In questo articolo Indice dei contenuti 2 sezioni
Chi usa i chatbot ogni giorno, magari decine di volte, raramente si ferma a pensare a quanta corrente serva per far comparire quelle righe di testo sullo schermo. Eppure il consumo energetico legato all’intelligenza artificiale generativa è diventato un tema concreto, con i centri di elaborazione dati che macinano calcoli 24 ore su 24 per compiti che vanno dal frivolo al vitale, dal consiglio sentimentale all’analisi di immagini mediche per diagnosticare un tumore, dalla scrittura di codice al rilevamento di truffe bancarie.
I numeri aiutano a inquadrare la faccenda. Secondo l’Agenzia Internazionale dell’Energia i data center consumano oggi 414 terawattora l’anno, più o meno l’1,5% dell’elettricità mondiale, con una crescita del 12% annuo per cinque anni prima dell’impennata al 17% nel 2025. Entro il 2030 la domanda elettrica di queste strutture dovrebbe più che raddoppiare. Buona parte di quella richiesta viene coperta con combustibili fossili, e c’è anche la questione dell’acqua usata per il raffreddamento in zone già colpite dalla siccità. Gli esperti sono chiari su un punto: la responsabilità principale resta delle aziende tecnologiche, che devono costruire algoritmi più intelligenti e hardware più efficiente. Però qualcosa possono farlo anche le persone comuni. “Le decisioni individuali non sono prive di senso, e alcune hanno più impatto di quanto la gente creda”, dice l’informatica Ivana Drobnjak della University College London.
Perché i chatbot consumano così tanto
Stimare l’energia di una singola richiesta è complicato. Google calcola che Gemini consumi circa 0,24 wattora per rispondere a una domanda testuale di lunghezza media, l’equivalente di meno di nove secondi di televisione accesa, più 0,26 millilitri d’acqua e 0,03 grammi di anidride carbonica, quando percorrere un miglio in auto a benzina ne emette circa 400. Piccolissimo, preso da solo. Il problema è la scala.
Il motivo tecnico sta nei processori, le GPU consumano molto più delle CPU che gestiscono email e ricerche web, e nell’architettura chiamata “transformer” su cui si basano i modelli linguistici di grandi dimensioni. Per ogni singola parola generata, il modello rielabora la domanda e tutto quanto ha già scritto, con miliardi di calcoli ogni volta. Le aziende sostengono che l’efficienza migliori: sempre secondo i conti di Google per il 2025, quei 0,24 wattora rappresentano un consumo 33 volte inferiore rispetto all’anno precedente. Ma partendo dai dati OpenAI, Drobnjak ha stimato a maggio circa 3,2 miliardi di richieste al giorno inviate a ChatGPT. E sempre più spesso sono gli stessi utenti a creare agenti automatici che interrogano i chatbot al posto loro.
Quattro mosse per sprecare meno
La prima è banale e per questo efficace: chiedersi se serva davvero l’IA. “Chiedere a ChatGPT cosa mi metto oggi o che tempo farà è come prendere il Concorde per andare al supermercato”, commenta Günter Klambauer, esperto di IA dell’Università Johannes Kepler in Austria. Lo stesso vale per le sintesi automatiche nei motori di ricerca. “Se cerchi solo un articolo specifico, disattivare quella funzione può far risparmiare parecchia energia”, spiega Udit Gupta della Cornell Tech di New York. Basta selezionare “Solo risultati web” oppure aggiungere “-ai” nella stringa di ricerca.
La seconda riguarda la taglia. Chi usa l’IA per compiti ripetitivi come traduzioni o riassunti può passare a modelli più piccoli e specializzati, disponibili gratis su piattaforme come Hugging Face. In uno studio del 2025 pubblicato dall’UNESCO, Drobnjak ha confrontato modelli ridotti, tra cui “opus mt en es” per le traduzioni, con Llama 3.1 di Meta: consumo da 15 a 50 volte inferiore e risultati qualitativamente migliori sui compiti per cui erano stati progettati. Abbandonare i modelli giganti ha portato a un taglio del 90% dei consumi complessivi. Come sintetizza Gupta, non serve un modello da mille miliardi di parametri per sistemare una email.
Terza mossa, tenere a freno la loquacità. Mosharaf Chowdhury, dell’Università del Michigan, ha misurato i consumi dei modelli pubblici e ha notato che quelli più “chiacchieroni” bruciano più energia. Una versione di Qwen, sviluppato da Alibaba Cloud, in modalità ragionamento genera circa dieci volte più parole rispetto alla modalità conversazione normale. Chiedere risposte brevi o imporre un limite di parole funziona: nello studio UNESCO il consumo di Llama è sceso del 50% dimezzando l’output richiesto, mentre accorciare la domanda ha portato appena un 5% di risparmio. “È la dimensione della risposta a determinare la spesa energetica”, osserva Drobnjak, che ha collaborato con la città di San Francisco su indicazioni pratiche come “massimo cinque punti”.
Quarta, immagini e video. Generarli costa ordini di grandezza in più rispetto al testo, perché significa iterare milioni di pixel molte volte, rielaborando ogni volta l’immagine intera. Meglio la bassa risoluzione e, per i video, lavorare a lotti.
