L’IA ha bisogno di energia e di infrastrutture sostenibili

Da qualche giorno è sui giornali e nei nostri discorsi una parola che sembrava impronunciabile per la Silicon Valley: fermarsi. O almeno rallentare. Non da parte dei critici esterni, o dagli apocalittici, ma da dentro la stessa industria che l’ha costruita, finanziata, lanciata sul mondo. Alcuni tra i protagonisti della corsa chiedono ora di “mettere un freno”, di rallentare la frontiera, di non correre verso sistemi sempre più autonomi prima di sapere davvero come governarli.

La scena è quasi paradossale. Per anni ha dominato l’idea che chi rallenta perde. Che l’intelligenza artificiale è una competizione assoluta. Che se non la sviluppano gli Stati Uniti la svilupperà la Cina; se non la farà OpenAI la farà Anthropic; se non la farà Google la farà qualcun altro; se non la faranno le democrazie la faranno i regimi autoritari. La corsa si è nutrita di questa urgenza. Una miscela di paura, patriottismo tecnologico, ambizione commerciale e vertigine scientifica.

Sarà difficile fermarla (la Cina ha detto no, e lo stesso ha fatto Trump), ma soffermiamoci sul punto fondamentale che sfugge pressoché completamente alla discussione pubblica, che continua a fissare quasi solo una parte della scena: i modelli. Chi ha il modello migliore? Quanto è vicino il modello cinese a quello americano? DeepSeek, Qwen, Kimi, GLM: la Cina imita, accelera, abbassa i costi, pubblica modelli aperti, riduce la distanza. L’America risponde con modelli più potenti, più chiusi, più integrati. L’Europa guarda, regola, discute, spera di non restare definitivamente ai margini. Tutto vero. Ma incompleto.

Perché la corsa dell’IA non si decide soltanto nei laboratori dove si progettano i modelli. Si decide di più nei luoghi dove quei modelli possono essere addestrati, serviti, alimentati, raffreddati. Si decide nelle reti elettriche, nei data center, nei permessi, nelle sottostazioni, nei contratti con le utility, nell’acqua necessaria a dissipare calore, nella capacità di trasformare un’area industriale dismessa in una fabbrica di calcolo.

La domanda, allora, cambia. Non è più soltanto: chi avrà il miglior modello? È: chi avrà l’energia per farla funzionare? Questo è il passaggio meno raccontato e più importante dell’intelligenza artificiale. L’IA appare immateriale, ma è una delle industrie più materiali del nostro tempo. Si presenta come linguaggio, immagine, codice, ragionamento. Ma sotto la superficie è acciaio, rame, silicio, energia, acqua, territorio. Ogni risposta generata da un modello, ogni inferenza, ogni immagine, ogni riga di codice prodotta da un sistema generativo è il risultato di un processo fisico. Il pensiero artificiale non galleggia nell’aria: consuma elettricità.

L’industria dell’intelligenza artificiale si divide in due grandi mondi. Da una parte ci sono i model providers: i laboratori che sviluppano i modelli, li addestrano, li migliorano, li mettono sul mercato. OpenAI, Anthropic, Google, Meta, xAI, le grandi aziende cinesi. È il mondo più visibile, più narrato, più affascinante. Qui si combatte la battaglia della qualità cognitiva: ragionamento, coding, capacità multimodali, agenti autonomi, memoria, interazione con strumenti esterni.

Dall’altra parte ci sono i compute providers: chi fornisce la capacità computazionale necessaria per addestrare e far funzionare quei modelli. Non vendono direttamente “intelligenza”, ma vendono la condizione materiale perché l’intelligenza artificiale possa apparire. Vendono GPU, cluster, data center, infrastruttura, energia trasformata in capacità di calcolo.

I primi competono sulla mente. I secondi sul corpo, se possiamo dir così. E il corpo, in questa fase, diventa più decisivo della mente. La ragione è semplice. Il mondo dei modelli è costosissimo, ma instabile. La ricerca costa enormemente. Il mercato del lavoro è ipercompetitivo. I migliori ricercatori sono pagati come superstar. La frontiera si sposta ogni pochi mesi. Il modello migliore oggi può essere superato domani. La ricetta per addestrare grandi modelli non è più un segreto custodito in una stanza chiusa: larga parte delle tecniche è pubblica, discussa, replicata, assorbita rapidamente. Le architetture migliorano, ma si imitano. I dataset si ampliano, ma si ricostruiscono. I metodi di training vengono pubblicati, distillati, copiati, adattati.

Qui sta il famoso problema del “no moat”: nessun fossato competitivo è davvero stabile. Se un laboratorio conquista un vantaggio, un altro può accorciarlo. Se un modello americano apre una frontiera, un modello cinese può inseguirla più rapidamente del previsto. Se un sistema chiuso costa troppo, un modello open-weight può eroderne il mercato. La competizione sui modelli resta essenziale, ma non garantisce da sola un vantaggio duraturo.

Il compute, ovvero la capacità di calcolo, invece, ha una natura diversa. Non si copia in pochi mesi. Non si scarica da GitHub. Non si distilla. Non si replica soltanto con buoni paper e buoni ricercatori. Il compute richiede siti, capitale, autorizzazioni, energia, reti, acqua, raffreddamento, relazioni con le utility, consenso locale. Richiede anni di pianificazione oppure una capacità straordinaria di accelerazione industriale. Richiede che la promessa digitale diventi infrastruttura fisica.

Qui nasce il vero nuovo fossato competitivo: non chi riesce a comprare GPU, ma chi riesce a costruire rapidamente cento megawatt, cinquecento megawatt, un gigawatt di capacità computazionale. Chi riesce a ottenere una connessione alla rete. Chi riesce ad avere acqua per il raffreddamento. Chi riesce a convincere una comunità locale. Chi riesce a non restare bloccato fra Comune, Regione, autorità ambientali, gestori idrici, vigili del fuoco, Terna, soprintendenze, procedure di impatto ambientale.

Il nuovo moat è operativo, energetico, autorizzativo. Per questo la frase più importante oggi è forse questa: chi controlla il compute è il vero venditore di intelligenza.

Può sembrare eccessiva. Non lo è. Perché un modello senza compute è un brevetto senza fabbrica. È una formula senza impianto. È una promessa senza capacità produttiva. L’intelligenza artificiale industriale non è soltanto un algoritmo: è la capacità di servire quell’algoritmo a scala globale, a costi sostenibili, con latenza bassa, continuità, affidabilità, sicurezza. E questa capacità dipende da quanta energia si può trasformare in token. La formula è brutale: trasformare energia in token.

Da qui discende tutto. Il costo dei token dipende dal costo del compute. Il costo del compute dipende da due grandi famiglie di costi. Da una parte i costi fissi: chip, server, data center, sottostazioni elettriche, sistemi di raffreddamento, connessioni, sicurezza, ridondanza. Dall’altra i costi variabili: elettricità, acqua, raffreddamento, manutenzione, sostituzione di componenti, continuità operativa.

Il compute, dunque, non è solo chip procuring. Non è soltanto trovare abbastanza GPU Nvidia prima degli altri. È un energy-and-permitting business. Un’industria in cui la velocità non dipende soltanto dal capitale, ma dalla possibilità concreta di portare energia dove serve e farlo nei tempi compatibili con il ciclo tecnologico dei chip.

Questo dettaglio è decisivo. Una GPU invecchia rapidamente. Una procedura autorizzativa no. Una generazione hardware può essere superata in pochi anni; una connessione elettrica può richiedere tempi più lunghi. Se un data center ottiene i permessi ma non viene energizzato in tempo, il progetto può nascere già vecchio. Il problema non è avere un’autorizzazione sulla carta. Il problema è avere megawatt reali, stabili, a un costo prevedibile. Per questo la nuova logica dei data center è “energy first”. Prima l’energia. Poi il resto.

Gli operatori cercano siti dove possano assicurarsi centinaia di megawatt. Preferiscono aree industriali dismesse, dove esistono già infrastrutture elettriche e idriche. Guardano alla vicinanza con centrali esistenti. Valutano la disponibilità di acqua, la possibilità di usare acque reflue trattate, il tipo di raffreddamento, il rapporto con le comunità locali. I vincitori non saranno soltanto quelli con più capitale finanziario, ma quelli con migliori relazioni con utility provider, migliori team di power engineering, migliore capacità di esecuzione regolatoria.

È una nuova geografia dell’IA. Non la geografia delle università o dei distretti software, ma quella delle reti elettriche, delle aree industriali, delle zone dove un permesso può diventare energia, e l’energia può diventare calcolo.

Il caso xAI Colossus è istruttivo proprio per questo. La sua importanza non sta soltanto nel numero di GPU, ma nella velocità del deployment. Il sito è stato scelto anche perché offriva infrastruttura energetica e idrica preesistente. La lezione è chiara: nella nuova IA, la selezione del sito è strategia industriale. Non è un dettaglio immobiliare. È il cuore dell’operazione.

Ma quel caso mostra anche l’altra faccia della velocità: turbine a gas, regolazione ambientale, opposizione locale, contenziosi, dipendenza dai regolatori. “Move fast” funziona finché il territorio regge. Quando il territorio non regge, l’IA incontra la politica nel suo senso più concreto: aria, acqua, suolo, bollette, impatto locale.

Da qui i cinque colli di bottiglia della nuova industria del compute. Il primo è la connessione alla rete. I data center hyperscale richiedono quantità enormi di potenza stabile. Ma le reti elettriche non sono state disegnate per ricevere ovunque, in tempi brevi, carichi di centinaia di megawatt. La coda di connessione diventa un fattore competitivo. Chi entra prima nella coda può bloccare capacità. Chi arriva dopo aspetta. Chi aspetta perde.

Il secondo è la domanda su chi paga l’infrastruttura. Se un data center richiede nuove linee, sottostazioni, trasformatori, rinforzi della rete, il costo deve ricadere sul costruttore, sulla utility, sullo Stato, sui consumatori? È una questione apparentemente tecnica, ma in realtà distributiva. Una società può attrarre data center e scoprire che parte del beneficio privato poggia su costi pubblici o para-pubblici. Oppure può chiedere al costruttore di finanziare la nuova infrastruttura, trasformando il data center da consumatore della rete a investitore nella rete.

Il terzo è la generazione onsite. Quando la rete non basta o è troppo lenta, gli operatori cercano soluzioni proprie: turbine, generatori, microgrid, contratti diretti, energia dietro il contatore. Questo accelera, ma apre conflitti ambientali. La domanda diventa: quanta emissione siamo disposti ad accettare per inseguire la frontiera dell’IA? E a quali condizioni?

Il quarto è il suolo. I data center non sono nuvole. Occupano spazio, modificano territori, richiedono sicurezza, viabilità, distanza da aree sensibili, compatibilità urbanistica. Le aree industriali dismesse diventano così una risorsa strategica. Sono i luoghi dove il vecchio capitalismo manifatturiero può trasformarsi nel nuovo capitalismo computazionale.

Il quinto è l’acqua. Il raffreddamento non è un dettaglio. Conta il volume, conta la stagionalità, conta la scarsità locale, conta se l’acqua è potabile, di pozzo o reflua trattata. Conta se il sistema è aperto o chiuso. Conta che cosa succede all’acqua dopo l’uso. L’IA non consuma soltanto elettricità: consuma territorio e condizioni ambientali.

A questo punto è evidente che il dibattito “fermare o non fermare l’IA” è insieme necessario e insufficiente. Necessario, perché i rischi dei sistemi autonomi non possono essere liquidati come fantasie. Insufficiente, perché la corsa non si governa soltanto dicendo ai laboratori di rallentare. Si governa anche decidendo dove, come e a quali condizioni si costruisce la sua infrastruttura.

La regolazione, qui, non è un fastidio burocratico. È una variabile industriale. Ma attenzione: deregolamentazione non significa facilitazione. Un Paese può avere poche regole e molta incertezza. Può promettere libertà e produrre caos. Può autorizzare rapidamente un edificio e poi non riuscire a dargli energia. La buona regolazione non è quella che finge che il problema non esista. È quella che trasforma procedure frammentate in megawatt disponibili.

Gli elementi che contano sono quattro: incentivi fiscali, prevedibilità autorizzativa, connessione rapida alla rete, risposta credibile su acqua, emissioni e impatto sulle comunità. La vera domanda non è: si può costruire? La domanda è: si può energizzare? Perché la regolazione decide dove i megawatt possono diventare compute.

Negli Stati Uniti si vedono già modelli diversi. La Virginia ha costruito nel tempo una burocrazia prevedibile, incentivi fiscali e un ecosistema maturo. Il Texas propone una logica più netta: porta la tua energia, paga i costi di rete, non scaricare acqua ed elettricità sulle famiglie, costruisci in fretta. L’Indiana combina terra, energia, incentivi, certezza. In tutti i casi, il tema è lo stesso: non basta attrarre data center; bisogna attrarre data center che non distruggano l’equilibrio della rete e non trasferiscano costi nascosti sulla collettività.

La prossima grande frontiera regolatoria sarà infatti la grid-cost allocation: chi paga i costi della rete nell’età dell’IA? È qui che il discorso diventa politico nel senso più serio. Perché se il data center è un’infrastruttura privata che usa una rete pubblica o regolata, bisogna decidere come distribuire i costi. Se invece porta nuova generazione, nuova capacità, nuovi investimenti, allora può diventare parte della soluzione.

Da qui nasce l’idea del “bring your own power”. Se vuoi costruire un grande data center, non limitarti ad allacciarti alla rete pubblica. Porta anche l’energia necessaria. Finanzia nuova capacità. Costruisci o contrattualizza generazione dedicata. Usa quello che ti serve e immetti una quota di surplus nella rete nazionale, magari a condizioni vantaggiose. Così il data center non è più soltanto un carico, ma un acceleratore di investimenti energetici.

È una forma più matura di scambio pubblico-privato. Non più: vieni, ti do incentivi. Ma: vieni, se porti energia, infrastruttura, stabilità, capacità industriale. Vieni, se non consumi soltanto una risorsa scarsa, ma contribuisci ad aumentarla.

Per l’Italia questo è il punto decisivo. Il nostro Paese non può permettersi un dibattito ideologico sui data center. Non basta dire sì o no. Non basta celebrarli come modernità. Non basta temerli come mostri energetici. Bisogna chiedersi quali data center vogliamo, dove, con quale energia, con quale acqua, con quali obblighi verso la rete, con quale ritorno industriale.

L’Italia ha già un problema evidente: la rete. Le richieste di connessione dei nuovi data center hanno raggiunto dimensioni molto elevate rispetto alla capacità realistica di assorbimento nel breve periodo. Questo produce tre rischi. Primo: speculazione sulla capacità di rete, con operatori che cercano di prenotare megawatt prima ancora di avere progetti maturi. Secondo: congestione della coda, perché la connessione diventa il collo di bottiglia anche quando il progetto è autorizzato. Terzo: conflitto sui costi, perché qualcuno dovrà pagare linee, trasformatori, sottostazioni, rinforzi.

Il nuovo procedimento unico per i data center va nella direzione giusta se riduce la frammentazione autorizzativa. L’Italia aveva — e in parte ha ancora — una sequenza troppo dispersa: Comune, Regione, Provincia, Arpa, Terna, gestori idrici, vigili del fuoco, autorità ambientali, paesaggistiche. Concentrare non significa cancellare i controlli. Significa costringere il progetto a presentarsi come progetto industriale completo: energia, acqua, emissioni, rete, suolo, impatto ambientale, comunità.

Ma il punto resta: autorizzazione non significa energizzazione. Posso avere un procedimento più ordinato, ma se non ho megawatt disponibili, ho solo carta migliore. Posso approvare più in fretta, ma se la rete non regge, non ho compute. Posso attrarre investitori, ma se questi vengono soltanto a consumare capacità esistente, rischio di trasformare l’IA in un ulteriore fattore di stress del sistema elettrico.

La domanda italiana deve essere più severa: la nostra rete elettrica, nella sua capacità attuale, è in grado di sostenere data center così essenziali sul territorio nazionale? E se non lo è, possiamo costruire un modello in cui le aziende non si limitino ad allacciarsi alla rete pubblica, ma partecipino alla costruzione dell’energia necessaria al proprio compute?

Questa non è una questione tecnica laterale. È politica industriale. È sovranità digitale. È politica energetica. È anche politica territoriale. Perché l’IA che useremo domani dipenderà anche dai luoghi in cui sarà possibile produrre il calcolo necessario. Se l’Italia non offre energia, siti, tempi certi e regole intelligenti, importerà intelligenza artificiale come importa molte altre infrastrutture critiche: da fuori, su piattaforme altrui, con margini di sovranità ridotti. Se invece seleziona bene, può usare la domanda IA per accelerare investimenti in rete, generazione, storage, riqualificazione di aree industriali dismesse, competenze tecniche, capacità nazionale.

La scelta non è tra bloccare l’IA e subirla. È tra subirne il consumo e governarne l’infrastruttura. Ecco perché il dibattito di questi giorni sul “fermare” l’intelligenza artificiale è importante, ma rischia di guardare soltanto la parte più spettacolare del problema. I modelli fanno paura perché parlano, ragionano, imitano, programmano, persuadono. Ma la loro potenza dipende da un corpo nascosto. Quel corpo ha bisogno di energia. Ha bisogno di territorio. Ha bisogno di acqua. Ha bisogno di reti.

La vera domanda non è solo quanto sarà intelligente la prossima IA. È dove verrà alimentata. Da chi. A quale costo. Con quali infrastrutture. Con quali effetti per il Paese che la ospita.

L'articolo L’IA ha bisogno di energia e di infrastrutture sostenibili proviene da Linkiesta.it.