10 Settembre 2026

AI, energia e sostenibilità: quando un dato corretto non basta per prendere una buona decisione

La crescita dell’intelligenza artificiale sta rendendo sempre più evidente il legame tra tecnologia, energia e infrastrutture. Ma conoscere un dato di consumo non significa ancora comprenderne la performance o l’impatto. Per decidere serve il contesto.

700 GW di domanda elettrica. Ma quanta ne servirà davvero?

Negli Stati Uniti, le richieste di connessione alla rete provenienti dai grandi consumatori di energia, prevalentemente data center, hanno superato complessivamente i 700 GW in alcune aree del Midwest, Mid-Atlantic e Sud del Paese. È una quantità superiore di oltre dieci volte alle stime dell’attuale consumo di potenza di tutti i data center americani.

Il dato impressiona, ma proprio la sua dimensione ha sollevato un problema: una parte di quella domanda potrebbe non materializzarsi mai.

Alcune richieste possono infatti riferirsi allo stesso progetto presentato in più località; altre provengono da iniziative che non dispongono ancora dei capitali, dei clienti o delle condizioni necessarie per essere realizzate. Quando utility e autorità hanno introdotto requisiti più stringenti, una parte consistente della domanda prevista è scomparsa. Exelon, per esempio, ha ridotto di circa il 40% la propria stima dei progetti ad alta probabilità dopo avere introdotto requisiti più severi sulle garanzie finanziarie.

Il Texas ha deciso di intervenire sospendendo temporaneamente l’approvazione di nuove connessioni e avviando una verifica dei progetti. Il problema non è soltanto energetico. Pianificare reti e infrastrutture sulla base di una domanda sovrastimata può portare a investire in capacità che non verrà utilizzata, con costi che dovranno essere distribuiti sul sistema. Sottostimarla espone invece al rischio opposto: infrastrutture insufficienti rispetto alla domanda effettiva.

È un esempio particolarmente interessante di quanto un numero, pur essendo corretto, possa essere insufficiente per prendere una buona decisione.

Dal dato alla performance

La crescita dell’intelligenza artificiale rende questa distinzione ancora più rilevante.

Immaginiamo due imprese che consumino la stessa quantità di energia e abbiano gli stessi ricavi. Se rapportassimo semplicemente il consumo energetico al fatturato, otterremmo lo stesso risultato.

Eppure potremmo trovarci di fronte a due attività completamente diverse.

Un’impresa potrebbe utilizzare quell’energia prevalentemente per elaborare grandi quantità di dati, mentre l’altra per produrre e distribuire beni fisici. Nel primo caso, per comprendere la performance energetica sarà probabilmente più significativo mettere il consumo in relazione con l’attività di elaborazione svolta; nel secondo, con i volumi prodotti o con un’altra misura rappresentativa dell’attività industriale.

Il dato di partenza non cambia. Cambia la nostra capacità di interpretarlo.

È anche per questo che la comparabilità non deriva semplicemente dall’applicazione della stessa formula a imprese differenti. Una metrica diventa informativa quando è coerente con l’attività economica che intendiamo comprendere e quando il confronto avviene con imprese realmente comparabili.

Per chi deve prendere decisioni, questa distinzione conta. Un indicatore apparentemente semplice può suggerire che due aziende abbiano performance simili quando, in realtà, sta mettendo a confronto fenomeni diversi.

Performance e impatto non sono la stessa cosa

C’è poi un ulteriore passaggio. Anche quando siamo riusciti a misurare correttamente la performance, non abbiamo necessariamente compreso l’impatto.

Per farlo occorre considerare, tra le altre cose, da dove proviene l’energia utilizzata, quali emissioni sono associate alla sua produzione, dove viene consumata, quali infrastrutture richiede e quali conseguenze può generare sul sistema energetico e sul territorio.

Lo stesso incremento della domanda elettrica può avere effetti molto diversi a seconda del luogo in cui si verifica. La International Energy Agency sottolinea, per esempio, che nei sistemi nei quali domanda e offerta sono già sotto pressione l’arrivo di grandi nuovi carichi può richiedere investimenti aggiuntivi nella generazione e nelle reti, con possibili conseguenze sui prezzi. Dove esiste invece capacità disponibile, una domanda più stabile può contribuire a utilizzare meglio infrastrutture già esistenti.

Il contesto modifica quindi ancora una volta il significato del dato.

È una questione che riguarda direttamente anche l’Europa. Un recente studio commissionato dalla Commissione europea sulle esigenze future di infrastrutture cloud e AI considera insieme capacità di calcolo, consumo energetico, vincoli delle reti elettriche, disponibilità di acqua, permitting e accesso ai capitali. La capacità tecnologica non viene quindi trattata come una variabile isolata, ma come parte di un sistema di risorse e infrastrutture dalle quali dipende la possibilità stessa di svilupparla.

L’efficienza dell’AI non racconta tutta la storia

Anche il dibattito sul consumo energetico dell’intelligenza artificiale mostra quanto sia facile confondere livelli diversi di analisi.

L’efficienza sta migliorando rapidamente. Secondo la IEA, negli ultimi anni l’energia necessaria per eseguire un singolo task di AI è diminuita di almeno un ordine di grandezza all’anno grazie all’evoluzione di hardware e software. Allo stesso tempo, però, cresce rapidamente l’utilizzo dell’intelligenza artificiale e si diffondono applicazioni molto più energivore, come la generazione video, i modelli di reasoning e i sistemi agentici. Alcune di queste attività possono richiedere centinaia o migliaia di volte più energia di una semplice generazione di testo.

È quindi possibile migliorare significativamente l’efficienza per singola operazione e vedere contemporaneamente crescere il consumo complessivo.

La IEA stima che la domanda globale di elettricità dei data center possa passare da circa 485 TWh nel 2025 a circa 950 TWh nel 2030, mentre quella dei data center specificamente orientati all’AI potrebbe triplicare nello stesso periodo.

Questo non porta alla conclusione che l’intelligenza artificiale sia necessariamente negativa dal punto di vista energetico. La stessa tecnologia può contribuire a ottimizzare reti e processi industriali, ridurre guasti e inefficienze e migliorare l’utilizzo delle infrastrutture esistenti. La IEA stima, per esempio, che applicazioni già documentate dell’AI potrebbero produrre risparmi energetici significativi entro il 2035 se venissero superate le attuali barriere all’adozione.

Il punto è un altro: efficienza, consumo e impatto descrivono aspetti diversi della stessa realtà e non possono essere utilizzati come se fossero intercambiabili.

Quando il dato entra nelle decisioni dell’impresa

La questione diventa particolarmente rilevante quando gli indicatori di sostenibilità escono dal reporting ed entrano nelle decisioni di strategia, investimento e governance.

Sapere quanta energia viene consumata è necessario. Valutare se quell’energia viene utilizzata in modo efficiente rispetto all’attività svolta aggiunge un secondo livello di comprensione. Capire quali conseguenze quel consumo produce sul sistema nel quale l’impresa opera aggiunge una dimensione ancora diversa.

Per un’impresa che sta decidendo quanto investire nell’AI, per esempio, la valutazione non riguarda soltanto il costo della tecnologia o i potenziali guadagni di produttività. Possono diventare rilevanti la disponibilità e il costo dell’energia, la localizzazione delle infrastrutture, la resilienza dei fornitori, le competenze necessarie, le dipendenze tecnologiche e gli effetti che quelle scelte possono produrre nel tempo.

La stessa dinamica vale ben oltre l’intelligenza artificiale. Un indicatore ambientale, sociale o economico acquista valore decisionale quando viene interpretato rispetto al modello di business, alle attività che lo generano e al sistema di relazioni nel quale l’impresa opera.

La sostenibilità integrata parte proprio da qui: non dall’aggiunta di una nuova categoria di dati alle informazioni già disponibili, ma dalla capacità di collegare performance, impatti e conseguenze economiche delle decisioni.

Dalla misurazione alla qualità delle decisioni

La crescita dell’AI ci sta mostrando con particolare evidenza quanto tecnologia, energia, infrastrutture, capitali e territori siano interdipendenti. La IEA osserva che la velocità con cui procede l’intelligenza artificiale sta entrando in contrasto con quella, inevitabilmente più lenta, dei sistemi fisici, sociali ed economici che devono sostenerla.

È forse questa la parte più interessante del caso dei 700 GW.

Il problema non è che il dato sia sbagliato. Quelle richieste di connessione esistono. Il problema nasce quando quel numero viene utilizzato per prendere decisioni senza comprenderne sufficientemente la natura, la probabilità che si traduca in domanda reale e le conseguenze che produrrà sul sistema.

Per le imprese vale lo stesso principio.

Misurare è necessario. Comprendere ciò che stiamo misurando, perché è rilevante e quali decisioni dovrebbe orientare è ciò che trasforma un dato in informazione utile.

In SostenibilitA Consulting lavoriamo su questo passaggio: leggere dati, performance, impatti e interdipendenze nel contesto specifico dell’impresa, per portarli dentro le decisioni di strategia, governance e investimento.

Fonti: Reuters, Texas’ halt on powering data centers reflects US reckoning over ‘ghost’ demand, 1 settembre 2026; International Energy Agency, Key Questions on Energy and AI, 2026; European Commission, Study on Cloud and AI Development in the EU, agosto 2026.