Energia e carbonio dell'IA: addestrare o usare
Addestrare un modello di IA e usarlo consumano energia in due momenti. Ordini di grandezza tratti da studi e gesti d'uso ragionato.
In questa pagina
In 30 secondi
- Dove succede
- A ogni domanda posta a un assistente di IA[1], e a monte, durante l'addestramento dei modelli, che richiede importanti risorse di calcolo e di energia[2].
- Cosa mostrano le misure
- Il prompt mediano di testo di Gemini Apps consuma 0,24 Wh secondo Google[1]; l'addestramento finale di BLOOM ha emesso circa 24,7 tonnellate di equivalente CO2 secondo i suoi autori (sola potenza dinamica), e 50,5 tonnellate contando tutti i processi[2].
- Il riflesso
- Scegliere un modello adatto al compito ed evitare le richieste inutili.
Di cosa si tratta
Un modello di IA consuma energia in due momenti: quando viene addestrato, poi ogni volta che lo si usa. Il secondo momento ha un nome, l'inferenza: l'uso di un modello già addestrato per produrre previsioni, testo o immagini[1].
Questo articolo fornisce ordini di grandezza tratti da studi pubblicati. Sono stime, e le cifre cambiano molto da uno studio all'altro. Termina con i gesti che un dipendente può adottare ogni giorno.
Domande dirette
Che cosa si chiama addestramento?
È la fase in cui il modello viene costruito. Gli autori dello studio su BLOOM, un modello linguistico da 176 miliardi di parametri, scrivono che l'addestramento dei modelli richiede importanti risorse di calcolo, di energia e di materiali[2]. Per BLOOM stimano che l'addestramento finale abbia emesso circa 24,7 tonnellate di equivalente CO2 se si conta solo il consumo di energia dinamica, e 50,5 tonnellate se si contano tutti i processi, dalla fabbricazione delle apparecchiature al consumo di energia[2].
Già nel 2019, dei ricercatori hanno quantificato il costo finanziario e ambientale approssimativo dell'addestramento di più modelli di elaborazione del linguaggio. Secondo loro, i miglioramenti di precisione di questi modelli dipendono da risorse di calcolo eccezionali, che richiedono un consumo di energia altrettanto elevato[3].
Che cosa si chiama inferenza?
È il momento in cui un modello addestrato risponde a una richiesta[1]. Lo studio su BLOOM esamina anche l'energia e le emissioni della sua implementazione: il modello riceve richieste di utenti in tempo reale tramite un'interfaccia di accesso (API)[2].
Quanto consuma una richiesta?
Dipende dal metodo di misura, dal modello e dall'azienda. Google stima che il prompt mediano di testo di Gemini Apps consumi 0,24 Wh, emetta 0,03 gCO2e e consumi 0,26 mL d'acqua, cioè circa cinque gocce[1]. L'energia per prompt equivale a meno di nove secondi di televisione secondo Google[1]. Queste cifre si basano su un'analisi puntuale dei dati di maggio 2025; Google precisa che non rappresentano l'impatto di tutti i prompt di testo di Gemini Apps e non anticipano le prestazioni future[1].
Un'altra squadra ha confrontato 30 modelli in centri dati commerciali. Rileva che una richiesta breve da 0,42 Wh, moltiplicata per 700 milioni di richieste al giorno, raggiunge un consumo annuo di elettricità paragonabile a quello di 35.000 famiglie americane[6]. Nei suoi risultati, i modelli più energivori superano 29 Wh per un prompt lungo, cioè più di 65 volte i sistemi più efficienti[6].
Perché le cifre differiscono tanto?
Dagli studi emergono quattro fattori.
- Il metodo di calcolo. Google conta la potenza degli acceleratori in attività, ma anche le macchine inattive che restano pronte ad assorbire i picchi di traffico, il processore e la memoria dei server, e il consumo dei centri dati (raffreddamento, distribuzione elettrica)[1]. Contando solo le TPU e le GPU attive, Google ottiene 0,10 Wh per il prompt mediano, e giudica questa cifra ottimistica e molto sottostimata rispetto all'impronta reale[1].
- Il luogo. Per l'addestramento, la quota di energia senza carbonio e le emissioni in equivalente CO2 variano di un fattore da circa 5 a 10, anche all'interno di uno stesso paese e per una stessa organizzazione[4].
- Il centro dati e il processore. I centri dati del cloud possono essere più efficienti dal punto di vista energetico da circa 1,4 a 2 volte rispetto ai centri dati tipici, e gli acceleratori dedicati al machine learning da circa 2 a 5 volte rispetto a sistemi commerciali[4].
- Il tipo di modello. Reti neurali molto grandi ma ad attivazione parziale possono consumare meno di un decimo dell'energia di reti dense, senza perdita di precisione[4].
Gli autori di quest'ultimo studio stimano che la scelta della rete, del centro dati e del processore possa ridurre l'impronta di carbonio fino a un fattore da circa 100 a 1.000[4]. Aggiungono che questi scarti rendono difficili le stime fatte a posteriori[4].
Come funziona
L'impronta di un'IA non si limita all'elettricità dei chip. Dei ricercatori hanno esaminato il ciclo di sviluppo dei modelli in casi d'uso industriali e il ciclo di vita delle apparecchiature informatiche: contano l'impronta di carbonio di esercizio e quella di fabbricazione[7].
Sul versante dell'inferenza, Google descrive diverse leve di efficienza per Gemini. Le architetture di tipo Mixture-of-Experts attivano solo una piccola parte di un grande modello per rispondere a una richiesta, il che riduce i calcoli e i trasferimenti di dati di un fattore da 10 a 100 secondo Google[1]. La distillazione crea modelli più piccoli (Gemini Flash e Flash-Lite) a partire da modelli più grandi[1]. Google indica un PUE medio di 1,09 sull'insieme dei suoi centri dati; questo indicatore misura l'energia consumata dall'infrastruttura intorno alle apparecchiature informatiche[1].
Secondo Google, in dodici mesi, l'energia e l'impronta di carbonio totale del prompt mediano di Gemini Apps sono diminuite di un fattore di 33 e di 44[1]. Google precisa che questo confronto riguarda maggio 2024 e maggio 2025 e che i dati non sono stati verificati da una terza parte indipendente[1].
Cosa fa Lei
- Scelga il modello in base al compito. Nello studio su 30 modelli, lo scarto tra i più energivori e i più efficienti supera un fattore di 65 per un prompt lungo[6]. Google stessa propone modelli più piccoli per servire le richieste[1].
- Eviti le richieste inutili. Una richiesta breve da 0,42 Wh sembra trascurabile, ma moltiplicata per 700 milioni di richieste al giorno rappresenta l'elettricità annua di 35.000 famiglie americane secondo questa squadra[6]. Essa descrive un paradosso: quando l'IA diventa meno cara e più rapida, la sua adozione mondiale fa consumare risorse in modo sproporzionato[6].
- Tenga a mente gli ordini di grandezza senza citarli come certezze: dipendono dallo studio, dal modello e dal luogo.
Le trappole
- Confrontare cifre ottenute con metodi diversi. La cifra di 0,24 Wh di Google include le macchine inattive e l'energia dei centri dati, cosa che molti calcoli attuali non prendono in considerazione secondo Google[1]. Gli autori dello studio di Google dicono anche che nessuno studio aveva misurato questi indicatori di un servizio di IA in ambiente di produzione prima del loro[5].
- Prendere una cifra di Google per un valore indipendente. Google precisa che il confronto tra maggio 2024 e maggio 2025 (calo di un fattore di 33 e di 44) non è stato verificato da una terza parte indipendente[1].
- Credere che una cifra valga per tutti i modelli. Google precisa che l'energia del prompt mediano può cambiare quando vengono aggiunti nuovi modelli, quando l'architettura evolve e quando cambia il comportamento degli utenti[1].
- Dimenticare l'addestramento. Gli autori dello studio del 2021 stimano che l'energia e le emissioni dovrebbero figurare tra gli indicatori di valutazione dei modelli[4].
Fonti
- Google, «How much energy does Google’s AI use? We did the math», 21 agosto 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (consultato il 14 novembre 2026)
- arXiv, «Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model», 3 novembre 2022. https://arxiv.org/abs/2211.02001 (consultato il 14 novembre 2026)
- arXiv, «Energy and Policy Considerations for Deep Learning in NLP», 5 giugno 2019. https://arxiv.org/abs/1906.02243 (consultato il 14 novembre 2026)
- arXiv, «Carbon Emissions and Large Neural Network Training», 21 aprile 2021. https://arxiv.org/abs/2104.10350 (consultato il 14 novembre 2026)
- arXiv, «Measuring the environmental impact of delivering AI at Google Scale», 21 agosto 2025. https://arxiv.org/abs/2508.15734 (consultato il 14 novembre 2026)
- arXiv, «How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference», 14 maggio 2025. https://arxiv.org/abs/2505.09598 (consultato il 14 novembre 2026)
- arXiv, «Sustainable AI: Environmental Implications, Challenges and Opportunities», 30 ottobre 2021. https://arxiv.org/abs/2111.00364 (consultato il 14 novembre 2026)
Cita questo articolo
Brain, «Energia e carbonio dell'IA: addestrare o usare», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp270_it_2026,
author = {Brain},
title = {Energia e carbonio dell'IA: addestrare o usare},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/it/articles/ia-energia-addestramento-inferenza/},
note = {CC BY 4.0}
}