Un prodotto digitale può avere un'impronta ambientale inferiore rispetto al suo equivalente fisico (si pensi ai contratti digitali che sostituiscono fiumi di carta). Tuttavia, la scala con cui utilizziamo i servizi digitali è totalmente diversa, il che rende il confronto molto meno immediato. Eseguiamo centinaia di ricerche al giorno, chattiamo con i bot e chiediamo continui ritocchi a immagini generate. Le nuove capacità introdotte dall'intelligenza artificiale creano nuovi casi d'uso che, a loro volta, spingono i consumi complessivi verso l'alto.

Siamo di fronte a un esempio da manuale del cosiddetto paradosso di Jevons. Quando un processo diventa più efficiente, tendiamo a usarlo di più, non di meno. Così, man mano che i modelli di IA diventano più semplici, veloci ed economici (almeno in termini finanziari), vi facciamo ricorso sempre più spesso, annullando i guadagni in termini di efficienza e aumentando il costo totale, anziché ridurlo. Se il problema fosse solo economico, sarebbe relativo; è fondamentale invece capire che l'IA comporta costi ambientali seri che dobbiamo imparare a ridurre, proprio come facciamo con le emissioni e i rifiuti di ogni altra attività individuale e della nostra organizzazione.

Infrastruttura, addestramento e inferenza: l'origine dei costi ambientali dell'IA

L'impronta ecologica dell'IA non riguarda solo il consumo energetico. Come per ogni tecnologia digitale, dobbiamo osservare l'intero ciclo di vita e le risorse necessarie per mantenere attivo un servizio. Le organizzazioni della società civile (OSC) sono più spesso consumatrici che creatrici di tecnologia. Per compiere scelte consapevoli riguardo a prodotti e servizi, è utile capire come nascono e funzionano questi strumenti in un contesto più ampio di quello che appare sui nostri schermi.

Dall'estrazione delle materie prime alla produzione dell'hardware

Prima ancora di addestrare un nuovo modello o lanciare un servizio basato sull'IA, occorre costruire l'impalcatura fisica su cui tutto andrà a reggersi. Produrre unità di elaborazione grafica (GPU) richiede una quantità straordinaria di risorse: un solo impianto di semiconduttori consuma circa 38 milioni di litri d'acqua al giorno per le lavorazioni dei chip. A ciò si aggiungono l'estrazione delle terre rare (che spesso contamina suolo e falde acquifere), il trasporto e la costruzione vera e propria dei data center. Questa dimensione dell'impronta ambientale emerge raramente nel dibattito pubblico È più difficile da misurare rispetto al consumo elettrico e ci costringe a confrontarci con i costi etici dell'IA, come l'impatto sulla salute di chi vive o lavora vicino ai siti di estrazione mineraria o ai cantieri dei grandi data center.

L'altra faccia della medaglia sono i rifiuti elettronici. La pressione costante per avere hardware sempre più potente accorcia il ciclo di vita dei dispositivi. Si stima che l'IA genererà tra 1,2 e 5 milioni di tonnellate supplementari di rifiuti elettronici (e-waste). Nel frattempo, la produzione globale di tali rifiuti cresce cinque volte più velocemente della capacità di riciclo, con la conseguenza che questi prodotti finiscono in buona parte nelle discariche dei paesi in via di sviluppo, dove sostanze come mercurio, arsenico e piombo filtrano negli ecosistemi locali.

L'addestramento dei modelli

Istruire un modello linguistico di grandi dimensioni (LLM) richiede una quantità di energia colossale. Per l'addestramento di GPT-4 sono state necessarie circa 25.000 GPU, rimaste in funzione per circa tre mesi. Il consumo energetico stimato oscilla tra i 51.000 e i 62.000 MWh - più di 40 volte l'energia servita per il precedente GPT-3. Per intenderci, è quanto consumano 1.000 case americane in cinque o sei anni. Sebbene le dimensioni dei modelli tendano a crescere a ogni nuova versione (come nel caso della famiglia GPT), molte aziende stanno già cercando di invertire la rotta: l'obiettivo è ottimizzare i processi (come fatto dal modello cinese DeepSeek a fine 2024) o sviluppare modelli molto più agili, progettati per compiti specifici o hardware meno potenti. Stiamo parlando dei modelli linguistici di piccole dimensioni (SLM).

Inferenza: il costo invisibile dell'esecuzione

Se l'addestramento stupisce per la sua scala monumentale, è l'inferenza - ovvero la generazione di risposte a milioni di richieste degli utenti - a rappresentare il vero costo ambientale costante dell'IA. Con un volume di un miliardo di query al giorno, anche un modello altamente efficiente che consuma appena 0,42 Wh per una risposta breve genera un consumo annuale paragonabile a quello di 35.000 abitazioni negli Stati Uniti.

Le differenze tra i vari modelli sono enormi e la maggior parte dei dati, pubblicati col contagocce dalle aziende, riguarda modelli testuali. Generare immagini e video è sensibilmente più costoso e richiede molta più energia.

Il fattore umano nella filiera dell'IA

Se allarghiamo lo sguardo all'ambiente inteso come salute e benessere delle persone, oltre all'inquinamento già menzionato, non possiamo ignorare chi valuta, filtra e perfeziona questi modelli. È il processo di etichettatura dei dati di addestramento, valutazione delle risposte del modello e filtraggio dei contenuti nocivi, noto come RLHF (Reinforcement Learning from Human Feedback). Questo lavoro, sottopagato e tenuto deliberatamente nell'ombra, viene esternalizzato a grandi subappaltatori che operano in paesi con scarse tutele lavorative come Kenya, Uganda e India. I costi in termini di salute mentale per questi lavoratori sono pesanti, paragonabili a quelli dei moderatori dei social media: persone esposte quotidianamente a materiali violenti o disturbanti per ripulirli prima che arrivino sui nostri schermi.

Come scegliere strumenti e modelli di IA in base ai costi ambientali

Possiamo ridurre l'impatto ambientale di qualsiasi tecnologia digitale, ma dobbiamo distinguere chiaramente tra azioni con un peso sistemico, scelte individuali e semplici operazioni di greenwashing - quei gesti di facciata che ingigantiscono una responsabilità ambientale solo dichiarata.

Come organizzazioni, non abbiamo voce in capitolo sulla costruzione dei modelli, ma possiamo decidere quali adottare. L'accesso ai dati sull'efficienza energetica dovrebbe essere il criterio cardine di queste scelte, anche se per il momento tali informazioni restano difficili da reperire. Oltre ad affidarci ai dati, dovremmo imparare a utilizzare l'IA in modo consapevole e con parsimonia. Al momento, troppe persone e organizzazioni ricorrono all'IA - in particolare quella generativa - per compiti in cui non rappresenta affatto la soluzione migliore. È opportuno distinguere tra alcune tecnologie fondamentali che rivestono particolare importanza dal punto di vista dei costi ambientali.

  • LLM (Large Language Models): sono le grandi famiglie di modelli come GPT, Claude, Gemini e DeepSeek. Addestrati su centinaia di miliardi di parametri, operano sui server dei giganti tech. Il costo dell'addestramento è astronomico, ma viene ripartito su milioni di utenti. L'accesso avviene tramite interfacce online (siti web e app mobili) o API per strumenti personalizzati (come l'integrazione di un modello di IA in un sistema CRM): ciò significa che ogni query deve transitare per un data center esterno. Questi modelli sono estremamente potenti, ma per operazioni elementari possono consumare più risorse di quante ne servano realmente - come quando interroghiamo un chatbot per un dubbio che una semplice ricerca web risolverebbe con un impatto decisamente minore.

  • SLM (Small Language Models): modelli come Mistral Small 24B, Phi-4 14B o Gemma 2B. Avendo un numero inferiore di parametri, sono più agili, veloci e possono essere installati localmente, su un laptop, sul server dell'organizzazione o persino su uno smartphone. Per molte attività comuni, come la classificazione dei documenti, la sintesi o le risposte fondate sulla base di conoscenze interne, sono del tutto sufficienti. Chi volesse sperimentarli può utilizzare strumenti come LM Studio o Ollama.

  • Modelli Open-weight: modelli come Llama, Qwen e Mistral, che rendono pubblici i propri parametri permettendo l'esecuzione su infrastrutture private. Oltre a garantire all'organizzazione il pieno controllo su dove e quando il modello entra in funzione, offrono a chi necessita di soluzioni su misura la possibilità di affinare il modello per adattarlo a esigenze specifiche.

Abbinare lo strumento al compito: esempi pratici.

  • Ricerche e compiti ripetitivi: come la consultazione della documentazione o le risposte basate su materiali interni; possono essere gestite da un modello locale che gira sul server dell'organizzazione, attingendo a una base di conoscenza definita. Sono i cosiddetti sistemi RAG (retrieval-augmented generation).

  • Trascrizione di una registrazione: non è necessario attivare un grande modello linguistico in cloud come ChatGPT o Gemini, che consumerebbe molte più risorse di uno strumento eseguito localmente, come ad esempio OpenWhispr.

  • Comandi vocali per il controllo del computer: che i produttori dei grandi modelli commerciali incoraggiano attivamente, ma per la quale è possibile utilizzare uno strumento open-source locale come Handy.

  • Editing e revisione di testi: i modelli linguistici di piccole dimensioni eseguiti localmente funzionano egregiamente e non richiedono la connessione a internet.

Scegliere un modello più piccolo o specializzato per un compito specifico può ridurre in modo significativo l'impatto ambientale dell'IA all'interno di un'organizzazione. I modelli locali sono ecologicamente vantaggiosi quando girano su hardware adeguato, o quando l'alternativa sarebbe l'uso intensivo di un grande modello commerciale per compiti che un sistema piccolo gestirebbe altrettanto bene. Un ulteriore vantaggio dei modelli locali è il maggior controllo su quando vengono effettivamente eseguiti: molti servizi di IA, specialmente quelli integrati nelle suite per l'ufficio, restano attivi in background anche quando non servono.

In molti casi, tuttavia, il modo più efficace per ridurre i costi ambientali dell'IA è non usarla, o svolgere il lavoro in modo tradizionale. Per realizzare un video multilingua, ad esempio, di solito bastano i sottotitoli standard o, al massimo, si può registrare e doppiare una nuova traccia audio. Generare interi nuovi video tramite IA per ogni lingua - clonando video e voci per poi rigenerarli - risulterà, in molti casi, un'operazione superflua e dispendiosa.

Prepararsi al futuro

L'energia consumata dai data center che supportano l'addestramento e l'inferenza dell'IA rappresenta solo una parte di quella utilizzata dal settore digitale nel suo complesso - un settore la cui domanda non accenna a diminuire. Anche se l'IA dovesse pesare solo per una piccola percentuale delle emissioni totali di CO₂, le ONG dovrebbero pretendere di più - dalle aziende tecnologiche, ma anche da se stesse. Non si tratta solo di controllare la bolletta dell'elettricità. Possiamo e dobbiamo sfruttare ciò che i modelli hanno da offrire, ma è bene farlo in modo intenzionale e consapevole. Questo significa anche saper fare un passo indietro rispetto alle soluzioni più popolari o a quelle che rischiamo di usare per inerzia, solo perché una pubblicità ci ha convinti della loro necessità.

Il tuo feedback è importante

Cosa ne pensi di questo testo? Dedica 30 secondi per condividere il tuo feedback e aiutarci a creare contenuti significativi per la società civile.

Note e Disclaimer

Questa risorsa è stata creata nell'ambito del progetto AI for Social Change nell'ambito del Digital Activism Program di TechSoup, con il supporto di Google.org.

L'autrice ha utilizzato l'IA per creare questo contenuto. Tuttavia, l'intero articolo è stato ideato, revisionato e verificato dall'autrice e dal team di TechSoup.

Gli strumenti di IA si evolvono rapidamente e, sebbene facciamo il possibile per garantire l'accuratezza dei contenuti, alcuni elementi potrebbero non essere più aggiornati. Se noti informazioni superate, segnalacelo all'indirizzo contact@hive-mind.community