La stima dei rifiuti elettronici AI del Basel Action Network include ciò che gli studi sui server non considerano
Il Basel Action Network ha esteso la contabilizzazione dei rifiuti legati all'AI oltre i server, producendo una stima fino a 60 volte superiore a una proiezione accademica ampiamente citata. Il modello sui rifiuti elettronici AI del Basel Action Network include apparecchiature di raffreddamento, distribuzione dell'alimentazione, sistemi di backup, networking, server e acceleratori.
Questo cambiamento di perimetro è rilevante perché i server rappresentano solo una parte dell'infrastruttura fisica realizzata per l'intelligenza artificiale. Tuttavia, le proiezioni più elevate del rapporto dipendono anche da ipotesi controverse sulla durata di vita delle apparecchiature e sulla crescita a lungo termine dei data center.
Il vero conflitto, quindi, non è tra preoccupazione ambientale e investimenti nell'AI. È tra una contabilizzazione completa del ciclo di vita e una misurazione ristretta, incentrata sul calcolo. I CIO devono decidere quali asset includere nel calcolo, per quanto tempo restano utili e cosa significhi davvero il ritiro dal servizio.
La contabilizzazione dei rifiuti elettronici AI del Basel Action Network amplia il perimetro
La mossa più significativa del rapporto consiste nel ridefinire cosa rientra nell'infrastruttura AI.
Il Basel Action Network, o BAN, ha pubblicato a settembre 2026 la prima parte del suo rapporto AI Waste Wave. BAN è un'organizzazione ambientalista focalizzata sul commercio di rifiuti pericolosi e sull'applicazione della Convenzione di Basilea.
Le precedenti stime sui rifiuti AI si concentravano generalmente su server, rack e acceleratori come le GPU. BAN modella invece cinque categorie di apparecchiature che supportano la capacità di calcolo di un data center.
Il suo progetto di riferimento attribuisce il 35% della massa elettromeccanica alle apparecchiature di raffreddamento. La distribuzione dell'alimentazione rappresenta il 34%, mentre l'alimentazione di backup contribuisce per un ulteriore 15%. Server e acceleratori incidono per il 13%, mentre le apparecchiature di networking costituiscono il restante 3%.
Secondo questa ripartizione, l'87% dell'infrastruttura fisica rilevante si trova al di fuori della categoria dei server. BAN sostiene quindi che le precedenti proiezioni sull'AI abbiano omesso gran parte delle apparecchiature associate a ogni nuovo gigawatt di capacità.
Il rapporto stima che un gigawatt di capacità di data center richieda approssimativamente da 62.000 a 77.000 tonnellate metriche di apparecchiature elettromeccaniche. Utilizza circa 70.000 tonnellate per gigawatt come valore centrale.
Questo totale include trasformatori, quadri elettrici, gruppi di continuità, batterie, generatori, macchinari di raffreddamento, dispositivi di rete, rack per server e processori. Anche l'infrastruttura di storage e backup rientra nel più ampio perimetro contabile.
Non tutti i componenti contengono gli stessi materiali né seguono lo stesso percorso di smaltimento. Tuttavia, gran parte di queste apparecchiature rientra nella definizione di apparecchiature elettriche o elettroniche quando il proprietario le dismette.
La distinzione cambia la domanda ambientale. Contare solo le GPU misura il componente più rapidamente mutevole e più visibile. Contare l'impianto chiede in che modo la domanda di AI rimodelli un intero sistema hardware.
Una nuova generazione di acceleratori può richiedere rack più densi, una distribuzione elettrica con tensioni diverse, raffreddamento a liquido e reti più veloci. Le apparecchiature di supporto esistenti possono restare operative ma non essere più adatte al nuovo progetto.
Questa condizione è obsolescenza economica: l'apparecchiatura perde valore commerciale prima di smettere fisicamente di funzionare. Può verificarsi quando la successiva architettura di calcolo richiede sistemi di supporto incompatibili.
BAN applica questa preoccupazione ai grandi piani di espansione dei data center. Il suo modello conclude che il ritiro di apparecchiature legato all'AI potrebbe raggiungere tra 31 e 46 milioni di tonnellate all'anno entro il 2050.
Questi dati costituirebbero una parte dei previsti 196-211 milioni di tonnellate di rifiuti elettronici annuali totali. BAN confronta questa proiezione con circa 67 milioni di tonnellate generate oggi.
L'organizzazione stima inoltre che i ritiri cumulativi di apparecchiature trainati dall'AI potrebbero raggiungere centinaia di milioni di tonnellate tra il 2025 e il 2050. Si tratta di risultati modellati, non di flussi di rifiuti osservati direttamente.
Il perimetro più ampio del rapporto è il suo contributo più forte. I suoi totali più lontani nel tempo richiedono molta più cautela, perché piccoli cambiamenti nelle durate di vita o nei tassi di crescita si accumulano nell'arco di decenni.
Questa distinzione dovrebbe restare visibile in ogni discussione sul rapporto. BAN ha identificato categorie mancanti su una plausibile base fisica. Non ha però eliminato l'incertezza su quando tutte queste apparecchiature diventino rifiuti.
L'87% mancante cambia la contabilizzazione dei costi dei data center
La capacità AI non è solo una raccolta di chip; è un sistema strettamente interconnesso con costi materiali a ogni livello.
La pianificazione AI aziendale spesso separa gli acquisti informatici dalla gestione delle strutture. I server rientrano in un budget, mentre raffreddamento, alimentazione, batterie e aggiornamenti di rete compaiono altrove.
Questa separazione organizzativa può nascondere l'impatto complessivo di un'implementazione. Un team di approvvigionamento potrebbe calcolare l'ammortamento dei server senza collegarlo a un intervento di adeguamento del raffreddamento innescato dalla stessa installazione.
Il modello influenza anche i calcoli del ritorno sull'investimento. Un acceleratore più efficiente può ridurre il costo dei singoli carichi di lavoro, richiedendo al contempo una distribuzione elettrica più densa e una nuova infrastruttura di raffreddamento.
Gli asset di raffreddamento sono particolarmente importanti perché la rimozione del calore cambia con la densità dei rack. Una sala progettata per server aziendali a minore potenza potrebbe non supportare sistemi di acceleratori densamente concentrati senza modifiche estese.
La distribuzione elettrica crea una dipendenza analoga. Le installazioni ad alta densità possono richiedere nuovi quadri elettrici, trasformatori, condotti blindati e gruppi di continuità. Anche generatori di backup e batterie potrebbero dover essere ampliati.
Il networking introduce un'ulteriore pressione al rinnovo. I grandi cluster AI utilizzano connessioni ad alta larghezza di banda per spostare dati tra acceleratori, storage e altri server. Un aggiornamento dei processori può quindi rivelare colli di bottiglia al di fuori del vassoio di calcolo.
Ecco perché il perimetro contabile di BAN merita attenzione anche se le sue previsioni dovessero rivelarsi troppo elevate. L'infrastruttura di supporto non è facoltativa e il suo costo ambientale non scompare quando appartiene a un altro reparto.
Il problema va oltre la rendicontazione ambientale. Ignorare le apparecchiature di supporto può distorcere le previsioni di capitale, l'esposizione assicurativa, i budget di dismissione e gli obblighi dei fornitori.
Un'azienda può pianificare la rivendita dei server ma non disporre di un percorso di recupero per unità di raffreddamento specializzate. Potrebbe sostituire le batterie secondo una pianificazione diversa senza collegare tale ricambio alle decisioni sulla capacità AI.
I dati globali sui rifiuti elettronici forniscono un'importante base di riferimento. Secondo ITU e UNITAR, nel 2022 il mondo ha generato 62 milioni di tonnellate di rifiuti elettronici.
Solo il 22,3% è stato documentato come raccolto e riciclato formalmente attraverso sistemi ambientalmente corretti. La stessa valutazione prevede una generazione globale di rifiuti elettronici pari a 82 milioni di tonnellate nel 2030.
L'infrastruttura AI resterà solo una parte di questo flusso mondiale. Eppure, le sue apparecchiature richiedono molti materiali, sono costose e concentrate in strutture dove le organizzazioni possono tracciarle più efficacemente rispetto all'elettronica di consumo.
Questa concentrazione crea un'opportunità. Gli operatori dei data center sanno dove è installata l'infrastruttura, chi l'ha fornita e quando è entrata in servizio. Possono associare obblighi di recupero prima che l'apparecchiatura venga ritirata.
I CIO possono iniziare collegando ogni espansione di capacità a un elenco completo degli asset fisici. Questo registro dovrebbe includere calcolo, storage, reti, sistemi di alimentazione, apparecchiature di raffreddamento, batterie, refrigeranti e materiali per la soppressione degli incendi.
L'inventario deve inoltre distinguere la proprietà. Provider cloud, operatori di colocation, imprese, proprietari immobiliari e fornitori di apparecchiature possono controllare livelli diversi all'interno della stessa implementazione.
Senza questa distinzione, ciascun partecipante può rendicontare solo gli asset presenti nei propri libri contabili. I frammenti risultanti potrebbero non rivelare mai l'impronta materiale del servizio AI completo.
Le organizzazioni hanno bisogno anche di una definizione condivisa di ritiro dal servizio. Rimuovere un'apparecchiatura da un cluster primario non significa necessariamente disfarsene.
Un server potrebbe passare dall'addestramento all'inferenza, quindi all'elaborazione batch o a un mercato secondario. Le apparecchiature di networking potrebbero supportare un ambiente a minore domanda. I componenti potrebbero anche essere recuperati come ricambi.
Al contrario, un sistema di raffreddamento può diventare inutilizzabile quando una nuova architettura di rack lo rende incompatibile. Può uscire dal servizio anche se le sue parti meccaniche restano funzionali.
I registri del ciclo di vita dovrebbero acquisire questi percorsi. I team di ingegneria possono conservare decisioni di approvvigionamento, modifiche alla configurazione e prove di riuso in una base di conoscenza consultabile.
Registri migliori non risolveranno ogni questione ambientale. Mostreranno se un asset è stato riutilizzato, immagazzinato, rivenduto, riciclato, esportato o scartato.
Queste prove sono essenziali perché il dibattito ora ruota attorno alla durata di vita delle apparecchiature. BAN presuppone un ricambio più rapido rispetto a quello riportato da diversi hyperscaler nella loro contabilità finanziaria.
La durata di vita delle apparecchiature è l'anello più debole della previsione
BAN definisce un perimetro hardware più ampio, ma i suoi totali più elevati dipendono dalla rapidità con cui asset ancora utilizzabili diventano rifiuti.
BAN assegna ad acceleratori, server e rack una vita utile di 2,5 anni in parti importanti del suo modello. Utilizza inoltre una durata di cinque anni per le apparecchiature di raffreddamento e di otto anni per l'infrastruttura di distribuzione dell'alimentazione.
Queste ipotesi producono rapide ondate di sostituzione con la crescita della capacità dei data center. Combinate con un tasso di crescita annuale della capacità dell'8,8%, determinano i totali a lungo termine più elevati del rapporto.
L'analisi di settore di accompagnamento presenta diverse obiezioni. Gli analisti accettano in generale la necessità di una contabilizzazione più ampia, ma mettono in dubbio la conversione dalla massa installata ai rifiuti scartati.
Frank Dickson di Dickson Research ha definito sostanzialmente credibile la stima di 70.000 tonnellate per gigawatt. Ha considerato meno difendibile l'affermazione di una quantità di rifiuti da 40 a 60 volte superiore.
Questa differenza riflette due calcoli distinti. Stimare la massa installata in una struttura non equivale a stimare l'anno in cui ogni componente diventa rifiuto.
I calendari di lancio degli acceleratori forniscono un indicatore imperfetto della vita utile. Nvidia può introdurre un'architettura più veloce senza rendere economicamente inutili tutti i processori precedenti.
Google Cloud ha continuato a elencare istanze V100 per anni dopo che Nvidia aveva introdotto quell'acceleratore nel 2017. Anche AWS ha continuato a offrire sistemi basati sull'A100, lanciato nel 2020, nel corso del 2026.
Questi esempi non stabiliscono una durata di vita valida per l'intero settore. Mostrano che la sostituzione di frontiera e il ritiro definitivo sono eventi diversi.
L'hardware più vecchio può scendere lungo una gerarchia di carichi di lavoro. I cluster di addestramento possono richiedere gli acceleratori più recenti, mentre inferenza, test, ricerca o elaborazione batch possono tollerare sistemi più datati.
La rendicontazione finanziaria rafforza questa possibilità. La contabilità delle apparecchiature di Microsoft per il 2025 collocava le apparecchiature informatiche in una fascia di vita utile stimata da due a sei anni.
Meta ha dichiarato di aver esteso la vita utile stimata della maggior parte dei server e degli asset di rete a 5,5 anni a partire da gennaio 2025. Queste vite contabili non misurano direttamente l'uso fisico, il riuso o lo smaltimento.
Eppure, entrano in conflitto con l’assunto generalizzato di un ritiro dopo 2,5 anni. Gli hyperscaler hanno incentivi finanziari a mantenere produttive infrastrutture costose per periodi più lunghi.
BAN sostiene che le apparecchiature AI subiscano pressioni di sostituzione insolite. L’efficienza degli acceleratori può modificare l’economia operativa, mentre i nuovi sistemi possono richiedere progetti diversi per alimentazione, raffreddamento e rete.
Entrambe le posizioni possono essere vere. Le apparecchiature possono restare utili in linea di principio, pur diventando poco attraenti all’interno di una struttura specifica.
La variabile decisiva è ciò che accade dopo la rimozione. Il reimpiego estende la vita utile. La rivendita trasferisce tale vita a un altro proprietario. Lo stoccaggio rimanda una decisione senza generare un utilizzo produttivo.
Anche il riciclo non equivale al riuso. Può recuperare metalli selezionati, ma normalmente distrugge gran parte del valore incorporato nella produzione.
Uno studio sui rifiuti dei server del 2024 ha stimato che l’AI generativa potrebbe produrre da 1,2 milioni a 5 milioni di tonnellate di rifiuti elettronici cumulativi tra il 2020 e il 2030. L’attenzione dello studio era rivolta soprattutto ai server AI e ai componenti correlati.
La stessa ricerca ha rilevato che le strategie circolari potrebbero ridurre i rifiuti modellati dal 16 all’86 per cento. Tali strategie includevano l’estensione della vita operativa, il riuso dell’hardware e il miglioramento del recupero dei materiali.
Una successiva ricalibrazione del 2026 ha stimato rifiuti annuali dei server AI tra 131.000 e 224.800 tonnellate entro il 2030. Lo studio ha utilizzato la capacità produttiva dei chip e ipotesi più conservative sulla durata di vita.
BAN e lo studio del 2026 non misurano sistemi identici. Uno include gran parte dell’infrastruttura di supporto, mentre l’altro si concentra sui server.
Il loro disaccordo mette comunque in luce un importante problema di dati. I ricercatori non dispongono di informazioni pubbliche complete sulle apparecchiature AI installate, sull’utilizzo effettivo, sui tempi degli aggiornamenti, sulle implementazioni secondarie e sulla destinazione finale.
Il confronto da 40 a 60 volte può quindi risultare fuorviante se presentato senza contesto. Gran parte della differenza deriva dall’inclusione di categorie aggiuntive, non dalla scoperta che gli inventari di server esistenti fossero decine di volte più grandi.
Il resto deriva dalle ipotesi sulla crescita e sul ricambio. Tali ipotesi diventano sempre più influenti quanto più ci si spinge nel futuro.
Le cifre di BAN per il 2050 dovrebbero essere lette come scenari che mostrano cosa produrrebbe un sistema di rapida costruzione e rapido ritiro. Non sono una previsione misurata con un intervallo di confidenza ristretto.
Questa limitazione non invalida l’avvertimento centrale. Definisce le prove necessarie per verificarlo.
L’hardware ritirato non è automaticamente un rifiuto elettronico
L’errore centrale nelle politiche e nella contabilità consiste nel trattare rimozione, obsolescenza e smaltimento come lo stesso evento.
Le apparecchiature possono uscire da un cluster ad alte prestazioni attraverso diverse vie. Ciascuna comporta un esito economico e ambientale differente.
Il reimpiego mantiene l’asset all’interno della stessa organizzazione. Un server per l’addestramento potrebbe supportare inferenza, simulazione, sviluppo o ricerca interna dopo aver lasciato un cluster di frontiera.
La rivendita trasferisce le apparecchiature a un altro operatore. Il nuovo proprietario potrebbe utilizzarle per hosting, calcolo scientifico, rendering o carichi di lavoro AI più piccoli.
Il recupero di componenti conserva elementi selezionati. Memoria, archiviazione, alimentatori, adattatori di rete, ventole e processori possono supportare riparazioni o sistemi ricondizionati.
Il riciclo formale estrae materiali quando il riuso produttivo non è più praticabile. La qualità del recupero varia, in particolare per l’elettronica complessa e gli assemblaggi specializzati.
Lo smaltimento pone fine alla vita produttiva delle apparecchiature senza un recupero significativo. La lavorazione informale può inoltre esporre lavoratori e comunità a sostanze pericolose.
Queste vie non dovrebbero condividere un’unica etichetta. Accorparle può esagerare i rifiuti in un’analisi e nascondere lo smaltimento dannoso in un’altra.
Il rapporto del Basel Action Network utilizza il ritiro delle apparecchiature come base per modellare i rifiuti futuri. Questo approccio cattura gli asset che lasciano i loro ruoli originari, ma non può garantire la loro destinazione successiva.
Un hyperscaler può rimuovere un server GPU dopo tre anni e gestirlo altrove per altri tre. Un’altra azienda potrebbe mantenere hardware simile in deposito perché la rivendita o la sanificazione dei dati sembrano troppo difficili.
Il secondo asset è tecnicamente ancora di proprietà dell’azienda, eppure il suo valore pratico potrebbe essere già andato perso. Il primo ha lasciato l’installazione originale senza diventare un rifiuto.
La sicurezza dei dati complica il riuso. I dispositivi di archiviazione possono contenere informazioni sensibili, mentre firmware e sistemi di gestione possono conservare credenziali o dati di configurazione.
Talvolta le organizzazioni distruggono apparecchiature utilizzabili quando non riescono a verificare la sanificazione. Procedure di cancellazione chiare e catene di custodia verificabili possono rendere il riuso più praticabile.
Anche la progettazione influenza il recupero. Assemblaggi proprietari, sistemi di raffreddamento integrati e firmware limitati possono ridurre le opzioni di riparazione. L’hardware modulare può supportare aggiornamenti selettivi anziché la sostituzione di rack completi.
I contratti con i fornitori sono importanti per la stessa ragione. Clausole di riacquisto, ritiro, ricondizionamento e recupero dei componenti determinano se esista un piano di ritiro prima che le apparecchiature arrivino.
I CIO dovrebbero quindi richiedere dati sulla destinazione finale a livello di asset. I campi utili includono data di installazione, carico di lavoro principale, data di rimozione, motivo della rimozione, valore residuo, destinazione e certificato di recupero.
I team che gestiscono le strutture necessitano di registrazioni comparabili per trasformatori, apparecchiature di raffreddamento, batterie, generatori e quadri elettrici. Questi sistemi hanno spesso proprietari e fornitori di servizi diversi.
I contratti di approvvigionamento dovrebbero distinguere il guasto funzionale dall’incompatibilità architetturale. Questa differenza rivela se il ricambio rifletta usura, limiti di capacità, economia dell’efficienza o una nuova progettazione della struttura.
Queste prove migliorerebbero la rendicontazione ambientale e le decisioni di investimento. Mostrerebbero inoltre se l’infrastruttura AI stia creando cicli di vita più brevi rispetto ai sistemi convenzionali dei data center.
Il perimetro della rendicontazione deve estendersi all’uso secondario. Un programma di ritiro da parte del fornitore non dimostra il riuso o un riciclo responsabile, a meno che il fornitore non riporti l’esito a valle.
Le esportazioni richiedono un esame analogo. Spostare apparecchiature ritirate oltre i confini può sostenere un riuso legittimo, ma può anche trasferire i rischi di smaltimento in contesti normativi più deboli.
La Convenzione di Basilea regola i movimenti internazionali di rifiuti pericolosi. L’applicazione diventa difficile quando le spedizioni vengono descritte come prodotti riutilizzabili nonostante il limitato valore residuo.
Queste questioni rendono i rifiuti elettronici dell’AI un tema di governance, non semplicemente un problema di riciclo. Le decisioni prese durante progettazione architetturale e approvvigionamento determinano molte delle opzioni disponibili anni dopo.
Un’azienda non può recuperare componenti modulari se ha acquistato un sistema strettamente integrato. Non può documentare il riuso se i registri degli asset scompaiono tra strutture, finanza e team di sostenibilità.
Il modello più ampio di BAN spinge i CIO a collegare queste funzioni. Anche una stima inferiore dei rifiuti richiede prove su ciò che è accaduto all’infrastruttura che circonda ciascun server ritirato.
Tre segnali metteranno alla prova la stima dei rifiuti elettronici dell’AI
Le prossime prove utili proverranno dalle divulgazioni sul ciclo di vita, dall’uso secondario e dai cambiamenti misurabili nell’infrastruttura di supporto.
Il primo segnale è se i principali operatori pubblicheranno dati sul ciclo di vita a livello di asset per le apparecchiature AI. Gli attuali rapporti di sostenibilità forniscono di norma dati su energia, acqua, emissioni o totali generali dei rifiuti.
Una divulgazione più utile separerebbe acceleratori, server, archiviazione, rete, batterie, sistemi di raffreddamento e apparecchiature elettriche. Riporterebbe inoltre la vita operativa mediana e la destinazione finale.
Queste informazioni metterebbero direttamente alla prova le ipotesi di BAN sui ritiri. Durate di vita prossime a 2,5 anni con riuso limitato rafforzerebbero l’avvertimento a breve termine del rapporto.
Periodi operativi più lunghi con reimpiego documentato indebolirebbero le sue proiezioni più elevate. Il solo ammortamento contabile non risponderà alla domanda, perché non rivela la destinazione fisica.
Il secondo segnale è la crescita di mercati secondari credibili per gli acceleratori AI e i sistemi correlati. La continua disponibilità nel cloud di processori più vecchi suggerisce già che le generazioni precedenti mantengano valore.
Tuttavia, offerte isolate non stabiliscono quanta parte dell’hardware venga trasferita a carichi di lavoro di seconda vita. Gli operatori hanno bisogno di dati su volumi, utilizzo e destinazione.
Un mercato secondario funzionante separerebbe l’obsolescenza di frontiera dai rifiuti fisici. Fornirebbe inoltre alle aziende un’ipotesi sul valore residuo basata sulle transazioni.
Una debole domanda di rivendita sosterrebbe la preoccupazione di BAN sull’obsolescenza economica. Nuovi requisiti di alimentazione, raffreddamento e rete potrebbero rendere inutilizzabili le apparecchiature anche quando i loro processori restano funzionanti.
Il terzo segnale è la frequenza con cui i sistemi di supporto vengono sostituiti durante gli aggiornamenti AI. Questa è la parte meno visibile dell’attuale dibattito e l’aggiunta più importante nel modello di BAN.
Se le nuove implementazioni di acceleratori attivano ripetutamente la sostituzione di raffreddamento, distribuzione dell’alimentazione, batterie e fabric di rete, gli studi limitati ai server resteranno incompleti.
Se gli operatori adattano l’infrastruttura esistente tramite aggiunte modulari, la maggiore massa installata non si tradurrà in rifiuti altrettanto rapidi. Tale esito ridurrebbe il ricambio modellato da BAN.
I CIO non dovrebbero attendere una previsione globale perfetta prima di agire. Possono richiedere subito piani di ciclo di vita per ogni importante acquisto di capacità AI.
Un piano pratico dovrebbe identificare la vita operativa prevista, i carichi di lavoro di livello inferiore, i componenti aggiornabili, i canali di rivendita, gli obblighi di ritiro e le vie di riciclo verificate. Dovrebbe includere la struttura di supporto, non solo l’hardware di calcolo.
I responsabili dovrebbero inoltre confrontare gli scenari di sostituzione prima di approvare un’architettura. Un sistema con costi operativi inferiori può generare un rendimento complessivo più debole se rende inutilizzabile un’infrastruttura recente.
La decisione dovrebbe considerare il valore residuo e le spese di dismissione. Dovrebbe inoltre identificare quale parte sostiene tali costi in accordi di cloud, colocation e servizi gestiti.
La stima dei rifiuti elettronici dell’AI del Basel Action Network non dovrebbe essere considerata una previsione definitiva. La sua correzione del perimetro è più persuasiva dei suoi totali più lontani nel tempo.
Tuttavia, il rapporto modifica l’onere della prova. Le organizzazioni non possono più presumere che misurare i server catturi le conseguenze materiali dell’espansione dell’AI.
La prossima domanda per ogni proposta di infrastruttura AI dovrebbe essere concreta: quando questa architettura cambierà, dove finiranno i suoi server, le reti, le batterie, i sistemi di raffreddamento e le apparecchiature elettriche?
