greenai.guide

Home › Articoli › Che cos'è l'IA verde?

Articolo

Che cos'è l'IA verde?

Aggiornato · 6 min di lettura

In breve

IA verde significa usare l'intelligenza artificiale in modo che il suo costo ambientale resti proporzionato al valore che produce. Comprende due idee, usare l'IA per aiutare l'ambiente ("IA per l'ambiente") e ridurre l'impronta dell'IA stessa ("IA più verde"), e due modi per arrivarci: l'efficienza (svolgere ogni compito con meno) e la sufficienza (svolgere solo i compiti che vale la pena svolgere).

Punti chiave

  • L'"IA per l'ambiente" usa l'IA per aiutare gli obiettivi ambientali; l'"IA più verde" riduce l'impronta dell'IA stessa. L'IA verde ha bisogno di entrambe.
  • L'impronta dell'IA non è solo elettricità. Comprende le emissioni di carbonio, l'acqua per il raffreddamento e per la produzione di energia, e i materiali e i rifiuti dell'hardware.
  • L'efficienza riduce il costo di ogni compito; la sufficienza si chiede se il compito abbia davvero bisogno dell'IA, o di un modello così grande.
  • IA verde non significa "niente IA". Significa usare bene l'IA, misurarne il costo e scegliere lo strumento giusto per il lavoro.
  • Poiché "IA" comprende di tutto, dai piccoli classificatori ai chatbot di frontiera, ogni affermazione sull'IA verde dovrebbe dire di quale tipo di IA si parla.

"IA verde" viene usata per indicare cose diverse, e questo rende confuso il dibattito. Questo articolo espone le idee principali e i termini usati in tutto il sito, perché le pagine successive possano partire da qui.

Che cosa significa IA verde?

IA verde significa usare l'intelligenza artificiale in modo che il suo costo ambientale resti proporzionato al valore che produce. Si tratta di usare bene l'IA, non di rifiutarsi di usarla.

L'espressione è stata resa popolare da Schwartz, Dodge, Smith ed Etzioni in un articolo del 2020 su Communications of the ACM. Contrapponevano la "Red AI" (IA rossa), ricerca che compra piccoli guadagni di accuratezza con quantità sempre maggiori di calcolo, alla "Green AI" (IA verde), che riporta e premia l'efficienza accanto all'accuratezza. Il loro articolo seguiva lo studio del 2019 di Strubell, Ganesh e McCallum, che aveva mostrato quanta energia e quanto carbonio potesse comportare lo sviluppo di un grande modello linguistico.

Da allora il significato si è ampliato. Oggi l'IA verde abbraccia di solito l'intera vita di un sistema di IA: l'hardware su cui funziona, il data centre, il modello, il software che lo circonda e il modo in cui le persone lo usano.

Che differenza c'è tra "IA per l'ambiente" e "IA più verde"?

L'"IA per l'ambiente" (AI for green) usa l'IA per aiutare gli obiettivi ambientali; l'"IA più verde" (greener AI) riduce l'impronta dell'IA stessa. L'IA verde ha bisogno di entrambe, e le due possono tirare in direzioni opposte.

IA per l'ambiente IA più verde
Obiettivo Usare l'IA per ridurre le emissioni o proteggere la natura altrove Ridurre l'energia, il carbonio, l'acqua e i materiali che l'IA consuma
Esempi Previsione della produzione rinnovabile, gestione delle reti, rilevamento delle perdite, modellazione del clima Modelli più piccoli, codice efficiente, energia più pulita, vita più lunga dell'hardware
Rischio Benefici dichiarati che non vengono mai misurati Risparmi spesi in un uso maggiore (l'effetto rimbalzo)

Il rapporto Energy and AI 2025 dell'Agenzia internazionale dell'energia copre entrambi i lati: rileva che un uso più ampio delle applicazioni di IA esistenti potrebbe ridurre le emissioni nell'energia e nell'industria, ma avverte che la domanda di elettricità dell'IA stessa cresce rapidamente e che l'effetto netto dipende da come l'IA viene impiegata.

Un sandpit (laboratorio di ricerca collaborativa) britannico sull'IA verde del 2026, con matematici, informatici e industria, ha inquadrato l'IA verde nello stesso modo, su due fronti, con la matematica in grado di contribuire a entrambi: metodi migliori per i problemi ambientali e metodi più snelli per l'IA.

Che cosa sono efficienza e sufficienza?

L'efficienza è svolgere ogni compito con meno; la sufficienza è svolgere solo i compiti che vale la pena svolgere.

  • L'efficienza chiede: come può questo modello, questo prompt o questo data centre usare meno energia per lo stesso risultato? Esempi sono la potatura (pruning) e la quantizzazione dei modelli, chip migliori e un raffreddamento più efficiente.
  • La sufficienza chiede: questo compito ha davvero bisogno dell'IA, o di un modello così grande? Una calcolatrice, un'interrogazione a un database o un metodo numerico classico sono spesso più economici e affidabili di un grande modello linguistico.

L'efficienza da sola può ritorcersi contro, perché un'IA più economica tende a essere usata di più. È l'effetto rimbalzo, spiegato in l'efficienza non è sufficienza.

Che cosa comprende l'impronta ambientale dell'IA?

Quattro cose: energia, carbonio, acqua e materiali. La maggior parte del dibattito pubblico riguarda solo le prime due.

Energia

L'IA funziona a elettricità, soprattutto nei data centre. L'Agenzia internazionale dell'energia stima che nel 2024 i data centre abbiano consumato circa 415 TWh, circa l'1,5% dell'elettricità mondiale, e prevede che il dato più che raddoppi fino a circa 945 TWh entro il 2030, con l'IA come fattore principale. Veda perché l'IA verde conta adesso.

L'energia si consuma in due fasi:

  • L'addestramento, un grande costo una tantum per costruire un modello.
  • L'inferenza, il costo di ogni utilizzo del modello. Per i modelli molto usati si accumula: nel 2022 Google ha riferito che l'inferenza rappresentava circa tre quinti del suo consumo di energia per l'apprendimento automatico, e l'addestramento due quinti.

Carbonio

L'impronta di carbonio dipende da quanta energia si usa e da quanto è pulita l'elettricità. Lo stesso lavoro può emettere molte volte più carbonio su una rete dominata dal carbone che su una dominata da eolico, idroelettrico o nucleare. Comprende anche il carbonio incorporato: le emissioni dovute alla fabbricazione di chip, server ed edifici. Nel 2022 Wu e colleghi di Meta hanno riferito che il carbonio incorporato era circa il 30% dell'impronta dell'apprendimento automatico su larga scala di Meta, e hanno sostenuto che stava diventando la fonte dominante man mano che l'energia operativa diventa più pulita.

Acqua

I data centre usano acqua per il raffreddamento e le centrali elettriche usano acqua per produrre l'elettricità. Nel 2023 Li, Yang, Islam e Ren hanno mostrato che questa "impronta idrica segreta" dell'IA è considerevole e varia molto a seconda del luogo e dell'ora del giorno. La misurazione condotta da Google nel 2025 sul suo assistente Gemini ha indicato per il prompt testuale mediano circa 0,26 millilitri d'acqua, insieme a 0,24 wattora di energia.

Materiali

L'hardware per l'IA richiede metalli e minerali e viene sostituito rapidamente. Nel 2024 Wang e colleghi hanno stimato che i grandi modelli linguistici potrebbero generare in totale tra 1,2 e 5,0 milioni di tonnellate di rifiuti elettronici tra il 2020 e il 2030, a seconda della rapidità con cui cresce il loro uso, e che riuso e riciclo potrebbero ridurre molto questa cifra. Mantenere l'hardware in servizio più a lungo, e creare software che funzioni bene su dispositivi più vecchi, riduce questo impatto.

Perché conta di quale "IA" si parla?

Perché "IA" comprende sistemi le cui impronte differiscono di molti ordini di grandezza. Un piccolo modello che smista le e-mail, un sistema di previsioni meteorologiche e un chatbot di frontiera sono tutti "IA".

Nell'uso quotidiano, "IA" ormai significa soprattutto IA generativa: chatbot e generatori di immagini e video. Gran parte delle preoccupazioni sull'energia dell'IA riguarda questi grandi modelli. Ma la maggior parte dell'apprendimento automatico nell'industria e nella scienza è più piccola e più specializzata. Una buona affermazione sull'IA verde dice di quale tipo di IA parla ed entro quale confine ne conta i costi. Veda la misurazione è il collo di bottiglia.

IA verde significa "niente IA"?

No. Non usare l'IA è a volte la scelta più verde, e l'IA verde comprende questa possibilità. Ma l'IA verde riguarda soprattutto un uso responsabile dell'IA: misurarne il costo, scegliere il modello giusto per il compito e renderla più efficiente.

Alcuni preferiscono altre parole. "IA sostenibile" è spesso usata per includere la sostenibilità sociale ed economica oltre a quella ambientale. Altri propongono di descrivere l'obiettivo come evitare il calcolo sprecato, che è più difficile da liquidare come semplice buona intenzione. Questo sito usa "IA verde" per il lato ambientale e precisa a quale risorsa (energia, carbonio, acqua o materiali) si riferisce ogni affermazione.

Che cosa fare adesso

Domande frequenti

Che cos'è l'IA verde, in parole semplici?

L'IA verde è un'intelligenza artificiale progettata, costruita e usata in modo che il suo costo ambientale, in energia, carbonio, acqua e materiali, sia il più basso ragionevolmente possibile rispetto al valore che produce.

Chi ha coniato l'espressione IA verde?

L'espressione è stata resa popolare da Schwartz, Dodge, Smith ed Etzioni in un articolo del 2020 su Communications of the ACM, che contrapponeva la 'Red AI', ricerca che compra accuratezza con sempre più calcolo, alla 'Green AI', che considera l'efficienza un criterio di valutazione accanto all'accuratezza.

IA verde e IA sostenibile sono la stessa cosa?

I termini si sovrappongono e sono spesso usati come sinonimi. 'IA sostenibile' è talvolta usato in senso più ampio, per includere la sostenibilità sociale ed economica oltre all'impatto ambientale.

IA verde significa usare meno IA?

A volte. Usare l'IA solo dove aggiunge valore fa parte dell'IA verde, ma ne fanno parte anche rendere più efficiente l'IA che si usa e usare l'IA per ridurre le emissioni altrove.

Fonti

  1. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  2. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  3. Energy and AI, International Energy Agency (2025)
  4. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  5. Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
  6. E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
  7. Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
  8. Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)

Si unisca a noi

Aiuti a ridurre l'impatto dell'IA sul pianeta

Riceva per email nuove guide, bandi di finanziamento e schede delle directory, circa una volta al mese. Oppure aggiunga il suo prodotto, corso, dottorato o ricerca alle directory.

Nessun tracciamento. Disiscrizione con un clic. Altri modi per partecipare · Privacy