In breve
Eseguire l'IA su telefoni, sensori e server locali invece che in data centre lontani può ridurre l'energia necessaria a spostare i dati e proteggere la privacy. Ma distribuisce il calcolo su miliardi di dispositivi la cui impronta energetica e di fabbricazione viene misurata di rado. Se l'IA all'edge sia più verde dipende dal modello, dal dispositivo, da quanto spesso viene eseguita e da che cosa sostituisce, e le prove sono ancora scarse.
Punti chiave
- L'IA all'edge esegue i modelli sul dispositivo che raccoglie i dati, o vicino a esso, invece che in un data centre centrale.
- Evita di inviare dati attraverso le reti, che consumano energia, e mantiene i dati riservati, ma rinuncia all'efficienza di server condivisi e pienamente utilizzati.
- Gli studi che confrontano l'inferenza all'edge e nel cloud non concordano; i risultati dipendono molto dal modello, dall'hardware e dal termine di confronto.
- Fabbricare dispositivi ha un elevato costo in carbonio, quindi le funzioni di IA che accorciano la vita dei dispositivi o richiedono nuovo hardware possono superare i risparmi energetici.
- L'IA all'edge è difficile da misurare e regolamentare perché non c'è un contatore di data centre, né un PUE, né un obbligo di rendicontazione.
Gran parte del dibattito sul consumo di energia dell'IA riguarda i data centre, perché è lì che si trovano i grandi contatori. Ma una quota crescente di IA viene eseguita altrove: su telefoni, portatili, auto, telecamere, citofoni e sensori di fabbrica. È la cosiddetta "IA all'edge" (ai margini della rete). Può essere parte della soluzione al problema dell'impronta dell'IA, oppure un modo per spostare quell'impronta dove nessuno la conta.
Che cos'è l'IA all'edge?
L'IA all'edge esegue un modello sul dispositivo che raccoglie i dati, o vicino a esso, invece di inviare i dati a un data centre lontano. L'IA "sul dispositivo" è il caso estremo, in cui il modello gira sul telefono o sul sensore stesso.
L'IA all'edge è già diffusa:
- Il rapporto tecnico 2025 di Apple descrive un modello linguistico sul dispositivo di circa tre miliardi di parametri, compresso con un addestramento consapevole della quantizzazione a 2 bit, in modo che stia e funzioni su telefoni e portatili.
- Il servizio Android AICore di Google consente alle app di usare Gemini Nano, un modello che gira sul dispositivo, sui telefoni Pixel e Samsung supportati.
- Telecamere industriali, droni, auto e dispositivi medici eseguono localmente modelli di visione e di controllo perché non possono aspettare una connessione di rete, né dipendere da essa.
Il numero di dispositivi è grande e in crescita. IoT Analytics ha contato circa 18,5 miliardi di dispositivi Internet of Things connessi alla fine del 2024, esclusi telefoni, PC e tablet, e ne prevede circa 39 miliardi entro il 2030.
Perché l'IA all'edge potrebbe far risparmiare energia?
Perché spostare i dati costa energia, e l'elaborazione locale può evitarlo. Inoltre mantiene i dati sensibili dove si trovano.
L'Agenzia internazionale dell'energia ha stimato che le reti di trasmissione dati consumano circa l'1–1,5% dell'elettricità mondiale, una quota simile a quella dei data centre. Elaborare i dati dove vengono raccolti, e inviare solo i risultati, può ridurre questo carico.
C'è però una precisazione. Nel 2024 Mytton, Lundén e Malmodin hanno dimostrato che l'energia di rete non è direttamente proporzionale al volume di dati: gran parte della potenza di una rete viene assorbita che i dati circolino o no. Inviare meno dati non fa risparmiare energia in proporzione diretta, quindi le stime semplici in "kWh per gigabyte" sopravvalutano il risparmio.
Altri possibili vantaggi:
- Privacy e sovranità. I dati che non lasciano mai un dispositivo, un ospedale o un gestore di rete non possono trapelare durante il transito né essere usati da terzi.
- Resilienza. Un modello locale continua a funzionare quando la rete o il cloud non sono disponibili.
- Latenza. Le risposte arrivano senza un viaggio di andata e ritorno, il che conta per veicoli e macchinari.
Perché l'IA all'edge potrebbe costare di più?
Perché i dispositivi piccoli sono di solito meno efficienti dei server grandi, condivisi e pienamente utilizzati, e perché fabbricare dispositivi ha un elevato costo in carbonio.
- Utilizzo. Un acceleratore in un data centre può raggruppare le richieste di molti utenti e restare occupato. Un telefono o un sensore esegue la richiesta di un solo utente, poi resta inattivo.
- Fabbricazione. Nel 2022 Wu e colleghi di Meta hanno riferito che il carbonio incorporato, quello dovuto alla fabbricazione dell'hardware, stava diventando la fonte principale dell'impronta complessiva dell'IA, e hanno osservato che il calcolo spostato all'edge può avvenire dove l'accesso all'energia rinnovabile è limitato. Le funzioni di IA che richiedono nuovi telefoni, o che fanno sembrare lenti quelli più vecchi, aggiungono emissioni di fabbricazione che possono superare l'energia risparmiata.
- Moltiplicazione. Un piccolo costo per dispositivo, moltiplicato per miliardi di dispositivi, è un costo grande. Un citofono o una telecamera che esegue un modello di continuo può consumare in totale più energia di quanta ne avrebbero richiesta chiamate occasionali al cloud.
Che cosa dicono i dati?
Sono contrastanti e dipendono molto dal confronto. Li, Islam e Ren (2025) hanno confrontato l'inferenza di IA generativa nel cloud e su dispositivi edge e hanno riscontrato un'impronta ambientale ridotta per l'esecuzione all'edge di diversi modelli, con risparmi energetici superiori al 90% nei loro test su un telefono recente. Il loro termine di confronto nel cloud non era un servizio di produzione pienamente ottimizzato, e questo conta: server con richieste ben raggruppate in un data centre efficiente sono un riferimento più difficile da battere.
Gli studi completi che seguono un intero servizio di IA, dal dispositivo attraverso la rete fino al data centre, sono ancora rari, soprattutto per i grandi modelli linguistici. Un sandpit (laboratorio di ricerca collaborativo) britannico sulla green AI del 2026, che riuniva matematici, informatici e industria, ha indicato come questione aperta la modellazione dell'effetto energetico netto dell'IA all'edge su milioni di dispositivi.
Perché l'IA all'edge è difficile da misurare e regolamentare?
Perché non esiste un unico contatore. I data centre rendicontano il consumo di energia e l'efficacia nell'uso dell'energia (PUE, power usage effectiveness) e, nell'UE, quelli più grandi devono comunicarli a un sistema comune. Telefoni, sensori e workstation di IA da scrivania non hanno alcun obbligo del genere.
L'energia emerge, se emerge, come consumo della batteria o come una bolletta elettrica leggermente più alta distribuita su milioni di famiglie e imprese. Questo rende facile dichiarare risparmi spostando il lavoro all'edge senza che nessuno possa verificarli. Veda la misurazione è il collo di bottiglia.
Che cosa rende più verde l'IA all'edge?
Modelli piccoli ed efficienti, eseguiti solo quando serve, su hardware che le persone possiedono già. Gli stessi metodi che riducono l'energia dei data centre contano ancora di più con una batteria:
- Modelli compressi: pruning (potatura), quantizzazione e distillazione. Veda la matematica che rende l'IA più efficiente.
- Elaborazione guidata dagli eventi: attivare il modello quando succede qualcosa, invece di tenerlo sempre in esecuzione.
- Inviare riassunti, non dati grezzi, quando serve il cloud.
- Supportare i dispositivi più vecchi, così che le funzioni di IA non impongano sostituzioni.
GreenCode, un progetto di ricerca europeo sul software efficiente dal punto di vista energetico, sostiene lo stesso: modelli piccoli e ottimizzati, il recupero di informazioni invece di un contesto a forza bruta, l'instradamento verso il componente capace più economico e la pianificazione sono ciò che rende l'IA praticabile a batteria e su hardware limitato, dove non c'è la possibilità di spendere più energia.
Che cosa fare adesso
- Decida tra edge e cloud caso per caso, usando le domande di edge o cloud?.
- Conti l'energia di fabbricazione oltre a quella di funzionamento, ed eviti funzioni che richiedono nuovo hardware.
- Misuri l'energia dei dispositivi durante i test, non solo l'accuratezza e la velocità.
- Esegua i modelli in base agli eventi, non di continuo, e invii i risultati invece dei dati grezzi.
- Se acquista prodotti di IA all'edge, chieda ai fornitori l'energia per inferenza e la durata di supporto dei dispositivi. Veda acquisti sostenibili di IA.
Domande frequenti
Che cos'è l'IA all'edge?
È l'IA che viene eseguita sul dispositivo dove si raccolgono i dati, o vicino a esso, come un telefono, una telecamera, un'auto o un sensore di fabbrica, invece che in un data centre remoto.
L'IA sul dispositivo è migliore per l'ambiente?
A volte. Può far risparmiare l'energia necessaria a inviare i dati al cloud, ma i dispositivi piccoli sono meno efficienti dei server condivisi, e le nuove funzioni di IA possono spingere le persone a comprare nuovo hardware. L'effetto netto dipende dal caso.
L'IA sul dispositivo scarica la batteria del telefono?
Eseguire un modello su un telefono consuma batteria come qualsiasi altra app impegnativa. I produttori usano modelli piccoli e compressi e chip dedicati per contenere il consumo, ma l'energia viene comunque usata e non compare in nessuna statistica dei data centre.
Fonti
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
- Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
- Gemini Nano with Android AICore, Google, Android Developers (2024)
- A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Green AI and energy-aware computing, GreenCode (2026)
Correlati
Edge o cloud: dove dovrebbe girare l'IA?
Come confrontare l'IA sul dispositivo e all'edge con i data centre centrali: energia, rete, hardware, privacy e resilienza, con un metodo passo passo.
Hosting e data centre per un'IA verde
Come scegliere dove far girare l'IA: intensità carbonica della rete, PUE e WUE, dichiarazioni sulle rinnovabili, acqua e ubicazione, con domande per i fornitori.
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.
La matematica che rende l'IA più efficiente
Pruning, sparsità, sketching, teoria delle matrici aleatorie e modelli informati dalla fisica: come la matematica riduce calcolo, memoria ed energia dell'IA.