I large language model come ChatGPT sono entrati nella vita quotidiana di milioni di persone, le cui richieste passano per data-center pieni di GPU ad alto assorbimento, sollevando giustificati timori sul loro impatto climatico. Capita spesso, di conseguenza, che molte persone critichino chi lavora con AI con l’argomento dell’impatto climatico. Che è senz’altro presente, sebbene sia lecito domandarsi se i critici evitano allo stesso modo azioni a impatto ben maggiore o se c’è un doppio standard verso le intelligenze artificiali.

Per iscrivere l’impatto ecologico in un contesto globale è necessaria un’analisi comparativa con attività quotidiane di cui spesso dimentichiamo il peso, per non illuderci che risparmiando qualche domanda a ChatGPT il problema climatico sia risolto.

Tutte le cifre che ho ottenuto nella tabella sottostante sono stime operative (solo fase d’uso, niente produzione di hardware, né per le AI né per gli altri utensili) e vanno lette come ordini di grandezza: l’obiettivo è invitare a verificare e a cercare dati sempre più accurati, che purtroppo vengono spesso nascosti dalle aziende AI (il che non è un buon segno). Il training è trascurabile rispetto alle iterazioni perché il suo pur notevole peso va diluito nelle centinaia di milioni di utenti che usano il modello, dunque non è stato sommato. Addestrare GPT-4o infatti è costato decine di GWh: tanta energia quanta ne consuma un quartiere in un anno. Ma già dopo qualche miliardo di query — che ChatGPT macina in pochi mesi — l’energia di training scende sotto l’1 % del totale. Per i modelli più popolari il vero impatto sta quindi nell’uso quotidiano, non nell’addestramento. Viceversa, progetti di ricerca “one-shot” o modelli proprietari di nicchia possono avere un rapporto molto più alto tra training e utilizzo.

* fattore d’intensità della rete elettrica UE 2023 = 242 g CO₂/kWh.
** Prompt eq = g CO₂ attività ÷ 0,073 g (impronta di un prompt). ***Fonte Epoch. Fonti MIT Technology Review (20 mag 2025) e University of Michigan: il consumo per un prompt varia 0,00003 – 0,002 kWh a seconda di modello, hardware e complessità.

Ovviamente elettricità non equivale automaticamente a CO₂: se il data-center usa solo rinnovabili l’impatto dei prompt crolla quasi a zero, mentre se usa fonti fossili può aumentare notevolmente. I numeri mostrano anche la rapidità con cui l’AI sta diventando più efficiente: in due anni il consumo per prompt è sceso di un ordine di grandezza grazie a chip migliori, modelli quantizzati e batching.

Il messaggio che voglio veicolare non è assolvere l’impatto ecologico dell’AI, che resta un problema da affrontare a livello sistemico, come segnala questo ottimo articolo del MIT, ma ridimensionare il suo ruolo in un quadro di priorità: se vogliamo ridurre davvero la nostra impronta climatica, vale infinitamente di più rinunciare a un ciclo di asciugatrice, accorciare una doccia o rinunciare all’auto e alla carne che non smettere di fare domande a un chatbot. Se una persona non vegana pensa di limitare il proprio impatto climatico rinunciando alle AI, ad esempio, è evidente che è un po’ confusa. Il problema dell’impatto climatico delle AI resta: per via dei dati poco trasparenti delle aziende, il possibile uso massivo crescente, il consumo idrico che qua non ho preso in analisi (anch’esso ovviamente da mettere a confronto con quello di altre attività, anche un semplice sciacquone). Colpevolizzare l’utente singolo però – che magari l’auto o l’AI la usa per lavoro – è sempre eticamente errato, perché distoglie l’attenzione da chi possiede gran parte della responsabilità climatica, ovvero le multinazionali, i governi e la struttura sociale in cui operano. Il vero bersaglio della giustizia climatica dovrebbero essere loro.