L’intelligenza artificiale consuma come la Francia e inquinerà come il Regno Unito

Se i data center del mondo fossero considerati uno Stato, già oggi consumerebbero la stessa energia della Francia. Entro il 2030, inquinerebbero quanto il Regno Unito. Due dati che esprimono le dimensioni degli impatti ambientali dell’intelligenza Artificiale sul pianeta.

Il quadro generale lo descrive il rapporto pubblicato il 3 giugno 2026 dall’Unu-Inweh (United Nations University Institute for Water, Environment and Health), il braccio accademico dell’Onu che lavora da trent’anni su sfide globali all’incrocio tra acqua, ambiente e salute. Il documento si intitola Environmental cost of AI’s energy use: carbon, water and land footprints ed è, ad oggi, la valutazione più completa degli impatti ecologici dell’intelligenza artificiale mai condotta a livello internazionale.

Un boom da 2.500 miliardi

Per capire perché i consumi crescano a questo ritmo occorre partire dall’economia. Il rapporto stima che la spesa globale per l’IA nel 2026 supererà i 2.500 miliardi di dollari, per arrivare a 5mila miliardi entro il 2033. Questa crescita si traduce direttamente in consumo di risorse energetiche. I data center hanno consumato circa 448 Terawattora (TWh) di elettricità nel 2025.

Per dare una dimensione della scala, un 1 TWh è il consumo energetico annuale di una città di 500mila abitanti, o quanto serve per alimentare 6 milioni di veicoli elettrici. Entro il 2030 questa cifra potrebbe più che raddoppiare, raggiungendo quasi il 3% del consumo elettrico globale, con la possibilità di estendersi anche nello spazio.

I carichi di lavoro legati all’IA rappresentano già oggi circa il 20% del consumo totale dei data center. Si prevede arriverà al 40% entro il 2030: più di nove volte l’intera Nigeria.

Non solo CO2: acqua e suolo

Di fronte alle dimensioni di questi consumi, occorre misurare l’impatto dell’IA in maniera globale. Il concetto chiave del rapporto è l’«impronta triplice»: ogni chilowattora di energia usato per addestrare o far funzionare un modello porta con sé tre tipi distinti di impatto.

L’impronta di CO2 misura le emissioni di gas serra legate alla produzione di elettricità. Invece, l ‘impronta idrica misura l’acqua consumata nella produzione di energia e dai data center per raffreddare i server. Infine, l’impronta fondiaria misura la superficie occupata da impianti energetici, bacini idroelettrici e parchi rinnovabili.

Queste tre impronte non si muovono quasi mai nella stessa direzione. Il caso del Brasile lo illustra bene: la sua rete, dominata dall’idroelettrico, emette il 77% di CO2 in meno rispetto alla media mondiale, ma le sue impronte idrica e fondiaria sono quasi tre volte la media globale. Come scrivono gli autori, «”low-carbon” non significa automaticamente “low-water” o “low-land”»: valutare la sostenibilità attraverso un solo indicatore può nascondere compromessi e trasferire oneri verso comunità già sotto pressione.

Le proiezioni al 2030 rendono concreta la dimensione del problema. In Irlanda, già ora, i data center consumano un quinto dell’elettricità del Paese. Nei prossimi anni, secondo le stime del rapporto, con 945 TWh di elettricità annui destinati all’IA, l’impronta idrica sarà di 9.300 miliardi di litri: abbastanza per soddisfare le necessità di tutti gli 1,3 miliardi di abitanti dell’Africa subsahariana. L’impronta fondiaria supererà i 14.500 chilometri quadrati, circa la superficie dell’intera Irlanda del Nord. In ultimo, il tema delle scorie. I rifiuti elettronici (e-waste) potrebbero raggiungere i 2,5 milioni di tonnellate l’anno: l’equivalente di 250 Torri Eiffel.

Come consuma una IA?

L’IA si alimenta attraverso due fasi distinte. La prima è il training, ovvero l’addestramento: prima di rispondere agli utenti, un modello elabora enormi quantità di dati attraverso cicli intensivi di calcolo che durano settimane o mesi. Per addestrare GPT-4 sono stati necessari circa 60 gigawattora (GWh): il consumo elettrico annuo di 460mila persone nell’Africa subsahariana.

La fase più impattante è però la seconda: l’inference, ovvero l’uso quotidiano del modello. È responsabile dell’80-90% del consumo energetico totale dell’IA. ChatGPT elabora circa 2,5 miliardi di richieste al giorno, ma non tutte pesano allo stesso modo: una risposta conversazionale consuma circa 200 volte più di una classificazione testuale; generare un’immagine costa 60 volte più di una risposta testuale; un breve video ad alta risoluzione può richiedere oltre 415 wattora, quanto 200mila classificazioni di spam. Anche la ricerca web potenziata dall’IA consuma dieci volte tanto rispetto a quella tradizionale.

Più è efficiente, più consuma

Di fronte a questi dati, la risposta più intuitiva è: rendiamo i modelli più efficienti e i consumi diminuiranno. Non è così. Anche per l’IA si applica il cosiddetto paradosso di Jevons (o effetto rimbalzo) formalizzato durante la rivoluzione industriale. Così come le macchine a vapore più efficienti non riducevano il consumo di carbone, i modelli più veloci non abbassano i consumi totali. Un motore più efficiente abbassa i costi di esercizio; costi più bassi stimolano un uso più ampio; l’uso più ampio consuma più risorse in totale.

Gli autori sono espliciti: «I guadagni di efficienza non si traducono automaticamente in un impatto ambientale più basso.» La soluzione non è rinunciare all’efficienza, ma affiancarle strumenti di gestione della domanda: budget espliciti di risorse misurati in token, ore di Gpu o kilowattora; incentivi per l’uso dei modelli più leggeri quando sufficienti; obblighi di trasparenza sui consumi reali.

La potenza di calcolo al Nord, le scorie al Sud

Accanto all’impronta e ai costi ambientali c’è un tema di distribuzione geografica delle infrastrutture, che denota una separazione netta, anche dal punto di vista della giustizia ambientale.

Al 2025, solo 32 Paesi – il 16% del totale – ospitano infrastrutture cloud specializzate per l’IA. Il 90% di questa capacità di calcolo è concentrata in soli due Paesi: gli Stati Uniti, con quasi la metà di tutti i data center al mondo (oltre 4mila strutture), e la Cina. Più di 150 Paesi non dispongono di alcuna infrastruttura di calcolo IA sovrana. Le applicazioni vengono sviluppate per i mercati dei Paesi ricchi, con lingue e priorità che rispecchiano quei contesti. Le realtà dei Paesi in via di sviluppo restano ai margini.

I minerali che alimentano chip e server – litio, cobalto, rame, terre rare – sono invece estratti in larga misura nel Sud globale, spesso in regioni con supervisione normativa debole. Le comunità locali sopportano i costi ambientali e sanitari dell’estrazione mentre i benefici tecnologici restano altrove. E al Sud restano anche le scorie: i rifiuti elettronici seguono rotte informali verso Paesi dell’Africa occidentale e del Sud-est asiatico, dove vengono smontati manualmente in condizioni sanitarie pericolose.

Verso un’IA responsabile: sei principi

In risposta a questa fotografia dell’esistente, il rapporto propone un «ecosistema di IA responsabile» fondato su sei principi. Il primo è la trasparenza: produttori di modelli e gestori di data center dovrebbero pubblicare rendicontazioni standardizzate delle impronte energetiche, di CO2, idriche e fondiarie. Il secondo è l’efficienza per progettazione : ottimizzare le risorse già nella fase di sviluppo dei modelli, attraverso tecniche specifiche e architetture mirate ad attivare solo la porzione di modello necessaria per ciascuna richiesta.

Gli altri quattro principi riguardano invece la catena del valore nel suo complesso: equità e giustizia ambientale per le comunità prossime ai data center e alle miniere; responsabilità del ciclo di vita dall’estrazione dei minerali alla dismissione dell’hardware; cooperazione globale per armonizzare standard di misurazione e governance. Infine , rivolto a gli utenti l’uso sostenibile – il principio che il rapporto chiama fit-for-purpose use: non ogni domanda richiede un modello da miliardi di parametri, non ogni immagine deve essere generata alla massima risoluzione.

Secondo Kaveh Madani, direttore dell’Unu-Inweh, «il futuro dell’intelligenza artificiale non dovrebbe essere misurato solo da ciò che le macchine sanno fare, ma dalla capacità dell’umanità di dispiegare quelle capacità entro i limiti planetari. Sebbene spesso descritta come priva di peso e virtuale, la realtà dell’IA è profondamente fisica. Dietro ogni prompt, immagine o video si trova un’infrastruttura crescente di sistemi energetici, prelievi idrici, uso del suolo, estrazione di minerali e rifiuti elettronici. Questo rapporto è un appello a rendere visibili quei costi ambientali nascosti prima che diventino ingestibili».