# Come confronto il consumo energetico di diversi modelli di IA?

> Come confrontare in modo equo i modelli di IA sull'energia: usi benchmark come l'AI Energy Score, oppure li misuri Lei sullo stesso compito, hardware e impostazioni.

Source: https://greenai.guide/it/come/come-confronto-il-consumo-energetico-di-diversi-modelli-di-ia/  
Updated: 2026-11-19

## In breve

Usi un benchmark standard quando ne esiste uno per il Suo compito, come l'AI Energy Score di Hugging Face; altrimenti misuri Lei i candidati sullo stesso compito, con lo stesso hardware e le stesse impostazioni. Confronti l'energia per compito riuscito insieme alla qualità, perché un modello economico che fallisce alla fine costa di più.

## Steps

1. Verifichi se i modelli candidati hanno già una valutazione AI Energy Score per il Suo compito.
2. Per i modelli che non ce l'hanno, esegua lo stesso benchmark su ciascuno, sulla stessa GPU e con le stesse impostazioni.
3. Usi un insieme fisso di prompt reali con lunghezze di input e output realistiche.
4. Registri energia per richiesta e qualità per ciascun modello, misurate allo stesso modo.
5. Confronti il costo per compito riuscito, compresi i nuovi tentativi.

**Confronti cose omogenee: stesso compito, stesso hardware, stesse impostazioni, stessa misurazione.** I dati
pubblicati da fornitori diversi usano metodi e perimetri diversi, quindi raramente si confrontano in modo equo.

## Esiste un confronto già pronto? {#is-there-a-ready-made-comparison}

**Per molti modelli aperti, sì.** L'AI Energy Score di Hugging Face misura l'energia della GPU ogni 1.000 richieste
per dieci compiti comuni e assegna da una a cinque stelle rispetto ad altri modelli sullo stesso compito. Offre anche
un modo per fare il benchmark di modelli privati con lo stesso metodo. Cominci da lì.

## Come misuro i modelli da solo? {#how-do-i-measure-models-myself}

- **Modelli che esegue Lei:** racchiuda ogni esecuzione in uno strumento come CodeCarbon, che stima l'energia dalla
  potenza di processore e memoria.
- **API in hosting:** stimi a partire dal numero di token con uno strumento come EcoLogits, e indichi il risultato
  come stima.
- **Mantenga fisso tutto il resto:** prompt, dimensione del batch, lunghezza di input e output, hardware e regione.
- **Ripeta le esecuzioni** e riporti un intervallo, non un solo numero.

Le differenze possono essere grandi. Nel confronto di Luccioni, Jernite e Strubell, i modelli generativi multiuso
costavano ordini di grandezza di più dei sistemi specifici per gli stessi compiti.

## Errori comuni {#common-mistakes}

- **Confrontare per chiamata invece che per successo.** Conti i nuovi tentativi e i fallimenti.
- **Ignorare la lunghezza dell'output.** Un modello che scrive il doppio può costare il doppio, qualunque sia la sua
  dimensione.
- **Mescolare dati stimati e dati misurati** nella stessa tabella senza dirlo.

Per il metodo completo, veda [come misurare l'energia dell'IA](/it/buone-pratiche/come-misurare-l-energia-e-il-carbonio-dell-ia/); per leggere le
valutazioni, veda [leggere una valutazione AI Energy Score](/it/come/come-si-legge-una-valutazione-ai-energy-score/).

## Fonti

- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [EcoLogits documentation](https://ecologits.ai/latest/), EcoLogits (2025)
