# Statistiche sul consumo energetico dell'IA (aggiornate a novembre 2026)

> Statistiche sul consumo energetico dell'IA da fonti primarie: elettricità dei data centre, energia per prompt, immagini, video, addestramento, acqua, carbonio.

Source: https://greenai.guide/it/articoli/statistiche-sul-consumo-energetico-dell-ia-aggiornate-a-novembre-2026/  
Updated: 2026-11-20

## In breve

Queste statistiche sul consumo energetico dell'IA raccolgono 40 dei dati più utili su elettricità, acqua e carbonio dell'IA, ciascuno verificato sulla sua fonte primaria e datato. In breve, i data centre hanno usato circa 415 TWh di elettricità nel 2024 (circa l'1,5% del totale mondiale), la IEA prevede circa 950 TWh entro il 2030 e un tipico prompt di testo usa all'incirca 0,24–0,34 Wh secondo i dati degli stessi fornitori, mentre immagini, video, input lunghi e ragionamento usano molto di più.

## Punti chiave

- Secondo la IEA, i data centre hanno usato circa 415 TWh di elettricità nel 2024, circa l'1,5% del totale mondiale, e 485 TWh nel 2025.
- La IEA prevede circa 950 TWh entro il 2030, circa il 3% della domanda mondiale di elettricità; il consumo di elettricità dei data centre dedicati all'IA è cresciuto del 50% nel 2025.
- I fornitori indicano circa 0,24 Wh (Google, prompt di testo mediano di Gemini) e 0,34 Wh (OpenAI, richiesta media a ChatGPT) per prompt di testo.
- Nei test di Hugging Face del 2025, i modelli di ragionamento hanno usato in media 30 volte più energia di quelli standard.
- Si stima che l'addestramento di GPT-3 abbia usato 1.287 MWh ed emesso circa 552 tonnellate di CO₂e.
- Nel 2025 i data centre hanno usato il 23% dell'elettricità misurata in Irlanda.

Questa pagina raccoglie le statistiche sull'energia dell'IA che si cercano più spesso, ciascuna verificata sulla sua
fonte primaria, con l'anno a cui si riferisce. La usi per trovare rapidamente un dato, e consulti la fonte prima di
citarlo in qualcosa di importante.

## Quali sono le principali statistiche sul consumo energetico dell'IA? {#what-are-the-key-ai-energy-statistics}

**I data centre usano circa l'1,5% dell'elettricità mondiale, una quota destinata all'incirca a raddoppiare entro il
2030, e l'IA ne è il motore principale.** Un tipico prompt di testo usa una frazione di wattora, mentre immagini,
video, input molto lunghi e ragionamento usano molto di più. Le tabelle seguenti riportano 40 dati divisi in dieci
gruppi. Dove le fonti non concordano o un dato è un intervallo, viene indicato l'intervallo.

## Elettricità dei data centre {#data-centre-electricity}

**Secondo la IEA, i data centre hanno usato circa 415 TWh nel 2024 e 485 TWh nel 2025.** Un terawattora (TWh)
equivale a un miliardo di kilowattora.

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 1 | I data centre hanno usato circa 415 TWh di elettricità nel 2024, circa l'1,5% del consumo mondiale. | Agenzia internazionale dell'energia (IEA) | 2025 |
| 2 | Il consumo di elettricità dei data centre è cresciuto del 17% nel 2025, arrivando a 485 TWh. | IEA | 2026 |
| 3 | La IEA prevede circa 950 TWh entro il 2030, circa il 3% della domanda mondiale di elettricità. | IEA | 2026 |
| 4 | Le proiezioni per il 2035 vanno da 700 a 1.700 TWh a seconda degli scenari della IEA. | IEA | 2025 |
| 5 | Dal 2017 il consumo di elettricità dei data centre è cresciuto di circa il 12% l'anno. | IEA | 2025 |
| 6 | Fino al 2030 i data centre rappresenteranno circa un decimo della crescita della domanda mondiale di elettricità. | IEA | 2025 |

## Dove si concentra la domanda {#where-demand-is-concentrated}

**Pochi Paesi e regioni sostengono la maggior parte del carico.** Veda [IA e consumo elettrico dei data centre](/it/articoli/ia-e-consumo-elettrico-dei-data-centre/)
per capire che cosa significa per le reti elettriche.

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 7 | Stati Uniti e Cina rappresentano quasi l'80% della crescita mondiale dell'elettricità dei data centre fino al 2030. | IEA | 2025 |
| 8 | Nel 2023 i data centre statunitensi hanno usato 176 TWh, circa il 4,4% dell'elettricità degli Stati Uniti. | Lawrence Berkeley National Laboratory (LBNL) | 2024 |
| 9 | Si prevede che entro il 2028 i data centre statunitensi useranno 325–580 TWh, il 6,7–12% dell'elettricità degli Stati Uniti. | LBNL | 2024 |
| 10 | Fino al 2030 i data centre rappresentano quasi metà della crescita della domanda di elettricità degli Stati Uniti. | IEA | 2025 |
| 11 | Nel 2025 i data centre hanno usato il 23% dell'elettricità misurata in Irlanda, contro il 5% nel 2015. | Central Statistics Office, Irlanda | 2026 |
| 12 | Nel 2023 i data centre hanno usato quasi un quarto dell'elettricità della Virginia. | Electric Power Research Institute | 2024 |

## La quota dell'IA {#ai-s-share}

**Non esiste un dato pubblico esatto sulla quota dell'IA nell'elettricità dei data centre, ma l'IA è la parte in più
rapida crescita.**

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 13 | Il consumo di elettricità dei data centre dedicati all'IA è cresciuto del 50% nel 2025. | IEA | 2026 |
| 14 | Nello scenario di base della IEA, il consumo di elettricità dei server accelerati, usati soprattutto per l'IA, dovrebbe crescere del 30% l'anno. | IEA | 2025 |
| 15 | Un tipico data centre dedicato all'IA usa tanta elettricità quanto 100.000 famiglie. | IEA | 2025 |

## Energia per prompt {#energy-per-prompt}

**Secondo i dati degli stessi fornitori, un tipico prompt di testo usa circa 0,24–0,34 Wh.** Sono dati dichiarati
dalle aziende, ottenuti con metodi diversi e relativi solo al testo. Veda [la misurazione è il collo di bottiglia](/it/articoli/la-misurazione-e-il-collo-di-bottiglia-dell-ia-verde/).

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 16 | Un prompt di testo mediano delle app Gemini ha usato 0,24 Wh, emesso 0,03 g di CO₂e e consumato 0,26 mL di acqua. | Google (Elsworth et al.) | 2025 |
| 17 | Contando solo i chip di IA attivi nei data centre più efficienti, lo stesso prompt scende a 0,10 Wh. | Google (Elsworth et al.) | 2025 |
| 18 | Una richiesta media a ChatGPT usa circa 0,34 Wh e circa 0,000085 galloni di acqua. | Sam Altman, OpenAI | 2025 |
| 19 | Una tipica richiesta a GPT-4o usa all'incirca 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. | Epoch AI | 2025 |
| 20 | Una risposta di 400 token di Mistral Large 2 emette 1,14 g di CO₂e e usa 45 mL di acqua. | Mistral AI | 2025 |
| 21 | I modelli di ragionamento hanno usato in media 30 volte più energia dei modelli standard; un modello ne ha usata da 150 a 700 volte di più con il ragionamento attivo. | Hugging Face AI Energy Score | 2025 |

## Immagini e video {#images-and-video}

**Generare immagini e video richiede molta più energia dei compiti testuali.**

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 22 | La generazione di immagini ha usato in media circa 2,9 kWh ogni 1.000 immagini, contro 0,002 kWh ogni 1.000 classificazioni di testo. | Luccioni, Jernite e Strubell | 2024 |
| 23 | Il modello di immagini meno efficiente tra quelli testati ha usato circa mezza ricarica di smartphone per immagine. | Luccioni, Jernite e Strubell | 2024 |
| 24 | I modelli aperti da testo a video hanno usato da 0,14 Wh a oltre 415 Wh per breve clip, con un'energia che cresce in modo quadratico con risoluzione e durata. | Delavande, Pierrard e Luccioni | 2025 |

## Addestramento {#training-runs}

**Addestrare un grande modello può richiedere gigawattora, ma la maggior parte degli sviluppatori dei modelli più
recenti non lo rende noto.**

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 25 | Si stima che l'addestramento di GPT-3 abbia usato 1.287 MWh ed emesso circa 552 tonnellate di CO₂e. | Patterson et al., Google | 2021 |
| 26 | L'addestramento di BLOOM ha emesso circa 24,7 tonnellate di CO₂e per l'elettricità, o 50,5 tonnellate includendo produzione dell'hardware e hardware inattivo. | Luccioni, Viguier e Ligozat | 2022 |
| 27 | L'addestramento dei modelli Llama 3.1 ha richiesto 39,3 milioni di ore GPU e 11.390 tonnellate di CO₂e (metodo location-based). | Meta | 2024 |
| 28 | L'addestramento di Mistral Large 2 e 18 mesi del suo utilizzo hanno prodotto 20,4 kilotonnellate di CO₂e e consumato 281.000 m³ di acqua. | Mistral AI | 2025 |

## Acqua {#water}

**L'IA usa acqua soprattutto per raffreddare i data centre e, indirettamente, per produrre elettricità.** Veda
[come stimare l'impronta idrica dell'IA](/it/come/come-stimo-l-impronta-idrica-dell-ia/).

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 29 | L'addestramento di GPT-3 nei data centre statunitensi di Microsoft potrebbe far evaporare direttamente 700.000 litri di acqua dolce. | Li, Yang, Islam e Ren | 2023 (rivisto nel 2025) |
| 30 | Nel 2027 la domanda mondiale di IA potrebbe corrispondere a 4,2–6,6 miliardi di m³ di prelievi idrici. | Li, Yang, Islam e Ren | 2023 (rivisto nel 2025) |
| 31 | Nel 2025 Google ha consumato 41 miliardi di litri (10,9 miliardi di galloni) di acqua nei suoi data centre e uffici, e ha reintegrato circa il 78% del suo consumo di acqua dolce. | Google | 2026 |

## Carbonio ed emissioni delle aziende {#carbon-and-company-emissions}

**Le emissioni dei maggiori fornitori di IA stanno aumentando, nonostante grandi acquisti di energia pulita.**

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 32 | Nel 2025 le emissioni di Google rilevanti per i suoi obiettivi (ambition-based) sono state di circa 14,5 milioni di tonnellate di CO₂e, il 18% in più rispetto al 2024 e l'81% in più rispetto al 2019. | Google | 2026 |
| 33 | Nel suo esercizio finanziario 2025 le emissioni totali di Microsoft sono state di circa 20,3 milioni di tonnellate di CO₂e, contro circa 12,9 milioni nel 2020. | Microsoft | 2026 |
| 34 | Le emissioni assolute di Amazon sono aumentate del 16% dal 2024 al 2025, arrivando a 80,85 milioni di tonnellate di CO₂e. | Amazon | 2026 |
| 35 | L'IA generativa potrebbe aggiungere in totale 1,2–5,0 milioni di tonnellate di rifiuti elettronici nel periodo 2020–2030. | Wang et al., Nature Computational Science | 2024 |

## Tendenze di hardware ed efficienza {#hardware-and-efficiency-trends}

**Hardware e software stanno diventando molto più efficienti, ma la domanda cresce più in fretta.**

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 36 | L'hardware di punta per il machine learning diventa circa il 40% più efficiente dal punto di vista energetico ogni anno. | Epoch AI | 2024 |
| 37 | Il supercomputer più efficiente dal punto di vista energetico della lista Green500 di novembre 2026, KAIROS in Francia, offre 73,28 gigaflop per watt. | TOP500 | 2026 |
| 38 | Dal 1946 al 2009 le operazioni di calcolo per kilowattora sono raddoppiate circa ogni 1,57 anni ("legge di Koomey"). | Koomey et al. | 2011 |

## Guadagni di efficienza dichiarati da fornitori e ricercatori {#efficiency-gains-reported-by-providers-and-researchers}

**I guadagni dichiarati sono grandi, ma per lo più sono autodichiarati o misurati rispetto a un riferimento scelto.**

| # | Dato | Fonte | Anno |
|---|---|---|---|
| 39 | Google riferisce che in 12 mesi energia e carbonio per prompt di testo mediano di Gemini sono diminuiti rispettivamente di 33 e di 44 volte. | Google (Elsworth et al.) | 2025 |
| 40 | Piccoli modelli specifici per un compito possono ridurre il consumo di energia fino al 90%, e prompt e risposte più brevi di oltre il 50%. | UNESCO e University College London | 2025 |

Altri due dati vengono citati spesso. Nel 2024 NVIDIA ha dichiarato che la sua piattaforma Blackwell riduce costi e
consumi energetici fino a 25 volte rispetto alla generazione precedente per l'inferenza dei grandi modelli
linguistici; si tratta di una dichiarazione del produttore per un carico di lavoro specifico. Inoltre, nel 2021
ricercatori di Google hanno stimato che la scelta di modello, data centre e processore può ridurre l'impronta di
carbonio dell'addestramento fino a circa 100–1.000 volte. Per ottenere guadagni simili nella pratica, veda
[IA efficiente dal punto di vista energetico](/it/articoli/ia-a-basso-consumo-energetico-come-far-consumare-meno-l-ia/).

## Opinione pubblica {#public-attitudes}

**La preoccupazione per l'impatto ambientale dell'IA è in aumento, almeno negli Stati Uniti.** Altrove i dati dei
sondaggi sono più scarsi.

- Nel 2026 il 53% degli statunitensi era estremamente o molto preoccupato per l'impatto ambientale dell'IA, contro il
  41% nel 2025 (AP-NORC ed Energy Policy Institute dell'Università di Chicago).
- Nel 2025 il 72% degli statunitensi era almeno abbastanza preoccupato (stessi istituti di sondaggio).
- Nel Regno Unito, il rilevamento periodico del governo sugli atteggiamenti del pubblico del 2024 ha rilevato che il
  54% si aspettava che l'IA aiutasse a monitorare il cambiamento climatico, e ha osservato che a questo ottimismo non
  corrispondeva la consapevolezza degli impatti ambientali negativi dell'IA.

## Come scegliamo i dati {#how-we-choose-figures}

**Usiamo fonti primarie, indichiamo l'anno e preferiamo gli intervalli quando i dati sono controversi.**

- **Solo fonti primarie.** Ogni dato è verificato sul rapporto, sull'articolo o sulla pagina dell'editore stesso, non
  sulla copertura giornalistica. Dove non abbiamo trovato una fonte primaria, il dato è stato escluso.
- **Riportati come pubblicati.** Non arrotondiamo i dati fino a far dire alla fonte qualcosa che non dice. Quando
  calcoliamo qualcosa noi stessi, lo diciamo.
- **I confini contano.** I dati per prompt cambiano a seconda di che cosa si conta: il dato di Google scende da
  0,24 Wh a 0,10 Wh se si contano solo i chip attivi. I dati delle aziende sono autodichiarati e non verificati in
  modo indipendente.
- **Intervalli quando i dati sono controversi.** Le proiezioni cambiano a seconda dello scenario, e mostriamo
  l'intervallo invece di scegliere un solo numero.
- **Dati più vecchi segnalati.** Una stima del 2019 molto citata per un singolo addestramento con ricerca
  dell'architettura neurale (circa 626.000 lb di CO₂e) secondo ricercatori di Google sovrastimava il costo reale; non
  l'abbiamo inclusa nelle tabelle.

Per verificare un dato visto altrove, veda [come verificare un'affermazione sul consumo energetico dell'IA](/it/come/come-verifico-un-affermazione-sul-consumo-energetico-dell-ia/).

## Ultima verifica {#last-checked}

**Tutti i dati di questa pagina sono stati verificati l'ultima volta sulle loro fonti il 20 novembre 2026.**
Aggiorniamo la pagina quando la IEA, gli istituti nazionali di statistica o i principali fornitori pubblicano nuovi
dati. Se nota un dato più recente o un errore, [ci contatti](/it/contatti/).

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

- Quando cita dati sull'energia dell'IA, inserisca un link a questa pagina o a una tabella specifica e nomini la
  fonte originale.
- Metta in prospettiva il suo uso personale con [come mettere in prospettiva il mio consumo energetico per l'IA](/it/come/come-metto-in-prospettiva-il-mio-consumo-di-energia-per-l-ia/).
- Misuri l'energia della sua IA con [come misurare energia e carbonio dell'IA](/it/buone-pratiche/come-misurare-l-energia-e-il-carbonio-dell-ia/).
- Chieda i dati ai fornitori: veda [come chiedere i dati energetici a un'azienda di IA](/it/come/come-chiedo-a-un-azienda-di-ia-i-suoi-dati-sul-consumo-energetico/).
- Riduca la sua impronta con [IA efficiente dal punto di vista energetico](/it/articoli/ia-a-basso-consumo-energetico-come-far-consumare-meno-l-ia/).

## Domande frequenti

### Quanta energia consuma l'intelligenza artificiale?

Non esiste un dato unico per l'IA. La IEA stima che nel 2024 tutti i data centre abbiano usato circa 415 TWh, circa l'1,5% dell'elettricità mondiale, e che i data centre dedicati all'IA siano la parte in più rapida crescita: il loro consumo di elettricità è aumentato del 50% nel 2025.

### Quanta energia consuma una richiesta a ChatGPT?

Nel 2025 l'amministratore delegato di OpenAI ha indicato circa 0,34 Wh per una richiesta media, ed Epoch AI ha stimato in modo indipendente circa 0,3 Wh per una tipica richiesta a GPT-4o. Gli input molto lunghi fanno salire nettamente il valore: Epoch AI stima quasi 40 Wh con un input di 100.000 token.

### Quanta energia serve per generare un'immagine con l'IA?

In uno studio del 2024 di Luccioni, Jernite e Strubell, la generazione di immagini ha richiesto in media circa 2,9 kWh ogni 1.000 immagini, circa 2,9 Wh ciascuna. Il modello meno efficiente ha usato all'incirca mezza ricarica di smartphone per immagine.

### Quanta acqua consuma l'IA?

Google indica 0,26 mL di acqua per un prompt di testo mediano di Gemini, e Mistral 45 mL per una risposta di 400 token di Mistral Large 2. I ricercatori stimano che la domanda mondiale di IA potrebbe corrispondere a 4,2–6,6 miliardi di metri cubi di prelievi idrici nel 2027.

### Quanta energia è servita per addestrare GPT-3?

Ricercatori di Google hanno stimato 1.287 MWh di elettricità e circa 552 tonnellate di CO₂e per l'addestramento di GPT-3, in uno studio pubblicato nel 2021. L'energia di addestramento dei modelli più nuovi e più grandi in genere non viene resa nota.

### Che percentuale dell'elettricità usano i data centre?

Circa l'1,5% a livello mondiale nel 2024 (IEA), il 4,4% negli Stati Uniti nel 2023 (Lawrence Berkeley National Laboratory) e il 23% dell'elettricità misurata in Irlanda nel 2025 (Central Statistics Office).

### L'IA sta diventando più efficiente dal punto di vista energetico?

Sì, per singolo compito. Google riferisce che l'energia del suo prompt mediano di Gemini è diminuita di 33 volte in un anno, ed Epoch AI rileva che i principali chip per l'IA diventano circa il 40% più efficienti ogni anno. Il consumo totale continua però a salire, perché la domanda cresce più in fretta.

### Le persone sono preoccupate per l'impatto ambientale dell'IA?

Sempre di più, almeno negli Stati Uniti: un sondaggio di AP-NORC e dell'Università di Chicago ha rilevato che nel 2026 il 53% degli statunitensi era estremamente o molto preoccupato per l'impatto ambientale dell'IA, contro il 41% nel 2025.

## Fonti

- [Energy and AI: executive summary](https://www.iea.org/reports/energy-and-ai/executive-summary), International Energy Agency (2025)
- [Key questions on energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary), International Energy Agency (2026)
- [DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL)](https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
- [Data centres metered electricity consumption 2025: key findings](https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2025/keyfindings/), Central Statistics Office, Ireland (2026)
- [Powering data centers: U.S. energy system and emissions impacts of growing loads](https://restservice.epri.com/publicdownload/000000003002031198/0/Product), Electric Power Research Institute (2024)
- [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)
- [Our contribution to a global environmental standard for AI](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai), Mistral AI (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Hugging Face (Luccioni and Gamazaychikov) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al., Google (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum (2019)
- [Estimating the carbon footprint of BLOOM, a 176B parameter language model](https://arxiv.org/abs/2211.02001), Luccioni, Viguier and Ligozat (2022)
- [Llama 3.1 model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (2025)
- [Google 2026 environmental report](https://sustainability.google/google-2026-environmental-report/), Google (2026)
- [2026 environmental data fact sheet](https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf), Microsoft (2026)
- [2025 Amazon sustainability report](https://sustainability.aboutamazon.com/2025-amazon-sustainability-report.pdf), Amazon (2026)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
- [Leading ML hardware becomes 40% more energy-efficient each year](https://epoch.ai/data-insights/ml-hardware-energy-efficiency), Epoch AI (2024)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [Green500, November 2026](https://top500.org/lists/green500/2026/11/), TOP500 (2026)
- [NVIDIA Blackwell platform arrives to power a new era of computing](https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing), NVIDIA (2024)
- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [2026 poll: Americans' views on the impact of AI and data centers](https://epic.uchicago.edu/insights/2026-poll-americans-views-on-the-impact-of-ai-and-data-centers/), Energy Policy Institute at the University of Chicago and AP-NORC (2026)
- [2025 poll: Americans' views on the environmental impact of AI](https://epic.uchicago.edu/insights/2025-poll-americans-views-on-the-environmental-impact-of-ai), Energy Policy Institute at the University of Chicago and AP-NORC (2025)
- [Public attitudes to data and AI: tracker survey (wave 4)](https://www.gov.uk/government/publications/public-attitudes-to-data-and-ai-tracker-survey-wave-4/public-attitudes-to-data-and-ai-tracker-survey-wave-4-report), Department for Science, Innovation and Technology (2024)
