Quando parliamo di intelligenza artificiale e ambiente, tendiamo a pensare agli algoritmi come entità immateriali, pure informazioni che fluttuano nel cloud. Ma la realtà è molto più concreta e preoccupante: ogni modello di AI che addestri, ogni query che fai a ChatGPT, ogni immagine che generi, hanno un costo ambientale tangibile in termini di energia, acqua e emissioni di carbonio.
L’AI non è pulita. È una tecnologia estremamente energivora, e mentre il mondo si impegna a ridurre le emissioni per affrontare la crisi climatica, l’industria dell’AI sta consumando risorse a un ritmo esponenziale.
Il Consumo Energetico dell’Addestramento
Addestrare un grande modello di linguaggio come GPT-4 o Gemini richiede una quantità di energia strabiliante. Uno studio del 2019 ha stimato che addestrare un modello transformer di grandi dimensioni consuma circa 284 megawatt-ore (MWh) di elettricità. È un numero astratto: che significa?
Mettiamolo in prospettiva concreta:
- Una casa italiana media consuma circa 2,7 MWh di elettricità all’anno. Addestrare un singolo grande modello di AI consuma in pochi mesi quel che una casa consuma in più di 100 anni.
- Oppure: 284 MWh di energia è sufficiente ad alimentare 2.000 persone per un intero anno (considerando un consumo medio di 140 MWh per persona all’anno in un Paese sviluppato).
- In termini di carbonio: questo consumo energetico produce circa 626.000 tonnellate di CO2 equivalente, a seconda della fonte energetica. È come le emissioni annuali di carbonio di circa 136.000 automobili.
Ma questi numeri sono già obsoleti. Gli studi risalgono a qualche anno fa. I modelli stanno diventando sempre più grandi. Google ha stimato che addestrare il modello PaLM nel 2022 ha richiesto circa 1.000 tonnellate di CO2 equivalente semplicemente per l’inferenza (far girare il modello). I numeri per l’addestramento completo non sono stati pubblicati, ma si stima siano ancora più alti.
Il problema non è solo l’energia consumata, ma la fonte di quella energia. Se un data center usa energia da fonti rinnovabili, l’impatto in carbonio è inferiore. Ma molti data center ancora dipendono da fonti fossili. Negli USA, per esempio, la rete energetica è ancora alimentata per il 40% da fonti fossili. E anche quando le aziende acquistano crediti di energia rinnovabile per compensare (una pratica detta “greenwashing”), il consumo di energia reale rimane, insieme all’inquinamento e all’usura dell’infrastruttura.
Inoltre, l’addestramento non è la fine della storia. Ogni volta che un utente fa una query a ChatGPT, il modello fa “inferenza”: elabora l’input e genera l’output. Questo consumo, moltiplicato per miliardi di query, aggrava ulteriormente il bilancio energetico complessivo.
Il Consumo di Acqua
Un aspetto spesso trascurato è il consumo di acqua. I data center usano enormi quantità di acqua per il raffreddamento. Google ha riportato che il suo centro dati per la generazione di AI in California ha consumato 20 volte più acqua rispetto a un data center tradizionale. In un’epoca di crisi idrica e siccità crescenti, questo è particolarmente preoccupante.
L’acqua viene prelevata dalle risorse locali, spesso in regioni che ne hanno già carenza. In alcuni casi, questa competizione per l’acqua tra i data center e le comunità locali crea conflitti reali e problemi di sostenibilità ambientale e sociale.
I Rifiuti Elettronici
I server e i chip specializzati per l’AI diventano obsoleti rapidamente. Man mano che le tecnologie avanzano e i modelli si fanno più efficienti, le aziende devono costantemente rinnovare il loro hardware. Questo genera una quantità enorme di rifiuti elettronici, spesso contenenti materiali tossici come il piombo e il mercurio.
Gran parte di questi rifiuti finisce nei Paesi in via di sviluppo, dove i lavoratori scavano nei rifiuti per estrarre metalli preziosi in condizioni pericolose e non regolamentate. L’AI, che si presenta come una tecnologia del futuro pulita e intelligente, alimenta quindi una catena di danno ambientale e sfruttamento nel Sud globale.
L’Effetto Rebound
C’è un altro problema sottile ma cruciale: l’effetto rebound. Mentre l’efficienza energetica dei chip migliora, il costo computazionale diminuisce, e così diventano economicamente fattibili usi nuovi e più estensivi della AI. Anziché ridurre il consumo totale, la maggiore efficienza porta a un maggiore utilizzo.
È quello che è successo con i combustibili fossili: le auto più efficienti portarono a più persone che guidavano di più, non a una riduzione netta del consumo di petrolio.
Lo stesso accade con l’AI. Mentre addestrare modelli più piccoli ed efficienti diventa possibile, questi modelli vengono usati per più cose, più spesso, da più persone. Il server potrebbe essere il 20% più efficiente, ma se viene usato dieci volte di più, il consumo totale comunque aumenta.
L’Impatto Indiretto sulla Biodiversità
Oltre al consumo diretto di energia e acqua, c’è un impatto indiretto sulla biodiversità. La costruzione di mega data center richiede infrastrutture: scavi, strade, linee elettriche, linee di raffreddamento. Questi progetti spesso interessano ecosistemi sensibili e habitat naturali.
Inoltre, la richiesta crescente di elettricità accelera la costruzione di nuove centrali energetiche. Se queste sono alimentate da carbone o gas naturale, aumentano le emissioni di carbonio. Se sono basate su idroelettrico o dighe, alterano gli ecosistemi fluviali e i cicli idrici locali. Non c’è scelta priva di conseguenze.
Il Greenwashing delle Aziende
Molte aziende di AI pubblicizzano i loro impegni per la sostenibilità. Dicono di voler raggiungere la neutralità carbonica entro il 2030 o il 2050. Ma spesso questi impegni si basano su acquisti di crediti di carbonio, ovvero pagare per compensare le emissioni altrove, anziché ridurle effettivamente.
È una forma di greenwashing: dichiara impegni ambiziosi mentre continua a operare in modo insostenibile. Inoltre, molti crediti di carbonio hanno scarsa integrità: non rappresentano reduzioni reali e verificabili di emissioni.
Le aziende raramente divulgano informazioni dettagliate sul consumo energetico e idrico dei loro modelli. Questo mancanza di trasparenza rende impossibile per i regolatori, i ricercatori o il pubblico valutare realmente l’impatto ambientale.
Chi Paga il Prezzo?
Come spesso accade, i costi ambientali dell’AI non ricadono equamente sulla società. Le aziende tech che lucrano dall’AI beneficiano dei margini di profitto, mentre le comunità locali attorno ai data center pagano il costo ambientale: aria più inquinata, acqua scarsa, rifiuti tossici.
I Paesi ricchi con tecnologie avanzate beneficiano degli usi della AI, mentre i Paesi in via di sviluppo ricevono i rifiuti elettronici. È un’altra manifestazione della disuguaglianza ambientale globale.
Cosa Potrebbe Cambiare
Per affrontare l’impatto ambientale della AI, sarebbero necessari cambiamenti strutturali:
Trasparenza Obbligatoria: Le aziende dovrebbero divulgare il consumo energetico e idrico effettivo dei loro modelli di AI. Non stime, numeri reali e verificabili. Questo consentirebbe valutazioni comparabili e responsabilità.
Regolamentazione Ambientale: I governi potrebbero imporre limiti al consumo energetico per nuovi modelli o richiedere che tutto l’energia provenisse da fonti rinnovabili. Alcuni Paesi europei stanno iniziando a considerare questo approccio.
Internalizzazione dei Costi: L’AI dovrebbe pagare il costo reale ambientale. Se una tassa di carbonio venisse applicata al consumo di energia per addestrare modelli, i costi sarebbero incorporati nel prezzo del prodotto, incentivando l’efficienza reale.
Ricerca di Tecnologie Alternative: Investire in metodi di addestramento e inferenza meno dispendiosi dal punto di vista energetico. Modelli più piccoli, efficienti, personalizzati.
Localizzazione: Anziché centralizzare tutto in mega data center, distribuire il calcolo in modo da ridurre la necessità di raffreddamento e sfruttare risorse energetiche locali rinnovabili.
Estensione della Responsabilità: Le aziende dovrebbero essere responsabili per l’intero ciclo di vita dei loro chip e hardware, inclusa una corretta gestione dei rifiuti.
Conclusione: Un Costo Nascosto della “Rivoluzione” IA
L’AI viene presentata come la soluzione a molti problemi mondiali, incluso il cambiamento climatico. Gli algoritmi di machine learning possono ottimizzare i sistemi energetici, prevedere i modelli meteorologici, progettare materiali più efficienti.
Ma mentre la AI promette di risolvere la crisi climatica, alimenta essa stessa la crisi. È una contraddizione fondamentale che raramente viene discussa pubblicamente.
La realtà è che la AI non è una tecnologia astratta e pulita. È una pratica molto materiale che consuma risorse scarse, genera rifiuti tossici e ha costi ambientali significativi, spesso invisibili a chi ne beneficia.
Finché continueremo a trattare l’AI come se fosse immateriale, finché le aziende potranno nascondere il consumo reale dietro affermazioni di sostenibilità non verificate, e finché i costi ambientali non ricadranno su chi li genera, il problema continuerà a peggiorare.
Una vera “rivoluzione” dell’AI dovrebbe includere una valutazione onesta del suo impatto ambientale e una disposizione a rallentare, ridimensionare, o cambiare radicalmente come sviluppiamo e implementiamo queste tecnologie. Per ora, quella conversazione rimane largamente assente.
Calogero Calcagno
