali. Hanno inoltre bisogno di definizioni coerenti.

I benefici dichiarati dall’industria non dovrebbero essere liquidati. L’AI può migliorare le operazioni di rete, prevedere la produzione da fonti rinnovabili, ottimizzare gli edifici, ridurre il consumo di carburante nei trasporti e rafforzare la modellazione climatica.

Google afferma che nove prodotti hanno aiutato utenti e partner a evitare una stima di 41 milioni di tonnellate metriche di emissioni nel 2025. Tali applicazioni possono creare un valore considerevole.

Tuttavia, le emissioni evitate sono stime controfattuali. Confrontano un risultato osservato o modellato con ciò che i ricercatori ritengono sarebbe accaduto senza il prodotto.

Il consumo diretto di elettricità e le emissioni evitate stimate non sono categorie contabili equivalenti. Combinarli in un unico dato netto richiede ipotesi trasparenti.

L’industria deve dimostrare che i benefici dichiarati sono aggiuntivi, misurabili e duraturi. Deve inoltre mostrare chi riceve tali benefici e chi ne sostiene i costi.

Un utile quadro di valutazione ambientale distinguerebbe tra domanda assoluta, efficienza, pressione sulle risorse locali, impatti incorporati e benefici downstream verificati. Gli attuali rapporti aziendali offrono solo in parte questo quadro.

La pressione aumenterà man mano che nuove infrastrutture entreranno nella fase autorizzativa. Le aziende non potranno più fare affidamento sugli acquisti globali di energia pulita per rispondere a ogni preoccupazione locale.

L’energia pulita non elimina il compromesso sulle risorse

La decisione ambientale più difficile non è se usare energia più pulita, ma come ridurre il carbonio senza trasferire il danno su acqua, suolo e materiali.

Le prospettive sulla domanda energetica prevedono che il consumo di elettricità dei data center raggiunga circa 945 terawattora entro il 2030. L’AI è il principale motore di questa crescita.

L’IEA prevede che le rinnovabili soddisferanno circa metà della domanda aggiuntiva entro il 2030. Anche gas naturale, carbone ed energia nucleare alimenteranno carichi crescenti dei data center.

Questo mix di fonti elettriche conta. Un nuovo impianto non funziona grazie alla dichiarazione di sostenibilità dello sviluppatore. Funziona con la rete fisica collegata alle sue apparecchiature.

Gli accordi di acquisto di energia possono finanziare la produzione pulita, ed è un aspetto prezioso. Tuttavia, vincoli di trasmissione e ritardi nelle connessioni possono separare tale generazione dalle ore e dai luoghi in cui si manifesta la nuova domanda.

I data center richiedono un’elevata affidabilità. Hanno bisogno di elettricità durante notti senza vento, ondate di calore, periodi nuvolosi, guasti alle apparecchiature ed emergenze di rete.

La generazione fossile può colmare le lacune a breve termine quando la capacità più pulita non può arrivare abbastanza rapidamente. L’IEA avverte che lunghe code per la connessione possono spingere una quota maggiore della domanda verso i combustibili fossili negli scenari di forte crescita.

La concentrazione locale rende il problema più acuto. I data center rappresentano una quota modesta del consumo mondiale di elettricità, ma singoli poli possono dominare la crescita del carico regionale.

Una percentuale globale può quindi sembrare gestibile mentre una singola utility deve affrontare un importante fabbisogno di espansione. Nuove sottostazioni, linee di trasmissione e capacità di generazione richiedono anni di pianificazione.

I residenti possono sopportare rischi maggiori prima che i benefici regionali diventino chiari. Tali rischi includono rumore, conversione del suolo, inquinamento dei generatori diesel e competizione per risorse idriche limitate.

La progettazione del raffreddamento offre scelte concrete. I sistemi evaporativi possono ridurre il consumo di elettricità ma utilizzano acqua. Il raffreddamento ad aria può ridurre il consumo diretto di acqua, usando però più elettricità in condizioni di caldo.

I sistemi a circuito chiuso riutilizzano l’acqua di raffreddamento, ma richiedono comunque energia e possono necessitare di rabbocchi periodici. Il raffreddamento a immersione e quello a liquido possono gestire in modo più efficiente l’hardware AI ad alta densità, ma la loro diffusione richiede nuove apparecchiature.

Non esiste una soluzione migliore valida ovunque. La scelta responsabile dipende dal clima, dalla composizione della rete, dallo stress idrico, dalla densità delle strutture e dal carico di lavoro previsto.

Ecco perché la divulgazione a livello di impianto è essenziale. Un totale aziendale sul consumo idrico non può mostrare se il consumo è aumentato in un bacino già sotto pressione.

La rendicontazione annuale può inoltre non cogliere l’esposizione stagionale. L’uso di acqua durante un mese piovoso è diverso dallo stesso volume consumato durante una siccità o un’ondata di calore.

Anche la contabilizzazione del suolo merita analoga attenzione. L’impronta comprende l’impianto, la produzione di energia di supporto, la trasmissione, l’estrazione mineraria, la produzione e la gestione dei rifiuti.

Le aziende possono ridurre una componente ampliandone un’altra. Un data center più denso usa meno suolo direttamente, ma può creare maggiori esigenze di raffreddamento e di rete nello stesso sito.

Il ricambio dell’hardware aggiunge un ulteriore compromesso. I nuovi acceleratori possono svolgere più lavoro per unità di elettricità rispetto ai sistemi più vecchi.

Sostituire rapidamente l’hardware può migliorare l’efficienza operativa. Può anche aumentare gli impatti della produzione e i rifiuti elettronici.

Mantenere più a lungo le apparecchiature obsolete riduce la domanda di sostituzione, ma chip inefficienti potrebbero consumare più elettricità per lo stesso carico di lavoro. L’analisi del ciclo di vita deve confrontare entrambi gli effetti.

Anche i team software influenzano questa equazione. Modelli più piccoli possono gestire molte attività di classificazione, sintesi e recupero delle informazioni senza ricorrere al sistema più grande disponibile.

Memorizzare nella cache i risultati ripetuti, limitare gli output non necessari e instradare le richieste semplici verso modelli efficienti può ridurre il calcolo. Queste tecniche raramente ricevono l’attenzione riservata ai nuovi data center.

Sono importanti perché la domanda di inferenza si ripete ogni giorno. Una piccola riduzione moltiplicata per miliardi di interazioni può superare i risparmi ottenuti da una singola esecuzione di addestramento ottimizzata.

Gli acquirenti aziendali hanno influenza in questo ambito. I team di procurement possono chiedere ai fornitori metodi energetici specifici per carico di lavoro, opzioni di hosting regionale, controlli sull’instradamento dei modelli e politiche di conservazione.

Gli sviluppatori possono anche chiedersi se ogni interfaccia necessiti della generazione automatica. Una funzionalità che produce contenuti inutilizzati consuma comunque risorse.

L’obiettivo non è scoraggiare usi preziosi dell’AI. È distinguere il calcolo di valore da quello inefficiente prima che le decisioni sulle infrastrutture diventino permanenti.

Cosa i numeri non possono ancora dimostrare

Il rapporto individua una direzione di sviluppo credibile, ma le sue proiezioni più ampie dovrebbero essere considerate scenari piuttosto che misurazioni precise dell’AI da sola.

Il primo limite è l’attribuzione. I data center ospitano archiviazione cloud, streaming, software aziendale, servizi di criptovalute, calcolo convenzionale e carichi di lavoro AI.

Gli operatori raramente pubblicano una ripartizione completa per carico di lavoro. I ricercatori devono stimare la quota dell’AI utilizzando previsioni di mercato, ipotesi sull’hardware o prestazioni a livello aziendale.

Questo crea un’ampia fascia di incertezza. Una previsione può essere utile per indicare la direzione senza predire l’impronta esatta di uno specifico modello o prodotto.

La cifra di 945 terawattora copre la domanda globale dei data center, non la sola AI. L’IEA identifica l’AI come il maggiore motore di crescita, insieme ad altri servizi digitali.

Le descrizioni che attribuiscono l’intero totale all’AI sovrastimano ciò che mostrano le evidenze sottostanti. Un’informazione accurata deve preservare questo confine.

Il secondo limite riguarda il confronto sull’acqua. Dire che un’impronta equivale ai bisogni domestici di 1,3 miliardi di persone comunica la scala.

Non significa che i data center consumeranno direttamente acqua altrimenti fornita a quelle persone. Gran parte della stima riflette l’acqua associata alla produzione di elettricità in regioni diverse.

Il confronto utilizza inoltre un parametro definito di bisogni essenziali. Il consumo effettivo delle famiglie varia ampiamente in base a Paese, clima, infrastrutture e reddito.

Il terzo limite riguarda la tecnologia futura. Modelli, chip, sistemi di raffreddamento e ottimizzazione software cambieranno prima del 2030.

L’efficienza può migliorare più rapidamente del previsto. Anche la domanda può crescere più velocemente con l’espansione della generazione video, degli agenti, della robotica e degli assistenti integrati.

Queste forze si muovono in direzioni opposte. Prevederne l’effetto netto richiede ipotesi sull’adozione e sulla quantità di calcolo utilizzata da ciascuna attività.

Il quarto limite è la rendicontazione aziendale incoerente. Le organizzazioni usano confini diversi per emissioni operative, emissioni della catena di fornitura, prelievi, consumi e reintegri.

Alcune cifre ricevono una garanzia da parte di terzi, mentre altre si basano su stime interne. I lettori non dovrebbero trattare ogni metrica di sostenibilità come direttamente comparabile.

Il reintegro merita particolare cautela. Ripristinare zone umide o finanziare progetti idrici può migliorare la salute dei bacini idrografici e l’accesso delle comunità.

Tuttavia, il reintegro non cancella ogni impatto locale. Un progetto in un bacino non può compensare automaticamente l’acqua consumata in un altro.

La compensazione del carbonio presenta un problema simile. Gli acquisti annuali di energia rinnovabile possono eguagliare il consumo annuale mentre le operazioni orarie dipendono ancora da elettricità ad alta intensità fossile.

La quinta incertezza riguarda i benefici ambientali dell’AI. La tecnologia può migliorare l’efficienza energetica e accelerare la ricerca scientifica.

L’IEA ha documentato opportunità per l’AI di ottimizzare i sistemi elettrici e individuare risparmi operativi. Questi benefici sono plausibili e già visibili in alcune applicazioni.

La loro dimensione aggregata rimane difficile da verificare. Un’azienda non può semplicemente sottrarre ogni beneficio per i clienti modellato dalla propria impronta infrastrutturale.

Alcuni miglioramenti potrebbero essersi verificati attraverso software ordinario, cambiamenti operativi o automazione esistente. Altri possono innescare effetti di rimbalzo rendendo un’attività meno costosa.

La conclusione più solida riguarda quindi la governance, non un singolo numero terrificante. I decisori non dispongono di dati standardizzati e granulari per valutare le infrastrutture AI.

La proposta di trasparenza delle Nazioni Unite chiede alle aziende di divulgare l’inquinamento da carbonio, l’uso dell’acqua e gli impatti sul suolo. Sollecita inoltre impegni per un’energia più pulita.

Standard comuni obbligatori migliorerebbero il confronto, ma la sola divulgazione non può risolvere la politica pubblica. I regolatori hanno ancora bisogno di soglie per lo stress idrico locale, la prontezza della rete, l’inquinamento e il beneficio per la comunità.

I dati pubblici dovrebbero includere la posizione dell’impianto, il consumo idrico annuale e stagionale, il tipo di raffreddamento, la domanda energetica, le emissioni della rete locale e la generazione di riserva.

La rendicontazione a livello di carico di lavoro dovrebbe spiegare i metodi di stima. Non dovrebbe esporre dettagli operativi sensibili per la sicurezza, ma la segretezza non può rimanere l’impostazione predefinita.

Il titolo di Google News coglie un allarme comprensibile. Le evidenze giustificano la preoccupazione, soprattutto per la velocità e la concentrazione della crescita infrastrutturale.

Non giustificano la pretesa che ogni prompt abbia un’unica impronta globale fissa. L’impatto ambientale dipende da cosa viene eseguito, dove viene eseguito e da cosa lo alimenta.

Questa complessità non è un motivo per ritardare. È un motivo per esigere misurazioni migliori prima che le aziende fissino un’altra generazione di strutture.

Tre segnali mostreranno se l’AI può crescere responsabilmente

Il prossimo test sarà capire se divulgazione, fornitura di energia pulita ed efficienza di calcolo potranno migliorare più rapidamente della domanda assoluta di AI.

Il primo segnale è una rendicontazione standardizzata a livello di impianto. Osservate se regolatori o grandi operatori pubblicheranno dati comparabili su elettricità, acqua, suolo ed emissioni.

Le divulgazioni più utili distingueranno i prelievi dal consumo. Identificheranno le condizioni dei bacini idrografici e distingueranno la corrispondenza annuale con le rinnovabili dall’elettricità senza carbonio su base oraria.

Se emergeranno standard comuni di rendicontazione, l’argomento del rapporto ONU sulla responsabilità diventerà più forte e più facile da applicare. Se le divulgazioni rimarranno volontarie e incoerenti, le affermazioni più importanti resteranno difficili da verificare.

Il secondo segnale è la fornitura di nuova elettricità pulita nei luoghi in cui crescono i poli AI. I contratti annunciati contano solo quando i progetti si collegano alle reti pertinenti.

I progetti rinnovabili, nucleari, geotermici, di accumulo e di trasmissione hanno ciascuno tempistiche diverse. I ritardi possono lasciare che gas naturale o carbone soddisfino una quota maggiore della domanda nel breve periodo.

Osservate le code di interconnessione, i piani delle risorse delle utility e gli accordi di connessione dei data center. Questi documenti rivelano più informazioni sulla fornitura fisica di elettricità degli slogan aziendali.

Il progresso significherebbe che la generazione pulita e la capacità della rete arrivano insieme ai nuovi server. Il persistere dei colli di bottiglia della rete indebolirebbe le affermazioni secondo cui l’espansione delle infrastrutture è compatibile con gli obiettivi climatici.

Il terzo segnale riguarda l’efficienza specifica dei carichi di lavoro. I produttori di chip e i fornitori di modelli annunciano regolarmente migliori prestazioni per watt, ma il consumo totale resta la misura decisiva.

Le aziende dovrebbero dichiarare se l’efficienza riduce l’energia assoluta per attività completata, tenendo conto di agenti, output più lunghi e generazione multimodale.

Gli sviluppatori possono contribuire indirizzando le attività di routine verso modelli più piccoli e limitando i calcoli superflui. Gli acquirenti possono richiedere metodologie ambientali credibili nelle valutazioni di approvvigionamento.

Anche i lavoratori della conoscenza necessitano di informazioni sufficienti per compiere scelte proporzionate. Questo non richiede di contare ogni prompt prima di usare uno strumento utile.

Significa riconoscere che la generazione ripetuta ha un costo fisico. I team possono conservare risultati di valore in una base di conoscenza personale invece di ricreare ripetutamente la stessa analisi.

Lo standard più ampio dovrebbe restare pragmatico. Applicazioni mediche, scientifiche, per l’accessibilità e per il clima ad alto valore possono giustificare un impiego significativo di calcolo.

I contenuti automatizzati di scarso valore e gli output inutilizzati meritano maggiore scetticismo. Un’economia dell’AI responsabile dovrebbe ottimizzare i risultati, non il maggior volume possibile di generazione.

Google News ha richiamato l’attenzione su una previsione allarmante, ma l’attenzione è solo l’inizio. La vera domanda è se le aziende renderanno disponibili dati sufficienti per verificare le loro affermazioni ambientali.

I lettori dovrebbero osservare ciò che viene misurato, quali progetti energetici si collegano effettivamente alla rete e se la domanda totale di risorse tende a diminuire. Questi segnali mostreranno se l’efficienza dell’AI rappresenta un progresso autentico o un’autorizzazione a consumare di più.