In breve
Un'IA efficiente dal punto di vista energetico ottiene lo stesso risultato utile con meno elettricità. I risparmi maggiori vengono di solito dalla scelta di un modello più piccolo o specifico per il compito, dalla disattivazione del ragionamento lungo quando non serve e dall'esecuzione in un data center efficiente su una rete pulita; tecniche come quantizzazione, distillazione, instradamento, cache e batching riducono poi ulteriormente l'energia dell'IA. Gli studi pubblicati riportano risparmi che vanno da qualche decina per cento fino al 90% o più per le singole leve, e molto maggiori quando vengono combinate.
Punti chiave
- UNESCO e UCL hanno rilevato che piccoli modelli specifici per il compito possono ridurre il consumo di energia fino al 90%, e che prompt e risposte più brevi possono ridurlo di oltre il 50%.
- Nei test AI Energy Score di Hugging Face, i modelli di ragionamento hanno consumato in media 30 volte più energia dei modelli standard; attivare il ragionamento ha aumentato l'energia di un modello da 150 a 700 volte.
- In uno studio del 2024, generare 1.000 immagini ha richiesto circa 2,9 kWh, contro 0,002 kWh per 1.000 classificazioni di testo.
- Ricercatori di Google hanno stimato che la scelta combinata di modello, data center e processore può ridurre l'impronta di carbonio dell'addestramento fino a circa 100–1.000 volte.
- Servire i modelli in modo efficiente conta: la gestione della memoria di vLLM ha dato un throughput da 2 a 4 volte maggiore a parità di latenza, e la decodifica speculativa ha reso un modello da 2 a 3 volte più veloce con output identici.
- In uno studio, avviare brevi addestramenti in momenti a basse emissioni ha ridotto le emissioni fino all'80%, ma di meno dell'1,5% per un addestramento lungo.
Un'IA efficiente dal punto di vista energetico è un'IA che Le dà il risultato di cui ha bisogno con meno elettricità. Questa pagina presenta i principali modi per ridurre l'energia dell'IA, più o meno in ordine di quanto fanno risparmiare di solito, con i dati pubblicati dietro ciascuno.
Qual è il modo più rapido per far consumare meno energia all'IA?
Usi il modello adatto più piccolo, e non attivi modalità pesanti che non Le servono. La scelta del modello di solito pesa più di ogni altra leva, perché l'energia cresce con la quantità di calcolo richiesta da ogni risposta. Un rapporto del 2025 dell'UNESCO e dello University College London (UCL) ha rilevato che piccoli modelli specifici per il compito possono ridurre il consumo di energia fino al 90%, e che prompt e risposte più brevi possono ridurlo di oltre il 50%. Usate insieme, secondo il rapporto, queste misure possono ridurre il consumo di energia fino al 90%.
La seconda grande leva è la località. Ricercatori di Google hanno stimato nel 2021 che la scelta combinata di modello, data center e processore può ridurre l'impronta di carbonio dell'addestramento fino a circa 100–1.000 volte. È nei modelli di IA efficienti, eseguiti in luoghi efficienti, che si trova la maggior parte del guadagno.
Quali leve fanno risparmiare di più? Una classifica
L'ordine qui sotto riflette l'entità tipica del risparmio negli studi pubblicati, dal più grande al più piccolo. I Suoi risultati dipenderanno dal compito, dalla qualità che Le serve e da dove si svolge il lavoro, quindi misuri prima e dopo (veda come misurare l'energia e il carbonio dell'IA).
1. Non usi l'IA generativa per lavori che non la richiedono
La generazione costa molto di più dei compiti più semplici. In uno studio del 2024, Sasha Luccioni, Yacine Jernite ed Emma Strubell hanno misurato per la generazione di immagini una media di circa 2,9 kWh ogni 1.000 immagini, contro 0,002 kWh ogni 1.000 classificazioni di testo: ben più di mille volte tanto per richiesta. Hanno anche rilevato che i modelli generativi per uso generale costano ordini di grandezza in più dei sistemi specifici per lo stesso compito.
Il video è ancora più pesante. Uno studio del 2025 sui modelli aperti da testo a video ha misurato quasi 90 Wh per una breve clip con un modello e oltre 415 Wh con uno più grande, con un'energia che cresce in modo quadratico con dimensioni e durata del video. Veda come capire se per un compito mi serve davvero l'IA e come capire se basta l'apprendimento automatico classico invece di un LLM.
2. Dimensioni correttamente il modello
Scelga il modello più piccolo che raggiunge il Suo livello di qualità. Oltre al risultato di UNESCO e UCL, la ricerca sulle cascate mostra quanto margine ci sia: FrugalGPT, che prova prima i modelli più economici e passa a quelli più grandi solo quando serve, ha eguagliato le prestazioni di GPT-4 con costi fino al 98% inferiori. Il costo non è energia, ma per i modelli ospitati è un'indicazione approssimativa ragionevole del calcolo. Veda scegliere il modello giusto per il compito, come scegliere un modello di IA più piccolo e come trovare un modello specifico per un compito.
3. Usi le modalità di ragionamento solo quando servono
Le modalità di "pensiero" moltiplicano l'energia. I test AI Energy Score di Hugging Face di fine 2025 hanno rilevato che i modelli di ragionamento consumavano in media 30 volte più energia di quelli standard, e che lo stesso modello consumava tra 150 e 700 volte più energia con il ragionamento attivato che disattivato. Gli agenti, che fanno molte chiamate in ciclo, possono sommare consumi allo stesso modo. Veda come usare le modalità di ragionamento solo quando servono e IA agentica e spreco di token.
4. Scelga hardware e data center efficienti e località a basse emissioni
Dove e su che cosa si svolge il lavoro può cambiarne il carbonio di diverse volte. Jesse Dodge e colleghi hanno rilevato che addestrare lo stesso modello BERT emetteva circa 7 kg di CO₂ nella regione cloud più efficiente e circa 26 kg in quella meno efficiente, quasi quattro volte tanto. Anche l'hardware continua a migliorare: Epoch AI stima che i principali chip per il machine learning diventino ogni anno circa il 40% più efficienti dal punto di vista energetico. Veda hosting e data center per un'IA verde, come scegliere una regione cloud a basse emissioni di carbonio e come scegliere hardware a basso consumo energetico per l'IA.
5. Accorci prompt, contesto e output
L'energia cresce con quanto il modello legge e scrive. Epoch AI stima una tipica richiesta a ChatGPT in circa 0,3 Wh, che salgono a circa 2,5 Wh con un input di 10.000 token e a quasi 40 Wh con un input di 100.000 token. Reinviare conversazioni lunghe e chiedere risposte lunghe sono le cause di tutti i giorni. Veda come scrivere prompt che consumano meno energia, come limitare la lunghezza delle risposte di un LLM e come evitare di reinviare ogni volta l'intera conversazione.
6. Instradi le richieste verso il modello giusto
Invii le richieste facili a un modello piccolo e quelle difficili a uno grande. La ricerca sull'instradamento riporta grandi risparmi: Hybrid LLM ha fatto fino al 40% di chiamate in meno al modello grande senza calo della qualità delle risposte, e RouteLLM ha ridotto i costi di oltre due volte in alcuni casi senza compromettere la qualità. Veda come impostare l'instradamento tra modelli e orchestrare invece di generare.
7. Quantizzi il modello
Memorizzi e calcoli con meno bit per numero. La quantizzazione riduce la memoria e lo spostamento di dati, che dominano il consumo di energia nei modelli grandi. LLM.int8() ha dimezzato la memoria necessaria per l'inferenza mantenendo le prestazioni a precisione piena, e il rapporto di UNESCO e UCL ha rilevato che la compressione, come la quantizzazione, faceva risparmiare fino al 44% dell'energia. Veda come quantizzare un modello.
8. Distilli un modello grande in uno piccolo
Addestri un piccolo modello "studente" a imitare un grande "insegnante". La distillazione è il modo in cui vengono realizzati molti modelli di IA efficienti. DistilBERT era più piccolo del 40% e più veloce del 60% rispetto a BERT, mantenendo il 97% della sua capacità di comprensione del linguaggio. Veda come distillare un modello grande in uno più piccolo.
9. Faccia pruning e sfrutti la sparsità
Rimuova i pesi di cui il modello non ha bisogno. SparseGPT ha mostrato che modelli linguistici molto grandi possono essere sottoposti a pruning fino ad almeno il 50% di sparsità in un solo passaggio, senza riaddestramento e con una perdita minima di accuratezza. Il risparmio di energia dipende dal fatto che software e hardware riescano a saltare gli zeri, quindi in pratica il pruning fa risparmiare meno di quanto suggerisca la sparsità dichiarata. Veda come fare il pruning di una rete neurale.
10. Usi la cache, il batching e servizi efficienti
Eviti di ripetere il lavoro e tenga occupato l'hardware. Il software con cui si servono i modelli conta: la gestione paginata della cache KV di vLLM ha migliorato il throughput da 2 a 4 volte a parità di latenza, e la decodifica speculativa ha reso T5-XXL da 2 a 3 volte più veloce con output identici. I fornitori fissano i prezzi del riutilizzo di conseguenza: la Batch API di OpenAI costa il 50% in meno delle richieste standard, e Anthropic fa pagare il 10% del normale prezzo di input per le letture di prompt in cache. Veda come usare la cache per le chiamate a un LLM, come raggruppare le richieste all'IA in batch, come usare la decodifica speculativa e come ridurre l'energia per servire un modello.
11. Programmi il lavoro flessibile nei momenti più puliti
La programmazione consapevole del carbonio riduce le emissioni, non l'energia, e funziona meglio per lavori brevi e flessibili. Nello studio di Dodge e colleghi, posticipare l'avvio di un breve addestramento a un momento a basse emissioni ha ridotto le emissioni fino all'80% in una regione degli Stati Uniti, ma di meno dell'1,5% per un addestramento lungo; mettere in pausa e riprendere un addestramento lungo ha fatto risparmiare fino al 25% circa. Veda come pianificare l'addestramento quando la rete elettrica è più verde e calcolo consapevole del carbonio.
Le leve dell'IA a basso consumo energetico in sintesi
Questa tabella riassume le leve, chi può usarle e i risparmi riportati dalle fonti. I dati provengono da studi diversi con basi di riferimento diverse, quindi vanno letti come indicazioni di ordine di grandezza, non come totali da sommare.
| Leva | Chi può usarla | Risparmio tipico riportato | Fonte |
|---|---|---|---|
| Usare un modello specifico per il compito invece di uno generativo | Sviluppatori, organizzazioni | Ordini di grandezza per compiti come la classificazione | Luccioni, Jernite e Strubell, 2024 |
| Modello più piccolo e specifico per il compito | Utenti, sviluppatori | Fino al 90% dell'energia | UNESCO e UCL, 2025 |
| Ragionamento disattivato se non serve | Utenti, sviluppatori | Da 150 a 700 volte meno per un modello; 30 volte in media tra i modelli | Hugging Face AI Energy Score, 2025 |
| Modello, data center e processore insieme | Sviluppatori, organizzazioni | Fino a circa 100–1.000 volte meno carbonio (addestramento) | Patterson et al., Google, 2021 |
| Regione cloud a basse emissioni | Sviluppatori, organizzazioni | Circa 3,7 volte tra la regione migliore e la peggiore | Dodge et al., 2022 |
| Prompt e risposte più brevi | Utenti, sviluppatori | Oltre il 50% dell'energia | UNESCO e UCL, 2025 |
| Instradamento | Sviluppatori | Fino al 40% di chiamate in meno al modello grande | Ding et al., 2024 |
| Quantizzazione | Sviluppatori | Fino al 44% dell'energia; metà della memoria | UNESCO e UCL, 2025; Dettmers et al., 2022 |
| Distillazione | Sviluppatori | 40% più piccolo, 60% più veloce, 97% della capacità mantenuta | Sanh et al., 2019 |
| Pruning | Sviluppatori | Almeno il 50% dei pesi rimosso | Frantar e Alistarh, 2023 |
| Servizio efficiente e batching | Sviluppatori | Throughput da 2 a 4 volte maggiore | Kwon et al., 2023 |
| Decodifica speculativa | Sviluppatori | Da 2 a 3 volte più veloce, stessi output | Leviathan et al., 2022 |
| Orario di avvio consapevole del carbonio | Sviluppatori, ricercatori | Fino all'80% (lavori brevi); meno dell'1,5% (lavori lunghi) | Dodge et al., 2022 |
| Fine-tuning efficiente nei parametri (LoRA) | Sviluppatori, ricercatori | 10.000 volte meno parametri addestrabili, 3 volte meno memoria GPU | Hu et al., 2021 |
Come possono gli utenti ridurre l'energia dell'IA?
Scegliendo opzioni più leggere e chiedendo meno. La maggior parte delle persone non può cambiare il data center, ma può cambiare ciò che chiede:
- Usi un modello veloce o "mini" per i compiti di tutti i giorni, e riservi i modelli più grandi e le modalità di ragionamento ai problemi difficili.
- Formuli richieste chiare e chieda risposte brevi; apra una nuova chat invece di continuarne una molto lunga.
- Eviti di rigenerare più e più volte: perfezioni invece la richiesta. Veda come smettere di rigenerare continuamente le risposte dell'IA.
- Generi immagini e video solo quando Le servono. Veda come ridurre l'impatto della generazione di immagini e video con l'IA.
- Disattivi le funzioni di IA che non usa. Veda usare l'IA in modo efficiente: abitudini quotidiane.
Per avere un ordine di grandezza, Google ha riferito nel 2025 che il prompt di testo mediano di Gemini consumava 0,24 Wh. I singoli prompt di testo sono piccoli; i totali derivano da volumi molto elevati e dai compiti più pesanti descritti sopra. Veda la guida per il pubblico.
Come possono gli sviluppatori creare modelli e sistemi di IA efficienti?
Prima dimensionare correttamente, poi ottimizzare il servizio, poi misurare. Un ordine pratico:
- Fissi un livello di qualità sui Suoi dati e metta alla prova rispetto a esso i modelli candidati più piccoli.
- Aggiunga un instradamento o una cascata, così che il modello grande gestisca solo ciò che quello piccolo non sa fare.
- Quantizzi, e valuti la distillazione se i volumi sono elevati.
- Serva il modello con un runtime efficiente: batching, cache KV paginata, cache dei prompt e decodifica speculativa.
- Limiti la lunghezza degli output e i cicli degli agenti; veda come impedire agli agenti di IA di sprecare token.
- Faccia fine-tuning con LoRA invece di addestrare da zero; veda come evitare di addestrare un modello da zero.
- Misuri l'energia per compito prima e dopo; veda come monitorare l'energia dell'IA per compito.
Maggiori dettagli in addestramento e inferenza efficienti per l'IA e la matematica che rende l'IA più efficiente.
Come possono le organizzazioni ridurre l'energia dell'IA su larga scala?
Fissando impostazioni predefinite, acquistando bene e misurando. Le maggiori leve organizzative sono quale modello è quello predefinito, quali funzioni sono attive per impostazione predefinita e dove vengono eseguiti i carichi di lavoro:
- Renda un modello piccolo e veloce quello predefinito negli strumenti interni, con modelli più grandi disponibili su richiesta.
- Chieda ai fornitori l'energia per compito e i dati sui data center; veda acquisti sostenibili di IA.
- Scelga fornitori e regioni con energia pulita; veda hosting e data center.
- Definisca una politica e formi il personale; veda come scrivere una politica sulla IA verde e come formare il personale a usare l'IA in modo efficiente.
- Fissi una base di riferimento e degli obiettivi; veda come stabilire una base di riferimento per i risparmi energetici dell'IA.
L'IA a basso consumo energetico riduce il consumo totale di energia?
Solo se l'uso totale non cresce più in fretta di quanto migliori l'efficienza. Google ha riferito che l'energia del suo prompt mediano di Gemini è calata di 33 volte in un anno, eppure il consumo di elettricità dei data center continua a crescere in tutto il mondo perché l'uso cresce più in fretta. È l'effetto rimbalzo. L'efficienza riduce il costo di ogni compito; la sufficienza si chiede se il compito vada svolto. Servono entrambe, come spiega efficienza non è sufficienza, e come evitare che i guadagni di efficienza vengano annullati indica passi pratici. Per il quadro più ampio, veda IA e domanda di elettricità dei data center e statistiche sull'energia dell'IA.
Che cosa fare adesso
- Verifichi se un modello più piccolo raggiunge il Suo livello di qualità, e in caso affermativo passi a quello.
- Disattivi per impostazione predefinita le modalità di ragionamento, immagine e video dove non servono.
- Aggiunga cache, batching e instradamento a ogni funzione di IA con volumi reali.
- Scelga una regione a basse emissioni e un fornitore efficiente per i nuovi carichi di lavoro.
- Misuri l'energia per compito prima e dopo ogni modifica, e comunichi il risultato.
- Trovi aiuto nell'elenco dei consulenti o approfondisca con i corsi.
Domande frequenti
Che cos'è l'IA a basso consumo energetico?
È un'IA che fornisce il risultato di cui ha bisogno con meno elettricità, grazie a modelli più piccoli o più adatti, software più snello, hardware e data center efficienti, e all'uso dell'IA solo dove aggiunge valore. Fa parte dell'IA verde, che si chiede anche se l'uso totale sia sensato.
Come posso ridurre il consumo energetico dell'IA?
Come utente, scelga un modello più piccolo o più veloce, mantenga brevi i prompt e le risposte richieste, eviti di rigenerare e usi le modalità di ragionamento, immagine e video solo quando servono. Come sviluppatore, dimensioni correttamente il modello, poi aggiunga quantizzazione, instradamento, cache e batching, ed esegua il lavoro in una regione a basse emissioni.
I modelli di IA più piccoli sono più efficienti dal punto di vista energetico?
Di solito sì, per i compiti che sanno svolgere bene. UNESCO e UCL riportano che piccoli modelli specifici per il compito possono ridurre il consumo di energia fino al 90% sui compiti adatti. Verifichi la qualità sul Suo lavoro: un modello piccolo che deve essere rieseguito più volte potrebbe non far risparmiare nulla.
La quantizzazione fa risparmiare energia?
Di solito sì, perché il modello sposta meno dati e richiede meno memoria. UNESCO e UCL riportano risparmi fino al 44% grazie alla compressione dei modelli, come la quantizzazione, e LLM.int8() ha dimezzato la memoria necessaria per l'inferenza. Il risparmio dipende dal fatto che l'hardware supporti la precisione ridotta.
Quale IA consuma più energia?
La generazione di video, poi la generazione di immagini e i compiti lunghi di ragionamento o con agenti. In uno studio del 2025, un modello aperto ha consumato quasi 90 Wh per una breve clip video e uno più grande oltre 415 Wh, e i modelli di ragionamento hanno consumato in media circa 30 volte più energia di quelli standard.
L'efficienza riduce davvero il consumo totale di energia dell'IA?
Non automaticamente. Un'IA più economica e più veloce tende a essere usata di più: è l'effetto rimbalzo. L'efficienza riduce l'energia per compito; per contenere i totali serve anche la sufficienza, cioè usare l'IA dove ne vale la pena.
I fornitori di IA risparmiano energia con la cache dei prompt e l'elaborazione in batch?
Evitano lavoro ripetuto, ed è per questo che lo fanno pagare meno: OpenAI applica uno sconto del 50% ai lavori in batch, e l'input in cache presso diversi fornitori costa circa un decimo della tariffa normale. I prezzi sono un'indicazione approssimativa del calcolo risparmiato, non una misura dell'energia.
Fonti
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Good news about the carbon footprint of machine learning training, Google Research (2022)
- Measuring the carbon intensity of AI in cloud instances, Dodge et al. (FAccT 2022) (2022)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- DistilBERT, a distilled version of BERT, Sanh et al., Hugging Face (2019)
- LLM.int8(): 8-bit matrix multiplication for transformers at scale, Dettmers et al. (2022)
- SparseGPT: massive language models can be accurately pruned in one-shot, Frantar and Alistarh (2023)
- FrugalGPT: how to use large language models while reducing cost and improving performance, Chen, Zaharia and Zou (2023)
- Hybrid LLM: cost-efficient and quality-aware query routing, Ding et al. (2024)
- RouteLLM: learning to route LLMs with preference data, Ong et al. (2024)
- Efficient memory management for large language model serving with PagedAttention, Kwon et al. (2023)
- Fast inference from transformers via speculative decoding, Leviathan, Kalman and Matias (2022)
- LoRA: low-rank adaptation of large language models, Hu et al. (2021)
- Batch API, OpenAI (2026)
- Prompt caching, Anthropic (2026)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
Correlati
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.
Addestramento e inferenza efficienti per l'IA
Tecniche per sviluppatori e ricercatori per ridurre l'energia dell'IA: pruning, sparsità, quantizzazione, distillazione, KV cache, batching, precisione mista e pianificazione.
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.
Efficienza non è sufficienza: l'effetto rimbalzo nell'IA
Perché un'IA più efficiente non garantisce un minor consumo totale di energia, che cos'è l'effetto rimbalzo o di Jevons e che cosa aiuta a rendere reali i risparmi.