Misurare l’impatto ambientale dell’AI non è più un esercizio teorico né un tema per addetti ai lavori. Con la diffusione su larga scala dei modelli di intelligenza artificiale, l’attenzione si sposta dai benefici potenziali ai costi reali in termini di energia, acqua, emissioni e risorse materiali. È su questo crinale che si colloca il nuovo report dell’International Telecommunication Union (Itu), intitolato Measuring what matters: Closing the gaps in assessing AI’s environmental impact, pubblicato nel 2026 nell’ambito dell’iniziativa Green Digital Action.
Il documento nasce con un obiettivo chiaro: superare stime indirette e frammentate e costruire una base empirica solida per valutare l’impronta ambientale dell’intelligenza artificiale lungo l’intero ciclo di vita, dall’hardware alla dismissione. Un passaggio cruciale per trasformare la sostenibilità dell’AI da principio dichiarato a pratica verificabile.
Indice degli argomenti
Perché la misurazione è il vero nodo
Secondo l’Itu, il principale limite delle analisi attuali sull’impatto ambientale dell’AI è l’assenza di dati coerenti e comparabili. Le valutazioni si basano spesso su proxy, stime aggregate o indicatori parziali, incapaci di cogliere la complessità dei sistemi di AI in produzione. In questo scenario, diventa difficile individuare le inefficienze, prevenire il greenwashing e orientare le decisioni di policy e investimento.
Il report lo afferma in modo esplicito: “Non possiamo gestire ciò che non misuriamo”. Nel testo, la segretaria generale dell’Itu, Doreen Bogdan‑Martin, sottolinea che “la rapida diffusione dell’intelligenza artificiale sta mettendo sotto pressione reti elettriche, risorse idriche e catene di approvvigionamento“, rendendo indispensabile una risposta coordinata a livello globale.
La misurazione, però, non è solo una questione tecnica. La trasparenza dei dati ambientali diventa uno strumento di responsabilità, perché consente a governi, imprese e utenti di confrontare soluzioni diverse e orientare comportamenti più sostenibili.
Dal training all’inferenza: guardare all’intero ciclo di vita
Uno dei contributi centrali del report riguarda l’estensione dell’analisi a tutte le fasi del ciclo di vita dell’AI. Finora, l’attenzione si è concentrata soprattutto sull’addestramento dei modelli, trascurando l’impatto dell’inferenza, dell’uso quotidiano e delle infrastrutture sottostanti.
L’Itu evidenzia come l’inferenza legata al comportamento degli utenti possa generare emissioni significative, soprattutto nei servizi ad alta frequenza. A questo si aggiungono le emissioni Scope 3, legate alla produzione dell’hardware, al trasporto e alla gestione dei rifiuti elettronici, ancora largamente sottostimate.
Il report propone quindi un approccio integrato, che includa energia, emissioni di CO₂ equivalente, consumo idrico e indicatori di efficienza delle infrastrutture. In questo quadro, l’analisi del ciclo di vita diventa la base per politiche industriali e regolatorie più informate.
Dati in tempo reale e telemetria: il cambio di paradigma
Per colmare i gap informativi, l’Itu punta su strumenti di misurazione empirica in tempo reale. Il report raccoglie i risultati di hackathon globali e progetti pilota che sperimentano soluzioni basate su telemetria, sensori IoT e dashboard standardizzate.
Tra le esperienze citate figurano calcolatori in grado di stimare consumi energetici e idrici delle Gpu durante il training, sistemi modulari per monitorare carichi di lavoro AI in ambienti edge e strumenti che associano a ogni query un costo ambientale misurabile. L’obiettivo è rendere visibile ciò che oggi resta opaco, collegando l’uso concreto dell’AI ai suoi effetti ambientali.
Questa impostazione segna un passaggio chiave: dall’analisi ex post alla responsabilità in tempo reale, che consente di intervenire sui modelli, sui prompt e sulle architetture per ridurre l’impatto.
Acqua e infrastrutture: il fronte meno visibile
Se l’energia resta il parametro più discusso, il report richiama l’attenzione su un fattore spesso ignorato: l’acqua. I data center utilizzano grandi quantità di risorse idriche per il raffreddamento, con effetti rilevanti soprattutto nelle aree soggette a stress idrico.
L’Itu segnala una forte carenza di dati su questo fronte e propone l’adozione sistematica di metriche come il Water usage effectiveness, affiancate a indicatori di qualità e provenienza dell’acqua. Integrare queste informazioni nei sistemi di reporting diventa essenziale per una valutazione realistica dell’impatto ambientale dell’AI.
Standard internazionali e confronto tra soluzioni
Un altro asse portante del documento riguarda la standardizzazione delle metriche. Senza criteri condivisi, i dati restano incomparabili e perdono valore decisionale. Per questo l’Itu lavora all’allineamento con gli standard Iso e alla definizione di indicatori replicabili, basati su modelli fisici e unità di misura comuni.
Secondo Seizo Onoe, direttore del Telecommunication Standardization Bureau, “l’industria tecnologica ha bisogno di criteri di misurazione comuni e trasparenti per comprendere e gestire l’impatto ambientale dell’AI”. Solo in questo modo la sostenibilità può entrare nei processi di procurement, nelle scelte di design e nelle strategie Esg.
Dall’informazione all’azione
Il messaggio che emerge dal report è netto: la sostenibilità dell’AI non si gioca sulle dichiarazioni, ma sulla capacità di integrare dati ambientali nei flussi operativi. Dashboard accessibili, indicatori leggibili e strumenti di feedback possono influenzare sia le decisioni aziendali sia il comportamento degli utenti.
In questa prospettiva, l’impatto ambientale dell’AI diventa una variabile governabile, non un effetto collaterale inevitabile. Il documento si chiude con un appello a governi, industria, ricerca e società civile per costruire un ecosistema di misurazione condiviso, capace di accompagnare l’evoluzione dell’intelligenza artificiale senza comprometterne la sostenibilità.
La sfida, ora, non è tecnologica ma culturale e politica: trasformare la misurazione in leva di cambiamento, prima che la scala dell’AI renda il conto ambientale irreversibile.
