Addestrare GPT-4 è costato oltre 100 milioni di dollari e ha consumato circa 50 gigawattora di energia — abbastanza da alimentare San Francisco per tre giorni interi. È una cifra che colpisce, ma è solo una parte del conto. Il costo reale dell’intelligenza artificiale generativa si misura anche in acqua evaporata nei sistemi di raffreddamento, in metalli rari estratti con processi distruttivi e in montagne di hardware obsoleto che nessun riciclatore è attrezzato a smaltire davvero.
L’energia è il problema più visibile. Nei soli Stati Uniti, i data center nel 2018 consumavano l’1,9% dell’elettricità nazionale. Nel 2023 quella quota era già al 4,4%, pari a 176 terawattora. Le proiezioni al 2028 parlano di una forchetta compresa tra il 6,7% e il 12% del totale. Goldman Sachs stima un aumento della domanda di energia per i data center del 165% entro il 2030. Uno studio Bloomberg calcola che entro il 2034 il consumo globale dei data center raggiungerà quello attuale dell’intera India. Un singolo GPU ad alte prestazioni consuma oltre 400 watt, vale a dire parecchie volte il fabbisogno di un normale computer domestico. Moltiplica per decine di migliaia di schede attive in parallelo, per settimane o mesi, e il numero diventa difficile da ignorare.
L’acqua è il problema meno raccontato. Il raffreddamento dei server richiede grandi volumi di acqua dolce, spesso in aree già sotto stress idrico. Addestrare GPT-3 in un data center statunitense ha consumato circa 700.000 litri di acqua — abbastanza, secondo i ricercatori, per produrre 320 veicoli elettrici Tesla. Una singola conversazione con ChatGPT di venti o cinquanta scambi richiede l’equivalente di mezzo litro d’acqua. Sam Altman ha definito “assurde” le preoccupazioni sul consumo idrico di OpenAI, ma i dati degli studiosi raccontano un’altra storia. Le variabili dipendono molto dalla localizzazione dei server e dal tipo di raffreddamento, ma la direzione è chiara.
Poi c’è il problema dell’e-waste. L’AI accelera i cicli di sostituzione dell’hardware: ogni nuova generazione di GPU rende obsoleta quella precedente, spesso in pochi anni. Le stime indicano che la sola AI generativa potrebbe produrre tra 1,2 e 5 milioni di tonnellate di rifiuti elettronici aggiuntivi tra il 2020 e il 2030. L’espansione dei data center tra il 2023 e il 2030 potrebbe aggiungerne altri 4,2 milioni di tonnellate, su un totale globale già di 62 milioni di tonnellate annue. Solo il 17,4% dell’e-waste mondiale viene formalmente raccolto e riciclato: il resto finisce in discarica, incenerito o esportato illegalmente in paesi privi di infrastrutture adeguate. I rifiuti elettronici contengono mercurio, ritardanti di fiamma bromurati e clorofluorocarburi — sostanze che, senza un trattamento corretto, compromettono suolo, acque e aria.
La produzione di GPU dipende da metalli rari come litio, cobalto e nichel. L’estrazione di cobalto, concentrata nella Repubblica Democratica del Congo, solleva da anni questioni ambientali e di diritti umani che l’industria tech non ha ancora risolto. L’impatto della produzione di semiconduttori — tra rifiuti chimici, acque reflue e imballaggi — è raddoppiato tra il 2016 e il 2024. E questi costi “incorporati” nel ciclo di vita dell’hardware, secondo le analisi più recenti, rappresentano già il 20% dell’impronta carbonica totale dell’addestramento di modelli come GPT-4, indipendentemente da dove vengono alimentati.
Alcuni governi stanno iniziando a muoversi: ci sono proposte di moratoria sulla costruzione di nuovi data center nelle aree dove la rete elettrica non regge, e dibattiti su obblighi di rendicontazione del consumo idrico e dell’impronta carbonica. La prossima generazione di hardware — GPU e TPU di nuova concezione — promette maggiore efficienza energetica. Ma se la domanda di AI continua a crescere al ritmo attuale, l’efficienza dei singoli chip rischia di essere vanificata dal semplice aumento del numero di chip in funzione. Il problema non è tecnologico: è di scala.
