# 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.

Source: https://greenai.guide/it/articoli/la-misurazione-e-il-collo-di-bottiglia-dell-ia-verde/  
Updated: 2026-11-19

## In breve

La maggior parte dei dati sull'energia dell'IA è dichiarata dalle aziende stesse, con metodi non pubblicati per intero, oppure stimata a partire da ipotesi invece che misurata su hardware reale. Studi diversi tracciano inoltre il confine del "sistema" in punti diversi. Finché la misurazione non sarà coerente, le affermazioni sull'IA verde restano difficili da verificare e i confronti tra modelli o fornitori possono trarre in inganno.

## Punti chiave

- I dati per prompt più noti provengono dagli stessi fornitori e usano metodi diversi, quindi non si possono confrontare direttamente.
- Cambiare il confine della misurazione può più che raddoppiare un risultato: il dato di Google per un prompt di Gemini scende da 0,24 Wh a 0,10 Wh se si contano solo i chip di IA.
- Molti strumenti stimano l'energia dalle specifiche dell'hardware e dalle medie della rete elettrica invece di misurarla.
- Secondo un'analisi del 2025, la trasparenza sui costi ambientali dell'IA sta diminuendo, non migliorando.
- Un buon dato indica che cosa è stato misurato, come, entro quale confine, su quale hardware e per quale compito.

Non si può gestire ciò che non si può misurare, e il consumo di energia dell'IA è ancora misurato male. Non è un
dettaglio: da questo dipende se le affermazioni sull'IA verde si possono verificare, se gli acquirenti possono
confrontare i prodotti e se le politiche pubbliche possono puntare sugli obiettivi giusti. Senza numeri affidabili,
ogni affermazione "verde" è un comunicato stampa.

## Perché i dati sull'energia dell'IA sono difficili da verificare? {#why-are-ai-energy-figures-hard-to-trust}

**Perché la maggior parte proviene dalle aziende che vendono l'IA, usa metodi non pubblicati per intero e non può
essere verificata in modo indipendente.** Questo non li rende sbagliati, ma li rende difficili da confrontare.

I due dati più citati per un prompt testuale sono entrambi dichiarati dalle aziende:

| Dato | Chi | Che cosa sappiamo del metodo |
|---|---|---|
| 0,24 Wh per un prompt testuale mediano di Gemini Apps | Google, 2025 | Un articolo pubblicato descrive il metodo, compresi i consumi accessori del data centre e la capacità inattiva. Dati di maggio 2025, non verificati in modo indipendente. |
| Circa 0,34 Wh per una richiesta media a ChatGPT | L'amministratore delegato di OpenAI, 2025 | Un post su un blog; nessuna metodologia pubblicata. |
| Circa 0,3 Wh per una tipica richiesta a GPT-4o | Epoch AI, 2025 | Una stima indipendente basata su informazioni pubbliche sull'hardware e sulle dimensioni del modello. |

I numeri sembrano simili, ma non sono confrontabili alla pari: una mediana non è una media e i confini sono diversi.
Inoltre riguardano solo brevi prompt testuali, non la generazione di immagini o video, il ragionamento prolungato o
gli agenti.

## Quanto conta il confine? {#how-much-does-the-boundary-matter}

**Moltissimo.** Lo dice lo stesso articolo di Google. Contando solo gli acceleratori di IA attivi (TPU e GPU) si
ottengono 0,10 Wh per prompt mediano. Aggiungendo i server che li ospitano, la capacità inattiva tenuta pronta per la
domanda e i consumi accessori del data centre, come il raffreddamento, si arriva a 0,24 Wh, più del doppio.

Dove si traccia la linea decide la risposta. Un confine completo per un servizio di IA potrebbe includere:

1. I chip di IA che svolgono il lavoro.
2. Il resto del server: processori, memoria, archiviazione.
3. La capacità inattiva e di riserva tenuta per i picchi.
4. Il raffreddamento e la conversione dell'energia nel data centre.
5. La rete che trasporta richieste e risposte.
6. Il dispositivo dell'utente.
7. L'addestramento del modello, ripartito tra i suoi usi.
8. La fabbricazione dell'hardware (carbonio incorporato).

Lo stesso vale per i confronti a effetto. L'affermazione che l'IA usi molte volte più, o meno, energia di una persona
che svolge lo stesso compito dipende da che cosa si conta da ciascuna parte: il computer e il tempo della persona,
l'addestramento del modello, il lavoro necessario per controllare e correggere il risultato dell'IA. Un sandpit
(laboratorio di ricerca collaborativa) britannico sull'IA verde del 2026, che ha riunito matematici, informatici e
industria, ha sottolineato che i confini del sistema vanno dichiarati prima che un confronto del genere abbia senso.

## Che differenza c'è tra stimare e misurare? {#what-is-the-difference-between-estimating-and-metering}

**Misurare significa leggere la potenza effettiva dall'hardware mentre il lavoro è in corso; stimare significa
calcolarla da ipotesi.** Entrambi hanno un ruolo, ma vengono spesso confusi.

- **Misurare** si basa su contatori hardware (come quelli integrati nei processori e nelle GPU moderni), su misuratori
  di potenza nei server o sui contatori del data centre. È preciso per ciò che copre, ma richiede l'accesso
  all'hardware.
- **Stimare** moltiplica la potenza nominale ipotizzata per il tempo di esecuzione e l'utilizzo, poi per un'intensità
  di carbonio media della rete elettrica. Strumenti come CodeCarbon stimano la potenza di processori, GPU e memoria e
  applicano l'intensità della rete regionale. Sono facili da usare, ma sono strumenti di stima, non di misura.

Le stime possono essere molto lontane dal vero, soprattutto su hardware cloud condiviso, dove non si vede che cos'altro
è in esecuzione. Anche le regole empiriche semplici sono rischiose: nel 2024 Mytton, Lundén e Malmodin hanno mostrato
che l'energia della rete è in gran parte un consumo di base fisso, quindi i fattori in "chilowattora per gigabyte"
rappresentano male l'effetto di inviare più o meno dati.

Il rapporto 2025 dell'Unione internazionale delle telecomunicazioni sulla misurazione dell'impatto ambientale dell'IA
ha indicato come problema urgente il forte ricorso a stime indirette, senza misurazioni empiriche.

## La trasparenza sta migliorando? {#is-transparency-getting-better}

**Non secondo la maggior parte degli indicatori.** Nel 2025 Luccioni, Gamazaychikov, Alves da Costa e Strubell hanno
analizzato le informazioni ambientali pubblicate sui modelli di IA e hanno concluso che la trasparenza sui costi e
sugli impatti di questi modelli è diminuita, proprio mentre il loro uso cresceva.

La regolamentazione comincia a spingere nella direzione opposta. In base all'AI Act dell'UE, i fornitori di modelli di
IA per finalità generali devono documentare il consumo di energia noto o stimato dei loro modelli (allegato XI).
Questa documentazione va alle autorità di regolamentazione e ai fornitori a valle, non al pubblico, e sono ammesse
stime quando la misurazione non è disponibile.

## Come sarebbe una buona misurazione? {#what-would-good-measurement-look-like}

**Un dato riproducibile: che cosa è stato misurato, come, entro quale confine, su quale hardware e per quale
compito.** Esistono già elementi utili:

- **Benchmark aperti** come la ML.ENERGY Leaderboard, che misura l'energia di inferenza dei modelli aperti su hardware
  noto, e le [etichette energetiche e i benchmark](/it/articoli/etichette-energetiche-e-benchmark-per-l-ia/) che stanno emergendo.
- **Norme** come la ISO/IEC 21031:2024, la specifica Software Carbon Intensity, che definisce un tasso di carbonio per
  unità funzionale a partire da energia, intensità della rete ed emissioni incorporate.
- **Accuratezza insieme all'energia.** Una risposta economica ma sbagliata non è efficiente. I dati sull'energia
  andrebbero riportati insieme alla qualità del risultato e alla quantità di lavoro da rifare.

La misurazione deve anche arrivare a livelli più fini del "data centre": una richiesta, un modello o una riga di
codice. È questo tipo di attribuzione che permette agli ingegneri di trovare e correggere le parti costose.

## Che cosa fare adesso {#what-to-do-next}

- Davanti a un dato sull'energia dell'IA, chieda: chi l'ha misurato, entro quale confine, ed è stato misurato o stimato?
- Misuri i propri carichi di lavoro sull'hardware che usa; veda [misurare l'energia dell'IA](/it/buone-pratiche/come-misurare-l-energia-e-il-carbonio-dell-ia/).
- Indichi il confine e il metodo per ogni dato che pubblica; veda [fare affermazioni ambientali oneste](/it/buone-pratiche/dichiarazioni-ambientali-oneste-sull-ia/).
- Chieda ai fornitori l'energia misurata per compito, non rapporti di marketing; veda [acquisti di IA sostenibili](/it/buone-pratiche/acquisti-sostenibili-di-ia/).
- Cerchi strumenti utili nell'[elenco dei prodotti](/it/prodotti/) e l'aiuto di esperti nell'[elenco dei consulenti](/it/consulenti/).

## Domande frequenti

### Perché non posso confrontare l'energia di ChatGPT e di Gemini?

Perché i dati pubblicati sono dichiarati dalle aziende, coprono cose diverse e usano metodi non pubblicati per intero. Uno può includere i consumi accessori del data centre e la capacità inattiva, un altro no. Finché entrambi non saranno misurati allo stesso modo, un confronto diretto non è affidabile.

### Che differenza c'è tra stimare e misurare l'energia dell'IA?

Misurare significa leggere la potenza da sensori o contatori dell'hardware mentre il lavoro è in corso. Stimare significa calcolare l'energia da ipotesi come la potenza nominale dei chip, il loro utilizzo e il tempo di esecuzione. Le stime sono utili quando misurare è impossibile, ma possono essere molto lontane dal vero.

### Che cos'è un confine del sistema?

È la linea che decide che cosa viene contato. Un confine ristretto conta solo il chip di IA; uno più ampio aggiunge il server, il raffreddamento, la capacità inattiva, la rete, il dispositivo dell'utente e la fabbricazione dell'hardware.

## Fonti

- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Misinformation by omission: the need for more environmental transparency in AI](https://arxiv.org/abs/2506.15572), Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- [Measuring what matters: how to assess AI's environmental impact](https://www.itu.int/hub/publication/s-gen-gda-001-2025/), International Telecommunication Union (2025)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [The ML.ENERGY benchmark: toward automated inference energy measurement and optimization](https://arxiv.org/abs/2505.06371), Chung et al., NeurIPS Datasets and Benchmarks (2025)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [Network energy use not directly proportional to data volume](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
