di Oliviero Casale, consigliere Fondazione Communia – Rete Permanente per i Beni Comuni
L’intelligenza artificiale è spesso descritta come una tecnologia immateriale, fatta di algoritmi, dati, software e cloud. Questa immagine, però, coglie solo una parte della realtà. Ogni chatbot, ogni immagine generata, ogni ricerca potenziata dall’AI e ogni video sintetico dipendono da data center, server, chip, reti elettriche, sistemi di raffreddamento, acqua, suolo, minerali critici e catene di fornitura globali.
Per questo motivo, il costo ambientale dell’intelligenza artificiale non può essere valutato solo osservando le prestazioni dei modelli o la velocità con cui producono contenuti. Deve essere misurato considerando l’intera infrastruttura fisica che rende possibile il funzionamento dell’AI.
Il rapporto “Environmental Cost of AI’s Energy Use. Carbon, Water and Land Footprints”, pubblicato nel 2026 dalla United Nations University Institute for Water, Environment and Health, affronta proprio questo nodo. Il documento propone una lettura integrata dell’impatto ambientale dell’AI, superando l’approccio limitato alla sola CO₂ e analizzando insieme impronta carbonica, impronta idrica e impronta territoriale associate all’energia utilizzata per addestrare, distribuire e far funzionare i sistemi di intelligenza artificiale.
Perché la sola CO₂ non basta
Uno dei messaggi più importanti del rapporto è che una fonte energetica a basse emissioni di carbonio non è automaticamente a basso consumo d’acqua o a basso uso di suolo. Una strategia energetica può ridurre le emissioni climalteranti e, nello stesso tempo, aumentare la pressione sulle risorse idriche o sul territorio.
Per questo la sostenibilità dell’AI deve essere valutata attraverso più dimensioni. Occorre considerare dove si trovano i data center, quale energia utilizzano, quanta acqua richiedono, quali sistemi di raffreddamento adottano e quali effetti producono sulle comunità locali.
Questa impostazione è decisiva perché l’intelligenza artificiale può certamente contribuire alla transizione ecologica, ad esempio ottimizzando reti elettriche, sistemi idrici, processi industriali, logistica e monitoraggio ambientale. Tuttavia, la stessa tecnologia che può aiutare a gestire la sostenibilità produce a sua volta consumi e impatti. La questione, quindi, non è fermare l’AI, ma governarla in modo trasparente, proporzionato e coerente con i limiti ambientali.
Il peso crescente dei data center
Il cuore fisico dell’intelligenza artificiale contemporanea è rappresentato dai data center. Secondo il rapporto UNU-INWEH, nel 2025 i data center globali hanno consumato circa 448 TWh di elettricità. Se fossero considerati come un Paese, si collocherebbero tra i maggiori consumatori mondiali di energia elettrica.
Entro il 2030, il consumo potrebbe arrivare a circa 945 TWh, pari a quasi il 3% dell’elettricità globale prevista. La crescita non dipende soltanto dall’espansione generale dei servizi digitali, ma anche dal peso sempre maggiore dei carichi di lavoro legati all’intelligenza artificiale. Il rapporto stima che nel 2025 l’AI rappresentasse circa il 20% del consumo elettrico complessivo dei data center e che tale quota possa salire al 40% entro il 2030.
Se questa traiettoria sarà confermata, l’AI diventerà uno dei principali fattori di pressione sulla domanda elettrica globale, con effetti diretti sulla pianificazione energetica, sulle reti, sugli investimenti e sulle politiche ambientali.
L’impronta idrica dell’intelligenza artificiale
L’acqua è una delle dimensioni meno visibili del costo ambientale dell’intelligenza artificiale. I data center richiedono sistemi di raffreddamento per mantenere stabili le temperature dei server, soprattutto quando ospitano carichi intensivi come l’addestramento e l’inferenza dei modelli avanzati.
Inoltre, anche la produzione dell’elettricità necessaria al funzionamento dei data center può comportare consumi idrici rilevanti. Il rapporto stima che il consumo elettrico dei data center nel 2025 fosse associato a un’impronta idrica di circa 4,5 trilioni di litri d’acqua. Entro il 2030, questa impronta potrebbe raggiungere circa 9,3 trilioni di litri.
Si tratta di un dato rilevante, perché molte aree del mondo sono già sottoposte a stress idrico a causa dei cambiamenti climatici, dell’urbanizzazione, dell’agricoltura intensiva e degli usi industriali. Per questo motivo, la sostenibilità dell’AI deve includere anche criteri di governance dell’acqua.
L’impronta territoriale dell’AI
Accanto a energia e acqua, il rapporto richiama l’attenzione sull’uso del suolo. L’impronta territoriale non riguarda soltanto l’area occupata dai data center, ma anche le infrastrutture energetiche necessarie ad alimentarli, le reti di trasmissione, gli impianti di generazione e le catene di fornitura.
Secondo il rapporto, l’impronta territoriale associata alla domanda elettrica dei data center era pari a circa 6.900 km² nel 2025 e potrebbe superare i 14.500 km² entro il 2030.
Questo dato mostra che l’intelligenza artificiale non si sviluppa in uno spazio neutro. Essa incide sui territori, sulle reti energetiche, sulle autorizzazioni locali e sulle comunità che ospitano infrastrutture digitali utilizzate spesso da utenti e imprese collocati altrove.
Ne deriva una questione di giustizia ambientale. I benefici dell’AI possono circolare a livello globale, mentre i costi ambientali possono concentrarsi in aree specifiche. Il rapporto non utilizza espressamente la categoria di “bene comune”, ma offre elementi utili per collegare la sostenibilità dell’intelligenza artificiale a una riflessione più ampia sulle risorse condivise, sulla responsabilità ambientale e sulla necessità di evitare che i costi materiali della transizione digitale siano trasferiti verso comunità vulnerabili o territori già sottoposti a pressione energetica, idrica e ambientale.
Addestramento, inferenza e uso quotidiano
Nel dibattito pubblico si parla spesso dell’energia necessaria per addestrare i grandi modelli di AI. Il rapporto conferma che l’addestramento dei modelli di frontiera richiede quantità elevate di energia. GPT-3 avrebbe consumato circa 1,3 GWh durante l’addestramento, mentre GPT-4 avrebbe richiesto tra 50 e 70 GWh, cioè circa 40-55 volte di più.
Tuttavia, l’addestramento è solo una parte del problema. Una volta che i modelli vengono distribuiti, l’uso quotidiano diventa la componente dominante del consumo energetico. Ogni prompt, risposta, immagine o video generato produce un piccolo consumo che, moltiplicato per miliardi di interazioni, diventa un carico infrastrutturale di grande scala.
Il rapporto stima che l’inferenza possa rappresentare l’80-90% del consumo energetico totale dell’AI. Questo dato sposta l’attenzione dalla responsabilità dei soli sviluppatori alla responsabilità dell’intero ecosistema. Contano anche le scelte delle piattaforme, le impostazioni predefinite, la lunghezza delle risposte, il tipo di modello utilizzato e la frequenza con cui si ricorre a contenuti generativi ad alta intensità computazionale.
Immagini, video ed effetto rimbalzo
Il costo ambientale dell’intelligenza artificiale varia molto in base al tipo di attività. Una classificazione testuale semplice, come il riconoscimento dello spam, richiede un consumo limitato. Una query conversazionale in stile chatbot richiede molto di più. La generazione di immagini richiede ancora più energia, mentre la generazione video rappresenta una delle frontiere più energivore.
Secondo il rapporto, una query testuale in stile ChatGPT può essere circa 200 volte più energivora di una classificazione testuale di base. La generazione di una tipica immagine AI può richiedere circa 2,9 Wh, pari a circa 1.450 volte il consumo di una classificazione testuale. Un video generato con alta complessità può superare i 415 Wh per clip.
Questi dati non devono essere letti in modo allarmistico, ma come indicatori di proporzionalità. Non tutte le attività richiedono modelli grandi, risposte lunghe, immagini o video. Se un compito può essere svolto con un modello leggero o con una risposta breve, l’uso di strumenti più energivori dovrebbe essere valutato con maggiore attenzione.
Inoltre, il miglioramento dell’efficienza non basta se l’aumento dell’uso complessivo supera i risparmi ottenuti per singola operazione. È il rischio dell’effetto rimbalzo. Modelli più efficienti e meno costosi possono favorire un uso molto più esteso dell’AI, aumentando comunque il consumo totale di energia, acqua e suolo.
Minerali critici ed e-waste
Il rapporto richiama anche il ciclo di vita fisico dell’hardware. L’AI richiede chip specializzati, server ad alte prestazioni, infrastrutture di rete e sistemi di alimentazione che dipendono da minerali critici e filiere globali complesse. L’estrazione e la lavorazione di questi materiali possono generare impatti ambientali e sociali significativi, spesso concentrati in territori vulnerabili o con minore capacità di controllo.
A questo si aggiunge il problema dei rifiuti elettronici. Il rapporto stima che entro il 2030 l’infrastruttura AI possa generare fino a 2,5 milioni di tonnellate metriche di e-waste ogni anno. Una governance responsabile dell’AI deve quindi considerare anche progettazione dell’hardware, durata delle infrastrutture, riuso, riciclo e smaltimento sicuro.
Verso una governance sostenibile dell’AI
Il rapporto propone sei principi per un ecosistema di AI responsabile. Il primo è la trasparenza, necessaria per rendere visibili e comparabili i consumi e le impronte ambientali. Il secondo è l’efficienza by design, che richiede modelli e infrastrutture progettati per ridurre il consumo di risorse.
Il terzo è l’equità e la giustizia ambientale, perché gli impatti non sono distribuiti in modo uniforme. Il quarto è la responsabilità lungo il ciclo di vita. Il quinto è la cooperazione globale. Il sesto è l’uso sostenibile.
Per imprese e pubbliche amministrazioni, questo significa adottare l’intelligenza artificiale non solo in base alla produttività o alla riduzione dei costi, ma anche in base a criteri ambientali verificabili. Occorre chiedere informazioni sui consumi energetici dei servizi AI, sulla localizzazione dei data center, sulle tecnologie di raffreddamento, sulle politiche ambientali dei fornitori e sulla gestione del ciclo di vita dell’hardware.
Conclusione
Il costo ambientale dell’intelligenza artificiale non deve essere usato come argomento contro l’innovazione, ma come criterio per renderla più matura, responsabile e sostenibile. L’AI non è immateriale, non è neutra e non è priva di conseguenze fisiche. Consuma energia, richiede acqua, occupa suolo, dipende da minerali critici e produce rifiuti elettronici.
Un’intelligenza artificiale sostenibile non coincide soltanto con un’AI alimentata da energia rinnovabile. Coincide con un ecosistema tecnologico capace di misurare i propri impatti, ridurre gli sprechi, rispettare le comunità locali, evitare trasferimenti nascosti di costi ambientali e orientare l’innovazione verso finalità socialmente utili. Solo così l’intelligenza artificiale potrà contribuire alla transizione ecologica, invece di diventare una nuova fonte di pressione sulle risorse già fragili del pianeta.
