Impatto ambientale AI: domande e scelte minime ora

AI e clima: perché il tema esplode adesso

Parlare di impatto ambientale AI oggi non significa discutere solo di “software”. L’AI generativa sta spostando domanda reale di elettricità e risorse verso infrastrutture fisiche, i datacenter, in una fase in cui la traiettoria di crescita è rapida e i dati disponibili restano incompleti.

Per chi lavora in PMI, ONG o team marketing e impatto, l’obiettivo non è demonizzare l’AI. È decidere dove usarla, con quali limiti e con quali richieste ai fornitori, evitando due errori opposti: minimizzare perché “una singola richiesta consuma poco” o raccontare che “si ripaga da sola” senza verifiche.

• Costo per singolo uso: alcune stime indicano consumi molto bassi per richieste testuali semplici, ma non rappresentano tutto.
• Effetto scala: centinaia di milioni di utenti e l’integrazione forzata dell’AI in prodotti quotidiani moltiplicano i consumi totali.
• Crescita infrastrutturale: la domanda dei datacenter cresce più velocemente di reti e pianificazione energetica in diversi contesti.
• Trasparenza limitata: molte aziende comunicano in modo selettivo, rendendo difficile misurare con precisione impatti e confrontare soluzioni.
• Rischio reputazionale: adottare AI senza criteri può esporre organizzazioni “a impatto” a critiche su coerenza e responsabilità.

Datacenter: energia, acqua e mix fossile

I datacenter che alimentano l’AI sono magazzini di chip e server che richiedono energia continua e, spesso, acqua per il raffreddamento. Il punto critico non è solo quanta energia consumano oggi, ma come cresce la domanda e con quale mix energetico viene soddisfatta nel breve periodo.

• Domanda elettrica in crescita: a livello globale i datacenter sono stimati intorno all’1% dell’elettricità, ma le proiezioni indicano un aumento rapido in alcuni mercati. Negli Stati Uniti, una previsione li porta a più che raddoppiare la quota fino a circa 8,6% entro il 2035.
• Pressione sulle reti: in alcuni paesi la crescita è più veloce della capacità della rete di assorbire nuovi carichi. In Irlanda i datacenter consumano circa un quinto dell’elettricità e sono proiettati verso quasi un terzo, con effetti che hanno già portato a limiti sulle connessioni alla rete.
• Mix ancora fossile nel breve: nonostante accordi di acquisto di rinnovabili e alcuni accordi sul nucleare, nel prossimo futuro la fornitura resta spesso dominata dai combustibili fossili. In Cina molti datacenter sono concentrati nell’est del paese, dove il carbone pesa di più; negli Stati Uniti il gas naturale è atteso come fonte principale nel prossimo decennio.
• Rischio di “aggancio” a fossili esistenti: dove ci sono impianti fossili sottoutilizzati o “in attesa” di domanda, l’espansione dei datacenter può diventare il cliente che ne prolunga la vita operativa.
• Impatti idrici locali: oltre alla CO2, la richiesta di raffreddamento può aumentare la pressione su risorse idriche, e ha già generato appelli a pause regolatorie in alcuni contesti.

Quanto consuma una richiesta AI: numeri piccoli, impatto grande

Nel dibattito pubblico circolano stime molto diverse. Per richieste testuali semplici si parla spesso di un intervallo indicativo tra 0,2 e 3 Wh, mentre attività più complesse come “ricerche profonde” e produzione video possono aumentare sensibilmente il consumo. Alcuni operatori sostengono che una richiesta tipica abbia un consumo comparabile a quello di una lampadina accesa per pochi minuti.

Il punto decisionale, per un’organizzazione, è comunicare correttamente: una singola azione può essere piccola rispetto a volo, auto o dieta, ma l’adozione massiva e l’inserimento dell’AI in ogni flusso digitale cambiano l’ordine di grandezza complessivo. E senza dati completi, serve prudenza su qualsiasi cifra “precisa”.

Il punto cieco: le emissioni abilitate dall’AI

Limitarsi all’impronta operativa dei modelli e dei datacenter può essere fuorviante. Una parte rilevante del tema riguarda le emissioni abilitate, cioè l’impatto indiretto dell’AI quando viene usata per aumentare produzione o consumi in settori ad alte emissioni.

• Fossili: l’AI viene adottata per rendere più efficiente esplorazione, pianificazione e sviluppo di progetti oil and gas. Stime indicano che potrebbe aumentare le riserve tecnicamente recuperabili e ridurre costi di progetti offshore, spingendo l’offerta.
• Comunicazione e marketing: annunci generati con AI possono performare meglio e costare meno da produrre, abbassando la barriera a campagne che spingono consumi, inclusi viaggi e beni non essenziali.
• Ottimizzazione che accelera: anche quando riduce sprechi operativi, l’efficienza può tradursi in più attività complessive, non in meno emissioni.
• Rischio di “alibi”: usare l’AI per monitorare emissioni o perdite (esempio: metano) non garantisce riduzioni se non seguono azioni e investimenti coerenti.

Quando l’AI può aiutare davvero la transizione

L’AI può contribuire alla decarbonizzazione, ma non automaticamente. Il valore emerge quando è applicata a problemi fisici e operativi della transizione, con obiettivi misurabili e senza far esplodere i consumi per effetto rimbalzo.

• Reti elettriche: supporto all’integrazione di solare ed eolico attraverso previsioni, gestione e ottimizzazione del sistema.
• Efficienza nei datacenter: applicazioni di AI hanno già dimostrato di poter ridurre consumi di raffreddamento (ad esempio tagli significativi riportati per sistemi di cooling).
• Manutenzione e performance rinnovabili: utilizzo per ottimizzare manutenzione e individuare guasti, riducendo fermi e aumentando produzione effettiva.
• Batterie e materiali: accelerazione della ricerca e dello sviluppo per composizioni migliori e prestazioni più alte.
• Monitoraggio ambientale: analisi di dati per individuare deforestazione o migliorare la previsione di eventi estremi.
• Condizione chiave: prevenire il rebound effect, cioè che l’efficienza crei più domanda e annulli i benefici.

Decisioni minime per PMI e organizzazioni: guardrail e procurement

Se stai introducendo o ampliando l’uso dell’AI, puoi agire senza fare ottimizzazioni tecniche in casa. L’obiettivo è impostare richieste, controlli e limiti chiari a fornitori, IT e agenzie, così da ridurre rischio climatico e reputazionale.

1. Chiedi trasparenza sul perimetro: quali componenti sono incluse nei dati ambientali dichiarati (addestramento, utilizzo, storage, traffico, raffreddamento) e con quale frequenza vengono aggiornati.
2. Chiedi dati comparabili: quali metriche usano per energia e emissioni e se esiste una metodologia documentata, coerente nel tempo (anche se non perfetta).
3. Chiedi il legame con il mix energetico reale: se citano rinnovabili, fai specificare cosa significa. Accordi di acquisto possono sostenere nuova capacità, ma non garantiscono che ogni ora di consumo sia coperta da energia pulita.
4. Imposta un principio di uso frugale: definisci policy interne su quando usare AI e quando no (bozze e sintesi sì; generazione massiva di contenuti a basso valore, no). Lascialo come regola organizzativa, non come ottimizzazione tecnica.
5. Limita la produzione “a volume”: per marketing e comunicazione, metti un tetto o un processo di approvazione per campagne che generano grandi quantità di creatività, varianti e test automatici.
6. Seleziona casi d’uso con beneficio climatico plausibile: priorità a applicazioni su efficienza energetica, manutenzione, monitoraggio ambientale e reporting, evitando di presentarle come “compensazione” automatica dei consumi digitali.
7. Valuta il rischio di emissioni abilitate: chiedi a partner e fornitori se la soluzione supporta direttamente settori o attività che aumentano estrazione o consumo di fossili, o se è usata per spingere consumi ad alta intensità.
8. Inserisci guardrail contrattuali: includi clausole di disclosure minima, diritto di audit informativo (non tecnico), e la possibilità di rivedere l’uso se emergono impatti o pratiche non coerenti con i valori dell’organizzazione.
9. Governance interna: assegna responsabilità con un referente unico tra IT, sostenibilità e comunicazione, per evitare che l’adozione avvenga “a pezzi” senza controllo.
10. Monitora la crescita: non guardare solo il “consumo per prompt”. Traccia l’aumento dei volumi di utilizzo nel tempo e le nuove integrazioni automatiche che generano richieste senza che le persone se ne accorgano.

Errori comuni e washing da evitare nelle comunicazioni

Quando si parla di impatto ambientale AI, molte narrazioni semplificano troppo. Per organizzazioni con obiettivi di sostenibilità, la comunicazione deve restare verificabile e prudente, soprattutto se l’AI entra in prodotti, campagne o processi sensibili.

• Ridurre tutto al “per prompt”: anche se una richiesta è piccola, l’impatto complessivo dipende dai volumi e dall’automazione diffusa.
• Usare i “rinnovabili” come assoluzione: citare accordi di acquisto non equivale a dire che l’energia effettivamente usata è sempre pulita, soprattutto nelle ore e nei luoghi di consumo.
• “L’AI salverà il clima”: presentare benefici potenziali come garantiti ignora incertezze e rebound effect.
• Omettere gli usi negativi: parlare solo di casi “green” senza considerare emissioni abilitate (marketing che spinge consumi, efficienza che aumenta estrazione) è un punto debole reputazionale.
• Numeri troppo precisi senza metodologia: se non puoi spiegare confini e metodi, evita cifre puntuali e usa ordini di grandezza con caveat chiari.
• Confondere “monitorare” con “ridurre”: rilevare problemi (esempio: metano) non implica che vengano risolti; evita claim che trasformano insight in impatti reali.