Quando ChatGPT o Gemini rispondono in pochi secondi, sembra quasi che le parole appaiano dal nulla. In realtà, dietro ogni risposta c’è un’infrastruttura mastodontica che consuma energia sufficiente ad alimentare città intere per giorni.
Nel 2023 i data center destinati all’IA hanno rappresentato il 4,4% del consumo elettrico statunitense, e circa l’1,5% su scala mondiale. Gli esperti stimano che la percentuale raddoppierà entro il 2030, spinta dall’esplosione della domanda di intelligenza artificiale.
Due fasi ad alta intensità: addestramento e inferenza
1. Addestramento
I Large Language Models (LLM) vengono “nutriti” con miliardi di frasi e documenti.
I modelli sono così grandi da richiedere centinaia di GPU su più server, attive per settimane o mesi.
Secondo una stima, l’addestramento di GPT-4 ha consumato circa 50 GWh, pari all’elettricità che alimenterebbe San Francisco per tre giorni.
2. Inferenza
- È il momento in cui l’IA elabora la tua domanda e formula una risposta.
- Singolarmente consuma meno di un addestramento, ma i volumi sono giganteschi: oltre 2,5 miliardi di richieste al giorno solo su ChatGPT, a luglio 2025.
- Più utenti → più server attivi in parallelo → maggiore consumo energetico.
Perché “più grande è meglio” ha un costo
Il mantra dell’IA è: modelli più grandi generano risposte migliori. Ma più grandi significa anche:
- Maggiore spazio di archiviazione.
- Più GPU in funzione.
- Rete elettrica più sollecitata.
Uno studio su un singolo server Nvidia DGX A100 ha mostrato un fabbisogno di 6,5 kW di potenza continua; un LLM ne richiede decine o centinaia, per settimane.
L’impatto ambientale e il ruolo degli utenti
L’uso quotidiano dei chatbot contribuisce, anche se indirettamente, al loro impatto ambientale. Ogni conversazione, ogni immagine generata e ogni traduzione attivano server energivori. Non è solo “colpa” dell’industria tecnologica: la nostra fame di risposte istantanee alimenta la domanda.
Come ridurre il peso energetico dell’IA
- Ottimizzazione dei modelli: aziende come OpenAI e Google stanno lavorando su architetture più efficienti.
- Data center verdi: alimentati da energie rinnovabili o situati in aree a clima freddo per ridurre il raffreddamento.
- Uso consapevole: valutare quando serve davvero un’IA complessa e quando bastano soluzioni più leggere.
La realtà dietro la comodità
I chatbot sembrano magici, ma il prezzo nascosto è un consumo energetico impressionante. Sapere cosa c’è dietro le risposte istantanee può aiutarci a usare queste tecnologie con maggiore consapevolezza e a spingere le aziende a investire in soluzioni più sostenibili. Vuoi che prepari un’infografica riassuntiva per i social su addestramento vs inferenza e i loro consumi?
