# Come scelgo una regione cloud a basse emissioni di carbonio?

> Scelga una regione cloud a minori emissioni per l'IA: confronti intensità di carbonio ed energia senza carbonio per regione, poi valuti latenza, regole sui dati e costi.

Source: https://greenai.guide/it/come/come-scelgo-una-regione-cloud-a-basse-emissioni-di-carbonio/  
Updated: 2026-11-19

## In breve

Confronti le regioni per intensità di carbonio della rete e quota di energia priva di carbonio, usando i dati per regione pubblicati dal Suo fornitore o una fonte come Electricity Maps, poi valuti latenza, regole sulla residenza dei dati e costi. I lavori in batch come addestramento, fine-tuning ed elaborazioni notturne sono i più facili da spostare; l'inferenza rivolta agli utenti di solito deve restare vicina a loro.

## Steps

1. Elenchi i carichi di lavoro che possono girare ovunque, a partire da addestramento, fine-tuning e lavori in batch.
2. Confronti le regioni candidate per intensità di carbonio della rete e quota di energia priva di carbonio.
3. Verifichi per ciascuna candidata i vincoli di residenza dei dati, latenza e costo.
4. Tenga conto dell'energia e del costo necessari per spostare i dati nella nuova regione.
5. Riveda la scelta ogni anno, perché le reti elettriche e i dati dei fornitori cambiano.

**La scelta della regione può moltiplicare più volte le emissioni dello stesso lavoro, senza cambiare una riga di
codice.** L'elettricità dietro un kilowattora varia molto da una rete all'altra.

## Dove trovo i dati per regione? {#where-do-i-find-region-data}

- **Google Cloud** pubblica, per ogni regione, la quota media oraria di energia priva di carbonio e l'intensità di
  carbonio della rete in gCO₂e/kWh. La sua console contrassegna come "Low CO2" le regioni in cui l'energia priva di
  carbonio è almeno il 75% oppure, dove questo dato non è disponibile, l'intensità della rete è al massimo
  200 gCO₂e/kWh.
- **Electricity Maps** fornisce l'intensità di carbonio in tempo reale, prevista e storica per oltre 350 zone, utile
  con qualsiasi fornitore.
- Le pagine sulla sostenibilità e i cruscotti sul carbonio degli altri fornitori; veda [i dati sul carbonio del Suo fornitore cloud](/it/come/dove-trovo-i-dati-sulle-emissioni-del-mio-fornitore-cloud/).

## Quali carichi di lavoro conviene spostare? {#which-workloads-should-move}

Il pattern della Green Software Foundation per i carichi di lavoro di IA suggerisce di eseguire addestramento,
fine-tuning e lavori in batch in regioni a basse emissioni, dove la latenza conta meno. Le linee guida Azure
Well-Architected di Microsoft consigliano di valutare insieme intensità di carbonio, latenza e resilienza nella
scelta delle regioni.

## Errori comuni {#common-mistakes}

- **Spostare l'inferenza sensibile alla latenza lontano dagli utenti,** il che può peggiorare l'esperienza e
  aumentare il traffico di rete.
- **Ignorare lo spostamento dei dati.** Copiare grandi dataset tra regioni ha un costo proprio.
- **Affidarsi ai certificati.** Un fornitore che acquista certificati di energia rinnovabile non rende a basse
  emissioni una rete ad alte emissioni; veda [come verificare se la Sua IA funziona con energia rinnovabile](/it/come/come-verifico-se-la-mia-ia-funziona-con-energia-rinnovabile/).
- **Considerare la scelta della regione un sostituto dell'efficienza.** Riduce il carbonio, non l'energia.

Altre informazioni in [hosting e data centre](/it/buone-pratiche/hosting-e-data-centre-per-un-ia-verde/).

## Fonti

- [Carbon free energy for Google Cloud regions](https://cloud.google.com/sustainability/region-carbon), Google Cloud (2025)
- [Electricity Maps data](https://www.electricitymaps.com/data), Electricity Maps (2026)
- [Use carbon-aware scheduling and region selection for AI workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/operations/carbon-aware-ai-scheduling.md), Green Software Foundation, Green Software Patterns (2025)
- [Reliability recommendations for sustainable workloads on Azure](https://learn.microsoft.com/en-us/azure/well-architected/sustainability/sustainability-reliability-recommendations), Microsoft Azure Well-Architected Framework (2026)
