Il costo ambientale dell’AI nel rapporto ONU 2026: carbonio, acqua, suolo ed energia

L’intelligenza artificiale consuma molte più risorse naturali di quanto stimato fino a oggi. Molti degli studi esistenti si sono infatti concentrati sulle emissioni di CO₂ legate all’addestramento dei modelli, sottostimando due voci rilevanti: l’acqua necessaria per raffreddare le infrastrutture e generare elettricità, e il suolo occupato da impianti energetici e supply chain. Il nuovo rapporto Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints, pubblicato il 3 giugno 2026 dall’UNU-INWEH, l’Istituto per l’Acqua, l’Ambiente e la Salute dell’Università delle Nazioni Unite, approfondisce questi aspetti.

Il documento, firmato da un team di sei ricercatori guidati dalla Dr. Miriam Aczel e coordinati dal Prof. Kaveh Madani — Direttore dell’UNU-INWEH e recente vincitore dello Stockholm Water Prize 2026 — vuole essere, nelle parole degli stessi autori, «un appello a usare l’IA in modo responsabile, affrontando in modo proattivo i suoi impatti non intenzionali».

E, in effetti, i numeri sono impressionanti.

Tre impronte: carbonio, acqua e suolo

Lo Studio parte dal presupposto che ogni kilowattora di elettricità utilizzato per addestrare o eseguire un sistema di AI porta con sé tre distinte impronte: una carbon footprint, una water footprint legata al raffreddamento e alla generazione di energia, e una land footprint derivante dall’infrastruttura energetica e dalle catene di approvvigionamento. Il punto critico, sottolineato più volte nel testo, è che queste tre impronte non si muovono nella stessa direzione.

Gli scienziati ONU spiegano che sostituire il carbone con la bioenergia può ridurre la carbon footprint dell’elettricità del 70%, ma aumenta in media la water footprint di oltre trenta volte e la land footprint di cento volte. La bioenergia è “low-carbon” ma non è “low-water” né “low-land”. Questo significa che misurare la sostenibilità dell’AI solo in CO₂ rischia di spostare il problema altrove, verso le aree del mondo già più esposte a stress idrico e scarsità di suolo.

Nel 2025 i data center globali hanno consumato circa 448 TWh di elettricità, posizionandosi come undicesimo consumatore mondiale — dopo la Francia e prima dell’Arabia Saudita — se considerati come una nazione a sé stante. Entro il 2030, la proiezione sale a 945 TWh, pari a quasi il 3% del consumo elettrico mondiale previsto e circa il doppio del consumo della Francia nel 2025. Tre volte il consumo combinato annuale di Pakistan, Bangladesh e Nigeria.

Il paradosso dell’efficienza: quando risparmiare energia fa consumare di più

Gli studiosi si chiedono se il miglioramento dell’efficienza energetica dei modelli basterà a contenere la crescita dell’impatto. La risposta è no, o almeno: non da solo. Il documento richiama il Paradosso di Jevons — noto in economia come rebound effect — per spiegare perché i guadagni di efficienza a livello di singola query vengono sistematicamente vanificati dall’aumento dei volumi. Man mano che i modelli diventano più efficienti e meno costosi, vengono utilizzati con maggiore frequenza e per un numero crescente di applicazioni, aumentando l’impatto ambientale  complessivo. Senza limiti espliciti su token, risoluzione degli output e lunghezza di default, l’efficienza non si traduce automaticamente in riduzione del consumo.

Ogni risposta che chiedi all’AI ha un costo energetico: ecco quanto

Fino a oggi, gran parte dell’attenzione si è concentrata sull’energia necessaria per addestrare i grandi modelli: il training di GPT-3 ha richiesto circa 1,3 GWh di elettricità, quello di GPT-4 si stima tra 50 e 70 GWh.

Il rapporto chiarisce che il vero peso energetico non sta nell’addestramento, ma nell’uso quotidiano: ogni volta che un utente invia una richiesta a un sistema AI, il modello consuma energia per elaborare la risposta. Questa fase — tecnicamente chiamata inference — vale tra l’80 e il 90% del consumo energetico totale dell’AI. ChatGPT, per esempio, elabora circa 2,5 miliardi di richieste al giorno, per un consumo stimato di 383 GWh all’anno. Per compensare le sole emissioni di CO₂ associate a un singolo prodotto servirebbero 2,6 milioni di piantine cresciute per dieci anni, su una superficie grande quanto Manhattan. La water footprint equivale al fabbisogno idrico minimo annuale di circa 500.000 persone in Africa subsahariana; la land footprint supera 800 campi da calcio.

Quanto consuma un’immagine generata dall’AI?

Il rapporto propone degli interessanti esempi pratici: le differenze di consumo energetico tra tipologie di task sono gigantesche e quasi mai percepite dall’utente finale.

Una query conversazionale tipica consuma circa 200 volte l’energia di una classificazione testuale di base. La generazione di una singola immagine AI richiede circa 1.450 volte quella baseline. Un breve video generato dall’AI può consumare l’equivalente energetico di 200.000 classificazioni spam.

I dati diventano più concreti se tradotti in unità di misura familiari: l’energia necessaria per generare un’immagine AI è sufficiente ad alimentare una lampadina LED da 10 watt per 17 minuti; la sua water footprint corrisponde a circa due cucchiai d’acqua (29 ml). La situazione cambia drasticamente per un video complesso realizzato dall’AI: l’energia necessaria basterebbe ad accendere la stessa lampadina per 42 ore consecutive, e la water footprint salirebbe a 4,1 litri — quasi il fabbisogno idrico minimo di due giorni per una persona.

In poche parole tutti dovremmo ricordarci che le scelte di design dei prodotti — risoluzione di default, lunghezza degli output, tipo di modello instradato — sono a tutti gli effetti decisioni ambientali, per lo più invisibili all’utente.

Dove si costruiscono i data center: casi reali di pressione locale

I costi ambientali dell’AI non sono distribuiti uniformemente, il rapporto documenta casi concreti in cui la crescita delle infrastrutture ha generato tensioni rilevanti a livello locale. In Irlanda, nel 2023, i data center hanno rappresentato il 21% dell’elettricità totale misurata a livello nazionale, superando il consumo di tutte le abitazioni urbane del paese. L’operatore della rete elettrica ha sospeso le nuove autorizzazioni nell’area di Dublino fino al 2028.

In Messico, a Querétaro, la costruzione di nuovi data center preme sulle riserve idriche in una regione già colpita da siccità prolungate. In Uruguay, i piani per un data center ad alta intensità idrica si sono sovrapposti alla siccità del 2023 che ha esaurito le riserve di Montevideo, rendendo l’acqua del rubinetto non sicura per il consumo umano.

Il problema strutturale, sottolineato dal Dr. Mir Matin, co-autore del rapporto e responsabile del programma di analisi geospaziale dell’UNU-INWEH, è che le comunità che sopportano il peso fisico dei data center — suolo occupato, acqua consumata, reti elettriche sotto pressione — non sono le stesse che traggono vantaggio dall’AI che quei data center alimentano.

La concentrazione geografica dell’infrastruttura AI è impressionante: solo 32 paesi al mondo ospitano data center specializzati per l’AI, e oltre il 90% delle infrastrutture AI è concentrata in soli due paesi — Stati Uniti e Cina.

Sei principi per un’AI sostenibile ed equa

La parte conclusiva del rapporto traccia una roadmap per una governance responsabile dell’AI, articolata in sei principi: trasparenza, efficienza per design, equità ambientale, responsabilità sull’intero ciclo di vita, cooperazione globale e uso sostenibile. A ciascuno corrispondono indicazioni concrete per i diversi attori della filiera.

• I governi dovrebbero includere i data center nella pianificazione energetica e idrica del territorio, rendendo obbligatorio un reporting standardizzato che misuri insieme carbonio, acqua e suolo.
• Le aziende AI dovrebbero considerare le scelte di progettazione — quale modello usare, quali output proporre per default — come decisioni con un impatto ambientale reale.
• Gli utenti e le organizzazioni sono invitati a scegliere sempre lo strumento più adatto al compito, evitando di ricorrere a modelli più pesanti del necessario.
• Gli operatori di data center dovrebbero valutare l’impatto ambientale cumulativo già nella fase di localizzazione.
• Gli investitori, infine, farebbero bene ad anticipare i tempi: trattare le impronte ambientali dell’AI come rischi concreti nei propri portafogli significa prepararsi a una regolamentazione che, secondo gli autori, è solo una questione di tempo.

FAQ — Impatto ambientale dell’intelligenza artificiale

Quanta energia consumano i data center dell’AI nel mondo?

Secondo il rapporto UNU-INWEH del 2026, i data center a livello globale hanno consumato circa 448 TWh di elettricità nel 2025. Proiettando la crescita attuale, entro il 2030 questa cifra potrebbe raggiungere 945 TWh all’anno, pari a circa il 3% della domanda elettrica mondiale prevista e approssimativamente al doppio del consumo dell’intera Francia.

Qual è la water footprint dell’intelligenza artificiale?

La water footprint dell’AI deriva principalmente dal raffreddamento dei data center e dalla generazione di elettricità. Secondo le proiezioni UNU-INWEH al 2030, il consumo idrico associato all’elettricità dei data center raggiungerà circa 9.300 miliardi di litri all’anno, equivalente al fabbisogno idrico domestico annuo di 1,3 miliardi di persone nell’Africa subsahariana.

L’impatto ambientale dell’AI dipende da come la uso?

Sì, in modo significativo. Il tipo di richiesta che si fa a un sistema AI influisce molto sul consumo energetico. Una conversazione testuale consuma circa 200 volte l’energia di una semplice classificazione automatica di testo. Generare un’immagine con l’AI richiede circa 1.450 volte quella stessa baseline. Un breve video generato dall’AI può consumare l’equivalente energetico di 200.000 operazioni automatiche di base. Questo significa che scegliere il formato di output più adatto al proprio scopo — evitando, per esempio, di generare immagini o video quando un testo è sufficiente — è già una scelta con un impatto ambientale reale. Il rapporto UNU-INWEH 2026 raccomanda esplicitamente di usare sempre il modello più leggero e il formato meno energivoro adeguato al compito.

Come si può ridurre l’impatto ambientale dell’AI?

Il rapporto UNU-INWEH individua diverse leve: reporting standardizzato delle tre impronte (carbonio, acqua, suolo) obbligatorio per le aziende AI; progettazione di prodotti con output di default a basso consumo; limiti su token e risoluzione; principio di “fit-for-purpose use” per utenti e organizzazioni; integrazione dei data center nella pianificazione energetica e idrica dei territori; e trattamento delle impronte ambientali come rischi materiali da parte degli investitori.

Consiglia questa notizia ai tuoi amici

Commenta questa notizia