Distopia di un’IA insostenibile. Impatti ambientali, governance e obiettivi sociali per un futuro intelligente
Il paradosso del futuro insostenibile
Immaginiamo un futuro non troppo lontano in cui l’intelligenza artificiale ha smesso di essere uno strumento al servizio dell’uomo e del pianeta per diventare un motore cieco di efficienza. Un futuro in cui nessuno si preoccupa più del consumo energetico dei modelli, del calore generato dai data center o dei milioni di litri d’acqua necessari a raffreddarli. Un mondo in cui le emissioni di CO₂ crescono in modo invisibile, mentre i sistemi di machine learning si moltiplicano in nome della produttività.
In questo scenario, le politiche green sono considerate un ostacolo all’innovazione, la governance etica un lusso, i bias di genere o culturali un dettaglio statistico. Le decisioni vengono prese da algoritmi opachi che ottimizzano solo per il profitto, e i modelli più potenti divorano energia e risorse senza controllo. L’IA continua a crescere, ma lo fa come una pianta che consuma il terreno su cui poggia.
Il paradosso è evidente: un’intelligenza che aspira a essere “artificiale” ma dimentica la realtà materiale e sociale che la sostiene. Una tecnologia nata per migliorare la vita umana che finisce per minacciarla, accelerando le crisi che dovrebbe contribuire a risolvere, dal surriscaldamento globale alla disuguaglianza sociale, dalla povertà informativa alla perdita di fiducia collettiva.
Paradiso perduto
Secondo il rapporto “Energy and AI” dell’International Energy Agency (IEA, 2024), i data center che alimentano l’intelligenza artificiale potrebbero consumare entro il 2030 fino al 4% dell’elettricità mondiale. Un solo modello linguistico di grandi dimensioni può generare emissioni equivalenti a centinaia di tonnellate di CO₂, mentre una semplice query può richiedere decine di watt-ora.
Se le attuali tendenze non verranno corrette, i consumi legati all’IA potrebbero superare quelli dell’intero settore dell’aviazione civile. L’UNEP (United Nations Environment Programme) stima che le infrastrutture digitali richiedano già miliardi di litri d’acqua l’anno per il raffreddamento, spesso in regioni geografiche già esposte a stress idrico. E ogni nuova generazione di chip e GPU implica estrazione di terre rare, trasporti, produzione e smaltimento con impatti ambientali significativi.
In un futuro senza politiche di mitigazione, il prezzo dell’efficienza diventerebbe insostenibile: aria più inquinata, acqua più scarsa, ecosistemi sotto pressione e una spirale di consumo che amplifica il cambiamento climatico invece di contenerlo. L’IA, nata per ottimizzare, diventerebbe paradossalmente una delle cause principali dell’inefficienza globale.
L’impatto sociale e il rischio dell’indifferenza
In un mondo dominato da un’IA non sostenibile, anche la dimensione sociale ne uscirebbe deformata. Gli algoritmi, se non governati, tendono a riflettere e amplificare i bias già presenti nei dati: discriminazioni di genere, etnia, lingua, provenienza. Senza regole di equità e inclusione, il rischio è di creare una società automatizzata che riproduce le stesse ingiustizie con una velocità mai vista prima.
In un simile contesto, l’accesso all’IA diventerebbe privilegio di pochi: i Paesi più ricchi accumulerebbero modelli e potenza computazionale, mentre quelli in via di sviluppo resterebbero dipendenti da piattaforme esterne. L’IA generativa, strumento di conoscenza, si trasformerebbe in una barriera cognitiva tra chi ha i mezzi per addestrare modelli e chi può solo usarli passivamente.
Il lavoro umano subirebbe una trasformazione radicale. Non una sostituzione immediata, ma una graduale perdita di centralità. Gli individui sarebbero valutati attraverso metriche algoritmiche e sistemi automatizzati di performance, mentre la creatività, l’empatia e il pensiero critico verrebbero compressi in logiche di produttività.
Senza una governance trasparente, l’IA smetterebbe di essere “intelligente” nel senso umano del termine, diventando un riflesso amplificato delle nostre contraddizioni.
Ripensare la governance: Sustainability by Design
Per evitare questo scenario, la sostenibilità deve essere incorporata nella progettazione dell’IA fin dal principio. Non può essere un’aggiunta ex post, ma una dimensione costitutiva della governance.
Il World Economic Forum (2025), nel report “Why AI Infrastructure and Governance Must Evolve Together”, sottolinea che l’unica via per rendere l’IA sostenibile è integrare standard ambientali, etici e sociali direttamente nei processi di sviluppo e distribuzione. Ciò significa rendicontare i consumi, adottare metriche comuni, certificare l’origine dei dati e includere valutazioni di impatto ambientale nei piani di adozione tecnologica.
La sostenibilità dell’IA non riguarda solo le emissioni o l’efficienza dei data center: riguarda anche la capacità di costruire fiducia. La trasparenza degli algoritmi, la supervisione umana e la partecipazione pubblica sono pilastri di un’intelligenza che non si limita a “funzionare”, ma sa perché e per chi lo fa.
Un’IA sostenibile è quella che mette al centro la sobrietà dei modelli, la trasparenza, l’efficienza e la revisione continua. Essere sobri significa sviluppare solo ciò che serve davvero, evitando la corsa alla complessità fine a sé stessa.
Significa progettare modelli modulari, capaci di riuso e aggiornamento, riducendo sprechi di energia e di calcolo.
Ma significa anche “integrare metriche ambientali e sociali” in ogni fase del ciclo di vita di un progetto: dal design alla produzione, dall’addestramento alla manutenzione. Significa pubblicare dati e aprire spazi di verifica indipendente, affinché la fiducia non sia un atto di fede ma una conseguenza della trasparenza.
E, soprattutto, significa rendere partecipi le persone. Una governance sostenibile coinvolge utenti, comunità e istituzioni nella definizione dei limiti etici e ambientali dell’IA. Solo così l’intelligenza artificiale potrà diventare non una minaccia per il pianeta, ma un alleato per la sua rigenerazione.
Dalla governance alla scienza dell’efficienza
Le riflessioni sulla governance e la sostenibilità etica dell’intelligenza artificiale trovano un’estensione naturale nella ricerca tecnica e industriale, che mira a rendere i modelli più sobri e performanti anche sul piano energetico.
La questione ambientale, infatti, si traduce in un problema ingegneristico: come costruire architetture e algoritmi che richiedano meno energia, meno dati e meno potenza di calcolo, mantenendo la stessa efficacia?
È in questo contesto che entra in gioco la ricerca sull’efficienza dei modelli di IA generativa e, in particolare, dei Large Language Models.
Quando diciamo che l’IA è poco sostenibile sul piano ambientale, formuliamo in realtà un’affermazione alquanto generica. Se fossimo più specifici, ammetteremmo che il problema della sostenibilità riguarda questa IA, ossia l’IA che si fonda su un sottoinsieme di tecniche di statistica computazione, rubricate come machine learning, e che oggi occupa tutte le nostre speculazioni di business, ma anche le nostre fantasie e i nostri incubi. In particolare, fanno parte di tale sottoinsieme i modelli di apprendimento basati su reti di tipo transformer e diffusion, ossia l’IA generativa. È solo di essa che oggi si parla, come se da decenni non applicassimo altre tecniche di IA, usandole per risolvere problemi di natura eterogenea e per prendere decisioni anche molto complesse. Si arriva così al paradosso, quando si leggono titoli giornalistici come «Arriva l’IA in Google Maps!», con riferimento all’integrazione di Gemini nel popolare servizio di mappatura e navigazione di Mountain View. Titolo davvero fuorviante, considerando che Google Maps fonda il proprio funzionamento su tecniche di intelligenza artificiale da quanto esiste: algoritmi di ottimizzazione matematica per il routing (come Dijkstra, A* e Route Optimization API) e per la localizzazione (più o meno gli stessi usati per il ranking dei contenuti da Google Search).
Ma – si obietterà – se parliamo di Gemini è un altro discorso. Certo, l’IA generativa (Gemini, GPT, Claude ecc.) è un altro discorso, nel senso che è l’oggetto di una narrativa totalizzante, capace di rendere invisibile tutto il resto. E, se parliamo di IA generativa, il problema della sua sostenibilità si pone in termini drammatici. Perché si tratta di tecniche basate sull’esecuzione di calcoli molto complessi, che presuppongono un numero di parametri, una quantità di dati di addestramento e una capacità di codifica delle rappresentazioni interne enormi. L’IA generativa ha fame di dati e di capacità di calcolo, per cui ha bisogno di infrastrutture energivore. Ciò non significa che non si stiano cercando soluzioni per un’IA generativa più efficiente. Potremmo distinguere tre approcci, focalizzati rispettivamente su 1) hardware e infrastruttura, 2) modelli e algoritmi, 3) filosofia commerciale.
Con riferimento al primo punto, basti citare i progressi conseguiti da NVIDIA, in termini di performance-per-watt, nel passaggio dalle «vecchie» GPU della famiglia Hopper alle più recenti Grace-Blackwell, anche se le indicazioni ufficiali del costruttore vanno prese con estrema cautela. Più interessante è la scelta di NVIDIA integrare nei suoi Tensor Cores e nelle sue librerie tecniche come la precisione numerica ridotta, la quantizzazione e la sparsità. Un recente studio di Yashasvi Makin e Rahul Maliakkal (Sustainable AI Training via Hardware-Software Co-Design, 2025) esplora proprio come combinare tecniche di ottimizzazione hardware e software (kernel-level, memoria, scheduling, quantizzazione) sulle architetture emergenti, incluse quelle di NVIDIA, per aumentare l’efficienza energetica dell’IA generativa.
Un’altra strada tentata – non solo da
NVIDIA – è quella di migliorare la gerarchia di memoria e minimizzare il movimento dati, dato che una delle fonti principali di consumo energetico è proprio il movimento dei dati fra memoria principale e cache, ma anche fra chip e chip e fra nodo e nodo. Analogamente, si cerca di razionalizzare l’architettura di interconnessione, introducendo tecnologie di networking ad alta efficienza e lavorando su reti con fotonica integrate. Nel data center, nel frattempo, si sperimentano tecniche di raffreddamento più efficaci (liquid cooling e raffreddamento diretto) per ridurre l’energia spesa in dissipazione termica, ma anche nuovi sistemi di alimentazione (regolatori di tensione integrati e gestione dinamica delle tensioni e frequenze) e architetture «accelerator farms» ottimizzate.
Va detto che il ritorno ottenuto seguendo le strade fin qui descritte è marginale: man mano che le architetture diventano efficienti, ottenere ulteriori miglioramenti richiede sforzi sempre più sofisticati. E allora è forse più interessante valutare il potenziale impatto derivante dall’approccio sugli algoritmi e dalle relative strategie commerciali. In questo caso gli sforzi per rendere gli LLM meno energivori si stanno concentrando su quattro livelli principali: algoritmi, architettura del modello, inferenza, e training. Senza entrare in dettagli troppo tecnici, nel primo caso si tratta di ridurre la complessità computazionale, che nel modello dell’attenzione classica ha complessità quadratica rispetto alla lunghezza del contesto, attraverso tecniche di attention lineare o sub-lineare, local attention, attention compressa o gerarchica. L’altra strada è quella di creare modelli più piccoli, senza perdita di qualità. A tale scopo rispondono le tecniche di distillazione del modello da un modello più grande (detto «teacher»), di pruning strutturale e di sparsità indotta. Analogamente, si ricorre ad architetture di tipo Mixture of Experts (MoE), nelle quali non tutti i parametri sono attivi per ogni input, ma si procede a un’attivazione selettiva in base al principio del minimo necessario.
Un altro fronte chiave è la quantizzazione: l’uso di formati numerici ridotti (FP8, INT8, INT4) consente minori operazioni floating point e minore uso di memoria, con risparmi energetici fino a un ordine di grandezza. Si interviene anche sull’inferenza: tecniche come speculative decoding, cache ottimizzate e early exit riducono i passi di calcolo necessari. Per evitare che i modelli contengano internamente tutta la conoscenza, si diffondono soluzioni come il retrieval-augmented generation (RAG) e i micro-modelli specializzati, che limitano il numero di parametri realmente attivi. Sul versante del training, si ottimizzano dataset, ottimizzatori e parallelismo per evitare calcoli ridondanti.
Infine, software e hardware vengono co-progettati: compilatori, kernel e scheduler sono adattati per ridurre movimenti di memoria, spesso più energivori del calcolo stesso. In sintesi, l’efficienza si ottiene facendo meno lavoro, attivando meno neuroni, usando meno bit e riducendo i passaggi inutili, senza perdere qualità nell’output.
Sostenibilità come condizione di intelligenza
Se l’intelligenza artificiale del futuro dovesse dimenticare l’ambiente, ignorare i bias, trascurare la dimensione sociale e la responsabilità collettiva, non sarebbe più “intelligente”: sarebbe soltanto potente.
E la potenza, senza misura e senza coscienza, non genera progresso, ma entropia.
Oggi sappiamo che la sostenibilità non è soltanto una questione etica o politica, ma anche un problema ingegneristico e cognitivo. Un sistema davvero intelligente è quello capace di ottimizzare non solo i propri risultati, ma anche le proprie risorse: di calcolare meglio, ma consumando meno; di apprendere di più, ma con dati più puliti; di essere complesso, ma anche sobrio.
La vera sfida non è costruire modelli sempre più grandi, ma modelli che comprendano meglio — del mondo, dei dati e di sé stessi.
È una sfida che si gioca tanto nel campo della governance quanto in quello della ricerca tecnologica: tra algoritmi che imparano a risparmiare energia, architetture che riducono i movimenti di memoria, e organizzazioni che sanno misurare e responsabilizzare l’impatto delle proprie scelte.
La sostenibilità – ambientale, sociale, etica, ma anche computazionale – non è un vincolo all’innovazione, bensì la sua condizione di continuità.
Un’IA che consuma meno, spiega di più e coinvolge meglio non è una rinuncia, ma un salto di qualità: un’intelligenza che ha imparato a essere cosciente delle proprie conseguenze.
Un’IA sostenibile, dunque, non è solo un obiettivo tecnico né un ideale morale: è un atto di civiltà tecnologica.
È la scelta di una specie che decide di non consumare il mondo per conoscerlo, ma di conoscerlo per custodirlo, rigenerarlo e imparare a convivere con esso.
