INTELLIGENZA ARTIFICIALE E CONSUMO ENERGETICO: I COLLI DI BOTTIGLIA DELL'AI

Negli ultimi tre anni, le richieste di connessione alla rete elettrica italiana da parte dei data center dedicati all’intelligenza artificiale (AI) e alle attività online sono aumentate di 20 volte in termini di potenza. Un dato che, secondo Terna, gestore della rete di trasmissione nazionale, pone "importanti sfide" per la gestione del sistema elettrico, sia a livello infrastrutturale che autorizzativo. La concentrazione di queste richieste al Nord, in particolare nell’area di Milano, aggrava ulteriormente la situazione, data la difficoltà di realizzare nuove infrastrutture in zone già densamente urbanizzate.  

Terna e la Pianificazione Necessaria

Durante un’audizione alla Camera dei Deputati il 22 gennaio 2025, Mauro Caprabianca, responsabile della pianificazione territoriale di Terna, ha evidenziato che le richieste di connessione per i data center hanno raggiunto 30 GW a fine 2024, con potenze medie di 140-150 MW per singolo centro dati. Per evitare la saturazione della rete, Terna sottolinea l’urgenza di:  

- Procedure autorizzative più snelle, soprattutto per gli impianti in altissima tensione.  

- Una distribuzione geografica più equilibrata, riducendo la pressione sulle aree già critiche come Milano.  

- L’integrazione con fonti rinnovabili, come nel caso del progetto Rai Way a Pomezia, che abbina data center a impianti fotovoltaici.  

L'integrazione con le fonti rinnovabili rimane la strada più lungimirante da percorrere, anche in virtù del fatto che, oggi,ancora la maggior parte delle energie elettriche utilizzata sul pianeta viene prodotta con combustibili fossili.

DeepSeek: Una Svolta nell’Efficienza Energetica dell’AI?  

La società cinese DeepSeek ha recentemente annunciato di aver sviluppato modelli di AI fino al 90% più efficienti rispetto a quelli attuali.

Ad esempio, l’addestramento del suo modello ha richiesto solo 2,78 milioni di ore di GPU (su chip Nvidia H800), contro i 30,8 milioni di ore utilizzate da Meta per Llama 3.1. 

Se confermati, questi progressi potrebbero ridimensionare drasticamente i consumi energetici legati all’AI, soprattutto nelle inferenze (le risposte alle richieste degli utenti), che rappresentano la maggior parte del fabbisogno energetico dell’AI.  

Stime Passate vs. Realtà: Un Pattern di Sovrastima  

La storia recente dimostra che le previsioni sui consumi energetici delle nuove tecnologie sono spesso esagerate:  

- Nel 2015, ricercatori di Huawei prevedevano che i data center avrebbero consumato oltre il 6% dell’elettricità globale.  

- Nel 2017, il World Economic Forum e Newsweek lanciarono l’allarme sul mining di criptovalute, ipotizzando che avrebbe esaurito l’energia mondiale entro il 2020.  

In realtà, i data center hanno mantenuto consumi ben al di sotto dell’1,5% della domanda globale negli anni ’10, grazie a miglioramenti nell’efficienza e alla crescita delle rinnovabili.  

Proiezioni Future: Tra Ottimismo e Prudenza 

Le stime attuali rimangono volatili:  

- L’Agenzia Internazionale dell’Energia (IEA) prevede un aumento del 35% dei consumi globali dell’AI entro il 2030.  

- Semi Analysis stima invece un +250%, con i data center statunitensi che potrebbero assorbire dal 4% al 15% dell’elettricità nazionale. 

Tuttavia, anche in scenari estremi (raddoppio o triplicazione della domanda), i data center rappresenterebbero meno del 10% del fabbisogno mondiale.  

L’Effetto Jevons e il Paradosso dell’Efficienza  

Un fattore critico è l’effetto Jevons: i miglioramenti nell’efficienza energetica possono paradossalmente aumentare i consumi totali, poiché riducono i costi e incentivano un uso più intensivo. Tuttavia, secondo Deloitte, i data center nel 2025 consumeranno solo il 2% dell’elettricità globale (536 TWh), salendo a 1.065 TWh entro il 2030 -Piú del triplo di tutta l'energia elettrica consumata oggi in Italia.  

Prospettive: Gestione della Sfida Energetica

Sebbene la domanda di energia per l’AI sia destinata a crescere, diverse strategie possono mitigarne l’impatto:  

1. Integrazione con le rinnovabili: Progetti come quello di Rai Way dimostrano che l’autoproduzione fotovoltaica è una soluzione praticabile.  

2. Innovazione tecnologica: I progressi di aziende come DeepSeek potrebbero ridurre i consumi unitari.  

3. Pianificazione territoriale: Evitare la concentrazione geografica e ottimizzare le infrastrutture esistenti.  

-In conclusionie è chiaro che le stime allarmistiche sui consumi dell’AI vanno affrontate con prudenza. Come dimostrato dal passato, i miglioramenti tecnologici e una pianificazione accurata possono contenere gli impatti energetici. Se da un lato i data center rappresentano una sfida importante, dall’altro l’AI stessa offre strumenti per ottimizzare l’efficienza energetica globale, compensando parte dei propri consumi. La chiave risiede nell’equilibrio tra innovazione, sostenibilità e governance intelligente.