Intelligenza artificiale, consumi naturali: nel 2030 l’AI si berrà l’acqua di 1,3 miliardi di persone

L’intelligenza artificiale non consuma solo elettricità. Consuma acqua, suolo, minerali critici e produce rifiuti elettronici. Quanti? È la domanda cui punta a rispondere il nuovo rapporto Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprints, pubblicato dallo United Nations University Institute for Water, Environment and Health, secondo cui il costo ambientale dell’AI viene ancora misurato in modo incompleto, concentrandosi troppo sulle emissioni di carbonio e troppo poco sugli altri impatti naturali.

Secondo l’indagine, entro il 2030 i data center globali che alimentano l’intelligenza artificiale potrebbero consumare 945 TWh di elettricità l’anno: quasi il triplo dei consumi elettrici annuali combinati di Pakistan, Bangladesh e Nigeria, Paesi che insieme ospitano oltre 650 milioni di persone. La loro impronta idrica associata arriverebbe a 9,3 trilioni di litri, pari ai bisogni domestici annui di base di 1,3 miliardi di persone dell’Africa subsahariana, mentre l’impronta territoriale supererebbe i 14.500 kmq, circa il doppio dell’area metropolitana di Jakarta.

«Questo report non è un caso contro l’intelligenza artificiale, una trasformazione tecnologica che sta migliorando la vita di miliardi di persone nel mondo», afferma Kaveh Madani, direttore dell’Unu-Inweh e responsabile del team d’indagine: «È un appello a usarla responsabilmente e ad affrontare proattivamente i suoi impatti non intenzionali, per renderla sostenibile ed equa. Abbiamo una finestra stretta per garantire che la spina dorsale della rivoluzione tecnologica della nostra era si sviluppi entro i limiti planetari, e che le comunità che forniscono i minerali critici per far avanzare l’AI e quelle che ospitano le sue infrastrutture e i suoi rifiuti elettronici siano anche tra quelle che ne beneficiano».

Il rapporto avverte che parlare solo di “low carbon” non basta. Ogni chilowattora consumato per addestrare o far funzionare un sistema di AI porta con sé anche un’impronta idrica, legata al raffreddamento e alla produzione di energia, e un’impronta di suolo, legata alle infrastrutture energetiche e alle catene di approvvigionamento. Queste impronte possono muoversi in direzioni opposte: passare dal carbone alla bioenergia, ad esempio, può ridurre in media del 70% l’impronta carbonica dell’elettricità, ma aumentare di oltre 30 volte quella idrica e di 100 volte quella territoriale.

Il problema cresce rapidamente con le dimensioni dell’infrastruttura. Nel 2025 i data center globali hanno consumato circa 448 TWh di elettricità: se fossero un Paese, sarebbero stati l’undicesimo consumatore elettrico al mondo, dietro la Francia e davanti all’Arabia Saudita.

Il rapporto mette inoltre in discussione un’idea diffusa: il grosso dei consumi dell’AI non arriva più solo dall’addestramento dei grandi modelli, ma dal loro uso quotidiano. L’inference, cioè l’esecuzione dei modelli già distribuiti per rispondere alle richieste degli utenti, rappresenterebbe oggi l’80-90% del consumo energetico complessivo. Solo ChatGPT è stimato elaborare circa 2,5 miliardi di prompt al giorno, per un consumo annuale di circa 383 GWh.

Anche il tipo di richiesta cambia enormemente l’impatto. Una normale query conversazionale può richiedere circa 200 volte l’energia di una classificazione testuale di base; un’immagine generata dall’AI può arrivare a 1.450 volte; un breve video generato può consumare quanto 200mila classificazioni Al contempo, un’immagine generata dall’AI richiede energia sufficiente ad alimentare una lampadina Led da 10 watt per 17 minuti, mentre un video complesso può arrivare a 42 ore. Al contempo, l’impronta idrica passa da circa due cucchiai d’acqua per un’immagine a 4,1 litri per un video complesso.

Madani richiama anche il cosiddetto paradosso di Jevons: maggiore efficienza non significa automaticamente minori consumi complessivi. «Molte persone pensano che l’impronta ambientale dell’AI si riduca man mano che la tecnologia migliora e i processi diventano più efficienti. Ma questa è solo una parte del quadro complessivo. AI ed energia più efficienti e accessibili significano più consumo di AI, rendendo l’impronta complessiva molto più grande di quanto risparmiamo attraverso i guadagni di efficienza».

La distribuzione dei costi e dei benefici è un altro punto critico. In Irlanda, i data center hanno assorbito nel 2023 il 21% dell’elettricità misurata, superando i consumi di tutte le famiglie urbane. In Messico, nello Stato di Querétaro, l’espansione delle infrastrutture di calcolo sta attingendo a risorse idriche già sotto pressione per la siccità. In Uruguay, un progetto di data center ad alto consumo idrico si è sovrapposto alla siccità del 2023, che ha prosciugato le riserve di acqua dolce di Montevideo rendendo l’acqua del rubinetto non sicura da bere.

A monte e a valle della filiera si aggiungono minerali critici ed e-waste. L’infrastruttura AI potrebbe generare fino a 2,5 milioni di tonnellate di rifiuti elettronici l’anno entro il 2030, mentre l’estrazione dei minerali necessari all’hardware si concentra spesso in Paesi con controlli ambientali più deboli. Il rapporto segnala anche una forte concentrazione del potere computazionale: solo 32 Paesi ospitano data center specializzati per l’AI, e oltre il 90% della capacità è concentrato in due Paesi, Stati Uniti e Cina. Più di 150 Paesi hanno oggi poca o nessuna capacità sovrana di calcolo AI.

Che fare? Il rapporto propone un ecosistema di AI responsabile basato su sei principi: trasparenza, efficienza by design, equità e giustizia ambientale, responsabilità lungo l’intero ciclo di vita, cooperazione globale e uso sostenibile. Le raccomandazioni riguardano tutti gli attori della filiera. I governi dovrebbero integrare le infrastrutture AI nella pianificazione energetica, idrica e territoriale, imponendo rendicontazioni standardizzate su carbonio, acqua e suolo. Le imprese dovrebbero considerare scelta del modello, output predefiniti e risoluzione come decisioni ambientali. Gli utenti dovrebbero adottare un uso proporzionato, scegliendo il modello più leggero e il formato meno energivoro compatibile col compito. Investitori e istituzioni finanziarie dovrebbero trattare elettricità, carbonio, acqua e suolo come rischi materiali nei portafogli infrastrutturali. Senza questi correttivi, la rivoluzione digitale rischia di scaricare consumo d’acqua, suolo, energia e rifiuti sulle comunità che meno beneficiano dei vantaggi legati all’intelligenza artificiale.