L’intelligenza artificiale generativa ha trasformato il panorama tecnologico globale in tempo record. Chatbot intelligenti, modelli di visione computazionale, sistemi di previsione basati su deep learning: oggi questi strumenti sono alla portata di milioni di utenti. Ma quanto consuma tutto questo? Dietro ogni query verso un modello di AI generativa c’è una richiesta energetica che il sistema elettrico globale non era preparato ad affrontare.
I datacenter che ospitano questi modelli stanno assorbendo volumi di energia senza precedenti, creando una sfida che è contemporaneamente tecnica, ambientale e strategica. Non è solo una questione di costi e sostenibilità: è una questione di progresso collettivo consapevole.
Come possono le aziende, che sfruttano l’AI nei propri processi, continuare a beneficiare dell’innovazione senza compromettere la stabilità delle reti e gli obiettivi di decarbonizzazione?
La risposta è più complessa e interessante di quanto potrebbe sembrare: approfondiamo questo tema come Enerloop, ben coscienti di essere noi per primi una tech company AI-based.
L’esplosione della domanda computazionale
Lo sviluppo dell’AI, in particolare dei modelli generativi, ha radicalmente trasformato le infrastrutture digitali. A differenza del passato, l’AI richiede un’enorme potenza di calcolo basata su processori specializzati, detti GPU, che operano in cluster ad alta densità.
I numeri parlano chiaro: la potenza richiesta per un singolo armadio di server, o rack, è passata dai tradizionali 5-15 kW a oltre 100 kW. Questi datacenter dedicati lavorano a pieno regime 24 ore su 24, consumando dalle 4 alle 5 volte in più rispetto a un datacenter tradizionale.
Nel 2024 i datacenter hanno assorbito circa 415 TWh (l’1,5% della domanda elettrica globale), un dato destinato a raddoppiare e raggiungere i 945 TWh entro il 2030. Per rendere l’idea: è come aggiungere un nuovo Paese ai consumi energetici globali in soli sei anni!
Perché è una questione cruciale: il paradosso di Jevons
Questa trasformazione sta creando un’industria altamente energivora che genera implicazioni enormi.
Da un lato, c’è lo stress sulle reti e problemi di congestione. I grandi poli digitali (hyperscale) richiedono concentrazioni di energia tra i 100 e i 500 MW, pari al consumo di intere città. Le fluttuazioni repentine di questi carichi rischiano di creare instabilità sulle reti elettriche e richiedono massicci investimenti infrastrutturali. In alcune zone, come la Lombardia in Italia, ad esempio, le reti stanno già raggiungendo il limite di saturazione.
E qui si innesta il cosiddetto “paradosso di Jevons”. Sebbene le singole operazioni di calcolo diventino sempre più efficienti grazie all’innovazione tecnologica, l’abbassamento dei costi rende l’AI molto più accessibile e utilizzata, causando un aumento esponenziale dei consumi complessivi.
Come dire: più efficienza genera più utilizzo, che genera maggiori consumi. È un paradosso apparente, ma molto reale.
Come le aziende stanno affrontando questa sfida?
Per le imprese che sviluppano e utilizzano servizi AI, l’energia è diventata il fattore produttivo centrale, paragonabile al costo del lavoro nella manifattura tradizionale.
Abbiamo mappato alcuni comportamenti virtuosi che diverse organizzazioni stanno già implementando:
- Innovazione nel raffreddamento. I processori AI generano un calore estremo, e il raffreddamento rappresenta fino al 40% del consumo energetico totale dei datacenter. Le aziende stanno abbandonando i sistemi ad aria per passare a sistemi di raffreddamento a liquido o a immersione, che abbassano i consumi e ottimizzano gli spazi. Un altro stratagemma efficace è ospitare i server in ambienti nativamente freddi, come zone montane remote.
- Recupero degli scarti termici. In un’ottica di economia circolare, le aziende stanno sviluppando sistemi per recuperare il calore generato dai server e cederlo alle reti di teleriscaldamento urbano, a ospedali o a industrie locali, trasformando uno “scarto” in una risorsa preziosa.
- Strategie di approvvigionamento green. Le big tech, come Amazon, Google e Microsoft, stipulano contratti a lungo termine per garantirsi energia da fonti rinnovabili. Alcune stanno addirittura investendo in piccoli reattori nucleari dedicati, per avere energia continua a zero emissioni e costi stabili nel tempo.
- Usare l’AI per ottimizzare l’AI stessa. L’aspetto forse più interessante è che molte imprese applicano l’Intelligenza Artificiale per monitorare e ottimizzare i propri datacenter, distribuendo i carichi di lavoro in base alla disponibilità di energia a basso costo e riducendo drasticamente gli sprechi. L’AI diventa la soluzione al suo stesso problema energetico.
Un’opportunità per le imprese
Ma il tema dell’efficienza energetica non riguarda solo i giganti della tecnologia. Qualsiasi impresa che implementi l’AI nei propri uffici e stabilimenti può sfruttarla per ottimizzare i propri consumi.
Applicando algoritmi di AI per analizzare enormi volumi di dati provenienti da sensori, le aziende possono:
- Ottimizzare riscaldamento e raffrescamento (HVAC) in tempo reale;
- Abilitare la manutenzione predittiva degli impianti;
- Evitare dispersioni energetiche nascoste;
- Ridurre l’impronta di carbonio complessiva.
In questi casi, il costo iniziale dell’implementazione di AI viene ampiamente ripagato dal risparmio netto sulle bollette e dalla riduzione delle emissioni, andando in un certo senso a mitigare il paradosso di Jevons di cui sopra.
Una questione di progresso consapevole
L’AI, dunque, non è intrinsecamente insostenibile, come molti affermano: tutto dipende da come la sfruttiamo. La vera sfida è sviluppare tecnologia mantenendo consapevolezza dell’impatto energetico, investendo in innovazione – sia nei sistemi di raffreddamento che nelle strategie di approvvigionamento green – e applicando l’AI per ridurre i suoi stessi consumi.
Per le imprese italiane, questo significa opportunità concrete: efficientare i processi energetici attraverso l’AI non è più un’opzione, ma una leva competitiva essenziale.
Enerloop integra l’Intelligenza Artificiale nella propria piattaforma per aiutare le organizzazioni a monitorare consumi, prevedere trend energetici e ottimizzare l’uso delle risorse energetiche. In un contesto in cui l’energia è sia una sfida che un’opportunità, l’approccio data-driven diventa la soluzione indispensabile.