Nella corsa globale allo sviluppo e regolamentazione dell’intelligenza artificiale (IA), la misurazione e mitigazione degli impatti ambientali derivanti dal suo utilizzo sta assumendo un ruolo sempre più centrale.
Il tema riveste particolare importanza per le aziende che investono in sviluppo di IA ma che, a oggi, si scontrano con due difficoltà: la scarsità di dati sull’impatto ambientale del training e dello sviluppo dell’IA, e la carenza di metodologie consolidate per la mitigazione degli impatti nell’ambito dei processi aziendali.
Gli impatti ambientali dell’IA
Una prima panoramica della dimensione degli impatti ambientali dell’IA si trova nello studio Enviromental cost of AI’s energy use – carbon, water and land footprints dell’Institute for Water, Environment and Health delle Nazioni Unite, pubblicato lo scorso 3 giugno. Il dato principale riguarda il consumo di energia dei data center, l’infrastruttura che permette l’utilizzo dell’IA, stimato a 448 miliardi di kWh nel 2025: se si trattasse di una nazione, si collocherebbe all’undicesimo posto a livello mondiale, all’incirca alla pari con la Francia. Per quanto riguarda l’uso del suolo, le infrastrutture informatiche ed energetiche necessarie per produrre l’energia richiesta dai data center supereranno a fine decennio i 14.500 km² – quasi quanto la superficie dell’Irlanda del Nord.
Rispetto all’utilizzo dei singoli modelli, il consumo energetico e il conseguente impatto ambientale derivano dall’addestramento (training) dei modelli e dal loro utilizzo quotidiano da parte di aziende e utenti.
Il training risulta essere particolarmente energivoro. Basti pensare che il report ha quantificato l’energia utilizzata per addestrare GPT-4 come equivalente al consumo elettrico annuo residenziale di oltre 460.000 persone nell’Africa subsahariana. Se il training dei modelli concentra consumi elevatissimi in finestre temporali definite, è l’uso quotidiano (inference) da parte di miliardi di utenti a rappresentare tra l’80% e il 90% del consumo energetico totale dell’IA. I soli prompt elaborati quotidianamente da ChatGPT (circa 2,5 miliardi) si traducono, a un consumo conservativo di 0,42 Wh per richiesta testuale, in circa 383 GWh all’anno. Il tipo di task richiesta dall’utente ai singoli modelli di IA incide in modo determinante sul consumo energetico. Ad esempio, una query testuale standard consuma circa 200 volte più energia di una semplice classificazione del testo mentre la generazione di un’immagine è circa 60 volte più energivora di una risposta testuale breve.
A fronte dell’alto consumo di energia, le aziende che intendono implementare protocolli di misurazione e mitigazione degli impatti si ritrovano ad agire in un contesto normativo ancora in fase di definizione, che combina standard internazionali, obblighi normativi europei e pratiche già operative nei principali player tecnologici.
Perché misurare gli impatti ambientali dell’IA
Dal punto di vista normativo, il Regolamento (UE) 2024/1689 (AI Act) ha introdotto i primi obblighi vincolanti in materia di trasparenza energetica dei sistemi IA. L’art. 53 dell’AI Act, in combinato con l’Allegato XI, impone ai provider di modelli di IA per finalità generali (GPAI) di pubblicare il consumo energetico noto o stimato del modello nella propria documentazione tecnica obbligatoria. L’obbligo è operativo con effetto immediato per i modelli lanciati dal 2 agosto 2025, mentre per i modelli precedenti si applica un periodo transitorio fino al 2 agosto 2027. È importante precisare che la norma si rivolge ai provider di modelli GPAI — sviluppatori come OpenAI, Google o Meta — e non ai deployer, ossia alle aziende che integrano modelli di terzi nelle proprie applicazioni.
Seppur non obbligate dalla normativa europea, le aziende deployer di sistemi IA dovrebbero implementare o aggiornare i propri processi di misurazione degli impatti ambientali per le peculiarità rappresentate dai modelli di IA. In primis in quanto nella fase di selezione dei fornitori IA le metriche di consumo di energia sono diverse dalle classiche metriche dei software non AI, basti pensare al consumo per il training dei modelli o a quello associato alla tipologia di query. In secondo luogo, una volta implementata l’AI nei processi aziendali, il consumo di energie connesso al suo utilizzo dipende molto dalla capacità di progettare workflow efficienti in grado di selezionare i modelli a seconda delle esigenze senza, ad esempio, utilizzare modelli che utilizzano un’elevata capacità di calcolo, e quindi di energia, per task semplici o per evitare usi ridondanti.
Sul fronte normativo, le aziende già soggette alla Corporate Sustainability Reporting Directive (CSRD), che dall’esercizio 2025 coinvolge le grandi imprese europee non quotate con più di 500 dipendenti, devono rendicontare secondo i propri impatti ambientali, inclusi i consumi energetici legati alle infrastrutture digitali. Non includere i consumi IA espone al rischio di lacune nella reportistica e, in prospettiva, di contestazioni. Sul fronte competitivo, la capacità di dimostrare un profilo ESG solido favorisce sia la reputazione aziendale che l’accesso a strumenti di finanza sostenibile e semplifica la partecipazione ad appalti pubblici europei, sempre più attenti ai criteri ambientali.
Come misurare gli impatti ambientali dell’IA
Le aziende che vogliono misurare gli impatti ambientali legati all’utilizzo dell’AI possono, a oggi, adottare lo standard ISO/IEC 21031:2024 – Software Carbon Intensity (SCI) – che fornisce una metodologia per calcolare le emissioni di carbonio per unità funzionale di software, applicabile all’intero ciclo di vita dei sistemi IA, dal training all’inference. La misurazione degli impatti ambientali si inserisce nella più ampia governance organizzativa dell’IA, disciplinata dallo standard ISO/IEC 42001:2023. In particolare, la valutazione dei rischi ambientali dell’IA è richiamata nei seguenti ambiti di governance:
- Linee guida interne: le aziende nel definire le proprie linee guida dovrebbero includere la valutazione degli impatti ambientali derivanti dall’utilizzo dell’IA.
- Valutazione degli impatti ESG: le aziende dovrebbero implementare una metodologia per la misurazione dei seguenti ambiti:
- ambiente (inclusi gli impatti sulle risorse naturali e le emissioni di gas serra);
- economia (inclusi l’accesso ai servizi finanziari, le opportunità occupazionali, la fiscalità, il commercio e gli scambi);
- governance (inclusi i processi legislativi, la disinformazione a fini politici, la sicurezza nazionale e i sistemi di giustizia penale);
- salute e sicurezza (inclusi l’accesso all’assistenza sanitaria, la diagnosi e il trattamento medico, e i potenziali danni fisici e psicologici);
- norme, tradizioni, cultura e valori (inclusa la disinformazione che genera pregiudizi o danni nei confronti di individui).
- Documentazione del singolo applicativo IA: nella documentazione tecnica degli applicativi destinati agli utenti esterni, l’azienda dovrebbero comunicare l’impatto ambientale derivante dal consumo energetico dell’hardware che permette il funzionamento dell’applicativo IA.
Nel 2027 il vero banco di prova
A oggi, le ragioni della scarsa trasparenza ambientale finora mostrata dai produttori di IA sono riconducibili a due principali ragioni. Da un lato, la misurazione del consumo energetico di un modello, specie nella fase di training dove il consumo è distribuito su cluster eterogenei e spesso su più data center, resta un esercizio metodologicamente complesso. Dall’altro, il dato energetico rivela indirettamente la scala del modello, l’efficienza dell’infrastruttura e, in ultima analisi, il costo di produzione, informazioni che i player tecnologici hanno interesse a non condividere con i concorrenti.
L’obbligo di trasparenza sui dati di consumo energetico è previsto dal regolamento europeo sull’IA (AI Act) solo per i fornitori di modelli di IA per finalità generali, imponendo all’art 53 la redazione di una documentazione tecnica riportante anche il consumo energetico noto o stimato del modello (allegato XI, comma 2, lett. e). L’obbligo normativo non disciplina in modo puntuale la metodologia di calcolo, lasciando ai singoli provider un margine di discrezionalità che renderà difficile la comparabilità tra modelli concorrenti. Al riguardo, una possibile regolamentazione delle modalità di misurazione degli impatti energetici è prevista all’art. 95 dell’AI Act, che riserva all’AI Office la possibilità di redigere un codice di condotta per “la valutazione e la riduzione al minimo dell’impatto dei sistemi di IA sulla sostenibilità ambientale, anche per quanto riguarda la programmazione efficiente sotto il profilo energetico e le tecniche per la progettazione, l’addestramento e l’uso efficienti dell’IA” che, qualora venisse adottato, potrà offrire maggiori indicazioni per sviluppare una metodologia uniforme di misurazione degli impatti.
Lo scenario più probabile nel breve periodo è quello in cui i fornitori di modelli di IA adotteranno misure di trasparenza energetica solo su base volontaria e in modo disomogeneo. I grandi provider, in particolare, pubblicheranno i dati con perimetri di calcolo e livelli di granularità differenti. Il vero banco di prova sarà il 2027, quando l’obbligo di trasparenza energetica ex art. 53 dell’AI Act entrerà in vigore per i fornitori di modelli GPAI immessi sul mercato prima del 2 agosto 2025. Solo a quel punto si potranno avere le prime evidenze strutturate sui dati di consumo energetico e una metodologia di misurazione condivisa a livello europeo tramite il codice di condotta ex art. 95.