Quanto consuma una ricerca fatta con l’AI generativa oggi?

L’intelligenza artificiale non vive nell’etere. Ogni risposta, immagine o video passa per macchine che scaldano, raffreddano, assorbono corrente e chiedono infrastrutture sempre più grandi. Il punto non è solo il piccolo costo di una singola richiesta, ma la somma di milioni di richieste al giorno, concentrate in pochi poli industriali che divorano elettricità come una città intera e, in certi casi, anche acqua dolce.

Il conto vero si legge su tre piani diversi: il consumo di un prompt, quello dei data center che ospitano i modelli e quello del sistema elettrico che deve reggere la corsa. I numeri più solidi usciti tra 2024 e 2025 raccontano una crescita rapida ma non uniforme, con differenze nette tra testo, immagini e video, e con un impatto che dipende molto dal luogo in cui i server sono piazzati, dal tipo di raffreddamento e dal mix energetico locale.

I numeri che contano davvero

Partire da un singolo prompt aiuta a misurare il fenomeno, ma non basta. Le prime stime ufficiali pubblicate nel 2025 hanno finalmente messo ordine in un dibattito che per mesi era stato dominato da ipotesi molto larghe, spesso gonfiate o lette male. Google ha indicato per una richiesta testuale media legata a Gemini circa 0,24 Wh di elettricità, 0,26 millilitri d’acqua e 0,03 grammi di CO2 equivalente. OpenAI, per bocca di Sam Altman, ha parlato di circa 0,34 Wh e 0,32 millilitri d’acqua per ogni prompt di ChatGPT.

Sono cifre piccole se prese da sole. Un’ora di utilizzo di una lampadina a LED può pesare più di una singola risposta testuale. Ma il paragone corretto non è tra prompt e lampadina: è tra miliardi di prompt, moltiplicati per utenti, applicazioni e aziende, e la rete che deve alimentare tutto il sistema senza sforare i limiti locali. È qui che il racconto cambia tono e smette di essere una curiosità da laboratorio.

Nel 2024 i data center hanno assorbito circa l’1,5% dell’elettricità mondiale, pari a circa 415 TWh. La quota è cresciuta più velocemente della domanda elettrica complessiva e si è concentrata soprattutto negli Stati Uniti, che raccolgono quasi la metà dei consumi, seguiti da Cina ed Europa. In Irlanda il fenomeno è diventato quasi didascalico: i data center hanno superato il fabbisogno delle abitazioni urbane, segnale di quanto un piccolo territorio possa diventare il crocevia di una filiera digitale enorme.

La lettura corretta non è banale: non esiste un unico consumo dell’IA, ma una somma di componenti. C’è l’addestramento, che brucia molta energia per insegnare al modello a riconoscere schemi; c’è l’uso quotidiano, chiamato inference, quando il modello risponde; e ci sono i consumi ausiliari del data center, cioè reti, storage, conversione di potenza, ridondanze e sistemi di raffreddamento. È questa parte invisibile, spesso ignorata nel dibattito pubblico, a trasformare un servizio digitale in un oggetto industriale pesante come acciaio e cemento.

Perché il dato sul singolo comando inganna

Il mito più diffuso è semplice: se un prompt consuma poco, il problema non esiste. È un errore di prospettiva. Un conto è la fotografia, un altro è il film. Una risposta da 0,24 Wh appare irrilevante, ma lo diventa meno se il servizio serve centinaia di milioni di utenti, se viene integrato in suite di produttività, assistenza clienti, motori di ricerca, sistemi di generazione creativa e processi aziendali che funzionano senza sosta.

Il calcolo corretto passa dalla mole di traffico. Un modello molto usato non esegue un solo compito al giorno, ma milioni. Ogni interazione richiede GPU o acceleratori specializzati, memoria ad alta banda, reti interne veloci e una struttura di raffreddamento capace di disperdere il calore prodotto dai chip. La fisica è brutale: l’elettricità che entra nel server esce quasi tutta sotto forma di calore, e quel calore va allontanato in qualche modo, altrimenti il sistema si spegne o degrada le prestazioni.

È qui che entrano in gioco i data center come fabbriche del digitale. Non somigliano a un ufficio moderno, ma a un impianto industriale silenzioso, pieno di corridoi metallici, ventilatori, scambiatori di calore e impianti di backup. Se la densità di carico cresce, cresce anche la richiesta di energia per unità di superficie. Per questo i nuovi campus sono spesso collocati dove la rete è robusta, il terreno costa meno e l’acqua, se serve, è disponibile a basso prezzo. Il risultato, però, lo pagano le comunità locali con bollette più alte, pressione sulle infrastrutture e un uso più intenso delle risorse naturali.

utture e un uso più intenso delle risorse naturali.

Nel dibattito pubblico si parla poco di un altro elemento decisivo: la qualità dell’energia. Un data center alimentato da una rete pesante di carbone o gas non ha lo stesso peso climatico di uno alimentato da rinnovabili o da una combinazione più pulita. Lo stesso prompt può quindi avere impronte diverse a seconda dell’ora del giorno, della regione e del contratto energetico dell’operatore. La tecnologia è globale; l’elettricità, invece, resta locale.

Acqua, calore e la parte nascosta del raffreddamento

Il capitolo idrico è quello che più spesso viene sottovalutato. Per mantenere stabili migliaia di server affiancati, i data center devono spostare fuori calore in continuazione. Alcuni usano aria, altri acqua, altri ancora sistemi evaporativi o soluzioni ibride. Quando il raffreddamento si appoggia all’acqua, il conto può salire in fretta, soprattutto nei siti più grandi e nei climi caldi.

Uno studio del 2023, divenuto una delle basi del dibattito, ha stimato che tra 10 e 50 risposte di lunghezza media prodotte da un grande modello possano equivalere al consumo di una bottiglia d’acqua da mezzo litro. È una stima indiretta, legata al raffreddamento dei server, non al fatto che l’IA beva davvero acqua. Eppure il messaggio è chiaro: dietro un’interfaccia pulita e immateriale si nasconde una catena fisica fatta di evaporazione, circuiti e dispersione termica.

Le cifre assolute variano molto. In alcuni report sono stati citati milioni di litri al giorno per singolo sito iperscalare, con casi documentati di circa 2,1 milioni di litri. Ma non tutti i data center funzionano allo stesso modo. Alcuni sono passati a sistemi ad aria, altri usano ricircolo o acqua industriale, altri ancora riducono il carico con progettazioni più efficienti. Il quadro corretto è quindi meno scandalistico e più tecnico: il consumo d’acqua non è uniforme, ma neppure trascurabile.

Conta anche la geografia. Due impianti identici possono avere impronte profondamente diverse se uno si trova in Arizona e l’altro in Svezia. Nel primo caso il raffreddamento richiede più energia e più acqua; nel secondo il clima aiuta a smaltire il calore e riduce il peso del sistema. È un dettaglio decisivo, perché mostra che l’IA non è solo un problema di codice, ma di dove il codice viene eseguito.

Un ingegnere dei data center riassumerebbe così il punto: la vera unità di misura non è il messaggio singolo, ma il carico termico continuo. Se quel carico resta alto per ore e giorni, la macchina digitale diventa una questione di tubi, trasformatori, pompe e autorizzazioni, non soltanto di algoritmi.

Testo, immagini e video non pesano allo stesso modo

Generare testo è il compito più leggero. I valori ufficiali usciti nel 2025 hanno confermato che una risposta testuale media consuma meno di mezzo wattora. Il quadro cambia però con immagini e soprattutto video, dove il lavoro del modello cresce in modo netto. Non è solo una questione di estetica: creare un frame in alta qualità richiede più passaggi, più calcolo e più memoria attiva.

Le analisi indipendenti più citate, comprese quelle di ricercatori di Hugging Face e le ricostruzioni giornalistiche internazionali, indicano per le immagini consumi medi nell’ordine di 1-2 Wh per generazione, con variazioni ampie in base alla risoluzione e all’architettura. Il video è un altro mondo. Una clip di sei secondi può assorbire da 20 Wh fino a oltre 100 Wh, e il fabbisogno cresce velocemente quando si alzano durata, qualità e complessità visiva.

Qui la fisica è quasi intuitiva. Un testo è una sequenza lineare di token, cioè frammenti di linguaggio. Un’immagine è un campo bidimensionale con molti più dettagli da costruire. Un video è una successione di immagini che devono anche restare coerenti tra loro nel tempo, evitando salti, distorsioni e artefatti. Ogni livello aggiuntivo di dettaglio è una tassa energetica. Passare al 4K, per esempio, può far salire il consumo in modo brusco, anche raddoppiandolo o triplicandolo in certe condizioni.

C’è un equivoco diffuso da smontare: non tutto il peso sta nella fase creativa finale. Anche l’addestramento di modelli visivi e multimodali richiede enormi riserve di energia, GPU e tempo macchina. Se il modello viene poi usato in massa, il costo totale del ciclo di vita diventa il prodotto di due grandi spese: quella iniziale, concentrata, e quella diffusa, ripetuta migliaia di volte al secondo. È la somma di questi strati a fare paura, non il singolo risultato grafico apparso sullo schermo.

Il trainning, il motore nascosto che pesa più dell’uso quotidiano

La fase di addestramento è la parte meno visibile e più costosa. Per costruire un modello moderno, servono set di dati enormi, settimane o mesi di calcolo continuo, cluster di GPU che lavorano in parallelo e sistemi di sincronizzazione costanti. Se l’inference è la risposta di un impiegato molto efficiente, il training è la costruzione dell’intero ufficio, dalle fondamenta ai cavi elettrici.

Questo passaggio consuma molto più di un prompt. I modelli di grandi dimensioni possono richiedere una quantità di energia tale da essere paragonata a quella di interi quartieri, anche se le stime cambiano da caso a caso e dipendono dalla dimensione del modello, dalla durata dell’addestramento, dall’efficienza delle GPU e dall’intensità carbonica della rete elettrica usata in quel momento. È un cantiere enorme, con una ciclicità poco raccontata fuori dagli ambienti tecnici.

Il problema, qui, non è solo energetico ma industriale. Addestrare modelli sempre più grandi richiede chip specializzati, e quei chip non nascono dal nulla. Dietro c’è una catena di approvvigionamento lunga: silicio ultrapuro, wafer, litografia, packaging avanzato, sistemi di raffreddamento dedicati, reti di trasporto. A monte, quindi, il peso dell’IA si riflette su filiere che consumano metalli, acqua ultrapulita e molta energia di precisione.

Un ricercatore ambientale lo direbbe senza giri di parole: l’IA non è solo software che corre su un computer. È un complesso industriale distribuito, dove il codice è l’ultima cosa che vede l’utente e la prima che fa dimenticare il resto.

Perché la corsa al 2030 cambia i conti

Le proiezioni dell’Agenzia internazionale dell’energia sono nette: entro il 2030 i data center potrebbero consumare circa il doppio dell’elettricità attuale. Non è una previsione fatta per fare rumore, ma l’effetto combinato di tre spinte: l’espansione dell’IA generativa, l’adozione di acceleratori sempre più potenti e la crescita del cloud che sposta attività prima disperse in pochi nodi centralizzati.

La parte interessante è che questa crescita non sarà liscia. Alcuni territori vedranno impennate rapide, altri resteranno più stabili. Negli Stati Uniti certi distretti già assomigliano a bacini industriali, dove gli operatori chiedono nuovi allacciamenti, linee di trasmissione più robuste e autorizzazioni per ampliare i campus. In Europa la situazione è più frammentata, ma non meno delicata: la disponibilità di rete e la lentezza delle procedure possono diventare colli di bottiglia molto concreti.

Ciò che pesa non è solo la quantità di elettricità, ma la velocità con cui la domanda arriva. Le utility e i gestori di rete non pianificano da un giorno all’altro. Bisogna rafforzare linee, trasformatori, cabine, sistemi di accumulo e capacità di back-up. Se la richiesta cresce più veloce della capacità di adeguamento, il risultato è semplice: attese, costi più alti e tensione sulla rete. Il digitale, in quel momento, smette di essere etereo e diventa materia amministrativa.

Il 2030 non è una data magica, ma un punto di confluenza. Se l’efficienza dei chip migliorerà abbastanza, parte del problema verrà attenuata. Se invece la domanda continuerà a correre più veloce dei guadagni di efficienza, i consumi complessivi saliranno comunque. La storia dell’industria tecnologica insegna che il guadagno tecnico spesso viene mangiato dall’aumento dell’uso. È il vecchio paradosso del riempimento: più un sistema diventa efficiente, più viene usato.

Nucleare, rinnovabili e la ricerca di potenza continua

Le grandi aziende non stanno inseguendo una sola fonte. Per alimentare centri dati che non possono fermarsi mai, servono potenza stabile e contratti a lungo termine. Sole e vento aiutano, ma non bastano sempre a coprire un fabbisogno continuo e regolare. Da qui l’interesse per mix che includono accumuli, accordi di fornitura e, in alcuni casi, un ritorno di fiamma del nucleare.

Negli Stati Uniti sono stati annunciati accordi legati alla riattivazione di un reattore di Three Mile Island e a progetti con centrali di nuova generazione, inclusi piccoli reattori modulari. Il progetto Hermes 2 a Oak Ridge, per esempio, prevede 50 MW di potenza con connessione alla rete e crediti energetici puliti per un grande operatore tecnologico. L’idea è semplice nella logica, difficile nella pratica: avere energia programmabile, bassa in emissioni e disponibile senza dipendere dal meteo.

Ma il nucleare non è una bacchetta magica. Richiede anni di autorizzazioni, investimenti enormi, consenso politico e una gestione rigorosa della sicurezza. Inoltre, non sostituisce le rinnovabili: le affianca, se va bene. Il punto reale è meno ideologico e più operativo. Se si vuole alimentare una massa crescente di server, occorre una combinazione di fonti, reti più robuste, maggiore efficienza e siti progettati meglio. Puntare su una sola leva è una scorciatoia che la realtà smentisce in fretta.

Le rinnovabili restano centrali, ma hanno un limite evidente: la loro variabilità. Un data center non ragiona a intermittenza come una lavatrice. Deve essere acceso sempre, con margini di sicurezza elevatissimi. Ecco perché si ragiona su batterie, gestione flessibile del carico, contratti di lungo periodo e, in alcuni casi, energia di base a basse emissioni. La domanda non è più se l’IA consumi, ma con quale infrastruttura vogliamo farla vivere.

I miti che deformano il dibattito pubblico

Il primo mito è che tutto il peso ricada sull’utente finale. Non è così. La responsabilità maggiore sta nel modo in cui i modelli vengono progettati, distribuiti e tenuti sempre attivi. L’utente conta, certo, ma la scala industriale la decide chi costruisce i sistemi, li integra in prodotti di massa e li spinge ovunque, dal motore di ricerca al foglio di calcolo.

Il secondo mito è che ogni uso abbia lo stesso costo. Anche questo è falso. Un prompt breve non vale un video ad alta definizione, e una richiesta generica non è paragonabile a una catena di revisioni lunghe e complesse. Gli strumenti che generano immagini o filmati hanno una fame diversa, spesso molto superiore, perché devono costruire struttura visiva, dettaglio e coerenza temporale. Mettere tutto nello stesso sacco è comodo per i titoli, non per capire davvero.

Il terzo mito è che i numeri siano ormai certi e immutabili. In realtà sono stime, benchmark, dichiarazioni aziendali, simulazioni e ricostruzioni che migliorano di mese in mese. Il quadro è più affidabile di prima, ma non scolpito nella pietra. Cambiano i chip, cambiano i modelli, cambia il raffreddamento, cambia il mix energetico. La misurazione dell’IA è giovane come disciplina e, proprio per questo, va letta con prudenza.

C’è infine il mito più comodo di tutti: che il problema sia solo ambientale. In realtà è anche economico, geopolitico e urbanistico. Ogni nuovo campus richiede suolo, allacci, autorizzazioni, personale specializzato e acqua. Ogni grande cluster sposta denaro, lavoro e domanda di rete in un punto preciso della mappa. Il risultato è una geografia del potere digitale che si appoggia a infrastrutture fisiche vecchie come il capitalismo industriale.

Chi paga il conto e cosa significa per città e territori

Il costo non si vede sempre sulla bolletta dell’utente, ma arriva altrove. Le reti locali devono essere potenziate, i servizi idrici adattati, i terreni urbanisticamente riconfigurati. Nei territori che ospitano grandi poli di data center, le amministrazioni si trovano a mediare tra promessa di investimenti e pressione reale sulle infrastrutture. È un gioco duro, perché l’operatore arriva con capitali e velocità, mentre il territorio deve tenere i tempi lenti della pianificazione.

Ci sono anche effetti meno immediati. Un sito che consuma molto attrae manutenzione, trasporti, subappalti, ma può anche alzare la domanda di energia in un’area già fragile. Se la rete è congestionata, il peso si scarica su altri utenti. Se l’acqua scarseggia, il conflitto tra usi industriali e civili diventa concreto. È il motivo per cui il dibattito sull’IA non può essere lasciato solo ai tecnologi o ai reparti marketing delle imprese.

Il punto più scomodo è che la domanda cresce perché il servizio piace. Le persone usano l’IA perché è veloce, utile, a tratti seducente. La produttività cresce, ma cresce anche la dipendenza da un’infrastruttura energivora. Non è un peccato tecnologico, è il normale prezzo delle abitudini di massa. Ogni comodità, quando si industrializza, lascia dietro di sé una scia materiale. L’IA non fa eccezione.

Un pianificatore energetico lo direbbe così: non si tratta di spegnere il digitale, ma di smettere di fingere che sia immateriale. Finché lo si considera un soffio di silicio, si sbagliano i conti su reti, acqua e autorizzazioni.

Un futuro più efficiente non basta se la domanda continua a correre

La speranza tecnica esiste ed è reale. Chip più efficienti, modelli più piccoli, sistemi di quantizzazione, recupero del calore, raffreddamento a circuito chiuso, localizzazione migliore dei data center: tutto può ridurre il peso unitario dei servizi. In molti casi la curva per singolo compito scende davvero. È una buona notizia, ma non risolve da sola il problema generale.

Perché il sistema complessivo può continuare a salire. Se l’efficienza migliora del 20% ma l’uso cresce del 50%, il bilancio finale peggiora. È il cuore del paradosso digitale: ogni salto tecnico rende possibile un uso più ampio, e l’uso più ampio riassorbe il guadagno. Per questo i numeri del presente non vanno letti come una fotografia fissa, ma come una soglia in movimento.

La vera domanda non è quanto consuma un singolo modello, ma quale modello energetico vogliamo accettare. Più IA significa più calcolo, più calore, più raffreddamento, più domanda di rete. Significa anche più ingegneria, più pianificazione e più responsabilità pubblica. Chi parla di intelligenza artificiale come se fosse solo un’app elegante racconta metà della storia. L’altra metà sta nel rumore dei trasformatori, nell’acqua che scorre nei circuiti, nei camion che portano componenti e nelle linee ad alta tensione che devono reggere il passo.

Nel fondo, la lezione è semplice e scomoda insieme: la rivoluzione digitale non ha abolito la materia, l’ha resa meno visibile. E proprio per questo il suo consumo pesa ancora di più. Chi vuole misurarlo davvero deve guardare oltre lo schermo, dove il codice finisce e cominciano i chilowatt, i litri e i chilometri di rete.