Fare domande a ChatGPT e ad altri programmi di intelligenza artificiale consuma grosse quantità di energia elettrica. Non si sa con esattezza quanti GWh, ma alcune ricerche dimostrano che delle buone pratiche potrebbero far risparmiare ai data center qualche calcolo computazionale.

A oggi il 30% della capacità computazionale degli oltre 12.000 data center attivi nel mondo è assorbita da attività di intelligenza artificiale rigenerativa, e le nuove applicazioni AI, tra cui la generazione di video, mettono sempre più sotto pressione i sistemi energetici globali.

Le stime sui token per calcolare l’impronta energetica

Per riconoscere una pianta su Google Lens basta un modello di intelligenza artificiale “tradizionale” che ha bisogno di energia perlopiù nella fase di training. Ora però che l’AI è diventata generativa, cioè usa modelli addestrati per elaborare prompt e generare immagini, video e risposte sofisticate in pochi secondi, la crescita esponenziale della potenza di calcolo rischia di alzare i prezzi dell’elettricità e complicare ulteriormente la transizione energetica.

Secondo un recente report dell’UNESCO, sistemi di LLM all'avanguardia richiedono fino a 50 GWh di elettricità, un consumo paragonabile al fabbisogno elettrico annuo di alcuni paesi in via di sviluppo. L’amministratore delegato di OpenAI, Sam Altman, ha dichiarato che nel giugno 2025 ChatGTP ha ricevuto circa un miliardo di richieste al giorno e che ognuna delle quali avrebbe consumato circa 0,34 Wh di elettricità, l’equivalente necessario ad alimentare una lampadina LED ad alta efficienza per alcuni minuti.

Per Monica Vitali, professoressa associata del Politecnico di Milano, queste sono solo stime da prendere con una certa cautela perché non si sa ancora, effettivamente, cosa succede nel momento in cui mandiamo una richiesta a un modello linguistico di grandi dimensioni (LLM).

“Ci sono dei modelli che, semplificando, dicono che il consumo è dato dal numero di token generati, cioè pezzetti di testo che sono proporzionali alla lunghezza dell’input (prompt) e dell’output”, spiega Vitali. In breve, se la risposta è molto lunga, vengono creati molti token, e di conseguenza la potenza di calcolo necessaria a rispondere in tempo reale richiede parecchia energia.

Come ridurre il consumo energetico dell'output testuale

Chiedendosi come accorciare il più possibile il numero di token, Vitali e il team di ricerca del politecnico di Milano hanno osservato che istruendo il chatbot a generare testi stringati si può raggiungere un risparmio energetico del 90,95%. “Premesso che per stimare l’accuratezza delle risposte non ci sono dati oggettivi, abbiamo rilevato che nel 70% dei casi la qualità dell’output rimane buona”, aggiunge Vitali anticipando le conclusioni dello studio del Politecnico, non ancora pubblicato.

Un’altra questione che il mondo accademico sta investigando è capire fino a che punto la chiarezza della domanda incide sulla lunghezza della risposta. Vitali osserva come ponendo la richiesta in modo più comprensibile e preciso il numero di token cala del 20,30%.

Si può anche efficientare i modelli linguistici comprimendoli tramite una tecnica di quantizzazione. Ne risulta una minore precisione, ma consente risparmi energetici fino al 44% riducendo la complessità computazionale e i costi di esecuzione. Tra le soluzioni suggerite dal report UNESCO c’è anche la possibilità di progettare modelli di dimensioni più piccole: sono estremamente efficaci per applicazioni specifiche e risparmiano fino al 90% di elettricità.

Quanta energia consuma la generazione di immagini e video?

I modelli di intelligenza artificiale che generano immagini e video si basano invece su un'architettura diversa, chiamata "diffusione". Invece di prevedere e generare parole, acquisiscono i contorni e gli schemi delle immagini presenti nel database di addestramento.

In questo caso la domanda energetica di un certo modello di diffusione non dipende dal prompt inserito: generare l'immagine di un elefante richiede la stessa quantità di energia necessaria per generarne una che ritrae un astronauta intento a coltivare la terra su Marte. Il fabbisogno dipende invece dalle dimensioni del modello, dalla risoluzione dell'immagine e dal numero di step previsti dal processo di diffusione.

Secondo quanto riportato in un approfondimento dalla rivista scientifica MIT Review, la generazione di un'immagine di qualità standard (1.024 x 1.024 pixel) tramite Stable Diffusion 3 Medium (il principale generatore di immagini open source, dotato di 2 miliardi di parametri) consuma circa 1.141 joule di energia. Migliorare la qualità dell'immagine raddoppiando a 50 il numero di passaggi di diffusione fa quasi raddoppiare l'energia richiesta, portandola a circa 4.402 joule. Si tratta di un valore comunque inferiore a quello necessario ai modelli testuali più grandi.

I principali generatori di video basati sull'AI, capaci per esempio di creare filmati straordinari e iperrealistici della durata massima di 30 secondi, richiedono invece un consumo energetico nettamente superiore. Man mano che questi sistemi si evolvono, vengono introdotte funzionalità che permettono di modificare singoli elementi dei video e di assemblare più riprese in un'unica scena. Sono operazioni che, nel loro complesso, accrescono ulteriormente il fabbisogno energetico. Tuttavia, va osservato che le aziende del settore sostengono che la produzione di video tramite AI abbia un impatto ambientale inferiore rispetto alle riprese e agli spostamenti necessari per le produzioni cinematografiche tradizionali. È una tesi difficile da verificare, che oltretutto non tiene conto dell'eventuale crescita della generazione di video qualora i costi di produzione dovessero ridursi drasticamente, proprio grazie all'AI.

A ogni modo c’è ancora molta incertezza sui reali consumi energetici dei modelli linguistici e grafici basati sull’intelligenza artificiale. Certo è che le stime, anche se approssimative, sono piuttosto preoccupanti. Soprattutto alla luce del fatto che, come sottolinea un report dell’Agenzia internazionale dell’energia, il consumo di elettricità dei data center destinati all’AI è raddoppiato nel solo 2025.

In copertina: immagine Envato