Intelligenza Artificiale ed Energia: i nuovi consumi dei data-center

Intelligenza artificiale ed energia sono ormai un binomio inseparabile: ogni prompt “geniale” che lanci a ChatGPT accende, da qualche parte, migliaia di chip e una richiesta di corrente paragonabile a un intero quartiere. Capire quanta elettricità serve davvero, dove la prendiamo e perché i numeri crescono a ritmo doppio rispetto a ieri ci aiuta a leggere bollette, investimenti e scelte green con un occhio più critico.

L’AI spinge i data-center a consumi da piccola città: ecco come, perché e cosa significa per la rete.

Perché l’AI è una mangia-energia ?

La potenza bruciata dall’AI nasce dall’esplosione dei modelli: più parametri, più GPU, più Watt. Ecco perché i nuovi data-center consumano come una città media.

L’intelligenza artificiale non gira su eterea “nuvola”: richiede server densi di GPU che, a parità di area, assorbono fino a dieci volte l’energia di un rack tradizionale. La corsa agli LLM “Large Language Model” da centinaia di miliardi di parametri trascina il carico, mentre il refresh dei chip taglia solo parte dell’impronta: l’efficienza cresce, ma il volume di calcolo corre più veloce. Così i campus AI utilizzano 50–100 MW continuativi, come piccole centrali, e il fabbisogno globale punta al raddoppio entro il 2030.

• GPU racks da 30 kW contro 3 kW classici
• Training di GPT-4 ≈ 1-2 GWh
• Campus AI fino a 100 MW costanti
• Efficienza chip +100%, ma domanda +200%

Dal PC al super-cluster: come cambia il consumo

I computer di casa consumano al massimo poche centinaia di watt; un super-cluster AI mette insieme migliaia di GPU specializzate, ciascuna da 350-700 W, in rack raffreddati a liquido. Il salto di scala è drammatico: da 1 kW di un server classico si passa a 30 kW per rack, mentre intere sale macchina superano 80 MW, pari alla potenza richiesta da 50 000 abitazioni italiane.

Più parametri = più watt: la corsa ai modelli giganti

Ogni volta che il numero di parametri raddoppia, il consumo energetico dell’addestramento cresce quasi linearmente perché servono più passi e memoria. Addestrare GPT-4 ha bruciato stime di 1-2 GWh, quanto tutta l’illuminazione pubblica di Milano per un mese ! E i modelli da 10 T di parametri in pipeline promettono di moltiplicare nuovamente il fabbisogno se non cambiano hardware e algoritmi.

Chip next-gen: quanta efficienza guadagni davvero?

Nvidia Blackwell, Intel Gaudi 3 e Google TPU-v5 spingono oltre i 20 TFLOPS/W, queste velocità di calcolo raddoppiando l’efficienza dei predecessori. Tuttavia la legge di Koomey (l’efficienza energetica dei computer raddoppia all’incirca ogni 18 mesi) rallenta: il ritmo di miglioramento è quasi dimezzato rispetto ai primi anni 2010. Il risultato concreto? L’elettricità risparmiata dal nuovo chip viene presto divorata da dati, parametri e richieste utente sempre più complesse, tenendo la curva dei consumi in costante salita.

I numeri che fanno notizia (Italia vs mondo)

Dal report IEA ai dati Polimi, ecco quanto cresce la richiesta di corrente dei data-center IA — e perché il confronto con le auto elettriche stupisce.

Nel 2024 i data-center globali assorbono circa 460 TWh; l’IEA prevede che, sospinti da intelligenza artificiale e energia, saliranno a 945 TWh entro il 2030, più dell’intero consumo elettrico italiano. In casa nostra il Politecnico di Milano stima fino a 1 GW di potenza installata entro il 2026, concentrata in pochi poli (Milano, Roma-Fiumicino, Sicilia). Il paragone più efficace? Tre campus di AI da 100 MW consumano quanto un milione di BEV italiani in un anno.

• +15% annui: ritmo di crescita dei consumi DC 2024-30
• 945 TWh = 3% della domanda elettrica globale 2030
• Italia: 1 GW di picco DC entro 18 mesi
• Avalon 3 Milano: 15 GWh di calore recuperato/anno
• 1 M di BEV: 2-3 TWh/anno, appena 0,8% della rete

Consumi globali 2024-2030: perché raddoppiano

L’IEA mostra che il carico dei data-center cresce quattro volte più veloce di ogni altro settore elettrico: +15% annuo contro il 3% medio. Colpa di GPU ad alto wattaggio per il training e di inferenza sempre accesa nei servizi consumer. Così i 460 TWh del 2024 potrebbero sfiorare 1 PWh a fine decennio — più dell’uso elettrico del Giappone.

Mega-hub italiani: dove e quanta corrente

Cornaredo (MI), Fiumicino (RM) e la Sicilia rinnovabile ospiteranno campus da 80-100 MW. Il Politecnico quantifica 1 GW aggregato entro il 2026 (0,3 % del picco di carico nazionale), ma concentrato in poche cabine primarie: una sfida per Terna e i DSO.

Un data-center vs un milione di auto elettriche

Motus-E calcola che 1 M di BEV assorbirebbero 2-3 TWh annui. Un solo campus AI da 100 MW, con fattore di carico 0,9 brucia 0,8 TWh: tre campus eguagliano l’intera flotta di BEV, mostrando quanto la domanda di intelligenza artificiale e energia sia il vero “elefante” nella stanza.

Come alimentare il cloud senza far saltare la rete

Dalla compravendita di vento e sole ai progetti di recupero calore, ecco come i data-center AI cercano energia “extra” senza mandare in tilt la rete nazionale.

Dietro ogni prompt c’è un contratto di fornitura: i big tech siglano Power Purchase Agreement (PPA) pluriennali per blindare gigawatt di rinnovabili, mentre progetti locali riutilizzano calore prima disperso. Grazie a questa doppia strategia, l’equazione intelligenza artificiale e energia può ridurre l’impatto sulla bolletta generale e sulla CO₂, a patto che la crescita del traffico non superi il ritmo dei nuovi impianti solari e wind.

• Amazon: oltre 500 progetti solari & wind, 77 TWh/anno di energia pulita
• Google: PPAs per 1,5 GW firmati in un anno
• 24/7 carbon-free energy entro il 2030: impegno Google
• Avalon 3 Milano: 2,5 MWt di calore immesso nel teleriscaldamento
• 1 250 famiglie servite, 3 300 t CO₂ evitate/anno

PPAs “Power Purchase Agreement” solare & vento: gli accordi verdi dei big tech

Amazon, primo compratore corporate di rinnovabili al mondo, ha in portafoglio 500+ PPAs (Power Purchase Agreement) che potranno alimentare 7,2 milioni di case l’anno, fissando 77 TWh di generazione pulita destinata in buona parte ai suoi data-center. Google accelera: con un metodo di procurement “LEAP” ha chiuso 1,5 GW di PPAs in 12 mesi e punta a operare al 100 % carbon-free, 24/7 entro il 2030. Queste mosse sgravano le reti locali, ma richiedono che gli operatori dispongano di connessioni più robuste e di un mix solare-eolico ben distribuito sul territorio.

Case study Italia: Avalon 3 Milano e il recupero di calore dal data-center

Il data-center Avalon 3 di Milano non si limita a consumare: restituisce energia sotto forma di calore. Grazie all’accordo con A2A e DBA Group e Retelit, 2,5 MW termici che sarebbero dissipati in atmosfera vengono immessi nella rete di teleriscaldamento, garantendo 15 GWh/anno di energia utile — il fabbisogno di 1.250 famiglie — e tagliando 3.300 tonnellate di CO₂. Un modello di circolarità che trasforma un data-center in piccola “centrale verde” urbana.

Ridurre lo spreco: efficienza e recupero

Dal raffreddamento a immersione all’edge computing: meno watt sprecati, più corrente dove serve davvero.

Non basta comprare energia rinnovabile: per tenere in equilibrio l’equazione intelligenza artificiale e energia bisogna limare ogni Watt sprecato. La ricerca si concentra su soluzioni che tagliano dissipazione e latenza, riducendo il carico sul mix nazionale senza frenare l’AI.

• Raffreddamento a immersione: -40% di consumo HVAC
• Recupero calore: fino all’80% dell’energia elettrica riutilizzata
• AI for ops: -20% di kWh grazie al tuning in tempo reale
• Edge micro-DC: -50% di traffico dati su backbone
• Metriche PUE: da 1,6 a 1,1 nei campus di ultima generazione

Raffreddamento a immersione e calore di scarto

L’immersion cooling sostituisce l’aria con fluidi dielettrici: le GPU lavorano in “vasca” e il calore viene catturato in scambiatori a rack, tagliando del 40% l’energia della climatizzazione. Quel calore a bassa entalpia non si butta: teleriscaldamento urbano e serre indoor possono recuperare fino all’80% della corrente assorbita dal data-center.

L’AI che ottimizza sé stessa: software-defined power

Algoritmi di machine learning regolano ventole, clock e distribuzione carichi in tempo reale. Risultato: -20% di kWh annui senza toccare l’hardware. Google DeepMind e Microsoft Project Natick dimostrano come “auto-ottimizzare” il cloud con lo stesso tipo di reti neurali che servono agli utenti.

Mini-data-center di prossimità: meno trasporto, meno watt

Portare la potenza di calcolo vicino alle antenne 5G riduce latenza e traffico IP backbone. Un micro-DC edge (50-250 kW) serve contenuti localmente, evitando che i dati attraversino mezza Europa: -50% di watt spesi in trasporto e routing per certe classi di workload.

Conclusione

Chi scrive software di AI oggi deve pensare in Watt prima ancora che in parametri: senza efficienza e accordi green, il rischio è di spostare semplicemente le emissioni dall’auto allo schermo. I grandi hyperscaler lo hanno capito e stanno correndo fra PPAs, recupero calore e cooling radicali; la sfida è replicare queste pratiche anche nei data-center “di provincia” e nei retrofitting esistenti. Per noi utenti e aziende significa bollette più stabili, rete più resiliente e un AI che diventa davvero parte della transizione energetica — non un ostacolo.

Vuoi scoprire come ridurre la tua impronta digitale con fotovoltaico e tariffe smart? Dai un’occhiata alle nostre guide pratiche su solare domestico e ricarica EV: risparmi oggi, aiuti la rete domani.

FAQ su Intelligenza Articiale ed Energia