# Green AI: una guida per gli insegnanti

> Il contesto in parole semplici sul costo energetico, idrico e di carbonio dell'IA, dati per la classe con fonti, punti per la policy e idee sbagliate comuni.

Source: https://greenai.guide/it/scuole/green-ai-una-guida-per-gli-insegnanti/  
Updated: 2026-11-19

## In breve

L'IA funziona su computer nei data center che usano elettricità, acqua e hardware, quindi ogni richiesta ha un piccolo costo ambientale che si somma su miliardi di utenti. Per insegnarlo bene non servono competenze tecniche: qualche dato affidabile, la differenza tra efficienza e sufficienza e buone abitudini mostrate in classe fanno molta strada.

## Punti chiave

- L'addestramento costruisce un modello una volta; l'inferenza avviene ogni volta che qualcuno lo usa. Per gli strumenti più popolari, l'energia dell'uso continua a sommarsi per tutto il tempo in cui il modello resta in servizio.
- Google riporta 0,24 Wh per il suo prompt di testo mediano a Gemini e OpenAI circa 0,34 Wh per una richiesta media a ChatGPT; sono entrambi dati aziendali, misurati in modi diversi.
- Generare immagini consuma molta più energia che generare brevi testi, e i modelli generalisti consumano più di quelli specifici per un compito.
- Secondo un rapporto UNESCO e UCL del 2025, prompt più brevi, risposte più brevi e modelli più piccoli possono ridurre sensibilmente l'energia.
- La politica sull'IA di una scuola può trattare efficienza e sufficienza accanto a protezione dei dati, limiti di età e valutazione.

## Che cosa devono sapere prima di tutto gli insegnanti? {#what-do-teachers-need-to-know-first}

Tre idee reggono quasi tutto l'argomento: l'IA funziona su computer fisici che usano elettricità, acqua e
materiali; piccoli costi per richiesta si sommano su miliardi di richieste; e aiutano sia fare le cose in modo
più efficiente sia fare meno cose inutili. Tutto il resto sono dettagli che si possono consultare nel
[glossario](/it/glossario/).

## Come consuma energia l'IA? {#how-does-ai-use-energy}

L'IA consuma energia due volte: una per costruire un modello e poi ogni volta che qualcuno lo usa. Entrambe le
cose avvengono nei [data center](/it/glossario/#data-centre), edifici pieni di computer specializzati.

- **L'[addestramento](/it/glossario/#training)** (training) è il processo, fatto una volta sola, di costruire un
  modello mostrandogli enormi quantità di dati. Per i modelli grandi richiede mesi di calcolo. La scheda tecnica
  di Meta per la famiglia Llama 3.1, per esempio, riporta 39,3 milioni di ore GPU di addestramento e 11.390
  tonnellate di CO₂ equivalente secondo il metodo basato sulla localizzazione (location-based).
- **L'[inferenza](/it/glossario/#inference)** è l'uso del modello addestrato: ogni domanda, risposta o immagine. Ogni
  uso è piccolo, ma uno strumento popolare viene usato miliardi di volte, quindi l'energia spesa per l'uso continua
  a crescere per tutto il tempo in cui il modello resta in servizio.
- **Anche l'edificio intorno ai computer** consuma energia, soprattutto per il raffreddamento. Il settore la
  misura con il [PUE](/it/glossario/#pue).

I modelli linguistici leggono e scrivono in [token](/it/glossario/#token), pezzi di testo che spesso sono parti di
parole. Secondo la regola pratica di OpenAI per l'inglese, un token corrisponde a circa quattro caratteri, o a
circa tre quarti di parola. Più token in entrata e in uscita significano più calcolo: per questo le risposte
lunghe costano più di quelle brevi.

## Quali dati posso usare in classe con fiducia? {#what-facts-can-i-use-in-class-with-confidence}

Questi dati provengono da fonti pubbliche e identificate. Li citi con la fonte e l'anno, perché i numeri cambiano
in fretta.

| Dato | Fonte |
|---|---|
| Nel 2024 i data center hanno consumato circa 415 TWh di elettricità, circa l'1,5% del consumo mondiale | IEA, *Energy and AI*, 2025 |
| Si prevede che il dato raddoppi abbondantemente, arrivando a circa 945 TWh entro il 2030, poco più di quanto consuma oggi il Giappone | IEA, 2025 |
| Il consumo di elettricità dei data center è cresciuto di circa il 12% l'anno dal 2017 | IEA, 2025 |
| Il prompt di testo mediano a Gemini di Google ha consumato 0,24 Wh e circa 0,26 mL d'acqua (più o meno cinque gocce) | Google, 2025 |
| Google riporta una riduzione di 33 volte dell'energia per prompt mediano in un anno | Google, 2025 |
| OpenAI afferma che una richiesta media a ChatGPT consuma circa 0,34 Wh, come un forno acceso per poco più di un secondo | OpenAI, 2025 |
| In Irlanda, nel 2024 i data center hanno consumato il 22% di tutta l'elettricità misurata, contro il 5% del 2015, più di tutte le abitazioni urbane | Central Statistics Office, Irlanda, 2025 |
| Generare 1.000 immagini con il modello meno efficiente tra quelli provati ha consumato 11,49 kWh, quanto 522 ricariche di smartphone | Luccioni, Jernite e Strubell, 2024 |
| Prompt e risposte più brevi possono ridurre l'energia di più della metà; modelli più piccoli e specifici fino al 90% nei test | UNESCO e UCL, 2025 |

Due cautele nell'usarli. I dati di Google e OpenAI sono dichiarazioni delle aziende stesse, con metodi diversi,
quindi non sono confrontabili alla pari. E i dati per prompt riguardano il testo; immagini, video e le modalità di
"ragionamento" che procedono per molti passaggi consumano di più.

## Come usare l'IA a scuola in modo responsabile ed efficiente? {#how-can-i-use-ai-in-school-responsibly-and-efficiently}

Usi l'IA dove fa risparmiare tempo vero o aggiunge valore reale, e la usi in modo da sprecare il meno possibile.
Le abitudini che fanno risparmiare energia sono per lo più le stesse che danno risultati migliori.

- **Si chieda se l'IA è lo strumento giusto.** Una scheda che ha già, una ricerca o una calcolatrice possono
  bastare. Questa è la [sufficienza](/it/glossario/#sufficiency).
- **Scriva un prompt chiaro invece di cinque vaghi.** Indichi a chi è destinato il risultato, quanto deve essere
  lungo e in che formato le serve.
- **Chieda risposte brevi** quando una risposta breve basta. Il rapporto UNESCO e UCL ha rilevato che prompt e
  risposte più brevi possono ridurre l'energia di più della metà.
- **Scelga uno strumento più piccolo o più semplice** per i compiti semplici, ed eviti di generare immagini o
  video se non servono alla lezione. Si veda [scegliere il modello giusto](/it/buone-pratiche/scegliere-il-modello-giusto-per-il-compito/).
- **Riutilizzi i risultati buoni.** Salvi i prompt e i materiali che funzionano e li condivida con i colleghi
  invece di rigenerarli.
- **Disattivi le funzioni di IA che non usa** nei programmi per l'ufficio e per la didattica, dove le impostazioni
  lo consentono.

La pagina [usare l'IA in modo efficiente](/it/buone-pratiche/usare-l-ia-in-modo-efficiente-abitudini-quotidiane/) offre più dettagli per gli adulti.

## Che cosa dovrebbe dire sulla green AI la politica sull'IA di una scuola? {#what-should-a-school-ai-policy-say-about-green-ai}

La politica sull'IA di una scuola di solito tratta tutela dei minori, protezione dei dati e valutazione.
Aggiungere qualche riga su efficienza e sufficienza costa poco e mostra il modo di ragionare che si vuole far
imparare agli studenti.

**Punti di cui la maggior parte delle politiche scolastiche ha già bisogno** (le linee guida del Department for
Education inglese, aggiornate nel 2025, li trattano; verifichi l'equivalente del suo Paese):

- Non inserire dati personali di studenti o personale in strumenti di IA generativa, a meno che lo strumento e il
  suo uso non siano stati approvati e protetti.
- Rispettare i limiti di età fissati dagli strumenti di IA. Anche le linee guida UNESCO del 2023 discutono le età
  minime per l'uso in classe.
- Il personale resta responsabile di verificare l'accuratezza e l'adeguatezza dei contenuti generati dall'IA.
- Fissare regole chiare sull'IA per compiti a casa, elaborati ed esami, in linea con gli enti certificatori.
- Non consentire che il lavoro originale degli studenti venga usato per addestrare modelli di IA senza
  autorizzazione.

**Punti di green AI da aggiungere:**

- Usare l'IA dove aiuta chiaramente l'apprendimento o fa risparmiare tempo al personale, non per abitudine.
- Preferire strumenti e fornitori che pubblicano informazioni su energia, emissioni e ubicazione dei loro data
  center. La pagina sugli [acquisti di IA sostenibili](/it/buone-pratiche/acquisti-sostenibili-di-ia/) elenca le domande da
  porre.
- Evitare di attivare in tutta la scuola funzioni di IA che nessuno ha chiesto.
- Includere il costo ambientale dell'IA nella formazione del personale e nelle lezioni di alfabetizzazione
  digitale degli studenti.
- Rivedere la politica ogni anno, perché sia gli strumenti sia le prove cambiano in fretta.

## Su che cosa sbagliano spesso gli studenti? {#what-do-pupils-often-get-wrong}

Gli studenti, e gli adulti, tendono a oscillare tra "l'IA non consuma energia, è solo sul mio telefono" e "un
prompt fa bollire l'oceano". La verità sta nel mezzo, e questa distanza è una buona occasione didattica.

| Idea sbagliata | Spiegazione migliore |
|---|---|
| "L'IA funziona sul mio telefono, quindi consuma pochissimo." | La maggior parte dei chatbot funziona in data center lontani. Il telefono invia la richiesta e mostra la risposta. |
| "Un prompt consuma tantissima energia." | Un tipico prompt di testo consuma una frazione di wattora. Il problema è la scala: miliardi al giorno, più immagini e video. |
| "Se diventa più efficiente, il problema è risolto." | Un'IA più economica e più veloce tende a essere usata di più, il che può annullare i risparmi. È l'[effetto rimbalzo](/it/glossario/#rebound-effect). |
| "L'IA sono solo i chatbot." | L'IA comprende anche filtri antispam, sistemi di raccomandazione, previsioni meteo e diagnostica per immagini, molti dei quali piccoli ed efficienti. |
| "Green AI significa non usare l'IA." | Green AI significa usare bene l'IA: in modo efficiente e dove aggiunge valore. |
| "I data center vanno a elettricità, quindi non usano acqua." | Molti data center usano acqua per il raffreddamento, e alcune regioni hanno poca acqua. |
| "Il cloud è pulito perché sta in cielo." | "Il cloud" sono edifici, cavi e computer a terra, che usano energia e territorio veri. |

I ricercatori hanno anche mostrato che i guadagni di efficienza nell'informatica sono stati spesso seguiti da un
maggiore uso totale anziché da un uso minore (Freitag e colleghi, 2021). Per questo la sufficienza conta accanto
all'efficienza, e per questo vale la pena leggere l'articolo
[l'efficienza non è sufficienza](/it/articoli/efficienza-non-e-sufficienza-l-effetto-rimbalzo-nell-ia/).

## Cosa fare adesso {#what-to-do-next}

- Provi un'attività dalle [idee per le lezioni](/it/scuole/idee-per-lezioni-e-attivita-sulla-green-ai/): l'attività dei token di carta non
  richiede tecnologia.
- Condivida [La green AI spiegata ai ragazzi](/it/scuole/la-green-ai-spiegata-ai-ragazzi/) con una classe.
- Salvi tra i preferiti il [glossario](/it/glossario/) e le [domande frequenti](/it/domande-frequenti/) per rispondere in fretta alle
  domande degli studenti.
- Proponga i punti di green AI qui sopra alla prossima revisione della politica.
- Consulti l'[elenco dei corsi](/it/corsi/) per la formazione professionale e per gli studenti che pensano
  all'università.

## Domande frequenti

### Quanta energia consuma un prompt di IA?

I dati aziendali per un tipico prompt di testo sono una frazione di wattora: Google riporta 0,24 Wh per il suo prompt di testo mediano a Gemini e OpenAI circa 0,34 Wh per una richiesta media a ChatGPT. Risposte più lunghe, immagini, video e modelli che fanno molto ragionamento consumano di più.

### Gli studenti dovrebbero usare i chatbot di IA a scuola?

È una decisione di ciascuna scuola, nel quadro delle linee guida nazionali e dei limiti di età fissati dagli strumenti stessi. Il Department for Education inglese chiede alle scuole di rispettare tali limiti di età, proteggere i dati personali e supervisionare l'uso da parte degli studenti.

### Bisogna essere esperti di informatica per insegnare la green AI?

No. Le idee centrali riguardano energia, scala e scelte, che qualsiasi insegnante può spiegare. Il glossario di questo sito definisce i termini tecnici in parole semplici.

### È vero che l'IA consuma molta acqua?

I data center usano acqua, soprattutto per il raffreddamento, e la quantità dipende molto dal sito e dal metodo di raffreddamento. Google riporta circa 0,26 mL per il suo prompt di testo mediano a Gemini, più o meno cinque gocce, ma i totali su tutti gli utenti e tutte le strutture sono molto più grandi e meno documentati.

## Fonti

- [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), Google (arXiv:2508.15734) (2025)
- [The Gentle Singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (arXiv:2311.16863) (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 (2025)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Data centres metered electricity consumption 2024](https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2024/keyfindings/), Central Statistics Office, Ireland (2025)
- [Generative artificial intelligence (AI) in education](https://www.gov.uk/government/publications/generative-artificial-intelligence-in-education), Department for Education (2025)
- [Guidance for generative AI in education and research](https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research), UNESCO (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 et al., Patterns (2021)
