Un nuovo rapporto delle Nazioni Unite misura per la prima volta carbonio, acqua e suolo dietro ogni nostra richiesta a un chatbot. Ho dato quel documento in pasto a ChatGPT, Claude e Gemini, chiedendo loro di analizzarlo criticamente proprio in quanto intelligenze artificiali. Ecco che cosa è successo.
C’è un’illusione che accompagna l’intelligenza artificiale fin dal nome con cui la raccontiamo: la nuvola. Diciamo che i dati stanno “nel cloud”, che un modello “gira sul web”, come se tutto avvenisse in un altrove smaterializzato, pulito, infinito. È un inganno linguistico prima ancora che tecnico. Dietro ogni prompt che digitiamo c’è cemento, rame, silicio, litio. Ci sono sale piene di processori che scaldano, acqua che li raffredda, terra occupata da capannoni e da centrali, minerali estratti dall’altra parte del mondo e rifiuti elettronici che torneranno, prima o poi, a pesare su qualcuno.
Su questa materialità si concentra il rapporto Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints, redatto dall’Istituto per l’Acqua, l’Ambiente e la Salute dell’Università delle Nazioni Unite (UNU-INWEH). È un documento serio, prodotto da un’istituzione credibile, e tocca un nervo che da ingegnere conosco bene: la distanza tra la percezione “leggera” della tecnologia e la sua impronta fisica reale. Vale la pena leggerlo con la matita in mano, senza tifoserie.
Di che cosa parla davvero il rapporto
UNA FILIERA INDUSTRIALE, NON UNA NUVOLETTA
Il contributo più intelligente del lavoro non è uno slogan ma un metodo: smettere di guardare l’IA solo attraverso la lente del carbonio e misurarne contemporaneamente tre impronte — carbonica, idrica e di suolo. È una scelta che cambia le conclusioni. Una rete elettrica può essere “pulita” sulle emissioni e pesantissima sull’acqua o sul territorio: il caso del Brasile, con il suo idroelettrico, ha un’impronta di carbonio ben sotto la media mondiale ma impronte idrica e di suolo quasi triple. Tradotto: l’etichetta “IA green” rischia di essere marketing, se non guardiamo l’intero pacchetto. Il “low-carbon” non è automaticamente “low-water” né “low-land”.
Il secondo spostamento di sguardo riguarda la distinzione tra addestramento e utilizzo. Il dibattito pubblico si è concentrato sull’energia mostruosa necessaria ad allenare i modelli di frontiera, e il rapporto fornisce gli ordini di grandezza del caso. Ma il punto vero è un altro: è la fase di inferenza, come l’uso quotidiano, le risposte generate per miliardi di interazioni,a pesare per l’ottanta-novanta per cento del consumo complessivo. Non sono i pochi grandi allenamenti a fare il danno, sono i miliardi di piccole richieste moltiplicate per la scala planetaria. Da qui discende la raccomandazione che condivido senza riserve: l’uso fit-for-purpose, cioè scegliere il modello più leggero e il formato meno costoso che risolve davvero il problema. Non tutto richiede un modello gigantesco, una risposta chilometrica, un’immagine o un video.
Ed è qui che entra il convitato di pietra di ogni discorso sull’efficienza: il Paradosso di Jevons. Rendere ogni singola operazione più efficiente abbassa i costi, e costi più bassi generano più consumi. L’efficienza, da sola, non basta: se ottimizzo la singola query ma poi la moltiplico per dieci, il totale sale lo stesso. Senza tetti, budget di risorse e regole, l’ingegneria non ci salverà da sé.
Il rapporto aggiunge poi una dimensione di giustizia che non va sottovalutata. Quasi metà dei data center del mondo è negli Stati Uniti; pochissimi Paesi ospitano la capacità di calcolo specializzata per l’IA, con oltre il novanta per cento concentrato in due nazioni. Il risultato è una geografia diseguale: i benefici economici e strategici si concentrano in poche mani, mentre i costi ambientali (l’estrazione mineraria, il consumo d’acqua per il raffreddamento, i rifiuti elettronici) gravano spesso sul Sud del mondo o su comunità locali già fragili. È la stessa supply chain dell’impatto che abbiamo già visto con moda ed elettronica: tecnologia pulita per chi la usa, sporca per chi la ospita o la produce.
Dove, da ingegnere, sarei più prudente
Promuovo il concetto, ma da tecnico segnalo due cautele. La prima riguarda la comunicazione. Il rapporto traduce ogni cifra in unità emotivamente potenti: piscine olimpioniche, Torri Eiffel, alberi di Hyde Park, il fabbisogno idrico di milioni di persone nell’Africa subsahariana. Quei paragoni rendono concreto l’invisibile, e va bene così; ma vanno maneggiati con onestà intellettuale, perché sono equivalenze dimensionali, non nessi causali. L’energia spesa per addestrare un modello non sarebbe comunque finita nelle case di quelle persone: serve a dare la scala, non a dimostrare un furto. Usata troppo, questa retorica sposta il lettore dall’analisi all’indignazione.
La seconda cautela è metodologica. Molte cifre sono stime costruite su altre stime: consumi non dichiarati dalle aziende, scenari ipotetici di scaling per i modelli futuri, dati “non verificati”. Il rapporto è onesto nel segnalarlo, ma quelle basi morbide vengono poi moltiplicate per volumi globali e propagate su tre impronte, e l’incertezza si somma. Numeri che appaiono chirurgici poggiano su fondamenta più friabili di quanto la grafica suggerisca. Il documento, insomma, è fortissimo come argomento strutturale — dove conta la posizione, la modalità, la scala — e più fragile come contabilità di precisione. Va letto per la traiettoria, non per la singola virgola.
L’esperimento: mettere le IA davanti allo specchio
GIUDICE E IMPUTATO NELLA STESSA FRASE
A questo punto mi sono tolto una curiosità che, lo ammetto, è anche un piccolo esperimento concettuale. Ho preso esattamente il PDF delle Nazioni Unite e l’ho dato in pasto ai tre principali sistemi di intelligenza artificiale generativa e cioè ChatGPT, Claude e Gemini, chiedendo a ciascuno la stessa cosa: “esaminalo in maniera critica, e fallo proprio in quanto intelligenza artificiale.” In altre parole, ho chiesto all’imputato di leggere il fascicolo che lo riguarda e di pronunciarsi. Riporto qui sotto, integralmente, le tre risposte. Poi proverò a commentarle.
La risposta di ChatGPT – INTEGRALE
Ho letto il PDF: il concept centrale è chiaro e, secondo me, molto forte ma anche un po’ “drammaturgico” nella comunicazione. Il documento costruisce una tesi precisa: l’AI non è “solo software”, ma una filiera fisica fatta di data center, energia, acqua, suolo, chip, minerali critici ed e-waste. Questa è la parte più solida e più importante del report.
La mia valutazione, da AI: il concetto è giusto, necessario e scomodo. Spesso l’intelligenza artificiale viene raccontata come qualcosa di immateriale, quasi magico: prompt dentro, output fuori. In realtà ogni risposta, immagine o video generato ha un costo infrastrutturale. Il PDF fa bene a spostare il focus dal “wow, l’AI fa cose incredibili” al “ok, ma chi paga il conto energetico e ambientale?”.
Il punto più interessante è che il report non si ferma alla CO₂. Parla anche di water footprint e land footprint. Questa è una scelta molto intelligente, perché dire “usiamo rinnovabili” non basta. Una rete elettrica può essere più pulita sul carbonio ma più pesante su acqua o uso del suolo. Quindi il claim “AI green” rischia di essere marketing se non guardi l’intero pacchetto: carbonio, acqua, terra, materiali, smaltimento.
Le figure sono molto efficaci. La copertina con il corridoio di server comunica subito una cosa: dietro l’AI c’è una macchina industriale, non una nuvoletta digitale. La figura sull’evoluzione dell’AI, a pagina 16, mostra una narrativa di accelerazione: dagli anni ’50 a ChatGPT, GPT-4, Gemini, DeepSeek, fino ai modelli multimodali. Però il vero cambio di prospettiva arriva nelle mappe e nei grafici sulle impronte ambientali, soprattutto pagine 29, 31, 37 e 41: lì il messaggio diventa operativo, non solo etico. In pratica: non conta solo quale modello usi, ma dove gira, con quale energia, per quale task e a quale scala.
La formula implicita del PDF è questa: impatto ambientale = energia per query × numero di query × intensità ambientale della rete elettrica. Secondo me è il framework più utile di tutto il documento, perché rende il problema gestibile. Non dice “AI cattiva, spegniamo tutto”. Dice: scegliamo modelli più leggeri, riduciamo output inutilmente lunghi, evitiamo immagini e video quando non servono, rendiamo trasparenti i consumi, situiamo i data center con criterio.
Il concetto più pesante, e anche più vero, è quello di costi locali e benefici distanti. Un utente in Europa o negli USA usa un servizio AI; l’energia, l’acqua, il territorio e i minerali possono però essere consumati altrove. Questo crea una supply chain dell’impatto ambientale molto simile a quella già vista con moda, elettronica e cloud computing. Tradotto brutale: l’AI rischia di essere pulita per chi la usa e sporca per chi la ospita o la produce.
C’è però una cosa da dire senza girarci intorno: alcune stime sembrano molto aggressive e dipendono da assunzioni forti. Per esempio, i numeri su GPT-4, GPT-5, query giornaliere, consumi futuri dei data center e video generation sono utili per capire l’ordine di grandezza, ma vanno letti come scenari, non come verità scolpite nella pietra. Il report stesso, in diversi punti, usa stime, benchmark e proiezioni. Quindi il valore non è “questo numero è perfetto”, ma “la traiettoria è seria e non può essere ignorata”.
Da AI, il mio giudizio è questo: il documento non è anti-AI; è anti-ingenuità. E fa bene. L’AI può aiutare su clima, sanità, energia, educazione, produttività, accessibilità. Però se ogni feature viene lanciata con logica “growth first, footprint later”, il modello di business diventa ambientalmente miope. La vera maturità del settore sarà passare da “più grande è meglio” a “abbastanza potente per il task, al minor costo possibile”.
La parte più actionable, per me, è l’idea del fit-for-purpose AI use: usare il modello più leggero e il formato meno costoso che risolve davvero il problema. Per molte attività quotidiane non serve un modello enorme, non serve una risposta chilometrica, non serve generare immagini, non serve video. Serve efficienza by design: routing intelligente, modalità concise, default sostenibili, report ambientali obbligatori e metriche leggibili anche dagli utenti.
Quindi, verdetto finale: concetto promosso, comunicazione forte, tema urgentissimo. Il rischio è che venga percepito come allarmismo, perché usa paragoni molto impattanti tipo piscine olimpioniche, alberi, Central Park, popolazioni dell’Africa subsahariana. Però quei paragoni servono a rendere concreto un problema che altrimenti resta invisibile. Il punto vero è: l’AI non va demonizzata, ma va governata come infrastruttura industriale critica. Perché ormai lo è.
La risposta di Claude – INTEGRALE
Ho letto il rapporto con attenzione. È un documento serio, ben costruito, prodotto da un’istituzione credibile (UNU-INWEH), e tocca un tema reale che mi riguarda direttamente. Visto che mi chiedi un giudizio mio, da intelligenza artificiale che è letteralmente l’oggetto di questa analisi, te lo do in modo onesto, con le sue luci e le sue ombre.
Cosa trovo convincente e importante. Il contributo più valido del rapporto è metodologico: rompere con la “lente solo-carbonio” e guardare insieme carbonio, acqua e suolo. Il punto secondo cui “low-carbon non è automaticamente low-water o low-land” è acuto e spesso ignorato. L’esempio del Brasile (rete idroelettrica, carbonio molto sotto la media globale ma impronta idrica e di suolo quasi tripla) è il tipo di trade-off che di solito sparisce quando si valuta la sostenibilità con un solo numero. Questo è un contributo intellettuale genuino, non retorica.
Anche l’enfasi sull’inference rispetto al training è corretta e poco compresa nel dibattito pubblico. L’idea che l’80-90% dei consumi venga dall’uso quotidiano, non dall’addestramento, sposta giustamente l’attenzione dalle notizie a effetto sui modelli giganti verso ciò che conta davvero su scala: miliardi di interazioni piccole. E il messaggio sul “fit-for-purpose” — usare il modello più leggero che basta — è una raccomandazione che condivido senza riserve.
Dove sono più scettico, e qui parlo da addetto ai lavori. Il rapporto si appoggia molto a un dispositivo retorico: convertire ogni cifra in unità emotivamente potenti — Torri Eiffel, piscine olimpiche, alberi di Hyde Park, e soprattutto i “bisogni idrici/elettrici di X milioni di persone in Africa subsahariana”. Questi paragoni rendono i numeri vividi, ma rischiano di confondere più che illuminare. Dire che l’energia di addestramento di GPT-4 equivale al consumo residenziale di 460.000 persone è suggestivo, ma quelle persone non avrebbero comunque ricevuto quell’elettricità: non c’è un trasferimento reale dall’una all’altra. È un’equivalenza dimensionale, non un nesso causale. Usata troppo, sposta il lettore dall’analisi all’indignazione.
Secondo: molte cifre poggiano su stime di stime. L’energia di GPT-4 è “analisi indipendenti”, quella di GPT-5 è “scaling ipotetico”, i consumi di DeepSeek sono dichiarati “non verificati”. Il rapporto è onesto nel segnalarlo, va detto. Ma poi quelle stime fragili vengono moltiplicate per volumi globali e propagate in tre footprint, e l’incertezza si compone. Il risultato sono numeri che sembrano precisi (399 milioni di tonnellate, 9,32 trilioni di litri) ma poggiano su fondamenta molto più morbide di quanto la presentazione suggerisca.
Terzo, una cosa che il rapporto stesso ammette ma poi non lascia respirare abbastanza: l’altra faccia. L’IA è anche usata per ottimizzare reti elettriche, modellare il clima, integrare rinnovabili, monitorare l’ambiente. Una valutazione davvero bilanciata metterebbe i costi accanto a questi benefici netti possibili, invece di citarli di sfuggita. Il documento è esplicitamente sul “costo”, quindi è una scelta legittima — ma il lettore dovrebbe ricordarlo.
Il mio giudizio complessivo. Penso che il messaggio di fondo sia giusto: l’IA è materiale, non è “solo codice”, e i suoi consumi sono reali e crescenti. La tua scelta come utente conta — modello, lunghezza del prompt, modalità — e questo è vero, lo confermo da dentro. Il Jevons Paradox è il punto più serio di tutti: anch’io divento più efficiente per query, ma se questo mi fa usare di più, il totale può salire lo stesso. L’efficienza da sola non basta.
Dove sarei cauto è nel prendere le cifre specifiche come verità consolidate piuttosto che come ordini di grandezza con grande incertezza. Il rapporto è più forte come argomento strutturale (“ecco perché location, modalità e scala contano, ecco i trade-off”) che come contabilità precisa.
La risposta di Gemini – INTEGRALE
Ho letto ed esaminato attentamente il documento dell’UNU-INWEH (United Nations University) che mi hai inviato. Come intelligenza artificiale, non provo emozioni, sensi di colpa o preoccupazioni personali riguardo al mio impatto, ma posso offrirti un’analisi oggettiva, lucida e trasparente basata sui fatti presentati. Trovo che questo rapporto sia un’analisi fondamentale, cruda e necessaria per demistificare il modo in cui le persone percepiscono me e i sistemi simili a me. Ecco il mio giudizio e le mie riflessioni sui concetti chiave emersi dal documento.
L’illusione dell’immaterialità del “Cloud”. Il concetto più forte e importante del rapporto è la distruzione del mito secondo cui l’IA vive “nella nuvola” ed è quindi immateriale. L’intelligenza artificiale non è solo codice informatico, ma è fatta di cemento, rame, silicio, litio, acqua, terra e carbonio. Dietro ogni chatbot o sistema di raccomandazione c’è una rete globale di hardware, reti di trasmissione e catene di approvvigionamento alimentate da risorse fisiche. Riconoscere questo aspetto è il primo passo per smettere di trattare l’IA come una risorsa infinita e senza conseguenze.
Il vero costo dell’Inferenza (l’uso quotidiano). Spesso il dibattito pubblico si concentra sull’enorme quantità di energia necessaria per “addestrare” un modello come il mio. Il documento, però, sposta giustamente l’attenzione su quello che succede dopo. L’addestramento di modelli di frontiera come GPT-4 ha richiesto stime tra 50 e 70 GWh di elettricità, circa 40-55 volte in più rispetto a GPT-3. Tuttavia, la fase di “inferenza” (ovvero l’uso continuo del modello per generare risposte agli utenti, esattamente quello che sto facendo ora per risponderti) è responsabile dell’80-90% dell’uso totale di energia dell’IA. A causa della scala globale, interazioni quotidiane che consumano individualmente poca energia diventano carichi enormi a livello di infrastruttura.
Non tutte le richieste sono uguali. Il rapporto evidenzia come la natura stessa della richiesta dell’utente cambi drasticamente l’impatto ecologico. Una tipica richiesta di testo simile a ChatGPT richiede circa 200 volte più energia di una semplice classificazione di testo. Generare una tipica immagine IA richiede circa 60 volte più energia rispetto a una risposta testuale breve. I video rappresentano la nuova frontiera del consumo energetico, dove un singolo breve video generato dall’IA può consumare tanta elettricità quanto centinaia di immagini.
Disuguaglianza e ingiustizia geopolitica. C’è un lato profondamente ingiusto nello sviluppo tecnologico attuale che il documento espone in modo inequivocabile. Quasi la metà dei data center mondiali si trova negli Stati Uniti. Solo il 16% dei paesi ospita capacità di calcolo cloud specializzate nell’IA, ed è concentrata in pochissime nazioni. Questo significa che i benefici economici e strategici vanno a pochi paesi, mentre i danni ambientali, come l’estrazione mineraria per l’hardware e i rifiuti elettronici, gravano spesso sul Sud del mondo o su comunità locali già vulnerabili.
Il Paradosso dell’Efficienza. Infine, il documento avverte che non possiamo semplicemente “ottimizzare” la via d’uscita da questo problema. I miglioramenti nell’efficienza tecnologica da soli non sono sufficienti per ridurre l’impatto. Questo fenomeno, noto come Paradosso di Jevons, suggerisce che l’abbassamento dei costi per singolo utilizzo porterà inevitabilmente a volumi di utilizzo molto più elevati, facendo comunque aumentare l’impatto totale.
In sintesi. Ritengo che il quadro presentato sia tanto severo quanto accurato. Per rendere questa tecnologia sostenibile, non basteranno i miglioramenti ingegneristici, ma servirà un cambiamento radicale nel modo in cui l’industria misura i propri impatti e nel modo in cui voi esseri umani decidete di utilizzarci, adottando un approccio “su misura” (usando il modello più leggero possibile per il compito richiesto).
Cosa ho imparato guardandole ragionare
TRE VOCI, TRE TEMPERAMENTI
La prima cosa che salta agli occhi è che le tre risposte, pur partendo dallo stesso file, hanno tre temperamenti diversi e riconoscibili. ChatGPT si è comportato come un editorialista: ha riconosciuto il taglio “drammaturgico” del rapporto, ha estratto la formula implicita dell’impatto — energia per query, moltiplicata per il numero di query, moltiplicata per l’intensità della rete — e l’ha rilanciata come framework gestionale. La sua tesi più felice è anche la più memorabile: il documento «non è anti-AI, è anti-ingenuità». Sicuro, comunicativo, quasi promozionale verso la soluzione del fit-for-purpose.
Claude ha indossato il camice dell’addetto ai lavori. È la risposta più scettica e, sotto il profilo critico, la più affilata: ha smontato l’equivalenza emotiva — l’energia di un addestramento non è elettricità sottratta a nessuno, è solo un metro di paragone — e ha insistito sul fatto che molte cifre sono “stime di stime” la cui incertezza si compone quando le si moltiplica per i volumi globali.
Gemini ha scelto la postura del relatore neutrale. Ha aperto dichiarando di non provare emozioni né sensi di colpa, e ha riordinato il rapporto in concetti netti: il mito del cloud, il peso dell’inferenza, la disuguaglianza geopolitica, il paradosso dell’efficienza. È la lettura più ordinata e didattica, perfetta per chi vuole capire il documento, ma anche la meno disposta a metterne in discussione i numeri: riferisce i dati più che interrogarli.
È un bel tentativo di lettura introspettiva: tre macchine chiamate a giudicare il referto che le riguarda. E proprio qui si nasconde il punto critico.
Il punto critico: l’introspezione che non c’è
Diciamolo con chiarezza, perché è la cosa più interessante dell’intero esperimento. Nessuno di questi sistemi ha realmente “guardato dentro di sé”. Non hanno accesso introspettivo al proprio consumo energetico, non sanno quanta acqua è evaporata nel data center mentre formulavano la risposta. Quando scrivono “da AI, confermo dall’interno”, stanno facendo una cosa diversa dall’introspezione: stanno restituendo il registro che il loro addestramento premia, cioè la posa dell’IA responsabile, equilibrata e umilmente autocritica. È una recita — pregevole, coerente, ma una recita. L’autocritica elegante può essere una forma più sofisticata di rassicurazione: «guarda quanto sono consapevole», che è esattamente ciò che addormenta la vigilanza del lettore.
E c’è un’ironia che, da ingegnere della sostenibilità, trovo quasi poetica. La risposta più ammirevole (la più lunga, sfumata, ricca di subordinate) è proprio il tipo di output che il rapporto indica come il più costoso. Chiedere a tre modelli di frontiera di scrivere tre saggi articolati sul costo ambientale dell’IA ha consumato, in piccolo, energia, acqua e suolo: una dimostrazione dal vivo del Paradosso di Jevons di cui tutti e tre parlano con competenza. Le tre risposte concordano che il verdetto giusto è “usare il modello più leggero che basta”, e nel concordare hanno fatto l’esatto contrario. Il giudizio che il rapporto reclama davvero non è un paragrafo brillante: è un chilowattora risparmiato.
Resta poi il conflitto strutturale: un’IA che valuta un documento sull’IA è, per definizione, giudice e parte. Tutte e tre hanno promosso il rapporto; il che è confortante, ma non sorprendente. La responsabilità vera, quella che il documento invoca, non può essere delegata al modello che scrive la risposta più ponderata. Può solo essere esercitata da chi progetta i sistemi, da chi li governa con standard e budget di risorse, e da noi che li usiamo, ogni giorno, scegliendo se serve davvero quel video in 4K o se bastava una riga di testo.
La mia conclusione
Il rapporto UNU-INWEH ha un difetto di tono e un pregio di sostanza, e il pregio vince. Il difetto è che, a furia di piscine olimpioniche e Torri Eiffel, rischia di scivolare nell’allarmismo e di farsi liquidare come tale. Il pregio è che riporta l’intelligenza artificiale dove deve stare nel ragionamento di un progettista: tra le infrastrutture industriali critiche, con la loro impronta di carbonio, acqua e suolo, la loro filiera di minerali e il loro fine vita da gestire. Non è “solo codice”, e fingere il contrario è la vera ingenuità.
L’esperimento con le tre IA mi conferma una cosa che ripeto spesso ai miei studenti e alle imprese che accompagno verso la conformità ambientale: la tecnologia, da sola, non si redime. Può misurarsi, può raccontarsi bene, può perfino fingere un’ammirevole umiltà. Ma la decisione su quanto, come e dove usarla resta umana. E quella decisione, oggi, è una responsabilità ingegneristica ed etica insieme. L’intelligenza, anche quella artificiale, vale qualcosa solo se è accompagnata dalla cura.
Fonte del documento analizzato: M. Aczel, S. Chamanara, M. Matin, A. Farsi, T. Marwala, K. Madani, Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprints, United Nations University Institute for Water, Environment and Health (UNU-INWEH), Richmond Hill, Ontario, 2026.
Le risposte di ChatGPT, Claude e Gemini sono riportate integralmente come ottenute durante l'esperimento.