Il paradosso dell'IA generativa: consumo di risorse o catalizzatore di soluzioni climatiche?

Che cos'è il paradosso dell'IA generativa?

Il paradosso dell'IA generativa è il fatto documentato che l'IA generativa consuma volumi crescenti di elettricità, acqua dolce e materiali critici pur essendo uno dei più potenti acceleratori disponibili per la mitigazione climatica, l'ottimizzazione delle reti elettriche e l'innovazione nei materiali. Entrambe le metà poggiano su dati pubblici misurati e nessuna annulla l'altra. L'Agenzia internazionale per l'energia (AIE) riferisce che la domanda mondiale di elettricità dei data center è cresciuta del 17% nel 2025 raggiungendo 485 terawattora (TWh) e stima separatamente che un ampio dispiegamento delle applicazioni di IA esistenti potrebbe evitare 1.400 milioni di tonnellate (Mt) di anidride carbonica nel 2035. Per un manager, il paradosso dell'IA generativa non è un dibattito da vincere ma un problema di allocazione da arbitrare: ogni dispiegamento comporta un costo di risorse misurabile e un beneficio condizionato di emissioni evitate, e solo una misurazione rigorosa stabilisce quale sia maggiore. Questo articolo illustra come formulare quel giudizio caso per caso, anziché adottare una posizione di principio a favore o contro le innovazioni nell'IA.

Quanta elettricità e quanta acqua consuma l'IA generativa?

Il consumo di risorse dell'IA generativa è oggi misurato anziché ipotizzato, e le cifre pubblicate sono enormi in aggregato pur restando modeste per singola richiesta. Il rapporto dell'AIE Key Questions on Energy and AI, pubblicato il 16 aprile 2026, indica che la domanda mondiale di elettricità dei data center è cresciuta del 17% nel 2025 raggiungendo 485 TWh e proietta circa 950 TWh entro il 2030 — intorno al 3% della domanda mondiale di elettricità — mentre il consumo elettrico dei data center dedicati all'IA è aumentato del 50% nel 2025 ed è previsto triplicare entro il 2030. A livello di singola richiesta, l'articolo tecnico di Google Measuring the Environmental Impact of Delivering AI at Google Scale, pubblicato il 21 agosto 2025, riporta che la richiesta testuale mediana su Gemini Apps consuma 0,24 wattora di energia, emette 0,03 grammi di CO2 equivalente e consuma 0,26 millilitri di acqua. Le due scale vanno lette insieme, perché richieste singolarmente trascurabili si aggregano in una domanda elettrica di scala nazionale.

Che cosa misurano davvero le pubblicazioni sull'impronta dell'IA?

Le pubblicazioni sull'impronta dell'IA coprono ormai quattro categorie di impatto distinte — energia, carbonio, acqua e materiali — ma applicano confini di sistema differenti, per cui le loro cifre non sono direttamente confrontabili. Google ha misurato l'impatto operativo del servizio: acceleratori, sistemi host, capacità inutilizzata e overhead del data center. Mistral AI ha commissionato un'analisi del ciclo di vita completa che copre la costruzione del data center, la produzione dell'hardware, l'addestramento del modello e 18 mesi di inferenza, condotta con Carbone 4 e l'agenzia francese per la transizione ecologica ADEME e pubblicata il 22 luglio 2025. Questa differenza di confine spiega perché Mistral riporta 45 millilitri di acqua per una risposta da 400 token mentre Google riporta 0,26 millilitri per una richiesta mediana: le due cifre rispondono a domande diverse. La tabella seguente raccoglie le principali pubblicazioni che un manager può citare, ciascuna con editore, data e perimetro, affinché un'affermazione sull'impronta possa essere ricondotta a una fonte anziché ripetuta di seconda mano.

Dove l'IA generativa è davvero un catalizzatore di soluzioni climatiche?

L'IA generativa e i sistemi di apprendimento automatico affini producono valore climatico misurabile in quattro ambiti in cui esistono già evidenze pubblicate: l'esercizio dei sistemi elettrici, la pianificazione delle connessioni alla rete, l'efficienza energetica industriale e la scoperta di materiali. Il rapporto dell'AIE Energy and AI, pubblicato ad aprile 2025, ne quantifica tre. Applicare l'IA all'esercizio e alla manutenzione delle centrali elettriche potrebbe generare risparmi fino a 110 miliardi di dollari l'anno entro il 2035; fino a 175 gigawatt (GW) di capacità di trasmissione aggiuntiva potrebbero essere liberati sulle linee esistenti; e l'industria leggera, come la produzione di elettronica e macchinari, potrebbe conseguire l'8% di risparmio energetico entro il 2035. Considerando tutti i settori d'uso finale, lo scenario di adozione diffusa dell'AIE colloca le emissioni evitate a 1.400 Mt di CO2 nel 2035, da tre a quattro volte il totale delle emissioni dei data center nei suoi stessi scenari. Le applicazioni seguenti mostrano dove tali guadagni vengono perseguiti oggi:

• Pianificazione delle connessioni alla rete — PJM Interconnection, che serve 67 milioni di persone in 13 Stati americani e nel Distretto di Columbia, ha annunciato il 10 aprile 2025 una collaborazione pluriennale con Google e Tapestry per applicare l'IA al processo di connessione degli impianti di generazione e ridurre i tempi di istruttoria delle domande.
• Capacità di trasmissione — classificazione dinamica delle linee e previsione della congestione, che secondo le stime dell'AIE potrebbero liberare fino a 175 GW di capacità aggiuntiva sulle linee di trasmissione esistenti.
• Esercizio e manutenzione delle centrali — manutenzione predittiva e ottimizzazione del dispacciamento, valorizzate dall'AIE fino a 110 miliardi di dollari di risparmi annui entro il 2035 grazie al combustibile evitato e ai costi ridotti.
• Ottimizzazione dei processi industriali — 8% di risparmio energetico entro il 2035 nell'industria leggera, come la produzione di elettronica e macchinari, nello scenario di adozione diffusa dell'AIE.
• Scoperta di materiali — MatterGen, pubblicato su Nature (volume 639, pagine 624-632, 16 gennaio 2025), genera strutture cristalline inorganiche con una probabilità più che doppia di essere nuove e stabili rispetto a quelle dei modelli generativi precedenti, accorciando la ricerca di materiali per batterie, magneti e catalizzatori.
• Lavoro sui dati di sostenibilità — estrazione, riconciliazione e segnalazione delle lacune nei questionari fornitori e nei set di dati di rendicontazione, il che comprime il ciclo di reporting senza sostituire la revisione umana né l'assurance esterna.

Il beneficio climatico annulla il costo in risorse?

Il beneficio climatico non annulla automaticamente il costo in risorse, perché quel beneficio è uno scenario modellato mentre il consumo è già in atto. L'AIE è esplicita al riguardo: afferma che attualmente non esiste alcuna dinamica in grado di assicurare l'adozione diffusa di queste applicazioni di IA, e indica l'accesso ai dati, le infrastrutture, la regolamentazione e gli effetti rimbalzo come ostacoli capaci di compensare i guadagni modellati. Il lato del consumo, invece, è osservato. I data center rappresentavano circa lo 0,5% delle emissioni mondiali da combustione al momento del rapporto Energy and AI dell'AIE ad aprile 2025, quota che sale all'1% nel suo scenario base e all'1,4% nel suo scenario Lift-Off entro il 2030, e l'aggiornamento dell'AIE di aprile 2026 colloca le emissioni dei data center intorno a 350 Mt nel 2035, circa il 2% delle emissioni mondiali del settore elettrico. Un manager che contabilizza il beneficio di 1.400 Mt senza aver assicurato le condizioni di adozione sta registrando una previsione come un risultato conseguito: le emissioni evitate sono un obiettivo condizionato, guadagnato dispiegamento dopo dispiegamento, non un credito già incassato.

Quali pratiche di Green AI riducono l'impronta?

Le pratiche di Green AI riducono l'impronta di un dispiegamento di IA senza attendere la regolamentazione, e ciascuna è una decisione gestionale più che un problema di ricerca. La leva singola più rilevante è il dimensionamento del modello: adeguare la capacità del modello al compito anziché instradare ogni richiesta verso il modello più grande disponibile. La seconda è separare l'addestramento dall'inferenza nella contabilizzazione, perché un modello addestrato una volta può servire miliardi di richieste, e l'AIE rileva che applicazioni emergenti come la generazione video consumano centinaia o migliaia di volte più energia di una semplice richiesta testuale. L'efficienza delle strutture è misurabile e confrontabile tramite l'efficacia nell'uso dell'energia (PUE) e l'efficacia nell'uso dell'acqua (WUE), mentre le emissioni a livello software possono essere quantificate con la specifica Software Carbon Intensity, normata come ISO/IEC 21031:2024. Le pratiche seguenti appartengono a una politica di acquisto e gestione dell'IA, non a un backlog ingegneristico:

• Dimensionare il modello — instradare ogni compito verso il modello più piccolo che raggiunge la soglia di qualità, e misurare la differenza di qualità anziché presumerla.
• Separare addestramento e inferenza nella contabilizzazione — riportare l'impronta di addestramento ammortizzata e l'impronta di inferenza marginale come due cifre distinte, con i rispettivi confini esplicitati.
• Programmare i carichi flessibili nelle finestre a bassa intensità di carbonio della rete — elaborazioni batch, fine-tuning e cicli di valutazione possono seguire l'intensità di carbonio della rete anziché l'orario d'ufficio.
• Fissare soglie di PUE e WUE nei contratti con i fornitori — l'Uptime Institute ha rilevato un PUE medio ponderato del settore di circa 1,54 nel 2025, per cui un'efficienza superiore alla media va specificata, non presunta.
• Richiedere la divulgazione dell'impronta nelle clausole di acquisto — chiedere energia, carbonio e acqua per unità di servizio, con confine di sistema e metodologia indicati nel contratto.
• Applicare pratiche circolari all'hardware — la modellazione pubblicata su Nature Computational Science indica che approcci circolari lungo la catena del valore dell'IA generativa potrebbero ridurre i rifiuti elettronici del 16-86%.
• Misurare l'intensità di carbonio del software secondo ISO/IEC 21031:2024, affinché le affermazioni di efficienza siano confrontabili tra versioni e tra fornitori.

Come stabilire quando l'IA generativa è positiva netta?

Un caso d'uso di IA generativa è positivo netto quando il suo costo misurato in risorse è inferiore all'uso di risorse che sostituisce in modo dimostrabile, e quando entrambe le cifre reggono a un esame esterno. Quel giudizio richiede una sequenza anziché un'opinione, e ogni passaggio produce un documento che un consiglio di amministrazione, un revisore o un'autorità possono esaminare. La sequenza seguente si applica allo stesso modo a una pipeline di dati ESG, a uno strumento di scenari climatici e a un assistente interno, e colloca deliberatamente la misurazione prima dell'ambizione: un dispiegamento la cui impronta non è mai stata quantificata non può essere descritto come una soluzione climatica, qualunque ne sia l'oggetto. I manager che applicano questa sequenza di norma respingono senz'altro una minoranza dei casi d'uso proposti, ridimensionano una quota più ampia verso modelli più piccoli o perimetri più stretti, e approvano i restanti con condizioni di monitoraggio esplicite. I sei passaggi si susseguono nell'ordine indicato, e nessuno può essere saltato perché un passaggio precedente ha prodotto una risposta scomoda:

1. Quantificare l'impronta del dispiegamento — energia, carbonio, acqua e hardware — usando un confine di sistema dichiarato e una metodologia pubblicata come ISO 14040/14044 o il Greenhouse Gas Protocol Product Standard.
2. Nominare il controfattuale: quale processo, con quale anno di riferimento e quale uso di risorse misurato, questo dispiegamento sostituisce realmente?
3. Calcolare l'effetto netto e pubblicarlo come intervallo con la relativa incertezza, anziché come una singola cifra rassicurante.
4. Verificare la governance dei dati — provenienza, tracciabilità, conservazione, minimizzazione e documentazione — rispetto al regolamento europeo sull'IA e alla norma ISO/IEC 42001:2023 prima del dispiegamento, non dopo un incidente.
5. Verificare la comunicazione: ogni cifra che si intende pubblicare può essere comprovata davanti a un revisore, con perimetro, anno di riferimento, metodologia e stato di verifica?
6. Rimisurare dopo sei-dodici mesi per rilevare gli effetti rimbalzo, perché la crescita dell'utilizzo può azzerare del tutto un guadagno di efficienza unitario.

In che modo la gestione responsabile dei dati rende governabile l'IA generativa?

La gestione responsabile dei dati è lo strato di controllo che rende verificabile un'affermazione sull'impronta dell'IA, e oggi ha rilevanza normativa. La provenienza dei dati registra da dove provengono i dati di addestramento e di input, la tracciabilità registra come quei dati sono stati trasformati, e conservazione e minimizzazione limitano quanto viene archiviato e per quanto tempo — l'archiviazione essendo essa stessa un costo energetico continuo. In base al regolamento dell'Unione europea sull'intelligenza artificiale, i fornitori di modelli di IA per finalità generali (GPAI) devono conservare una documentazione tecnica che includa il consumo energetico noto del modello, o una stima ricavata dalle risorse di calcolo impiegate, ai sensi dell'articolo 53(1)(a) e dell'allegato XI. La norma ISO/IEC 42001:2023, primo standard internazionale di sistema di gestione dell'intelligenza artificiale, fornisce l'impalcatura di governance circostante: valutazione d'impatto, tracciabilità, sorveglianza umana e miglioramento continuo. La tabella seguente indica quale strumento crea quale obbligo, chi vincola e da quando si applica.

Perché la comunicazione sull'IA decide se la tua narrazione climatica regge all'esame?

La comunicazione sull'IA — la disciplina che trasforma l'analisi generata dalla macchina in una narrazione utilizzabile per decidere — determina se un'asserzione climatica sopravvive al contatto con un'autorità di vigilanza, ed è il punto in cui l'IA generativa crea il rischio reputazionale più acuto. Un modello generativo produce prosa fluida e sicura a prescindere dalla qualità dei dati sottostanti, il che significa che un output di IA privo di provenienza può apparire più autorevole di un'analisi umana attentamente circostanziata. Le autorità hanno già iniziato a vigilare sulle asserzioni che ne derivano. La Securities and Exchange Commission (SEC) degli Stati Uniti ha avviato le prime azioni sanzionatorie per AI-washing il 18 marzo 2024, definendo le accuse contro due consulenti d'investimento per dichiarazioni false e fuorvianti sul loro uso dell'intelligenza artificiale, con 400.000 dollari di sanzioni civili complessive. Il 20 febbraio 2025 la stessa autorità ha istituito una Cyber and Emerging Technologies Unit, includendo esplicitamente nel proprio ambito le condotte illecite legate all'IA. Storytelling e comunicazione d'impatto significano quindi oggi pubblicare la provenienza accanto al risultato.

Come va costruita per un consiglio di amministrazione una narrazione di sostenibilità assistita dall'IA?

Una narrazione di sostenibilità assistita dall'IA conquista la fiducia del consiglio e dell'autorità quando è assemblata in un ordine fisso che separa le evidenze dall'interpretazione. Presentare le componenti nella sequenza seguente riproduce il modo in cui un comitato di audit interroga una rendicontazione climatica, e rende visibile per tempo l'anello debole anziché durante le domande:

1. La domanda a cui l'analisi risponde, enunciata in una frase prima di mostrare qualsiasi risultato.
2. I dati utilizzati, con la loro fonte, il periodo di copertura e le lacune note.
3. Il metodo, indicando quale modello o strumento ha prodotto quale parte dell'analisi e dove è intervenuta una persona.
4. Il risultato, espresso come intervallo con la relativa incertezza anziché come cifra singola.
5. La decisione richiesta, insieme a ciò che dovrebbe risultare vero perché quella decisione si rivelasse sbagliata.
6. Lo stato di verifica — rivisto internamente, sottoposto ad assurance esterna, o nessuno dei due — dichiarato senza ambiguità.

Di quali competenze hanno bisogno i manager per governare l'impronta dell'IA generativa?

Governare l'impronta dell'IA generativa richiede due famiglie di competenze che raramente compaiono nella stessa descrizione di ruolo: la gestione responsabile dei dati e la comunicazione d'impatto. La gestione responsabile dei dati copre provenienza, tracciabilità, conservazione, minimizzazione e i doveri documentali creati dal regolamento europeo sull'IA e dalla norma ISO/IEC 42001, ed è la stessa disciplina che sostiene una rendicontazione ambientale, sociale e di governance (ESG) credibile. Storytelling e comunicazione d'impatto coprono la traduzione di quelle evidenze in una narrazione su cui un consiglio, un'autorità e il pubblico possano ciascuno agire senza essere fuorviati. Le pratiche di Green AI si collocano tra le due, perché dimensionare un modello è al tempo stesso una decisione ingegneristica, una decisione di acquisto e una decisione di divulgazione. La tabella seguente associa ogni competenza al documento che un manager deve saper produrre, che è anche la forma in cui recruiter e revisori la verificano.

Quale percorso SUMAS è adatto al tuo profilo?

SUMAS insegna finanza sostenibile e innovazioni nell'IA attraverso quattro percorsi che differiscono per livello di accesso, durata e formato più che per contenuto, per cui la scelta parte dal titolo che possiedi e dal tempo di studio di cui disponi davvero. Tutti e quattro sono erogati in inglese da SUMAS — Sustainability Management School, che gestisce un campus Lake Geneva a Gland, in Svizzera, e un campus urbano a Milano, in Italia, ed è accreditata ACBSP. L'insegnamento dell'IA in SUMAS è guidato dal professor Jan Erik Meidell, Ph.D., i cui corsi comprendono Statistica e apprendimento automatico, IA applicata al business, Blockchain e finanza decentralizzata, e il Capstone: AI for Good, e la cui attività applica IA e data science a problemi di sostenibilità e governance ESG. AI for Good è un corso di capstone e non un titolo a sé, per cui chi lo cerca dovrebbe chiedere all'ufficio ammissioni quale percorso lo preveda attualmente. La tabella confronta i quattro percorsi secondo i criteri che decidono la scelta nella pratica.

Come sviluppare competenze in Green AI e gestione responsabile dei dati con SUMAS?

Sviluppare le competenze per governare l'IA generativa parte da una domanda più circoscritta della scelta di un titolo di studio: quale dei documenti elencati sopra non sapresti produrre oggi? La misurazione dell'impronta e l'analisi di impatto netto si costruiscono con una pratica tecnica ripetuta su dati reali, mentre la gestione responsabile dei dati e la comunicazione d'impatto si costruiscono con progetti applicati sotto vincoli organizzativi reali e con la disciplina di difendere una cifra davanti a un pubblico in grado di contestarla. SUMAS sviluppa entrambe attraverso i Sustainability Industry Projects realizzati con organizzazioni partner e il lavoro di capstone, e dichiara un tasso di occupazione dei laureati del 90% sull'insieme dei suoi programmi. Chi sta valutando un cambiamento può leggere anche le nostre guide sulle carriere nella gestione della sostenibilità e sulle strategie di economia circolare, che approfondiscono percorsi e concetti di efficienza nell'uso delle risorse. Il passo pratico successivo è scegliere il percorso la cui durata e il cui formato consentano di costruire più rapidamente il documento che manca.