Intelligenza Artificiale Tutto su AI e machine learning
Quando navighi sul web, chiedi a un assistente AI di aiutarti a scrivere un’email o generi un’immagine con un prompt, da qualche parte nel mondo una sala piena di server consuma elettricità, acqua e terra. Fino a poco tempo fa questo costo era considerato trascurabile o, nella migliore delle ipotesi, misurato esclusivamente in termini di emissioni di carbonio. Un nuovo rapporto pubblicato il 3 giugno 2026 dall’Istituto delle Nazioni Unite per l’Acqua, l’Ambiente e la Salute (UNU-INWEH) cambia radicalmente questa prospettiva: i data center alimentati dall’intelligenza artificiale stanno diventando consumatori di risorse naturali su scala comparabile a quella di nazioni intere, e i numeri sono destinati a peggiorare.
I numeri che cambiano il modo di guardare all’AI
Il rapporto, intitolato Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints, quantifica per la prima volta in modo sistematico tre tipi di impronta ambientale dei data center: carbonio, acqua e terra. I risultati sono difficili da ignorare. Entro il 2030, i data center globali dedicati all’AI consumeranno circa 945 terawattora di elettricità all’anno. Per dare un’idea concreta di questa cifra, si tratta di quasi il triplo del consumo annuale combinato di Pakistan, Bangladesh e Nigeria, tre paesi che insieme ospitano oltre 650 milioni di persone. Nel 2025, i data center hanno già consumato circa 448 terawattora di elettricità: se fossero stati una nazione, sarebbero risultati l’undicesimo consumatore mondiale di energia elettrica, davanti all’Arabia Saudita e dietro alla Francia.
Ma il dato che ha colpito di più i ricercatori riguarda l’acqua. L’impronta idrica dei data center proiettata al 2030, dovuta al raffreddamento e alla produzione di energia, raggiungerà circa 9,3 trilioni di litri all’anno, una quantità equivalente al fabbisogno idrico domestico annuale di tutti i 1,3 miliardi di abitanti dell’Africa subsahariana. Un data center di grandi dimensioni può consumare fino a 19 milioni di litri d’acqua al giorno per mantenere i server a temperatura adeguata. A questo si aggiunge un’impronta territoriale proiettata a oltre 14.500 chilometri quadrati, circa il doppio dell’area metropolitana di Giacarta.
Il professor Kaveh Madani, direttore di UNU-INWEH e responsabile del gruppo di ricerca, ha sottolineato che questo studio non è un atto di accusa contro l’intelligenza artificiale: “Non è un caso contro l’AI, una trasformazione tecnologica che sta migliorando la vita di miliardi di persone. È un invito a usarla in modo responsabile e ad affrontare proattivamente i suoi impatti non voluti.” La finestra per intervenire, secondo Madani, è stretta.
L’inferenza, non il training: dove si nasconde davvero il costo
Uno degli aspetti più interessanti del rapporto riguarda la composizione del consumo energetico dell’AI. Il dibattito pubblico si è concentrato quasi esclusivamente sul costo di training dei modelli, cioè la fase di addestramento iniziale che per modelli come GPT-4 ha richiesto una stima tra i 50 e i 70 gigawattora di elettricità. Questo numero è enorme, ma è in realtà solo la punta dell’iceberg. Una volta che un modello viene messo in produzione, il costo dominante è quello dell’inferenza, ovvero la capacità di rispondere alle domande degli utenti ogni volta che qualcuno usa il servizio. L’inferenza rappresenta tra l’80 e il 90 per cento del consumo energetico totale di un sistema AI.
ChatGPT, solo come prodotto singolo, elabora circa 2,5 miliardi di prompt al giorno, generando un consumo di circa 383 gigawattora di elettricità all’anno. Per compensare le emissioni di carbonio associate servirebbero 2,6 milioni di giovani alberi cresciuti per dieci anni, con un’estensione di terreno pari all’intera superficie di Manhattan. L’impronta idrica corrisponde al fabbisogno idrico minimo annuale di circa 500.000 persone nell’Africa subsahariana.
Non tutti gli utilizzi dell’AI sono uguali, però, e qui il rapporto introduce una distinzione fondamentale. Una normale chat di testo consuma circa 200 volte più energia della classificazione automatica di un semplice messaggio di spam. Generare una singola immagine AI richiede circa 1.450 volte l’energia di quella classificazione di base. Ma il vero caso estremo riguarda la generazione video: un breve video generato dall’AI può richiedere la stessa quantità di energia di 200.000 classificazioni di spam. L’energia necessaria per produrre un’immagine AI di media complessità è sufficiente a tenere accesa una lampadina LED da 10 watt per 17 minuti, mentre per un video ad alta complessità sale a 42 ore. L’impronta idrica passa da due cucchiai d’acqua per un’immagine a oltre 4 litri per un video complesso.
Queste cifre non sono solo curiosità statistiche. Significano che le scelte di design dei prodotti, i valori predefiniti di risoluzione, la lunghezza degli output e la selezione del modello sono a tutti gli effetti decisioni ambientali, anche se l’utente finale non le vede. Se ti interessa capire come puoi ridurre il tuo impatto quando usi strumenti AI, trovi alcune riflessioni utili nell’articolo dedicato a AI e sostenibilità.
Il paradosso di Jevons: più efficienza, più consumi
Un punto particolarmente sottovalutato nel dibattito sull’AI sostenibile è quello che gli economisti chiamano l’effetto rimbalzo, o Paradosso di Jevons. Il meccanismo è semplice: quando una tecnologia diventa più efficiente, il suo costo cala, e questo stimola un aumento del suo utilizzo che spesso supera i risparmi ottenuti dall’efficienza. Nel caso dell’AI, i ricercatori avvertono che i miglioramenti nell’efficienza dei modelli, pur reali, rischiano di essere assorbiti dalla crescita esponenziale del volume di richieste. Senza limiti espliciti sul numero di token, sulla risoluzione predefinita degli output o sulla lunghezza delle risposte, le efficienze raggiunte a livello di singola query vengono vanificate dalla pura crescita dei volumi.
Il rapporto cita anche il fenomeno del rebound effect a livello geografico. Quando un data center adotta energie rinnovabili per ridurre le emissioni di carbonio, il risultato spesso è un aumento dell’impronta idrica, perché molte fonti rinnovabili come il biogas o certe forme di energia idroelettrica sono molto più idro-intensive del carbone. Il biocombustibile, per esempio, può ridurre l’impronta carbonica dell’elettricità del 70 per cento, ma aumentare l’impronta idrica di oltre 30 volte e quella territoriale di cento volte. La sostenibilità dell’AI non può quindi essere misurata con una singola metrica.
Chi paga il conto: il problema di equità globale
Forse l’aspetto più politicamente rilevante del rapporto riguarda la distribuzione iniqua dei costi e dei benefici. Solo 32 paesi nel mondo ospitano data center specializzati in AI, e oltre il 90 per cento della capacità computazionale è concentrata in soli due paesi, Stati Uniti e Cina. Più di 150 nazioni non hanno attualmente accesso a infrastrutture di calcolo AI sovrane. Questo non è solo un problema di divario digitale: è anche una questione di giustizia ambientale. I paesi esclusi spesso sopportano il costo dell’estrazione dei minerali critici necessari per l’hardware AI e gestiscono i rifiuti elettronici prodotti dalle infrastrutture, senza raccoglierne i benefici strategici ed economici.
I ricercatori documentano casi concreti: in Irlanda, i data center hanno consumato il 21 per cento dell’intera elettricità misurata nel 2023, più di tutti i residenti urbani messi insieme. L’operatore della rete nazionale ha sospeso nuove autorizzazioni nell’area di Dublino fino al 2028. In Querétaro, Messico, l’espansione dell’infrastruttura computazionale sta mettendo sotto pressione le riserve idriche in un periodo di siccità prolungata. In Uruguay, un progetto per un data center ad alto consumo idrico ha coinciso con una siccità del 2023 che ha reso l’acqua del rubinetto di Montevideo non potabile.
Il professore Tshilidzi Marwala, rettore dell’Università delle Nazioni Unite, ha sintetizzato il problema: “Lo sviluppo concentrato dell’infrastruttura AI nelle aree privilegiate del mondo sta creando un profondo divario digitale. Che l’AI possa certamente avanzare la prosperità e il benessere umano è fuori discussione. Che lo faccia in modo equo è ormai una questione di governance, non tecnica.”
Le implicazioni per il futuro dello sviluppo dell’intelligenza artificiale sono significative. Un sistema che concentra i vantaggi in pochi paesi e sposta i costi ambientali sulle economie più vulnerabili non è solo eticamente problematico: è anche politicamente insostenibile nel lungo periodo.
Cosa dovrebbe cambiare: le raccomandazioni del rapporto
Il rapporto UNU-INWEH non si limita a documentare il problema, ma propone un framework di governance fondato su sei principi: trasparenza, efficienza by design, equità e giustizia ambientale, responsabilità sull’intero ciclo di vita dei prodotti, cooperazione globale e uso sostenibile. Le raccomandazioni pratiche sono rivolte a tutti gli attori della filiera.
Per i governi, il messaggio è che l’infrastruttura AI deve essere integrata nella pianificazione energetica, nella gestione delle risorse idriche e nelle autorizzazioni di uso del territorio, con obblighi standardizzati di rendicontazione ambientale. Per le aziende tecnologiche, la selezione del modello, i valori predefiniti degli output e le decisioni di routing devono essere trattati come fattori determinanti dell’impronta ambientale, non come semplici scelte tecniche. Per gli investitori, le impronte di carbonio, acqua e terra devono diventare fattori di rischio materiale nelle analisi di portafoglio delle infrastrutture AI.
Un aspetto interessante riguarda anche il ruolo degli utenti finali. Scegliere il modello più leggero adeguato al compito, evitare di generare immagini o video quando non necessario e preferire risoluzioni basse per compiti di prova sono scelte individuali che, aggregate, hanno un peso reale. La dottoressa Miriam Aczel, autrice principale del rapporto, ha osservato: “Ciò che ci ha sorpreso di più è quanto spesso le scelte che sembrano più verdi dal punto di vista del carbonio risultino peggiori per l’acqua o per il territorio.”
La questione dei bias nell’intelligenza artificiale e quella dell’impatto ambientale condividono una radice comune: entrambe riguardano le conseguenze non intenzionali di sistemi progettati e distribuiti senza una valutazione completa dei loro effetti. In entrambi i casi, la soluzione passa attraverso misurazioni più accurate, obblighi di trasparenza più robusti e una distribuzione più equa di costi e benefici.
Conclusioni
Il rapporto UNU-INWEH del giugno 2026 è uno dei contributi scientifici più completi sull’impatto ambientale dell’intelligenza artificiale fino a oggi pubblicati. La sua tesi centrale è costruttiva: capacità tecnologica e responsabilità ambientale possono crescere insieme, ma solo se si misura correttamente, si garantisce trasparenza e si distribuisce equamente la responsabilità tra tutti gli attori dell’ecosistema. Il testo completo del rapporto è disponibile sul sito di UNU-INWEH. Se sei un professionista o un’azienda che usa strumenti AI ogni giorno, questo rapporto ti riguarda direttamente: le scelte che fai sul tipo di modello e sul formato degli output non sono neutrali dal punto di vista ambientale.
