greenai.guide

Home › Articoli › IA verde e IA per l'ambiente: la differenza

Articolo

IA verde e IA per l'ambiente: la differenza

Aggiornato · 8 min di lettura

In breve

L'IA verde, in senso stretto, significa ridurre l'impronta ambientale dell'IA stessa: energia, carbonio, acqua e hardware. L'IA per l'ambiente significa usare l'IA a sostegno dell'azione per il clima e l'ambiente, dalla previsione della produzione rinnovabile e dalla individuazione delle perdite di metano fino agli allarmi alluvione e alle previsioni meteorologiche. Le due vanno insieme, perché un progetto di IA per il clima aiuta solo se fa risparmiare più di quanto costa.

Punti chiave

  • L'IA verde riduce l'impronta dell'IA stessa; l'IA per l'ambiente usa l'IA per ridurre le emissioni altrove o per aiutare le persone ad adattarsi al cambiamento climatico.
  • L'IA per l'ambiente comprende la mitigazione (ridurre le emissioni) e l'adattamento e la resilienza (affrontare gli effetti di un clima che cambia).
  • L'Agenzia internazionale dell'energia stima che un uso diffuso delle soluzioni esistenti basate sull'IA potrebbe ridurre le emissioni di un equivalente di circa il 5% delle emissioni legate all'energia nel 2035, ma avverte che non è garantito.
  • Un progetto di IA per l'ambiente dovrebbe contare la propria impronta e confrontarla con le emissioni o i danni che evita, con un intervallo di incertezza onesto.
  • I buoni progetti di IA per l'ambiente praticano l'IA verde: il modello più piccolo che funziona, il consumo di energia misurato e attenzione agli effetti rimbalzo.

Due espressioni che suonano quasi uguali descrivono lavori piuttosto diversi. L'"IA verde" (green AI) riguarda il costo dell'IA per il pianeta. L'"IA per l'ambiente" (AI for green) riguarda ciò che l'IA può fare per il pianeta. Questo articolo spiega la differenza, dà esempi reali di entrambe e mostra perché i progetti migliori hanno bisogno di tutte e due.

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

L'IA verde riduce l'impronta ambientale dell'IA stessa; l'IA per l'ambiente usa l'IA a sostegno dell'azione per il clima e l'ambiente. La prima guarda all'interno, al sistema di IA; la seconda guarda all'esterno, al problema a cui viene applicata.

  • IA verde, nel senso stretto che intende la maggior parte delle persone, riguarda l'energia, il carbonio, l'acqua e l'hardware che l'IA usa. Comprende modelli e codice più efficienti, la misurazione del consumo di energia, l'uso di energia più pulita, l'uso più prolungato dell'hardware e la sufficienza: usare l'IA, o un grande modello, solo dove ne vale la pena.
  • IA per l'ambiente applica l'IA ai problemi ambientali. Comprende sia la riduzione delle emissioni sia l'aiuto a persone e natura per affrontare un clima che cambia.

Su questo sito, che cos'è l'IA verde? usa "IA verde" come termine ombrello per entrambe le idee, e chiama il senso stretto "IA più verde". La distinzione è la stessa: qualunque parola si usi, è utile dire quale delle due si intende.

Che cosa comprende l'IA per l'ambiente?

Due grandi tipi di lavoro per il clima: la mitigazione, che riduce le emissioni, e l'adattamento e la resilienza, che riducono i danni causati da un clima che cambia. L'articolo del 2019 di Rolnick e colleghi Tackling climate change with machine learning li ha mappati entrambi, dalle reti intelligenti alla gestione dei disastri. È pubblicato da Climate Change AI, un'organizzazione non profit gestita da volontari fondata nel 2019, che oggi organizza workshop, una scuola estiva e finanziamenti per l'innovazione in questo campo.

Mitigazione: ridurre le emissioni

  • Reti elettriche: prevedere la produzione eolica e solare e la domanda, perché le reti possano bilanciare l'offerta con meno riserva fossile.
  • Individuazione di metano ed emissioni: il Methane Alert and Response System (MARS) del Programma delle Nazioni Unite per l'ambiente, introdotto nel 2023, usa dati satellitari, insieme a competenze scientifiche e all'IA, per inviare allerte gratuite sui grandi rilasci di metano. La IEA riferisce che nel 2025 solo circa il 12% delle notifiche ha ricevuto una risposta: un promemoria che l'individuazione aiuta solo se qualcuno agisce.
  • Scoperta di materiali: nel 2023 il progetto GNoME di Google DeepMind ha riferito su Nature che reti a grafo hanno identificato 2,2 milioni di strutture cristalline, di cui 381.000 erano materiali stabili scoperti per la prima volta, un punto di partenza per batterie e celle solari migliori. Ogni candidato deve comunque essere prodotto e testato.
  • Edifici e industria: nel 2016 DeepMind ha riferito che il machine learning poteva ridurre in modo costante del 40% l'energia usata per raffreddare i data centre di Google.
  • Agricoltura e uso del suolo: monitorare colture, suoli e deforestazione da immagini satellitari.

Adattamento e resilienza: affrontare il cambiamento climatico

  • Previsioni meteorologiche e climatiche: GraphCast, un modello meteorologico basato sul machine learning, ha superato i sistemi deterministici operativi più accurati sul 90% di 1.380 obiettivi di verifica, producendo una previsione globale a 10 giorni in meno di un minuto. Il 25 febbraio 2025 il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF) ha reso operativo il suo sistema basato sul machine learning, l'Artificial Intelligence Forecasting System (AIFS). L'ECMWF afferma che supera i modelli basati sulla fisica su molte misure e usa circa 1.000 volte meno energia per produrre una previsione.
  • Allarmi alluvione: nel 2024 Nearing e colleghi hanno mostrato su Nature che la previsione delle alluvioni con l'IA in bacini fluviali privi di stazioni di misura era, con cinque giorni di anticipo, affidabile quanto o più delle previsioni per lo stesso giorno di un importante sistema globale. Il loro modello alimenta un sistema di allerta precoce con previsioni pubbliche gratuite in oltre 80 Paesi.
  • Allerta precoce per incendi boschivi e ondate di calore, risposta ai disastri, gestione delle acque e monitoraggio della biodiversità, come l'identificazione delle specie da fototrappole e registrazioni sonore.

Come si confrontano?

Differiscono per scopo, persone coinvolte e misure del successo, ma condividono un rischio: benefici dichiarati e mai misurati.

IA verde IA per l'ambiente
Obiettivo Ridurre l'energia, il carbonio, l'acqua e i materiali che l'IA usa Usare l'IA per ridurre le emissioni altrove o i danni climatici
Chi se ne occupa Sviluppatori di IA, progettisti di data centre e chip, team IT e acquisti, utenti di tutti i giorni Scienziati del clima e della Terra, aziende energetiche, previsori, gruppi per la tutela della natura, governi, insieme a specialisti di IA
Come si riconosce il successo Meno energia e carbonio per risultato utile, e un uso totale più basso Emissioni evitate misurate, allarmi più tempestivi, vite e denaro risparmiati
Metodi di esempio Modelli più piccoli o distillati, quantizzazione, misurazione dell'energia, pianificazione attenta al carbonio, vita più lunga dell'hardware Previsioni, analisi di immagini satellitari, ottimizzazione di reti ed edifici, screening di materiali
Rischi principali Risparmi spesi in più uso (l'effetto rimbalzo); dichiarazioni di efficienza senza totali Impronta maggiore del beneficio; benefici presunti invece che misurati; segnalazioni a cui nessuno dà seguito

L'IA fa bene o male al clima?

Entrambe le cose, e il bilancio dipende da come viene usata. Nel suo scenario di base, il rapporto Energy and AI 2025 dell'Agenzia internazionale dell'energia prevede che le emissioni dovute al consumo di elettricità dei data centre crescano dagli attuali 180 milioni di tonnellate a 300 milioni di tonnellate entro il 2035. Stima inoltre che un uso diffuso delle soluzioni esistenti basate sull'IA potrebbe ridurre le emissioni di un equivalente di circa il 5% delle emissioni legate all'energia nel 2035: molto più delle emissioni dei data centre, ma molto meno di quanto serve per affrontare il cambiamento climatico.

La IEA è prudente sul secondo dato. Afferma che bisognerà superare gli ostacoli all'adozione, che effetti rimbalzo, come il passaggio delle persone dal trasporto pubblico alle auto a guida autonoma, potrebbero erodere i benefici, e che l'IA "non è una bacchetta magica". Kaack e colleghi, su Nature Climate Change nel 2022, offrono un modo utile di ragionarci. Dividono gli effetti dell'IA sulle emissioni in tre gruppi:

  1. Impatti legati al calcolo: l'energia e l'hardware che l'IA usa.
  2. Impatti immediati dell'applicazione: l'effetto diretto dell'uso, per esempio meno carburante bruciato.
  3. Impatti a livello di sistema: cambiamenti più ampi nei comportamenti e nella domanda, compreso l'effetto rimbalzo.

L'IA verde agisce sul primo gruppo, l'IA per l'ambiente sul secondo. Il terzo può aiutare o danneggiare entrambe.

Perché IA verde e IA per l'ambiente vanno insieme?

Perché un progetto di IA per l'ambiente aiuta solo se fa risparmiare più di quanto costa, e l'IA verde è il modo di tenere basso il costo. Uno scopo climatico non fa sparire un'impronta.

Molti compiti di IA per l'ambiente si prestano bene all'IA verde. Le previsioni meteorologiche, delle alluvioni e della rete sono sistemi specializzati costruiti per un solo compito, e l'ECMWF riferisce che il suo AIFS usa circa 1.000 volte meno energia per produrre una previsione. Quel dato riguarda la produzione di una previsione; un conto completo includerebbe anche l'addestramento del modello. Il rischio nasce quando un progetto ricorre a un grande modello generalista, si riaddestra più spesso del necessario o funziona su una scala che il suo beneficio non giustifica. Luccioni, Strubell e Crawford sostengono che i guadagni di efficienza possono spingere a un uso maggiore, quindi un progetto dovrebbe guardare alla sua impronta totale, non solo alla sua efficienza per compito (veda efficienza non è sufficienza).

I buoni progetti di IA per l'ambiente praticano quindi l'IA verde:

  • scelgono il metodo più semplice che funziona, che a volte è la statistica classica o un modello fisico;
  • misurano l'energia dell'addestramento e del funzionamento del sistema;
  • funzionano dove e quando l'elettricità è più pulita;
  • riusano modelli e dati esistenti invece di addestrare da zero.

Come si valuta il beneficio netto di un progetto di IA per l'ambiente?

Si confronta l'impronta dell'IA con le emissioni o i danni che evita, rispetto a ciò che sarebbe accaduto senza di essa, e si indica un intervallo di incertezza. Kaack e colleghi chiedono che questo tipo di valutazione d'impatto sia una priorità.

  1. Contare l'impronta dell'IA. Includere addestramento, riaddestramento, uso quotidiano, archiviazione dei dati e, dove possibile, il carbonio incorporato dell'hardware. Dove si può, misurare invece di indovinare.
  2. Definire lo scenario controfattuale. Che cosa accadrebbe senza l'IA: la previsione esistente, l'ispezione manuale, nulla? Il beneficio è solo la differenza.
  3. Stimare le emissioni o i danni evitati. Usare i risultati misurati dove esistono, come perdite effettivamente riparate o energia effettivamente risparmiata, non solo segnalazioni o previsioni.
  4. Includere l'effetto rimbalzo e gli effetti di sistema. Chiedersi se un'attività più economica o più facile porti a farne di più.
  5. Mostrare l'incertezza. Indicare un intervallo, dichiarare le ipotesi e rivedere la stima una volta che il sistema è in uso.

Se il beneficio è molte volte l'impronta anche all'estremo pessimistico dell'intervallo, gli argomenti sono solidi. Se i due valori sono vicini, o il beneficio non è misurato, tratti l'affermazione con cautela. Veda la misurazione è il collo di bottiglia e dichiarazioni ambientali oneste.

Che cosa fare adesso

Domande frequenti

Che cos'è l'IA per l'ambiente (AI for green)?

L'IA per l'ambiente è l'uso dell'intelligenza artificiale a sostegno dell'azione per il clima e l'ambiente: ridurre le emissioni, per esempio prevedendo la produzione rinnovabile o trovando perdite di metano, e aiutare le persone ad adattarsi, per esempio con allarmi alluvione e previsioni meteorologiche migliori.

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

L'IA verde riguarda l'impronta dell'IA stessa: far usare a modelli, hardware e data centre meno energia, carbonio, acqua e materiali. L'IA per l'ambiente riguarda l'uso che si fa dell'IA: applicarla ai problemi ambientali. Un progetto può essere l'una, l'altra, entrambe o nessuna delle due.

L'IA fa bene o male al clima?

Entrambe le cose, a seconda di come viene usata. L'Agenzia internazionale dell'energia rileva che un uso più ampio delle applicazioni di IA esistenti potrebbe ridurre le emissioni molto più di quanto ne aggiungano i data centre, ma avverte che non è garantito e che gli effetti rimbalzo potrebbero erodere i benefici.

Che differenza c'è tra IA verde e IA sostenibile?

I termini si sovrappongono e sono spesso usati come sinonimi. L'IA verde di solito si concentra sull'impronta ambientale dell'IA; 'IA sostenibile' è spesso usato in senso più ampio, per includere anche gli effetti sociali ed economici.

Come si capisce se un progetto di IA per il clima vale la sua impronta?

Si stimano l'energia e il carbonio necessari a costruire e far funzionare l'IA, si stimano le emissioni o i danni che evita rispetto a ciò che accadrebbe senza di essa, e si confrontano le due cose con un intervallo di incertezza. Se il beneficio non è misurato, l'affermazione non è dimostrata.

Ci sono esempi di IA che aiuta contro il cambiamento climatico?

Sì. Modelli meteorologici basati sul machine learning come l'AIFS dell'ECMWF sono ormai operativi, la previsione delle alluvioni basata sull'IA fornisce allarmi pubblici gratuiti in oltre 80 Paesi, e il sistema di allerta sul metano del Programma delle Nazioni Unite per l'ambiente usa dati satellitari e IA per segnalare grandi rilasci di metano.

Fonti

  1. Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
  2. About Climate Change AI, Climate Change AI (2026)
  3. Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
  4. Energy and AI: executive summary, International Energy Agency (2025)
  5. ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
  6. Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
  7. Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
  8. Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
  9. Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
  10. DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
  11. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)

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