Il rapporto ONU che nessuno vuole leggere (ma tutti dovrebbero)

Questa settimana l’United Nations University Institute for Water, Environment and Health (UNU-INWEH) ha pubblicato un rapporto di 56 pagine destinato a scuotere le coscienze di chi lavora nel mondo dell’informatica e dell’AI. Il titolo è secco: “Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints”. In queste pagine troverete i dati del rapporto, la mia lettura tecnica e — soprattutto — alcune considerazioni che, come ingegnere informatico e consulente di innovazione, non posso fare a meno di condividere.

1. Perché questo rapporto è diverso dagli altri

Ho letto molti rapporti sull’intelligenza artificiale. La grande maggioranza si concentra sulle opportunità: produttività, innovazione, automazione dei processi, riduzione dei costi. Qualcuno, più coraggioso, affronta i rischi etici — il bias algoritmico, la privacy, la disinformazione. Rarissimi, invece, si fermano a fare i conti con ciò che sta fisicamente succedendo al pianeta mentre addestriamo i nostri modelli linguistici e generiamo immagini con un prompt.

Il rapporto UNU-INWEH si distingue per un motivo preciso: va oltre il carbonio. La maggior parte dei documenti ambientali sull’AI si limita all’impronta di CO₂. Questo studio, invece, misura simultaneamente l’impronta carbonica, idrica e territoriale (land footprint) dell’uso energetico dell’AI. E i numeri, come vedremo, sono tutt’altro che rassicuranti.

“Artificial intelligence is not just code — it is also concrete, copper, silicon, lithium, water, land, and carbon. Behind every chatbot, generated image, or recommendation engine lies a global web of hardware, data centers, transmission networks, and supply chains powered by electricity, water, minerals, and land.” — UNU-INWEH, Environmental Cost of AI’s Energy Use, 2026

Da ingegnere, trovo questo approccio metodologicamente corretto. È lo stesso principio che applichiamo nell’analisi dell’impatto ambientale di qualsiasi sistema complesso: bisogna guardare l’intero ciclo di vita, non un singolo parametro. Il fatto che un’organizzazione delle Nazioni Unite lo applichi all’AI — con dati aggiornati al 2025 e proiezioni al 2030 — rende questo documento un riferimento imprescindibile.

2. I numeri che cambiano la prospettiva

2.1 I data center: un Paese fantasma che consuma come la Francia

Nel 2025, i data center mondiali hanno consumato stimati 448 TWh di elettricità. Per dare un’idea: se i data center fossero uno Stato, si piazzerebbero all’undicesimo posto nella classifica mondiale per consumo di elettricità — dietro la Francia (468 TWh) e davanti all’Arabia Saudita (422 TWh).

▶  Consumo elettrico data center 2025: 448 TWh (≈ 11° paese al mondo)

▶  Impronta carbonica associata: 189 milioni di tonnellate di CO₂ equivalente

▶  Impronta idrica: 4,5 trilioni di litri (1,8 milioni di piscine olimpioniche)

▶  Impronta territoriale: 6.900 km² (4,5 volte la Greater London)

Le proiezioni al 2030 sono ancora più impressionanti. Se i trend attuali si mantengono, il consumo dei data center potrebbe superare 945 TWh — quasi il doppio della cifra del 2025 — e rappresentare circa il 3% dell’elettricità globale prodotta. Parliamo di un’energia sufficiente a soddisfare i bisogni residenziali di tutti i 1,3 miliardi di abitanti dell’Africa sub-sahariana per circa 5,5 anni.

Dati come questi non possono essere ignorati. E i data center, attenzione, non sono solo AI: nel 2025 i carichi di lavoro AI rappresentavano circa il 20% del totale. Ma le proiezioni indicano che questa quota potrebbe salire al 40% entro il 2030, portando il consumo elettrico attribuibile solo all’AI a circa 374 TWh — più di nove volte il consumo annuo della Nigeria, il sesto Paese al mondo per popolazione.

2.2 L’addestramento dei modelli: da GPT-3 a GPT-5

Quando si parla di AI e ambiente, il training dei modelli è la voce che colpisce di più l’immaginario collettivo. Il rapporto ricostruisce con dati pubblici e stime indipendenti i consumi energetici dei principali modelli:

▶  GPT-3 (2020): 1,287 GWh di elettricità in 34 giorni di training

▶  GPT-4 (stima indipendente): 50–70 GWh in 100 giorni — 40/55 volte GPT-3

▶  GPT-5 (proiezione): ~100 GWh con 42.000 tonnellate CO₂e e 1 miliardo litri acqua

Il training di GPT-4 ha prodotto un’impronta idrica di circa 600 milioni di litri, sufficiente a coprire il fabbisogno annuo minimo di 81.000 persone nell’Africa sub-sahariana, o a riempire 237 piscine olimpiche. L’impronta carbonica di 25.000 tonnellate di CO₂ equivalente richiederebbe circa 420.000 giovani alberi coltivati per 10 anni per essere compensata — l’equivalente di 105 Hyde Park londinesi.

“GPT-4’s training energy is equivalent to the annual residential electricity consumption of over 460,000 people in Sub-Saharan Africa.” — UNU-INWEH, 2026

Come ingegnere, la cosa che mi colpisce di più non è il singolo numero, ma il tasso di crescita. Il salto da GPT-3 a GPT-4 ha moltiplicato il consumo energetico di training per un fattore tra 40 e 55 in meno di quattro anni. Se i trend continuassero su questa traiettoria — cosa che per ora non sembra smentita —, le implicazioni sarebbero sistemiche. Il punto però è che OpenAI non ha divulgato dati ufficiali sul training di GPT-4, e ancor meno per GPT-5. Il rapporto ONU lo sottolinea con chiarezza: la mancanza di trasparenza è un ostacolo alla governance.

3. Il vero elefante nella stanza: l’inferenza

Se il training fa notizia, l’inferenza fa i danni reali. L’inferenza è la fase in cui un modello già addestrato genera risposte per gli utenti. È il momento in cui chiediamo a ChatGPT di scrivere una email, generiamo un’immagine con Midjourney, o otteniamo un riassunto da Claude. Ogni singola query consuma energia — poca, rispetto al training. Ma moltiplicata per miliardi di query al giorno, diventa la voce dominante.

Il rapporto UNU-INWEH stima che l’inferenza rappresenti tra l’80% e il 90% del consumo energetico totale dell’AI. ChatGPT da solo elabora circa 2,5 miliardi di prompt al giorno. A un consumo conservativo di 0,42 Wh per prompt testuale, questo si traduce in circa 383 GWh di elettricità all’anno. L’impronta carbonica associata richiederebbe 2,6 milioni di piantine di alberi coltivate per 10 anni per essere compensata — un’area verde grande come Manhattan.

3.1 Non tutte le query pesano uguale

Uno degli aspetti più istruttivi del rapporto è la comparazione tra diversi tipi di task AI in termini di consumo energetico per query. I dati sono eloquenti:

▶  Classificazione del testo (spam filter): baseline riferimento energetico minimo

▶  Query ChatGPT-style (testo): ~200x rispetto alla classificazione

▶  Risposta lunga GPT-4 stile: fino a 1.000x rispetto alla classificazione

▶  Generazione immagine AI tipica: 2,9 Wh — circa 1.450x rispetto alla classificazione

▶  Video generato AI (alta risoluzione, lunga clip): oltre 415 Wh — ~200.000x rispetto alla classificazione

Questi numeri meritano una riflessione tecnica. Il video generativo è, senza dubbio, la frontiera più energivora dell’AI consumer. Il rapporto spiega molto bene il perché: nei modelli di diffusione text-to-video (T2V), il costo energetico scala quadraticamente con la risoluzione e il numero di frame, e linearmente con gli step di denoising. Ridurre a metà larghezza e altezza abbassa l’energia di circa 1/16 (circa il 94%). Ridurre sia le dimensioni spaziali che i frame porta a circa 1/64 dell’energia originale. È fisica computazionale, non magia.

Tradotto in termini pratici: ogni volta che un utente genera un video AI in HD con clip lunghe, sta consumando una quantità di elettricità paragonabile a decine di migliaia di classificazioni testuali o a centinaia di immagini generate. Non è un dettaglio: è un ordine di grandezza che, moltiplicato per milioni di utenti giornalieri, diventa un impatto ambientale strutturale.

“A single short AI-generated video can draw as much electricity as 200,000 spam classifications or hundreds of AI-generated images.” — UNU-INWEH, 2026

4. Il Paradosso di Jevons: l’efficienza che non basta

Da quando mi occupo di innovazione digitale e transizione 4.0, ho imparato a diffidare di una narrazione molto in voga nelle boardroom: quella secondo cui l’efficienza tecnologica risolverà automaticamente i problemi ambientali. I modelli diventano più efficienti, sì. Ma questo non significa necessariamente che l’impatto totale si riduca.

Il rapporto ONU dedica un intero box esplicativo al Paradosso di Jevons, noto anche come rebound effect. Il paradosso prende il nome dall’economista del XIX secolo William Stanley Jevons, che osservò come i miglioramenti nell’efficienza del carbone in Inghilterra non avessero ridotto il consumo di carbone — al contrario, l’avevano aumentato, perché i costi più bassi avevano reso il carbone accessibile a un numero molto maggiore di persone e usi.

Lo stesso meccanismo si applica all’AI. Quando un modello diventa più efficiente, il suo costo per query scende. Questo lo rende appetibile per nuovi usi e nuovi utenti. La domanda aggregata cresce. Il consumo totale può aumentare anche se il consumo unitario diminuisce. DeepSeek-V3, ad esempio, ha richiesto tra l’80 e il 90% in meno di compute rispetto a LLaMA di Meta — ma questo dato non ci dice nulla sulla quantità totale di query che quel modello elaborerà nel corso della sua vita operativa.

“Without complementary demand-side measures, governance mechanisms, or regulatory guardrails, efficiency gains alone are unlikely to deliver absolute reductions in energy use. Instead, they risk accelerating environmental pressures by expanding the scale and intensity of AI applications faster than efficiency improvements can offset their cumulative impacts.” — UNU-INWEH, 2026

Questa è la ragione per cui il rapporto non si limita a chiedere più efficienza, ma chiede anche budget di risorse (in token, GPU-hour o kilowatt-ora), priorità ai modelli leggeri per i task routinari, e meccanismi di governance che gestiscano la domanda — non solo l’offerta.

5. Il costo non è uguale per tutti: giustizia ambientale e divario digitale

Una delle sezioni più dense e politicamente rilevanti del rapporto riguarda la distribuzione diseguale dei costi e dei benefici dell’AI. È un tema che mi sta particolarmente a cuore, anche per la mia attività di consulenza su innovazione e sostenibilità.

Il 90% dei data center AI-specializzati è concentrato in soli due Paesi: Stati Uniti e Cina. Solo 32 Paesi al mondo ospitano infrastrutture di questo tipo — il 16% delle nazioni. Più di 150 Paesi, compresa la quasi totalità dell’Africa e del Sud America, non hanno ancora un accesso sovrano all’infrastruttura di compute AI.

Questo crea un doppio svantaggio. Da un lato, i Paesi che ospitano i data center incassano vantaggi strategici (occupazione, gettito fiscale, sovranità digitale) ma le comunità locali sopportano il peso ambientale: stress idrico, occupazione di suolo, inquinamento. Dall’altro, i Paesi privi di infrastruttura propria non subiscono impatti locali diretti, ma restano dipendenti da piattaforme straniere e incapaci di competere nell’economia AI.

Il rapporto ricorda che il data center Google a Mesa, in Arizona, ha ottenuto un permesso per usare 5,5 milioni di metri cubi di acqua all’anno — un volume sufficiente a riempire circa 2.200 piscine olimpiche e a soddisfare il fabbisogno idrico annuo di 753.000 persone nell’Africa sub-sahariana. Non si tratta di numeri astratti: si tratta di risorse sottratte a comunità reali.

“Countries that host large compute clusters tend to capture strategic advantages such as employment, tax revenues, digital sovereignty and security capabilities, while nearby communities may bear disproportionate local environmental burdens, including water stress, land use pressures, and air pollution.” — UNU-INWEH, 2026

Il caso dell’Irlanda è emblematico. Entro il 2023, i data center pesavano per il 21% dell’elettricità totale misurata del Paese, superando il consumo combinato di tutte le abitazioni urbane irlandesi. Il gestore della rete nazionale EirGrid ha dovuto sospendere i nuovi allacciamenti nella regione di Dublino fino al 2028. Un Paese di circa 5 milioni di abitanti che vede la propria rete elettrica sotto pressione strutturale a causa di infrastrutture che servono utenti di tutto il mondo.

Non tutti i data center, poi, hanno la stessa impronta. Il rapporto mostra chiaramente che l’intensità carbonica dell’elettricità varia enormemente tra i principali hub di data center: Indonesia, India e Hong Kong superano la media globale del 62%, 51% e 43% rispettivamente in termini di carbonio; al contrario, Francia, Svezia e Svizzera sono tra l’88 e il 91% al di sotto della media globale grazie al nucleare e all’idroelettrico. Ma attenzione: un grid a basso carbonio non è automaticamente a basso impatto idrico o territoriale. Il Brasile, ad esempio, ha un’impronta carbonica elettrica del 77% inferiore alla media globale, ma water e land footprint quasi triple.

6. La bomba a orologeria dell’e-waste AI

C’è un capitolo del rapporto che, da ingegnere informatico, mi ha colpito forse più di tutti gli altri: quello sull’e-waste. L’hardware AI — GPU, TPU, server, sistemi di raffreddamento — ha un ciclo di vita relativamente breve. I chip si aggiornano rapidamente; i modelli di punta richiedono acceleratori sempre più potenti; le infrastrutture vanno sostituite.

“By 2030, AI infrastructure could generate up to 2.5 million metric tons of e-waste annually, equivalent to discarding nearly 250 Eiffel Towers every year.” — UNU-INWEH, 2026

2,5 milioni di tonnellate metriche di rifiuti elettronici ogni anno, generati solo dall’infrastruttura AI. Il paragone con 250 Torri Eiffel non è retorica: è un tentativo — riuscito — di rendere tangibile una quantità altrimenti astratta.

Il problema è che buona parte di questo e-waste finisce nei Paesi del Sud globale, dove i sistemi di smaltimento sono meno regolamentati. Metalli pesanti come piombo, cadmio e mercurio possono contaminare suoli e falde acquifere. Le comunità frontline — spesso le meno coinvolte nello sviluppo AI — ne pagano il prezzo sanitario e ambientale. C’è una grottesca ingiustizia in questo meccanismo che il rapporto ONU non esita a nominare.

Aggiungo, dalla mia prospettiva professionale: la questione dei minerali critici è altrettanto seria. GPU, batterie e server richiedono litio, cobalto, terre rare. L’estrazione di questi materiali è energivora e spesso avviene in regioni con protezioni ambientali deboli, contribuendo a impoverimento delle risorse idriche, inquinamento degli ecosistemi e impatti socioeconomici significativi sulle comunità locali. Il rapporto lo cita in riferimento al Copperbelt del Katanga, in Congo — una realtà che ho avuto modo di studiare nell’ambito di attività di ricerca su AI e sostenibilità.

7. Cosa propone il rapporto: sei principi per un’AI responsabile

Il rapporto UNU-INWEH non è solo una requisitoria: propone anche una strada. Identifica sei principi guida per un ecosistema AI responsabile — e li enuncio qui anche perché li ritengo non solo condivisibili, ma operativamente utili per chiunque lavori nell’innovazione digitale.

1. Trasparenza

Ogni provider AI dovrebbe pubblicare dati standardizzati e comparabili sui consumi energetici e sulle impronte carbonica, idrica e territoriale per training e inferenza. Oggi non è così: pochissime model card forniscono questi dati, e quelle che lo fanno non usano formati omogenei. OpenAI, ad esempio, non ha divulgato il consumo energetico di GPT-5. Una lodevole eccezione è GPT-OSS-120B, il cui model card ha incluso il dato energetico (2,5 milioni di kWh), consentendo la stima delle impronte ambientali.

2. Efficienza by Design

Quantization, pruning, distillation, Mixture-of-Experts routing, esecuzione on-device quando possibile: queste non sono solo ottimizzazioni tecniche — sono scelte progettuali con impatto ambientale. I modelli andrebbero progettati per essere efficienti sin dalla loro architettura, non solo ottimizzati ex post.

3. Equità e Giustizia Ambientale

Le comunità che ospitano data center non devono sopportare oneri ambientali sproporzionati mentre i benefici dell’AI fluiscono altrove. Le decisioni di localizzazione devono coinvolgere le comunità locali, soprattutto nelle aree già sotto stress idrico o energetico.

4. Responsabilità sull’intero ciclo di vita

Dall’estrazione dei minerali al design hardware, dall’uso operativo allo smaltimento: la responsabilità ambientale deve coprire l’intera catena del valore, non solo i consumi operativi. Il Green IT non può fermarsi alla fase di utilizzo.

5. Cooperazione globale

Servono standard armonizzati per la misurazione e il reporting. Il divario AI tra Paesi avanzati e Paesi a basso reddito non è solo un problema di accesso alle tecnologie: è anche un problema di capacity-building e di inclusione nei processi di governance dell’AI.

6. Uso Sostenibile

Anche il comportamento degli utenti conta. Scegliere il modello più leggero adeguato al task, evitare output verbosi inutili, privilegiare la ricerca convenzionale per query semplici: sono scelte individuali che, moltiplicate per miliardi di interazioni, hanno un impatto reale. Il rapporto calcola che una “concise mode” che riduca del 30% i token nelle interazioni comuni di ChatGPT potrebbe risparmiare tra 87 e 98 GWh di elettricità all’anno — equivalenti al consumo residenziale annuo di 672.000-756.000 persone nell’Africa sub-sahariana.

8. La mia lettura da ingegnere: tra urgenza e possibilità

Ho impiegato vent’anni a lavorare su sistemi informativi, reti TLC, sicurezza informatica e innovazione digitale. Ho visto molte onde tecnologiche — l’internet delle cose, la blockchain, il cloud computing, l’Industry 4.0. Ogni volta, la discussione pubblica si è concentrata sui benefici, mentre i costi — soprattutto quelli nascosti e distribuiti — sono emersi in ritardo. L’AI non fa eccezione, anzi: la velocità di diffusione è un moltiplicatore di scala che non ha precedenti.

Il dato che reputo più significativo dell’intero rapporto è questo: ChatGPT ha raggiunto 1 milione di utenti in 5 giorni e 100 milioni in meno di 2 mesi. Nessun’altra tecnologia nella storia dell’adozione digitale ha avuto una velocità paragonabile. Questo significa che i meccanismi di governance — normativi, tecnici, comportamentali — arrivano strutturalmente in ritardo rispetto alla diffusione. Quando gli impatti diventano visibili, i lock-in infrastrutturali e comportamentali sono già avvenuti.

Dal punto di vista tecnico, ci sono alcune priorità chiare. La prima è la trasparenza energetica nei model card: non è accettabile che un’azienda che si presenta come responsabile non divulghi i consumi del proprio modello. Sarebbe come immettere un’automobile sul mercato senza dichiarare le emissioni. La seconda priorità riguarda la localizzazione intelligente dei data center: non dove l’elettricità costa meno o dove la regolamentazione è più permissiva, ma dove l’impatto complessivo — carbone, acqua, suolo, comunità — è più sostenibile. La terza riguarda i modelli di deployment: l’esecuzione on-device di modelli distillati per task specifici può ridurre in modo significativo la dipendenza dai grandi cluster centralizzati.

C’è poi una questione culturale che non possiamo eludere. Nel mio lavoro di docente di Informatica e Intelligenza Artificiale, cerco sempre di insegnare ai miei studenti che ogni scelta tecnica ha conseguenze. Che un’architettura non è mai neutrale. Che scegliere di generare un video AI invece di scrivere un testo, o di lanciare un modello gigante invece di uno specializzato più piccolo, ha un costo che da qualche parte viene pagato — anche se non compare sulla bolletta dell’utente.

“The electricity used and the environmental resources impacted to generate verbose chat responses, AI-crafted images, or high-fidelity videos are resources that may be unavailable to communities that still lack reliable power or clean water.” — UNU-INWEH, 2026

Questa frase del rapporto riassume bene una dimensione etica che va integrata nel modo in cui progettiamo, valutiamo e regolamentiamo l’AI. Non è anti-progresso: è pro-responsabilità. L’AI può e deve essere uno strumento di sviluppo e sostenibilità — ma solo se governata con la stessa intelligenza con cui la progettiamo.

Conclusioni: il tempo delle scuse finisce qui

Il rapporto UNU-INWEH è un campanello d’allarme credibile, documentato e tecnicamente solido. Non è la solita critica apocalittica all’AI: è un’analisi sistemica che quantifica gli impatti e propone soluzioni concrete. Per la prima volta, un’istituzione delle Nazioni Unite misura contemporaneamente carbonio, acqua e suolo nell’economia AI — e lo fa con metodologie scientificamente rigorose, dati aggiornati e un’attenzione particolare alle asimmetrie globali.

Le cose da ricordare, in sintesi, sono queste: il consumo dei data center nel 2025 equivale all’undicesima economia elettrica mondiale; l’AI ne rappresenta già il 20% e crescerà al 40% entro il 2030; il training di GPT-4 ha avuto un’impronta idrica di 600 milioni di litri; l’inferenza è il vero tallone d’Achille ambientale, perché continua 24 ore su 24; il video generativo consuma fino a 200.000 volte l’energia della classificazione testuale; e l’e-waste AI potrebbe raggiungere 2,5 milioni di tonnellate annue entro il 2030.

Non è il momento di rallentare l’innovazione. È il momento di farla bene. Le aziende AI devono pubblicare i dati ambientali. I governi devono integrare l’AI nella pianificazione energetica e idrica. I data center devono essere localizzati con criteri di sostenibilità complessiva, non solo di convenienza economica. E noi, ingegneri, consulenti, docenti, professionisti del settore, dobbiamo avere il coraggio di mettere questi temi al centro della conversazione — nelle aule universitarie, nelle boardroom, nelle commissioni tecniche degli ordini professionali.

L’AI è la tecnologia più trasformativa della nostra epoca. Possiamo scegliere di costruirla in modo che sia davvero intelligente — anche nei confronti del pianeta che la ospita.

Fonte principale

Aczel M., Chamanara S., Matin M., Farsi A., Marwala T., Madani K. (2026). 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, Canada. DOI: 10.53328/INR26RMA002

Chi sono

Riccardo Petricca è Ingegnere delle Telecomunicazioni (Laurea con lode, Università di Cassino), Innovation Manager certificato MISE/UNIONCAMERE, DPO e consulente di cybersecurity e privacy per enti pubblici e privati. Docente di Informatica e Intelligenza Artificiale presso la Pontificia Università Urbaniana di Roma e l’Istituto Teologico Leoniano di Anagni. Responsabile della Commissione Cybersecurity, AI e Informatica Forense presso l’Ordine degli Ingegneri della Provincia di Frosinone. Iscritto all’Ordine degli Ingegneri di Frosinone dal 2004 (n° 1548). Autore di articoli su riviste scientifiche e del volume “Pastorale Digitale 4.0”. Sito: www.riccardopetricca.it