In breve
Rendere più economico ogni compito di IA non significa che l'IA nel suo complesso consumi meno energia, perché compiti più economici tendono a moltiplicarsi. È l'effetto rimbalzo, o effetto Jevons. La green AI ha bisogno di efficienza (svolgere ogni compito con meno) e di sufficienza (svolgere solo i compiti che vale la pena svolgere), con i risparmi misurati a livello dell'intero sistema.
Punti chiave
- L'efficienza riduce l'energia per compito; l'energia totale dipende da quanti compiti vengono eseguiti.
- Quando l'efficienza rende qualcosa più economico, la domanda spesso cresce, a volte abbastanza da annullare il risparmio. È l'effetto rimbalzo, o effetto Jevons.
- L'informatica è diventata enormemente più efficiente per decenni, eppure il suo consumo totale di elettricità ha continuato a crescere.
- La sufficienza si chiede se un compito abbia davvero bisogno dell'IA, o di un modello così grande.
- I guadagni di efficienza contano come risparmi solo quando l'uso totale viene limitato, misurato o tariffato.
La green AI viene spesso presentata come un problema di efficienza: modelli più piccoli, chip migliori e data centre più puliti, e l'impronta cala. L'efficienza conta, ma da sola non garantisce che l'IA consumi meno energia. Questo articolo spiega perché, e che cosa deve accompagnarla.
Qual è la differenza tra efficienza e sufficienza?
L'efficienza è svolgere un compito con meno; la sufficienza è svolgere solo i compiti che vale la pena svolgere. Entrambe riducono l'impatto ambientale, ma rispondono a domande diverse.
| Efficienza | Sufficienza | |
|---|---|---|
| Domanda | Come possiamo farlo con meno energia? | Abbiamo bisogno di farlo, a questa scala? |
| Esempi | Pruning (potatura), quantizzazione, chip migliori, raffreddamento | Non usare l'IA dove basta una ricerca o una formula; usare un modello piccolo invece di uno di frontiera |
| Si misura come | Energia per compito | Energia totale, e valore per unità di energia |
| Chi agisce | Ingegneri, produttori di hardware, gestori di data centre | Utenti, responsabili di prodotto, acquirenti, decisori politici |
Le due non sono in competizione. Un sandpit (laboratorio di ricerca collaborativo) britannico sulla green AI del 2026, che riuniva matematici, informatici e industria, ha fatto un sondaggio su se la green AI debba concentrarsi sull'efficienza o sull'usare l'IA solo dove serve; la risposta più votata è stata "entrambe allo stesso modo". Veda che cos'è la green AI? per le definizioni più ampie.
Che cos'è l'effetto rimbalzo?
L'effetto rimbalzo è l'uso aggiuntivo che segue quando qualcosa diventa più economico o più facile. Se l'uso aggiuntivo è abbastanza grande da superare il risparmio, il consumo totale aumenta. Questo caso estremo si chiama paradosso di Jevons (noto anche come effetto rimbalzo nelle sue forme più lievi).
L'economista William Stanley Jevons lo descrisse in The Coal Question nel 1865. Sosteneva che macchine a vapore più efficienti non avrebbero ridotto il consumo di carbone della Gran Bretagna, perché l'energia del vapore, più economica, sarebbe stata impiegata in molti più usi. Aveva ragione: il consumo di carbone continuò a crescere.
Il rimbalzo ha diversi gradi:
- Rimbalzo diretto: un compito più economico viene svolto più spesso. A un chatbot più veloce ed economico si fanno più domande.
- Rimbalzo indiretto: il denaro o il tempo risparmiato viene speso in qualcos'altro che a sua volta consuma energia.
- Rimbalzo a livello di intera economia: capacità più economiche rendono possibili prodotti e settori interamente nuovi.
È successo nell'informatica?
Sì. Nel 2011 Koomey e colleghi hanno rilevato che il numero di operazioni di calcolo per unità di energia era raddoppiato circa ogni 1,57 anni dai primi computer elettronici degli anni Quaranta. Negli stessi decenni il consumo totale di elettricità dell'informatica è cresciuto, perché il calcolo, più economico, è stato impiegato in moltissimi più usi.
La rassegna del 2021 di Freitag e colleghi sull'impatto climatico delle ICT ha stimato il settore all'1,8–2,8% delle emissioni globali di gas serra, ovvero al 2,1–3,9% contando per intero le catene di approvvigionamento. Gli autori sostenevano che l'impronta delle ICT è cresciuta nonostante grandi guadagni di efficienza, e che bisogna tenere conto degli effetti rimbalzo prima di considerare l'efficienza un risparmio per il clima.
L'IA sta seguendo lo stesso schema?
I primi segnali dicono di sì. L'energia per compito di IA sta calando rapidamente, mentre la domanda totale cresce.
- Nel 2025 Google ha riferito che l'energia del suo prompt testuale mediano di Gemini è diminuita di 33 volte in dodici mesi, grazie a modelli, software e hardware migliori.
- In un periodo simile, l'Agenzia internazionale dell'energia ha previsto che il consumo di elettricità dei data centre sarebbe più che raddoppiato entro il 2030, da circa 415 TWh nel 2024 a circa 945 TWh, con l'IA come principale motore della crescita.
Le due cose possono essere vere contemporaneamente. Prompt più economici rendono conveniente inserire l'IA per impostazione predefinita nei risultati di ricerca, nei documenti, nei telefoni e negli strumenti software, ed eseguire agenti che fanno molte chiamate per ogni compito (veda IA agentica e spreco di token).
Luccioni, Strubell e Crawford lo hanno esaminato in un articolo del 2025 sul dibattito polarizzato intorno all'impatto ambientale dell'IA. Sostengono che rendere l'IA più efficiente non garantirà di per sé un danno ambientale minore, perché i guadagni di efficienza possono aumentare l'uso totale, e che il dibattito trascura questi effetti indiretti. Chiedono una valutazione del ciclo di vita unita all'analisi degli incentivi commerciali, dei mercati, della governance e delle norme sociali.
Perché l'efficienza non diventa automaticamente un risparmio?
Perché chi trae vantaggio dall'efficienza di solito spende quel vantaggio. Nell'IA sono comuni tre meccanismi:
- Prezzo. I fornitori trasferiscono i costi più bassi, quindi l'uso cresce.
- Capacità. Un risparmio ottenuto a una certa dimensione viene speso in un modello più grande o in un contesto più lungo, perché la qualità vende.
- Impostazioni predefinite. Quando l'IA è abbastanza economica da essere attivata per tutti, viene attivata per tutti, comprese le persone che non l'hanno chiesta.
Nulla di tutto questo è un motivo per smettere di migliorare l'efficienza. Senza di essa, la domanda totale sarebbe ancora più alta. È un motivo per non contare i guadagni di efficienza come risparmi per il clima finché l'uso totale non è stato misurato.
Come si presenta la sufficienza in pratica?
Significa adattare lo strumento al compito, e a volte scegliere di non usare affatto l'IA. Forme pratiche:
- Usare un metodo deterministico quando esiste. Una calcolatrice, un'interrogazione a un database o un metodo numerico classico sono di solito più economici e più affidabili di un modello linguistico.
- Dimensionare correttamente il modello. Indirizzare le richieste semplici a modelli piccoli. Veda scegliere il modello giusto.
- Rendere l'IA pesante facoltativa, non predefinita. Le funzioni che generano contenuti a ogni visualizzazione di pagina moltiplicano il consumo di energia.
- Iterare meno. Rigenerare più volte un'immagine o un video finché non va bene moltiplica il costo di ogni tentativo. Prompt migliori e strumenti di modifica riducono il numero di tentativi.
- Riutilizzare invece di rigenerare. Veda orchestrare invece di generare.
Al sandpit, un tema ricorrente è stato che, dove possibile, debba essere il sistema, e non ogni singolo utente, a fare queste scelte, per esempio indirizzando automaticamente al modello adeguato più piccolo, perché chiedere a ogni utente di valutare il costo energetico di ogni richiesta non è praticabile su larga scala.
Come si può tenere sotto controllo il rimbalzo?
Misurando, limitando o tariffando l'uso totale, non solo l'uso per compito. Le opzioni includono:
- Budget. Fissare un budget di energia, di token o di carbonio per un progetto o un prodotto, così che i guadagni di efficienza liberino margine invece di espandere automaticamente l'uso.
- Misurazione dell'intero sistema. Rendicontare l'energia totale nel tempo, accanto all'energia per compito. Veda la misurazione è il collo di bottiglia.
- Dichiarazioni oneste. Dire che un prodotto è "X volte più efficiente" non dice nulla sull'impatto totale. Veda fare dichiarazioni ambientali oneste.
- Politiche pubbliche. La tariffazione del carbonio e i vincoli della rete elettrica agiscono sulla domanda totale in un modo che i soli standard di efficienza non fanno. Veda politiche per la green AI.
Che cosa fare adesso
- Tenga traccia dell'energia o della spesa totale per l'IA nel tempo, non solo dei dati per richiesta.
- Prima di aggiungere una funzione di IA, si chieda se basterebbe un metodo senza IA e se debba essere attiva per impostazione predefinita.
- Indirizzi le richieste al modello più piccolo che fa il lavoro: veda usare l'IA in modo efficiente.
- Quando ottiene un guadagno di efficienza, decida in anticipo se servirà a ridurre l'uso totale o a finanziare nuovi usi.
- Legga la guida per le imprese per capire come inserire queste scelte negli acquisti e nella progettazione dei prodotti.
Domande frequenti
Che cos'è il paradosso di Jevons?
È l'osservazione, fatta per la prima volta da William Stanley Jevons nel 1865 a proposito del carbone, secondo cui usare una risorsa in modo più efficiente può aumentarne il consumo totale, perché l'efficienza la rende più economica e quindi più usata.
L'effetto rimbalzo significa che l'efficienza è inutile?
No. L'efficienza resta necessaria e, senza di essa, l'uso totale sarebbe più alto. Il punto è che l'efficienza da sola non garantisce un uso totale più basso, quindi va affiancata alla sufficienza e alla misurazione.
Che cos'è la sufficienza nella green AI?
Usare l'IA solo dove aggiunge abbastanza valore, e usare il modello più piccolo e il minimo calcolo che svolgono bene il lavoro. Si chiede «dovremmo farlo?» oltre a «come possiamo farlo spendendo meno?»
Fonti
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
Correlati
Che cos'è l'IA verde?
Una definizione chiara di IA verde: IA per l'ambiente e IA più verde, efficienza e sufficienza, impronta in energia, carbonio, acqua e materiali.
Usare l'IA in modo efficiente: abitudini quotidiane
Abitudini quotidiane che riducono l'energia dell'IA: prompt chiari, meno rigenerazioni, cautela con immagini e video, caching e funzioni predefinite spente.
Scegliere il modello giusto per il compito
Come dimensionare bene l'IA: quando usare modelli piccoli o specializzati, quando un modello di frontiera vale il suo costo, come funziona il routing e quando non usare l'IA.
La misurazione è il collo di bottiglia dell'IA verde
Perché i dati sull'energia dell'IA sono difficili da verificare e confrontare: dichiarazioni proprie, stime invece di misure, confini diversi.