di Matteo Bernardi
C’è un numero che vale la pena tenere a mente: 415. È il numero di terawattora (TWh) consumati dai data center mondiali nel 2024 secondo l’Agenzia Internazionale dell’Energia. Secondo le proiezioni IEA, entro il 2030 quella cifra raddoppierà a circa 945 TWh, crescendo a un ritmo quattro volte superiore rispetto al resto dei settori economici globali, ed il principale responsabile di questa crescita ha un nome preciso: l’intelligenza artificiale.
Il problema non è tanto la dimensione del fenomeno in assoluto, in quanto i data center pesano ancora circa l’1,5% del consumo elettrico globale, ma il vero problema è la velocità e la concentrazione geografica. I server dedicati all’AI crescono al 30% annuo, contro il 9% dei server tradizionali e quasi metà della capacità installata negli Stati Uniti è concentrata in cinque poli regionali: un carico enorme su reti elettriche locali già sotto pressione. Nel 2024, i data center assorbivano quasi il 40% di tutta l’elettricità consumata nello stato della Virginia e negli USA, entro il 2030, il settore consumerà più elettricità di acciaio, cemento e industria chimica messi insieme.
Ma il capitolo più trascurato non è l’energia. È l’acqua.
I server AI generano calore in quantità enormi, raffreddarli richiede sistemi di raffreddamento evaporativo che consumano acqua dolce non la restituendola al ciclo idrico quindi. Uno studio accademico ha stimato che addestrare GPT-3 nei data center Microsoft ha richiesto un totale di 5,4 milioni di litri d’acqua, considerando l’intera filiera energetica, con 700.000 litri di consumo diretto in sito per il solo raffreddamento. Le proiezioni sugli usi idrici globali legati all’AI entro il 2027 si collocano tra i 4,2 e i 6,6 miliardi di metri cubi annui, l’equivalente di quattro-sei volte il consumo annuale della Danimarca per intenderci.
Google ha dichiarato nel suo rapporto di sostenibilità 2025 un consumo idrico di 10,9 miliardi di galloni nell’anno precedente, con un incremento del 34% su base annua.
Il paradosso geografico è tra i più sottovalutati del dibattito pubblico. Le regioni con maggiore disponibilità di energia rinnovabile tendono ad essere quelle con meno acqua disponibile. I server richiedono acqua di alta qualità, non reclamata, non riciclata, perché causa corrosione e proliferazione batterica nelle apparecchiature. Costruire data center “verdi” significa spesso installarli in zone aride, dove ogni litro evaporato pesa di più sull’ecosistema locale.
I bilanci di sostenibilità delle grandi tech company raccontano una storia problematica. Microsoft aveva promesso di diventare carbon negative entro il 2030, ma nel suo rapporto di sostenibilità 2025, l’azienda ha ammesso che le emissioni totali sono aumentate del 23,4% rispetto al 2020, con le emissioni indirette (Scope 3), che rappresentano oltre il 97% dell’impatto complessivo, cresciute del 26%. La stessa chief sustainability officer ha scritto apertamente: “Nel 2020 i nostri leader parlavano dei nostri obiettivi di sostenibilità come di un ‘moonshot’. Quasi cinque anni dopo, siamo costretti a riconoscere che la luna si è allontanata.” Google ha seguito una traiettoria analoga, abbandonando l’obiettivo di neutralità carbonica operativa, dichiarando di volersi concentrare su soluzioni di lungo periodo verso il net-zero. Nel frattempo, un’indagine del Guardian ha stimato che le emissioni reali dei data center di Apple, Google, Meta e Microsoft tra il 2020 e il 2022 fossero oltre sette volte superiori a quanto dichiarato ufficialmente.
C’è però un elemento di segno contrario che sarebbe disonesto ignorare: DeepSeek. Mentre gli sviluppatori occidentali puntano a modelli sempre più grandi e affamati di energia, i ricercatori cinesi hanno perseguito un approccio basato sulla sobrietà computazionale, riducendo i consumi fino al 90% rispetto ai modelli comparabili. Il modello è stato addestrato in circa 55 giorni con un costo dichiarato di 5,58 milioni di dollari, una frazione dei budget di OpenAI o Google. L’architettura Mixture of Experts che attiva solo una porzione dei parametri a ogni inferenza, e il meccanismo di attenzione sparsa che riduce drasticamente il carico computazionale, suggeriscono che il problema energetico dell’AI non sia una legge di natura, ma una scelta progettuale. La corsa al modello più grande, più potente, più energivoro è una scelta dell’industria, non un’inevitabilità tecnica.
Il vero nodo, però, è strutturale. I vantaggi di efficienza rischiano di essere interamente assorbiti da un effetto che in economia si chiama “effetto rimbalzo” o paradosso di Jevons: quando una tecnologia diventa più efficiente, si usa di più, fino ad azzerare e superare il risparmio iniziale. Più i modelli diventano economici da eseguire, più richieste vengono lanciate, più infrastruttura viene costruita.
Quello che manca è una regolamentazione minima della trasparenza, nessuna delle principali aziende tech pubblica dati specifici sull’impatto ambientale dell’AI. I dati sui consumi vengono riportati in modo aggregato, senza distinguere tra workload AI e non-AI, rendendo impossibile qualsiasi calcolo reale. È un’industria che promette di salvare il pianeta e non pubblica il proprio conto della luce.
Il confronto con l’industria automobilistica, qui, è quasi inevitabile. Le emissioni dei motori termici erano visibili, misurabili, normabili. Il tubo di scarico è un oggetto fisico. Il vapore acqueo che sale da un data center nel Nevada non lo è. E quello che non si misura, raramente finisce nella regolamentazione.