Statistiche sul consumo energetico dell'IA

Una recente previsione prevede che l'IA utilizzerà oltre la metà dell'elettricità dei data center entro il 2028.¹ Man mano che i carichi di lavoro ad alta intensità di calcolo, come l'IA generativa, si espandono, si prevede che anche la domanda totale di elettricità aumenterà.

Abbiamo analizzato i dati dell'IEA, del MIT e dei principali provider cloud per identificare le tendenze di efficienza nel consumo energetico dell'IA, le risposte politiche e le migliori pratiche.

Consumo energetico dei data center per l'IA

Abbiamo raccolto dati da diverse organizzazioni di ricerca e analisi di settore focalizzate sull'uso dell'energia nell'IA e nei data center per il grafico sopra. Queste fonti includono agenzie energetiche globali, studi accademici e iniziative dei provider tecnologici. Scopri come abbiamo raccolto i dati.

Raccomandazioni per la gestione del consumo energetico dell'IA

Secondo ricerche recenti, il consumo energetico dell'IA è ora dominato dall'inference e guidato meno dall'esecuzione di singoli modelli che dalla scala, dai modelli di distribuzione e dalle inefficienze del sistema. Ecco le nostre raccomandazioni per gestire efficacemente il consumo energetico dell'IA:

Prioritizzare l'efficienza dell'inference rispetto a quella del training

Ricerche mostrano che oltre l'80% del calcolo dell'IA è ora utilizzato per l'inference.

• Considera l'energia per inference (o per token / per output) come un obiettivo di ottimizzazione primario.
• Ottimizza i percorsi di inference prima di investire in guadagni marginali nell'efficienza del training.
• Concentra gli sforzi di ottimizzazione sugli endpoint ad alta frequenza, non sui casi d'uso rari o a coda lunga.

Misurare e pubblicare metriche energetiche per attività, non solo affermazioni a livello di modello

Sulla base della ricerca del MIT, il consumo energetico per attività (elettricità) varia tra attività di testo, immagine e video.

• Strumenta le pipeline per misurare l'energia per attività, inclusi i costi non GPU (memoria, rete, orchestrazione).

Evitare l'uso di modelli generativi generici per attività specifiche

Un maggiore consumo energetico è strettamente legato ai modelli generativi, che vengono utilizzati per attività come la classificazione piuttosto che per modelli specializzati. MIT Technology Review mostra che i modelli specifici per attività sono meno intensivi in termini di carbonio ed energia.

• Utilizza modelli specializzati per attività o distillati per classificazione, ranking, estrazione e routing.
• Riserva i grandi modelli generativi per attività che richiedono una generazione aperta.
• Introduci cascate di modelli (da modello piccolo a modello grande, se necessario).

Ridurre gli sprechi a livello di sistema nel servizio di inference

Studi sull'infrastruttura mostrano che i server rappresentano circa il 60% del consumo di elettricità dei data center.

• Aumenta l'utilizzo degli acceleratori tramite:
  • Batching
  • Caching
  • Scheduling più intelligente
• Elimina le chiamate ridondanti tra pipeline e microservizi.
• Implementa il ridimensionamento automatico sensibile alla domanda invece del provisioning di picco.

Considerare l'efficienza dell'hardware e l'efficacia dell'uso dell'energia (PUE) come problemi software

• Progetta modelli che si adattino efficientemente ai vincoli di memoria e larghezza di banda.
• Massimizza l'utilizzo dell'hardware esistente prima di espandere la capacità.
• Allinea le scelte dell'architettura del modello agli acceleratori disponibili più efficienti dal punto di vista energetico.

Considerare l'uso dell'acqua e il ciclo di vita dell'hardware nella progettazione del sistema

Ricerche dell'UNRIC mostrano che la domanda globale di acqua legata all'IA è prevista in aumento esponenziale.

• Prediligi distribuzioni che riducano l'intensità del raffreddamento e l'uso dell'acqua.
• Estendi la durata dell'hardware attraverso l'efficienza e il riutilizzo del modello.
• Evita il retraining o il ridispiegamento non necessari che accelerano il turnover dell'hardware.

Previsione degli effetti economici dell'IA

I partecipanti allo studio "Previsione degli effetti economici dell'IA (2026)" hanno fornito stime delle variabili economiche chiave (PIL, consumo energetico, produttività, partecipazione alla forza lavoro) sia in condizioni di aspettative normali che in tre scenari espliciti di progresso dell'IA (lento, moderato, rapido):

• Entro il 2030, i partecipanti stimano che l'uso di elettricità negli Stati Uniti potrebbe rappresentare il 2,3% in un caso di crescita più lenta, il 4,9% in una crescita moderata e il 7,4% in uno scenario di rapida espansione, rispetto a circa l'1% nel 2024.
• Entro il 2050, queste quote sono previste per aumentare al 5% (lento), 8,3% (moderato) e 15% (rapido).
• Gli specialisti dell'IA e i superforecasters prevedono una domanda ancora più alta in caso di rapida crescita nel 2050, stimando ciascuno intorno al 19,5%.²

MIT Technology Review

MIT Technology Review (2025) suddivide il consumo energetico dell'IA in due fasi principali: training del modello e inference dell'IA. Sostiene che l'inference è ora il principale motore dell'uso energetico poiché le funzionalità dell'IA vengono incorporate nella vita quotidiana attraverso prodotti e servizi.

Mette anche in evidenza un divario di trasparenza. La maggior parte dei principali provider di modelli di IA "chiusi" non divulga informazioni sufficienti per stimare in modo affidabile il loro consumo totale di energia o la loro impronta di carbonio.³

Elettricità e domanda totale:

• Data center negli USA: Il 4,4% dell'elettricità totale negli USA va ai data center.
• IA all'interno dei data center negli USA: I server specifici per l'IA hanno utilizzato una stima di 53-76 terawattora (TWh) nel 2024, e le proiezioni suggeriscono 165-326 TWh entro il 2028.

Training vs inference:

• Quota di inference: Si stima che l'80%-90% del calcolo dell'IA sia utilizzato per l'inference.
• Esempio di energia di training: Il training di GPT-4 è descritto come circa 50 GWh.

Energia per attività (consumo di elettricità):

• Testo (Llama 3.1 8B): ~114 joule per risposta tenendo conto dei costi non GPU.
• Testo (Llama 3.1 405B): ~6.706 joule per risposta con costi aggiuntivi.
• Immagini (Stable Diffusion 3 Medium, 1024×1024): ~2.282 joule totali; step più alti possono portarlo a ~4.402 joule.
• Video (esempi CogVideoX): ~109.000 joule per un output breve di bassa qualità; ~3,4 milioni di joule per un video di 5 secondi di qualità superiore.

Infrastruttura ed emissioni della rete:

• L'intensità di carbonio dell'elettricità dei data center è del 48% superiore alla media statunitense.
• I sistemi di raffreddamento nei data center possono utilizzare grandi quantità di acqua, a volte acqua potabile.

International Energy Agency

L'IEA (2025) inquadra la domanda energetica dell'IA attraverso la lente dei data center e dei loro componenti. Fornisce una ripartizione di dove viene consumata l'elettricità all'interno di un data center e offre una prospettiva globale sulla crescita del consumo di elettricità dei data center.⁴

Consumo globale di elettricità dai data center:

• Stimato in ~415 TWh nel 2024, circa l'1,5% del consumo globale di elettricità.
• Previsto di raggiungere ~945 TWh entro il 2030, poco meno del 3% del consumo globale di elettricità nel caso base dell'IEA.

Consumo di elettricità dei data center per tipo di apparecchiatura:

• Server: circa il 60% della domanda di elettricità nei data center moderni (varia per tipo).
• Sistemi di archiviazione: circa il 5%.
• Apparecchiature di rete: fino al 5%.
• Sistemi di raffreddamento e controllo ambientale: circa il 7% nei data center iperscalari efficienti e oltre il 30% nei data center aziendali meno efficienti.

Figura 1: Grafico che mostra i dati del 2024 sulla quota di consumo di elettricità in base al data center e al tipo di apparecchiatura.

Google Cloud

Google ha pubblicato una metodologia nel 2025 per misurare l'impatto ambientale dell'inference dell'IA per i prompt Gemini, inclusi elettricità, emissioni di carbonio e consumo di acqua. Presenta mediane per prompt e afferma significativi miglioramenti di efficienza in un recente periodo di 12 mesi.⁵

Impatti mediani per prompt (prompt di testo Gemini Apps):

• 0,24 Wh di energia
• 0,03 gCO₂e di emissioni
• 0,26 millilitri di acqua

Affermazioni di miglioramento dell'efficienza

• Negli ultimi 12 mesi, Google ha affermato che l'energia per prompt mediano è scesa di 33 volte e l'impronta di carbonio totale è scesa di 44 volte.

Efficienza e infrastruttura del data center

• L'efficienza media dell'uso dell'energia (PUE) a livello di flotta è 1,09 per i data center di Google.
• L'ultima generazione di TPU di Google, Ironwood, è affermata 30 volte più efficiente dal punto di vista energetico rispetto al suo primo TPU disponibile pubblicamente.

Carbon Brief Organization

Carbon Brief (2025) sintetizza l'International Energy Agency (IEA)⁶ e altre fonti in un insieme di grafici che mostrano impatti di base, proiezioni di crescita e rischi di concentrazione regionale. Sottolinea che il settore è piccolo a livello globale oggi ma sta crescendo rapidamente e localmente significativo in alcune reti.⁷

Quota globale attuale

• I data center sono responsabili di poco più dell'1% della domanda globale di elettricità e dello 0,5% delle emissioni di CO₂ (vedi Figura 2).

Crescita

• Scenario centrale IEA: Il consumo di elettricità dei data center sale a 945 TWh entro il 2030.
• Quota dell'IA nell'uso dell'energia dei data center: Circa dal 5% al 15% recentemente, potenzialmente dal 35% al 50% entro il 2030.

Esempi di concentrazione regionale:

• Irlanda: Circa il 21% dell'elettricità nazionale è utilizzata per i data center, potenzialmente il 32% entro il 2026.
• Virginia (USA): 26% dell'elettricità consumata dai data center (come citato).

Mix di approvvigionamento energetico per i data center (globale)

• Combustibili fossili: Quasi il 60%
• Fonti rinnovabili: 27%
• Nucleare: 15%

Figura 2: Basato sulla Global Energy Review 2025 dell'IEA e sul suo rapporto Energy and AI, questa figura confronta il consumo di elettricità (TWh) e le emissioni di CO₂ (MtCO₂) dai data center globali nel 2024 con quelli di altri settori.

United Nations Regional Information Centre for Western Europe (UNRIC)

UNRIC (2025) inquadra l'impronta ambientale dell'IA lungo l'intero ciclo di vita: software (training, distribuzione, inference, manutenzione) e hardware (materiali, produzione, costruzione, rifiuti elettronici). Sottolinea che il consumo di elettricità e l'uso dell'acqua nei data center sono impatti diretti e sostiene misure politiche per migliorare la divulgazione e la responsabilità.⁸

Statistiche e ripartizione per categoria (elettricità, acqua, categorie del ciclo di vita): Questo articolo è più categorico che numerico nelle sezioni estratte. Raggruppa esplicitamente gli impatti dell'IA in effetti diretti, indiretti e di ordine superiore. Ecco alcune delle principali scoperte:

• Categorie di impatto ambientale
  • Direct: Consumo di elettricità e acqua, emissioni di gas serra, estrazione mineraria, inquinamento e rifiuti elettronici.
  • Indiretti: Emissioni da applicazioni e servizi abilitati all'IA.
  • Di ordine superiore: Amplificazione delle disuguaglianze e problemi relativi a dati di training distorti o di scarsa qualità.
• Data center e uso delle risorse
  • I data center consumano grandi quantità di elettricità, gran parte della quale è ancora fornita da combustibili fossili.
  • Sono necessarie grandi quantità di acqua per i sistemi di raffreddamento e la costruzione.
  • Si prevede che la domanda globale di acqua legata all'IA raggiungerà 4,2–6,6 miliardi di metri cubi entro il 2027, superando l'uso annuale di acqua della Danimarca.
  • Produrre un computer da 2 chilogrammi può richiedere circa 800 chilogrammi di materie prime, inclusi minerali rari.
• Uso e crescita dell'elettricità
  • Una query ChatGPT utilizza circa 10 volte più elettricità di una ricerca Google, secondo la stima dell'IEA.
  • L'IA e l'apprendimento automatico hanno rappresentato <0,2% del consumo globale di elettricità e <0,1% delle emissioni globali nel 2021, ma la domanda sta crescendo rapidamente.
  • Alcune aziende tecnologiche riportano una crescita annuale di oltre 100% nella domanda di calcolo per il training e l'inference dell'IA.
• Espansione dei data center
  • I data center rappresentavano circa l'1% della domanda globale di elettricità nel 2022.
  • In Irlanda, i data center hanno rappresentato il 17% dell'uso nazionale di elettricità nel 2022.
  • Il numero di data center in tutto il mondo è cresciuto da 500.000 nel 2012 a circa 8 milioni oggi.

Scopri altri nostri benchmark e approfondimenti basati sui dati nella Ricerca Google.

Aggiungi come fonte preferita

MIT News sull'impatto ambientale dell'IA generativa

MIT News (2025) spiega perché l'IA generativa può essere ad alta intensità di risorse e distingue tra training e inference. Sottolinea la densità di potenza, i problemi di affidabilità della rete e la mancanza di incentivi per gli utenti a ridurre l'uso quando gli impatti sono invisibili.⁹

Densità di potenza

• Un cluster di training di IA generativa potrebbe consumare da 7 a 8 volte più energia di un tipico carico di lavoro di calcolo.

Consumo di elettricità dei data center

• Il consumo globale di elettricità dei data center è citato come 460 TWh nel 2022 e proiettato a ~1.050 TWh entro il 2026.

Esempio di training del modello

• Il training di GPT-3 è stimato in 1.287 MWh e circa 552 tonnellate di CO₂.

United States Data Center Energy Usage Report

Il rapporto United States Data Center Energy Usage Report (2024) stima il consumo storico di elettricità dei data center negli USA e fornisce intervalli di scenario fino al 2028. Collega esplicitamente l'inflessione della crescita post-2017 ai server accelerati, inclusi le unità di elaborazione grafica utilizzate per eseguire modelli di IA.¹⁰

Consumo totale di elettricità dei data center negli USA:

• ~60 TWh (2014–2016), relativamente stabile.
• 76 TWh entro il 2018, circa il 1,9% del consumo di elettricità negli USA.
• 176 TWh entro il 2023, circa il 4,4% del consumo di elettricità negli USA.

Intervallo di scenario 2028:

• 325 a 580 TWh entro il 2028.
• Equivalente al 6,7% al 12,0% del consumo di elettricità previsto negli USA nel 2028.

Motori e categorie:

• La crescita è guidata da server accelerati da GPU per l'intelligenza artificiale, che ora rappresentano una quota significativa della base installata.
• Descrive strategie di efficienza che in precedenza hanno mantenuto la domanda stabile, inclusi sistemi di raffreddamento migliorati, gestione dell'energia, tassi di utilizzo più elevati e riduzione della potenza inattiva.

MIT Technology Review

MIT Technology Review (2023) riporta su uno dei primi tentativi di quantificare l'uso energetico e le emissioni di carbonio dell'IA durante l'uso quotidiano (inference), piuttosto che concentrarsi solo sul training. L'articolo si basa su uno studio preprint di ricercatori di Hugging Face e della Carnegie Mellon University.

Lo studio mostra che mentre il training di grandi modelli di IA è altamente intensivo dal punto di vista energetico, la maggior parte dell'impronta di carbonio di un modello di IA deriva dal suo utilizzo. Poiché i modelli popolari vengono distribuiti milioni o miliardi di volte, le emissioni di inference quotidiane possono superare rapidamente le emissioni di training.¹¹

Energia per attività e intensità di carbonio:

I ricercatori hanno misurato l'uso energetico attraverso 10 comuni attività di IA sulla piattaforma Hugging Face, testando 88 modelli diversi ed eseguendo 1.000 prompt per attività utilizzando lo strumento di misurazione Code Carbon. I confronti chiave sono:

• Generazione di immagini: Generare una singola immagine con un modello potente consuma circa la stessa energia di ricaricare completamente uno smartphone.
  • Generare 1.000 immagini con un modello come Stable Diffusion XL produce emissioni di CO₂ comparabili a guidare circa 4,1 miglia in un'auto a benzina.
  • La generazione di immagini è di gran lunga l'attività di IA più intensiva dal punto di vista energetico e del carbonio misurata.
• Generazione di testo: Generare testo è significativamente meno intensivo dal punto di vista energetico.
  • Produrre 1.000 output di testo utilizza solo circa il 16% della carica di uno smartphone.
  • Il modello di testo meno intensivo dal punto di vista del carbonio studiato ha emesso quanto guidare solo 0,0006 miglia.

Dimensione del modello e specializzazione delle attività:

Lo studio evidenzia un grande divario di efficienza tra i modelli generativi generici e i modelli specifici per attività:

• I grandi modelli generativi consumano molta più energia perché sono progettati per eseguire molte attività (generare, classificare, riassumere). Ad esempio, utilizzare un modello generativo per classificare le recensioni di film richiede ~30 volte più energia rispetto all'utilizzo di un modello più piccolo fine-tuned specificamente per la classificazione del sentiment.
• I modelli più piccoli e specializzati sono costantemente meno intensivi dal punto di vista del carbonio per applicazioni specifiche.

Emissioni di utilizzo vs emissioni di training:

I ricercatori hanno confrontato le emissioni di training con le emissioni cumulative di utilizzo:

• Il training del modello BLOOM più grande di Hugging Face è stato superato dopo circa 590 milioni di utilizzi.
• Per modelli estremamente popolari come ChatGPT, le emissioni di utilizzo potrebbero superare le emissioni di training entro poche settimane, a causa dei massicci volumi di utenti giornalieri.
• Questo accade perché il training avviene una volta, mentre l'inference avviene continuamente su larga scala.

Implicazioni più ampie e opinioni degli esperti:

• Gli esperti notano che le emissioni per attività erano più alte del previsto, sollevando preoccupazioni mentre l'IA generativa viene incorporata nel software quotidiano (email, ricerca, elaborazione testi).
• I ricercatori sottolineano che i modelli nuovi e più grandi sono sostanzialmente più intensivi dal punto di vista del carbonio rispetto ai sistemi di IA di pochi anni fa.

Recenti innovazioni nell'efficienza dell'hardware

Diverse uscite di hardware del 2026 mostrano grandi guadagni nell'efficienza dell'IA. Ad esempio, il chip di inference FuriosaAI RNGD ha iniziato la spedizione di massa a gennaio 2026 con un TDP di 180W ¹² , molto inferiore ai circa 600W+ consumati dai tipici GPU di fascia alta.¹³

Meta ha annunciato quattro nuovi acceleratori di inference MTIA (MTIA 300/400/450/500); i chip focalizzati sull'IA offrono circa 18-27,6 TB/s di larghezza di banda della memoria e sono previsti per il lancio nel 2027.¹⁴

Infine, Arm ha annunciato il suo primo CPU per data center (la CPU AGI da 3nm) con fino a 136 core Neoverse V3 ¹⁵ , co-sviluppato con Meta, e annovera OpenAI tra i primi utenti.

Come abbiamo raccolto i dati sul consumo energetico dell'IA

• Abbiamo utilizzato cifre e proiezioni future da recenti analisi sul consumo energetico che stimano l'uso globale di elettricità nei data center e la loro crescita.
• Laddove disponibile, facciamo riferimento a metodologie di misurazione pubblicamente disponibili da grandi provider cloud (ad esempio, i dati sull'impatto ambientale di Google Cloud) che divulgano metriche specifiche, come l'energia per inference.

Molti rapporti utilizzano diverse unità di misurazione o terminologia, come la quota di IA e ML del consumo globale di elettricità, l'uso di energia per training vs inference e la quota dei data center del consumo globale di elettricità, rendendo difficile confrontarli in un singolo grafico. Per garantire che tutti i valori potessero essere presentati insieme in un singolo grafico, abbiamo incluso gli studi che utilizzavano definizioni e unità di misurazione comparabili:

• Consumo globale di elettricità da parte dei data center.
• Quota dell'IA del consumo di elettricità all'interno dei data center.
• Consumo di elettricità da parte dei data center negli Stati Uniti, per evidenziare le differenze tra l'uso globale e quello statunitense di energia.

FAQ

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiche sul consumo energetico dell'IA}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Consultato il 15 Giugno 2026}
}

Collegamenti di riferimento

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

3.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

4.

Energy demand from AI – Energy and AI – Analysis - IEA

5.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

6.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

7.

AI: Five charts that put data-centre energy use – and emissions – into context - Carbon Brief

Carbon Brief

8.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

9.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

10.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

11.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

12.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference &mdash; to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon &mdash; 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

16.

https://www.cell.com/action/showPdf?pii=S2666-3899%2825%2900278-8

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple, specializzata in email marketing e video di vendita. In precedenza, ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master in Psicologia Sociale e una laurea in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento