In breve
Imposti una lunghezza massima dell'output nella chiamata API, indichi al modello nel prompt il formato e la lunghezza che desidera, e usi sequenze di stop o output strutturato così che si fermi quando il lavoro è finito. L'energia cresce con il numero di token generati dal modello, quindi limitare l'output è uno dei risparmi più semplici in qualsiasi applicazione.
Passaggi
- Stabilisca la risposta utile più lunga per ogni funzionalità e imposti di conseguenza il numero massimo di token in uscita dell'API.
- Indichi nel prompt formato e lunghezza, per esempio "tre punti elenco".
- Usi l'output strutturato, come uno schema JSON, quando il Suo codice ha bisogno solo di campi.
- Aggiunga sequenze di stop dove la risposta ha un marcatore di fine naturale.
- Rilevi le risposte troncate dal limite e le gestisca invece di ripetere silenziosamente la richiesta.
Dica al modello, e all'API, quanto testo desidera. I modelli generano un token alla volta, e ognuno costa calcolo.
Perché è importante?
Delavande, Pierrard e Luccioni hanno rilevato che l'energia cresce in modo lineare con la lunghezza del testo generato, e che i modelli più grandi non solo consumano più energia per token, ma tendono anche a scrivere risposte più lunghe. L'UNESCO e lo University College London hanno rilevato che prompt e risposte più brevi possono ridurre il consumo di energia di oltre la metà.
Quali controlli devo usare?
- Numero massimo di token in uscita. Ogni API principale ha un parametro per questo. Lo imposti per singola funzionalità, non con un unico valore globale generoso.
- Istruzioni. "Rispondi con una frase" o "restituisci solo il nome della categoria" funzionano meglio di un limite rigido da solo, perché il modello pianifica una risposta breve invece di essere interrotto.
- Output strutturato. Se il Suo codice analizza dei campi, chieda un JSON conforme a uno schema e salti la prosa.
- Sequenze di stop. Terminano la generazione a un marcatore, come un tag di chiusura.
- Livello di ragionamento. Dove un modello offre un'impostazione di ragionamento (thinking o reasoning), usi il livello più basso che supera i Suoi test: veda quando usare le modalità di ragionamento.
Errori comuni
- Limiti così stretti da troncare le risposte, seguiti da un nuovo tentativo automatico con un limite più alto. Costa di più che impostare subito la lunghezza giusta.
- Chiedere spiegazioni che nessuno legge, come "spiega il tuo ragionamento" in una pipeline di classificazione.
- Non registrare i token in uscita per funzionalità, così le funzionalità più prolisse restano nascoste.
Per le abitudini degli utenti, legga usare l'IA in modo efficiente.
Fonti
- Small talk, big impact: the energy cost of thanking AI, Delavande, Pierrard and Luccioni (arXiv 2601.22357) (2026)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- What are tokens and how to count them?, OpenAI Help Center (2025)
Correlati
Come scrivo prompt che consumano meno energia?
Come scrivere prompt per l'IA che richiedono meno calcolo: essere precisi, fissare una lunghezza, incollare solo ciò che conta e fare centro al primo colpo.
Come evito che il mio chatbot rinvii ogni volta l'intera conversazione?
Come contenere il contesto di un chatbot: limitare i turni passati, riassumere i vecchi messaggi, recuperare il pertinente e mettere in cache i prompt fissi.
Come capisco quando usare la modalità di ragionamento dell'IA?
Quando vale la pena usare una modalità di ragionamento dell'IA, quando basta un modello standard, e perché il ragionamento può costare molte volte più energia.
Usare l'IA in modo efficiente: abitudini quotidiane
Abitudini quotidiane che riducono l'energia dell'IA: prompt chiari, meno rigenerazioni, cautela con immagini e video, caching e funzioni predefinite spente.