Dai server ai sistemi di raffreddamento, ogni risposta generata porta con sé un costo materiale fatto di elettricità, acqua e infrastrutture
LA NOTIZIA IN BREVE – Una semplice domanda all’intelligenza artificiale può sembrare un gesto leggero, ma dietro ogni risposta lavorano server, chip, reti elettriche e sistemi di raffreddamento. I dati sui consumi mostrano differenze molto ampie: un prompt mediano inviato a Gemini richiede in media 0,24 Wh, produce 0,03 grammi di CO₂ equivalente e usa circa 0,26 millilitri d’acqua, più o meno cinque gocce.
Le stime del Washington Post con la University of California, Riverside, attribuiscono invece a GPT-4 un impatto molto superiore: una email di 100 parole può richiedere 0,14 kWh, quanto 14 lampadine LED accese per un’ora, e consumare 519 millilitri d’acqua. Il confronto va letto con prudenza, perché metodi, modelli e infrastrutture cambiano molto. Il dato centrale resta però chiaro: l’AI generativa vive sullo schermo, ma cresce dentro data center reali, con costi concreti per energia, acqua e territori.
Se vuoi andare oltre alla sintesi della nostra notizia leggi qui di seguito il nostro approfondimento:
L’APPROFONDIMENTO – Porre una semplice domanda a un sistema di intelligenza artificiale può richiedere all’utente pochissimi secondi del proprio tempo, ma quanto pesa sul fronte energetico? La nuova fotografia dei consumi mostra una realtà meno astratta di quanto sembri. Un prompt mediano inviato a Gemini, l’AI di Google, richiede in media 0,24 Wh di energia, genera 0,03 grammi di CO₂ equivalente e consuma circa 0,26 millilitri d’acqua, più o meno cinque gocce. Una stima elaborata dal Washington Post con la University of California, Riverside, assegna invece a GPT-4 un impatto molto più alto: una singola email di 100 parole può richiedere 0,14 kWh, abbastanza per alimentare 14 lampadine LED da 10 watt per un’ora, e usare 519 millilitri d’acqua, poco più di una bottiglietta da mezzo litro.
Il confronto colpisce perché porta l’AI fuori dal linguaggio immateriale del software. Dietro una risposta generata in pochi secondi lavorano chip specializzati, server, memorie, sistemi di rete, ventilazione e impianti di raffreddamento. Ogni parola prodotta da un chatbot nasce dentro un’infrastruttura fisica, alimentata da elettricità e collegata a territori che devono gestire acqua, energia, calore e nuove richieste industriali.
Indice
- 1 Perché una domanda all’AI consuma energia?
- 2 Che cosa dicono i numeri di Gemini?
- 3 Perché GPT-4 arriva a un consumo molto più alto?
- 4 Il singolo prompt racconta solo una parte della storia
- 5 Addestramento e inferenza, le due facce del consumo AI
- 6 Energia, acqua e data center: il lato fisico dell’AI
- 7 Come ridurre il peso ambientale dei prompt?
Perché una domanda all’AI consuma energia?
Quando un utente scrive una richiesta, il modello la trasforma in token, piccoli frammenti di testo che il sistema usa per calcolare la risposta più probabile. Questa operazione coinvolge miliardi di passaggi matematici. Più la domanda contiene dettagli, più il contesto cresce, più la risposta richiede precisione, più aumenta il lavoro dei processori.
Il consumo nasce proprio da questa catena. I chip assorbono elettricità e producono calore. I data center devono smaltirlo con sistemi di raffreddamento, spesso basati su acqua, aria o circuiti misti. In molti impianti il liquido assorbe calore e lo disperde attraverso torri evaporative. In altri casi i gestori scelgono raffreddamento ad aria o acqua riciclata, soprattutto nelle aree dove la risorsa idrica pesa già sui bilanci locali.
Per l’utente tutto avviene sullo schermo. Per l’infrastruttura ogni prompt diventa un piccolo carico di lavoro. Preso da solo, quel carico appare minuscolo. Moltiplicato per milioni di persone e miliardi di richieste, diventa una voce concreta nei consumi dei data center.
Leggi di più
Che cosa dicono i numeri di Gemini?
Il dato pubblicato da Google riguarda il prompt mediano di Gemini Apps. Questa definizione conta molto. Il prompt mediano rappresenta la richiesta al cinquantesimo percentile dei consumi: metà delle richieste pesa meno, metà pesa di più. Il valore offre quindi una fotografia dell’uso ordinario, con richieste testuali comuni e risposte di complessità media.
Secondo Google, quel prompt richiede 0,24 wattora. Per capire la scala basta un confronto domestico: una lampadina LED da 10 watt consuma 10 Wh in un’ora. Il prompt mediano di Gemini vale quindi una frazione minima di quel consumo. Anche l’impronta climatica indicata da Google appare contenuta: 0,03 grammi di CO₂ equivalente. Sul fronte idrico, i 0,26 millilitri corrispondono a poche gocce.
Questi numeri raccontano l’efficienza raggiunta dai grandi sistemi AI quando gestiscono richieste standard su infrastrutture ottimizzate. Google include nel calcolo processori, CPU, memoria, macchine inattive, sistemi di ventilazione e raffreddamento. La misurazione, quindi, guarda all’intero ecosistema hardware che permette al servizio di rispondere in tempo reale.
Leggi di più
Perché GPT-4 arriva a un consumo molto più alto?
La stima su GPT-4 racconta un altro scenario. Il Washington Post e i ricercatori della University of California, Riverside, hanno considerato la generazione di una email di 100 parole. Il risultato arriva a 0,14 kWh, cioè 140 Wh. Il paragone con le lampadine rende il dato immediato: 14 lampadine LED da 10 watt accese per un’ora consumano la stessa quantità di energia.
Il consumo idrico stimato raggiunge 519 millilitri. Qui il salto rispetto al valore indicato per Gemini diventa evidente. La differenza nasce da più elementi: modello analizzato, dimensione del compito, metodologia di calcolo, infrastruttura, sistema di raffreddamento, mix elettrico e anno tecnologico di riferimento.
Il confronto, quindi, richiede prudenza. I due numeri fotografano condizioni diverse. Gemini mostra un prompt mediano misurato da Google sulla propria piattaforma. GPT-4 entra attraverso una stima costruita su un compito preciso, una email breve, e su un modello di generazione testuale più oneroso. Il messaggio giornalistico resta chiaro: il costo ambientale dell’AI cambia molto in base al tipo di richiesta e alla potenza del modello usato.
Il singolo prompt racconta solo una parte della storia
Una domanda semplice pesa poco. Una conversazione lunga pesa di più. Ogni nuovo messaggio aggiunge contesto, istruzioni, vincoli e testo da analizzare. Un utente che chiede una bozza, poi una revisione, poi una sintesi, poi un titolo e poi una nuova versione sposta il consumo su una sequenza di elaborazioni.
La differenza cresce ancora con immagini, video, codice, documenti allegati e richieste tecniche. Generare una risposta breve richiede un carico diverso rispetto a scrivere un articolo, analizzare un PDF, produrre una tabella o creare un’immagine. L’AI multimodale, capace di trattare testo, voce, immagini e filmati, aumenta la complessità computazionale e rende più difficile stimare un valore unico per ogni interazione.
Per questo il dato del singolo prompt funziona come indicatore, non come misura universale. Il peso reale dipende da modello, lunghezza della richiesta, lunghezza della risposta, numero di scambi, memoria contestuale, allegati e data center coinvolti.
Addestramento e inferenza, le due facce del consumo AI
L’impatto ambientale dell’intelligenza artificiale generativa nasce in due momenti distinti. Il primo riguarda l’addestramento. In questa fase il modello impara da enormi raccolte di testi, immagini, audio, video e codice. I cluster di calcolo lavorano per settimane o mesi e concentrano grandi quantità di energia.
Il secondo momento riguarda l’inferenza, cioè l’uso quotidiano del modello. Ogni prompt inviato da un utente rientra in questa fase. Per anni il dibattito ha guardato soprattutto all’addestramento, perché i grandi modelli richiedevano investimenti e potenze di calcolo molto visibili. Oggi l’inferenza pesa sempre di più, perché milioni di persone usano l’AI ogni giorno per scrivere, cercare, programmare, tradurre, riassumere, creare immagini e automatizzare compiti d’ufficio.
La crescita degli utenti rende il tema più urgente. Se una singola richiesta consuma poco, miliardi di richieste cambiano scala. Le piattaforme AI entrano nei motori di ricerca, nelle email, negli smartphone, nei browser e negli strumenti aziendali. L’assistente digitale diventa una presenza continua, e ogni integrazione aggiunge carico ai data center.
Energia, acqua e data center: il lato fisico dell’AI
Il consumo elettrico dei data center cresce insieme alla domanda di servizi cloud e AI. I nuovi impianti richiedono linee elettriche robuste, accordi di fornitura, energia rinnovabile, sistemi di accumulo e grandi superfici tecniche. L’AI accelera questa trasformazione perché concentra richieste ad alta intensità computazionale.
L’acqua rappresenta l’altro nodo. Nei territori già esposti a siccità, un data center con raffreddamento evaporativo può aprire un conflitto tra usi industriali, agricoli e civili. Il raffreddamento ad aria tutela di più le riserve idriche, ma può aumentare il consumo elettrico. I circuiti chiusi, l’acqua riciclata e le acque tecniche riducono il prelievo da fonti potabili, ma richiedono investimenti e progettazione più complessa.
Questa scelta riguarda anche l’Europa e l’Italia. La localizzazione dei data center, la disponibilità di energia rinnovabile, la pressione sulle reti, il rischio siccità e la trasparenza dei consumi diventeranno temi centrali. L’AI promette innovazione e produttività, ma chiede infrastrutture reali e risorse misurabili.
Come ridurre il peso ambientale dei prompt?
Le aziende possono agire su tre leve. La prima riguarda i modelli: sistemi più piccoli per compiti semplici, architetture più efficienti, chip dedicati, caching delle risposte frequenti e instradamento intelligente delle richieste. Una domanda banale può usare un modello leggero, mentre un compito complesso può arrivare a un sistema più potente.
La seconda leva riguarda i data center. Spostare i carichi nelle ore con maggiore energia rinnovabile, usare acqua riciclata, scegliere raffreddamento ad aria nelle zone aride e pubblicare metriche comparabili aiuterebbe cittadini, imprese e regolatori a valutare l’impatto reale.
La terza leva riguarda gli utenti. Prompt più chiari riducono tentativi inutili. Richieste ben delimitate accorciano le conversazioni. Testi brevi e compiti mirati alleggeriscono il carico. La responsabilità principale resta alle piattaforme, ma l’uso quotidiano incide quando milioni di persone ripetono lo stesso gesto.
Link utili:
Measuring the environmental impact of AI inference | Google Cloud Blog
[2508.15734] Measuring the environmental impact of delivering AI at Google Scale
Note per i lettori
L'immagine utilizzata per questo articolo è stata creata con l'ausilio di un sistema AI
