# Paradosso di Jevons e IA: perché l'efficienza non basta

> Che cosa sono il paradosso di Jevons e l'effetto rimbalzo, perché un'IA più economica per richiesta può far salire i consumi totali e perché serve un tetto.

Source: https://greenai.guide/it/articoli/paradosso-di-jevons-e-ia-perche-l-efficienza-non-basta/  
Updated: 2026-11-20

## In breve

Il paradosso di Jevons è la constatazione, formulata per la prima volta da William Stanley Jevons nel 1865, che usare il carbone in modo più efficiente portò la Gran Bretagna a bruciarne di più, non di meno. Nell'IA ogni richiesta diventa molto più economica ed efficiente, eppure il consumo totale di elettricità dei data centre cresce in fretta. I ricercatori che studiano l'impatto climatico delle tecnologie digitali sostengono che l'efficienza produce tagli reali delle emissioni solo quando le emissioni totali hanno un tetto.

## Punti chiave

- Il paradosso di Jevons: rendere più economico l'uso di una risorsa può farne aumentare l'uso totale. Jevons lo mostrò per il carbone nel 1865.
- L'effetto rimbalzo può essere diretto (più dello stesso compito), indiretto (risparmi spesi altrove) o esteso all'intera economia; quando supera il risparmio si parla di backfire (effetto boomerang).
- Google ha riferito che l'energia del suo prompt di testo mediano di Gemini è diminuita di 33 volte in un anno, mentre la IEA prevede che il consumo di elettricità dei data centre più che raddoppierà entro il 2030.
- Freitag, Berners-Lee e colleghi hanno rilevato che l'impronta climatica delle ICT è sottostimata e sostengono che le affermazioni sui risparmi resi possibili dalle ICT poggiano su prove deboli.
- Widdicks e colleghi concludono che l'efficienza entro vincoli sulle emissioni è l'unico modo per trasformarla in vere riduzioni delle emissioni.
- In pratica: misurare i totali, fissare budget o tetti, dismettere la capacità liberata e usare l'IA solo dove aggiunge valore.

L'IA diventa più efficiente molto in fretta, e il suo consumo totale di energia cresce molto in fretta. Questi due
fatti non sono in contraddizione. Sono uno schema vecchio di 160 anni, noto come paradosso di Jevons. Questo articolo
spiega il paradosso, le prove che si applica all'IA, le preoccupazioni sollevate dai ricercatori sul considerare le
tecnologie digitali una soluzione per il clima e che cosa trasforma davvero l'efficienza in minori emissioni. Per le
basi su efficienza e sufficienza, cominci da [efficienza non è sufficienza](/it/articoli/efficienza-non-e-sufficienza-l-effetto-rimbalzo-nell-ia/).

## Che cos'è il paradosso di Jevons? {#what-is-the-jevons-paradox}

**Il paradosso di Jevons si verifica quando usare una risorsa in modo più efficiente porta a usarne di più, non di
meno.** L'economista William Stanley Jevons lo espose in *The Coal Question* nel 1865, un libro che si chiedeva se le
miniere di carbone della Gran Bretagna si sarebbero esaurite.

Jevons non era d'accordo. Scrisse che "è del tutto una confusione di idee
supporre che l'uso economico del combustibile equivalga a un consumo ridotto. È vero proprio il contrario." Il suo
ragionamento era che il vapore più economico rendeva conveniente usare il carbone per molti più lavori, quindi la
domanda totale cresceva più in fretta di quanto diminuisse il consumo di ogni singola macchina.

L'intuizione non è che l'efficienza sia un male. È che l'efficienza cambia il prezzo di fare qualcosa, e persone,
imprese e intere economie reagiscono ai prezzi.

## Che cos'è l'effetto rimbalzo? {#what-is-the-rebound-effect}

**L'effetto rimbalzo è l'uso aggiuntivo innescato da un guadagno di efficienza, che erode il risparmio.** Il
paradosso di Jevons ne è la forma più estrema. Widdicks e colleghi, in un articolo del 2023 sulla rivista *Patterns*,
ne descrivono i tipi principali:

| Tipo | Che cosa succede | Esempio nell'IA |
|---|---|---|
| Rimbalzo diretto | Lo stesso servizio diventa più economico, quindi viene usato di più | Prompt più economici portano a più prompt, risposte più lunghe e più chiamate di agenti |
| Rimbalzo indiretto | Il denaro o il tempo risparmiati vengono spesi in altre cose che consumano anch'esse energia (l'"effetto reddito" e il "rimbalzo del tempo") | Il tempo risparmiato grazie a un assistente di IA viene speso in attività a maggiore intensità energetica |
| Rimbalzo esteso all'intera economia | L'economia nel suo insieme si adatta: nuovi prodotti, mercati e settori crescono sull'input più economico | IA integrata per impostazione predefinita in motori di ricerca, telefoni e software per l'ufficio |

Quando il rimbalzo supera il risparmio, così che l'uso o le emissioni totali aumentano, si parla di **backfire**
(effetto boomerang). Gli stessi autori osservano che nell'economia mondiale i guadagni di efficienza energetica nella
maggior parte dei prodotti e servizi sono andati di pari passo con una crescita media delle emissioni globali di
carbonio dell'1,8% l'anno dal 1850. Precisano che questo non dimostra che l'efficienza causi emissioni più alte, ma
solo che, perché non le causasse, senza efficienza le emissioni avrebbero dovuto crescere molto più in fretta.

Veda nel glossario le voci [effetto rimbalzo](/it/glossario/#rebound-effect) e [paradosso di Jevons](/it/glossario/#jevons-paradox).

## Il paradosso di Jevons si sta verificando nell'IA? {#is-the-jevons-paradox-happening-in-ai}

**Le prove vanno in questa direzione: l'energia per richiesta diminuisce rapidamente mentre il consumo totale di
elettricità dei data centre sale.** Due dati molto citati, da fonti diverse, mostrano lo schema:

- **Per richiesta.** Nel 2025 Google ha riferito che il suo prompt di testo mediano delle app Gemini usa 0,24 Wh di
  energia, e che in un periodo di 12 mesi l'energia per prompt mediano è diminuita di 33 volte e la sua impronta di
  carbonio di 44 volte.
- **In totale.** L'Agenzia internazionale dell'energia (IEA) stima che i data centre abbiano usato circa 415 TWh nel
  2024, circa l'1,5% dell'elettricità mondiale, e che questo consumo sia cresciuto di circa il 12% l'anno dal 2017.
  Prevede che il consumo più che raddoppierà, arrivando a circa 945 TWh entro il 2030, con l'IA come "il fattore più
  importante di questa crescita".

Questi dati da soli non dimostrano un rapporto di causa ed effetto, perché la domanda di IA cresce anche per ragioni
diverse dal prezzo. Mostrano però che grandi guadagni per richiesta non hanno impedito all'uso totale di salire. La
stessa IEA considera la velocità dei miglioramenti di efficienza una delle principali incertezze delle sue
prospettive: a seconda degli scenari, la domanda dei data centre nel 2035 va da 700 a 1.700 TWh.

L'IA ha caratteristiche che rendono il rimbalzo particolarmente probabile. Un'[inferenza](/it/glossario/#inference) più
economica permette ai fornitori di rendere l'IA l'opzione predefinita negli strumenti che le persone già usano, e
permette agli agenti di fare molte chiamate al modello per ogni compito (veda
[IA agentica e spreco di token](/it/articoli/ia-agentica-e-spreco-di-token/)). Inoltre i risparmi vengono spesso spesi in
capacità, come modelli più grandi o contesti più lunghi, invece di essere messi da parte.

## Quali preoccupazioni hanno sollevato Mike Berners-Lee e colleghi? {#what-concerns-have-mike-berners-lee-and-colleagues-raised}

**Sostengono che l'impatto climatico delle tecnologie digitali sia sottostimato, che i loro guadagni di efficienza
vengano regolarmente annullati dalla domanda e che le affermazioni di beneficio climatico abbiano bisogno di prove
molto migliori.** Mike Berners-Lee, fondatore di Small World Consulting, con sede presso la Lancaster University, è
uno specialista del calcolo dell'impronta di carbonio e coautore di due articoli su *Patterns* su questo tema.

### L'impronta è più grande di quanto riportato {#the-footprint-is-bigger-than-reported}

Nel 2021 Freitag, Berners-Lee, Widdicks, Knowles, Blair e Friday hanno passato in rassegna le stime dell'impatto
climatico delle tecnologie dell'informazione e della comunicazione (ICT). Hanno rilevato che gli studi sottoposti a
revisione paritaria attribuiscono alle ICT l'1,8–2,8% delle emissioni globali di gas serra, ma che la quota potrebbe
essere del 2,1–3,9% se si contano le catene di fornitura escluse dagli studi standard sul ciclo di vita (il cosiddetto
"errore di troncamento").

### L'efficienza non ha ridotto il totale {#efficiency-has-not-cut-the-total}

La stessa rassegna ha rilevato che la domanda di calcolo e di dispositivi per persona ha superato i miglioramenti di
efficienza, così che il consumo di energia e l'impronta delle ICT hanno continuato a crescere anno dopo anno. Tutti
gli analisti esaminati concordavano sul fatto che le emissioni delle ICT "non diminuiranno senza grandi sforzi
concertati che coinvolgano un'ampia azione politica e industriale". Gli autori hanno indicato ragioni per aspettarsi
un aumento delle emissioni in assenza di interventi, e hanno giudicato improbabile un picco naturale dovuto alla
saturazione della domanda. Per correttezza, riportano anche il parere opposto del ricercatore Jens Malmodin, espresso
in una comunicazione personale, secondo cui le emissioni delle ICT per ora si sono stabilizzate e potrebbero dimezzarsi
entro il 2030.

### Le affermazioni sull'"IA per il clima" mancano di prove di un beneficio netto {#ai-for-climate-claims-lack-evidence-of-net-benefit}

Rapporti del settore hanno sostenuto che le ICT potrebbero far risparmiare in altri settori diverse volte le proprie
emissioni. Freitag e colleghi sostengono che queste stime trattano l'effetto rimbalzo in modo molto limitato, e che le
ICT hanno la stessa probabilità di favorire la crescita, anche nei settori ad alta intensità di carbonio, quanto di
ridurre le emissioni. Scrivono che "nonostante prove discutibili che le tendenze di crescita delle ICT faranno
risparmiare più emissioni di carbonio di quante ne introdurranno", blockchain, internet delle cose e IA stanno
ricevendo investimenti e un'adozione crescenti. Secondo loro, le ICT fanno risparmiare emissioni altrove solo se
sostituiscono attività ad alta intensità di carbonio, invece di aggiungersi a esse.

Questo non significa che l'IA non possa aiutare il clima. Significa che ogni affermazione deve dimostrare un
beneficio netto, contando l'impronta propria dell'IA e l'effetto rimbalzo. Veda
[IA verde e IA per l'ambiente](/it/articoli/ia-verde-e-ia-per-l-ambiente-la-differenza/).

### L'efficienza ha bisogno di un tetto {#efficiency-needs-a-cap}

L'articolo del 2023 di Widdicks e colleghi, basato su un workshop di 19 esperti, conclude che "l'efficienza entro
vincoli sulle emissioni di gas serra è l'unico modo in cui l'efficienza può tradursi in vere riduzioni delle
emissioni". La rassegna del 2021 sostiene che, in assenza di un vincolo globale sul carbonio, serve una nuova
regolamentazione per mantenere l'impronta delle ICT in linea con l'Accordo di Parigi. Entrambi gli articoli
presentano un tetto come vantaggioso anche per il settore: sotto un vincolo, l'efficienza diventa più preziosa, non
meno.

### Con le sue parole {#in-his-own-words}

Parlando ai responsabili del digitale del governo a Londra nel febbraio 2026, Berners-Lee ha riassunto il problema
del rimbalzo con "più diventa efficiente, più facciamo", e ha avvertito che "molte persone stanno scagliando una mazza
di IA e machine learning contro ogni problema", secondo un resoconto di THINK Digital Partners.

## Che cosa trasforma l'efficienza in risparmi reali? {#what-turns-efficiency-into-real-savings}

**Abbinare ogni guadagno di efficienza a un limite sul totale, e misurare il totale.** Le ricerche citate indicano
cinque leve pratiche.

### Lavorare entro un budget o un tetto {#work-under-a-budget-or-cap}

Fissi un budget assoluto di energia, emissioni, calcolo o token per un prodotto, un team o un progetto, e lo mantenga
mentre l'efficienza migliora. L'efficienza le permette così di fare di più entro il budget invece di spingere in alto
il totale.

### Misurare l'impatto assoluto, non solo i dati per unità {#measure-absolute-impact-not-just-per-unit-figures}

Affermare che un modello è "dieci volte più efficiente" non dice nulla sul fatto che le emissioni totali siano
diminuite. Riporti l'energia e le emissioni totali nel tempo, accanto all'energia per compito. Veda
[come misurare l'energia dell'IA](/it/buone-pratiche/come-misurare-l-energia-e-il-carbonio-dell-ia/).

### Praticare la sufficienza {#practise-sufficiency}

Usi l'IA dove aggiunge valore reale e, quando la usa, il modello adeguato più piccolo. Una formula, una ricerca o una
query su un database spesso fanno il lavoro con una frazione dell'energia. Veda [sufficienza](/it/glossario/#sufficiency).

### Mettere da parte i risparmi {#bank-the-savings}

Quando un progetto di efficienza libera capacità, decida in anticipo che cosa farne. Dismettere server, capacità
cloud riservata o licenze consolida il risparmio; lasciarli attivi invita nuovi usi a riempirli. Veda
[come evitare che i guadagni di efficienza vengano annullati](/it/come/come-evito-che-i-guadagni-di-efficienza-dell-ia-vengano-annullati-da/).

### Usare leve politiche che agiscono sui totali {#use-policy-levers-that-act-on-totals}

Prezzi del carbonio, tetti alle emissioni, limiti agli allacciamenti alla rete e rendicontazione del consumo assoluto
di energia agiscono sulla domanda totale in un modo che gli standard di efficienza da soli non possono. Veda
[politica sulla IA verde](/it/buone-pratiche/come-scrivere-una-politica-sulla-ia-verde/).

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

- Aggiunga l'energia o le emissioni totali dell'IA alla sua rendicontazione periodica, accanto ai dati per compito.
- Fissi un budget o un tetto per il calcolo o le emissioni dell'IA, e lo mantenga quando l'efficienza migliora.
- Prima di ogni progetto di efficienza, decida se la capacità liberata verrà dismessa o riutilizzata.
- Si chieda se ogni nuova funzione di IA è necessaria, e se debba essere attiva per impostazione predefinita.
- Tratti qualsiasi affermazione secondo cui l'IA ridurrà le emissioni altrove come un'ipotesi da verificare,
  contando l'effetto rimbalzo.
- Legga [efficienza non è sufficienza](/it/articoli/efficienza-non-e-sufficienza-l-effetto-rimbalzo-nell-ia/) e
  [IA verde e IA per l'ambiente](/it/articoli/ia-verde-e-ia-per-l-ambiente-la-differenza/) per il quadro più ampio.

## Domande frequenti

### Che cos'è il paradosso di Jevons?

È l'osservazione dell'economista William Stanley Jevons, nel suo libro del 1865 The Coal Question, secondo cui un uso più efficiente del carbone portò a usarne di più, perché l'efficienza rendeva il lavoro alimentato a carbone più economico e quindi più diffuso.

### Un'IA più efficiente riduce le emissioni?

Per singola richiesta, sì. In totale, non necessariamente: richieste più economiche incoraggiano un uso molto maggiore. Il consumo totale di elettricità dei data centre continua a crescere rapidamente anche mentre l'energia per prompt diminuisce, quindi l'efficienza riduce le emissioni complessive solo se anche l'uso totale o le emissioni sono limitati.

### Che cos'è l'effetto rimbalzo nell'IA?

È l'uso aggiuntivo di IA che segue quando l'IA diventa più economica o più facile, e che erode l'energia risparmiata. Può essere diretto (più prompt), indiretto (denaro o tempo risparmiati spesi in altre cose che consumano energia) o esteso all'intera economia (nuovi prodotti e settori costruiti su un'IA a basso costo).

### Che cos'è il backfire?

Il backfire (effetto boomerang) è un effetto rimbalzo così grande che il consumo o le emissioni totali finiscono per superare il livello precedente al guadagno di efficienza. Il paradosso di Jevons è un esempio di backfire.

### Che cosa dicono Mike Berners-Lee e i suoi coautori su IA e clima?

In articoli sottoposti a revisione paritaria sostengono che l'impronta delle ICT è sottostimata, che i guadagni di efficienza tendono a essere annullati dalla crescita della domanda, che le prove di benefici climatici netti delle ICT, IA compresa, sono discutibili e che serve un tetto alle emissioni perché l'efficienza produca tagli reali.

### Come si evita che i guadagni di efficienza vengano annullati?

Misurando l'energia o le emissioni totali oltre all'energia per compito, fissando un budget o un tetto, decidendo in anticipo che cosa fare della capacità liberata e usando l'IA solo dove aggiunge abbastanza valore.

## Fonti

- [The Coal Question](https://archive.org/details/in.ernet.dli.2015.224624), W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
- [Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy](https://doi.org/10.1016/j.patter.2023.100679), Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
- [The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations](https://doi.org/10.1016/j.patter.2021.100340), Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- ["We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate](https://www.thinkdigitalpartners.com/news/2026/02/26/were-heading-for-something-pretty-grim-mike-berners-lee-warns-digital-leaders-on-climate/), THINK Digital Partners (2026)
