Pubblicato 16 settembre 2026 · 7 min di lettura

Energia e infrastruttura dell’IA: che cosa dicono i dati

I numeri verificabili sul consumo elettrico dei data center, sulle emissioni di addestramento e sulla concentrazione geografica, con l’anno di ciascun dato.

Sull’impronta energetica dell’intelligenza artificiale circolano numeri molto diversi fra loro, e la differenza dipende quasi sempre da che cosa si stia contando: un singolo addestramento, l’inferenza di un servizio, l’intero parco di data center, o la quota di quel parco dedicata all’intelligenza artificiale.

Questo articolo riporta soltanto dati pubblicati da fonti che dichiarano la metodologia, con l’anno di riferimento accanto a ciascuno.

Il consumo dei data center

L’Agenzia internazionale per l’energia colloca il consumo elettrico mondiale dei data center a 485 terawattora nel 2025 e ne proietta il raddoppio a circa 950 terawattora nel 2030, pari a circa il 3% della domanda elettrica mondiale a quella data[1].

All’interno di quel totale la quota attribuibile ai carichi di intelligenza artificiale cresce molto più in fretta del resto: triplica nel periodo, fino a circa 460 terawattora al 2030, quasi alla pari con tutti gli altri carichi messi insieme, stimati intorno a 480[2].

La distribuzione geografica è concentrata. Gli Stati Uniti rappresentano la quota maggiore dell’aumento previsto, seguiti dalla Cina; nel solo mercato statunitense i data center spiegano quasi metà della crescita della domanda elettrica da qui al 2030, e a fine decennio il paese è destinato a consumare più elettricità per i data center che per la produzione di alluminio, acciaio, cemento, prodotti chimici e tutti gli altri beni a elevata intensità energetica messi insieme[1].

Metà della crescita mondiale della domanda dei data center è coperta da fonti rinnovabili, sostenute da accumulo e dalla rete; l’Agenzia stima una crescita della generazione rinnovabile destinata a questi carichi di oltre 450 terawattora fino al 2035[1].

La capacità installata

L’edizione 2026 dell’AI Index misura la capacità elettrica installata dei data center dedicati all’intelligenza artificiale in 29,6 gigawatt, un valore che il rapporto paragona alla domanda di punta dello Stato di New York[3]. Il consumo complessivo che ne discende viene paragonato al consumo elettrico nazionale di Svizzera o Austria.

Sul piano del numero di impianti, il rapporto conta 5.427 data center negli Stati Uniti, più di dieci volte qualunque altro paese[3]. La concentrazione non è soltanto geografica: oltre il 60% del calcolo complessivo fa capo a un solo fornitore di acceleratori, con due grandi operatori di servizi cloud a coprire buona parte del resto.

Le emissioni di addestramento

Per l’addestramento di singoli modelli l’AI Index riporta stime, non misure dirette, perché i fornitori non pubblicano i consumi. Le tre citate nell’edizione 2026 sono: 72.816 tonnellate di anidride carbonica equivalente per un modello di frontiera del 2025, 8.930 tonnellate per un modello a pesi aperti da 405 miliardi di parametri, 5.184 tonnellate per un modello del 2023[3].

Il rapporto aggiunge due regolarità: il calcolo impiegato per addestrare i modelli di rilievo raddoppia circa ogni cinque mesi, e la potenza elettrica necessaria per addestrare i sistemi di frontiera raddoppia circa ogni anno[3].

Le stime vanno lette per quello che sono. Dipendono da assunzioni sul mix energetico della rete che alimenta i centri di calcolo, sull’efficienza degli impianti e sul numero di esecuzioni fallite che precedono l’addestramento definitivo. Due stime dello stesso modello prodotte da gruppi diversi possono differire di un fattore due senza che nessuna delle due sia sbagliata.

Addestramento e inferenza

La distinzione che più conta è fra il costo di costruire un modello e il costo di adoperarlo. Il primo si paga una volta; il secondo si paga a ogni richiesta, per tutta la vita del servizio.

Su questo secondo fronte la traiettoria è opposta a quella delle emissioni di addestramento. Il costo dell’inferenza su modelli di una classe di riferimento è sceso di circa 280 volte fra la fine del 2022 e l’edizione 2026 del rapporto, per effetto della concorrenza fra fornitori, dell’ottimizzazione delle infrastrutture e di acceleratori più efficienti[3].

L’efficienza per singola richiesta migliora mentre il numero complessivo di richieste cresce più in fretta. È la ragione per cui il consumo aggregato aumenta nonostante ogni operazione costi meno: un effetto noto in economia dell’energia e documentato in molti altri settori.

L’acqua

Il raffreddamento dei centri di calcolo consuma acqua, e la misura dipende dalla tecnologia di raffreddamento e dal clima locale. L’AI Index cita una stima secondo cui il consumo idrico annuo per la sola inferenza di un modello multimodale di larga diffusione potrebbe superare il fabbisogno di acqua potabile di 1,2 milioni di persone[3].

Anche qui vale la cautela sulle stime: il numero dipende da assunzioni sul volume di richieste e sull’efficienza degli impianti, che i fornitori non pubblicano.

Che cosa manca ai dati

Tre lacune rendono il quadro meno solido di quanto i numeri suggeriscano.

La rendicontazione è volontaria. Nessun obbligo impone oggi ai fornitori di modelli di pubblicare consumi ed emissioni, e i dati disponibili provengono da stime esterne o da dichiarazioni selettive.

I confini del sistema variano. Alcune stime contano solo l’energia degli acceleratori; altre includono raffreddamento e infrastruttura; poche includono la produzione dell’hardware, che per apparati con vita utile breve non è una voce trascurabile.

L’unità di misura è instabile. Il consumo per token, per richiesta e per utente sono tre cose diverse e i rapporti non sempre dichiarano quale stiano usando.

Come si cita un numero su questo tema

Un dato energetico sull’intelligenza artificiale è utilizzabile se porta con sé quattro cose: l’oggetto misurato, il perimetro del sistema, l’anno del dato e la fonte primaria. Senza una di queste, il numero circola ma non regge un controllo.

È il motivo per cui questo articolo non contiene proiezioni proprie e non converte le cifre in equivalenti d’effetto. Le conversioni in «pari a x famiglie» o «pari a y voli» sono retoriche, non misure: dipendono da un divisore scelto da chi scrive.

Le leve che riducono il consumo

Sul lato dell’offerta la discussione riguarda le fonti; sul lato della domanda esistono leve tecniche misurabili, e vale la pena elencarle perché sono quelle su cui chi adopera questi sistemi può intervenire.

La dimensione del modello. Un modello che risolve il compito con un decimo dei parametri consuma approssimativamente un decimo per richiesta. La scelta del modello più capace disponibile, indipendentemente dal compito, è la singola decisione che pesa di più.

La quantizzazione. Rappresentare i parametri con meno bit riduce memoria e calcolo, con una perdita di qualità che sul proprio compito va misurata e che spesso è trascurabile.

Il raggruppamento delle richieste. Servire molte richieste insieme aumenta di molto il numero di operazioni utili per unità di energia. È una scelta di infrastruttura invisibile a chi usa il servizio e determinante nel bilancio complessivo.

La lunghezza del contesto. Il costo cresce con il testo in ingresso. Un sistema che inserisce dieci documenti quando ne bastano tre consuma tre volte tanto per rispondere alla stessa domanda.

La localizzazione. Lo stesso calcolo produce emissioni molto diverse a seconda del mix energetico della rete che alimenta il centro. È la leva con il maggiore effetto sulle emissioni e nessuno sull’energia.

Che cosa si può chiedere a un fornitore

Oggi quasi nulla è dovuto, e proprio per questo conviene chiedere. Tre domande sono rispondibili e permettono un confronto: il consumo energetico stimato per mille token in uscita; la regione in cui il calcolo avviene e l’intensità di carbonio dichiarata di quella rete; se esista un rendiconto annuale, verificato da un terzo, delle emissioni attribuite al servizio.

La terza domanda è quella che separa i fornitori che hanno una contabilità da quelli che hanno una posizione. Nessuna delle tre richiede di rivelare informazioni riservate sull’architettura.

Perché i confronti d’effetto sono fuorvianti

Le conversioni del tipo «una richiesta consuma quanto x lampadine» o «un addestramento equivale a y voli transatlantici» circolano molto e informano poco.

Il divisore è scelto da chi scrive, e la scelta cambia l’ordine di grandezza dell’impressione senza cambiare il dato. Più importante: mettono a confronto un consumo unitario con un consumo aggregato, o viceversa, lasciando implicito il numero di ripetizioni, che è la variabile decisiva.

Il modo corretto di riportare un dato energetico è nell’unità in cui è stato misurato — wattora, terawattora, tonnellate di anidride carbonica equivalente — con il perimetro e l’anno. È meno efficace nella comunicazione e regge la verifica, che è il criterio adottato in questa pagina.