Post di Federico Pozzi Chiesa, AD di Italmondo e Fondatore di Supernova Hub

FILE PHOTO: A technician works at an Amazon Web Services AI data center in New Carlisle, Indiana, U.S., October 2, 2025. REUTERS/Noah Berger for AWS/File Photo

Come ogni novità tecnologica anche l’AI ha un lato controverso. Quella che è considerata l’invenzione più dirompente dall’inizio della rivoluzione industriale – più impattante dell’elettricità – è anche estremamente energivora. E nell’era della sostenibilità è un vulnus che può essere fatale.

I modelli generativi richiedono una ricchezza di dati e una capacità di calcolo che alimentano enormi consumi energetici: secondo lo studio The Carbon Footprint of Machine Learning Training (ACM, 2021), l’addestramento di un singolo grande modello linguistico può generare fino a 284 tonnellate di CO₂, l’equivalente di 125 voli New York–Londra. Le previsioni sono allarmanti: secondo la rivista scientifica Nature, entro il 2040 le emissioni del settore ICT potrebbero raggiungere il 14% del totale globale, partendo dall’1,6% del 2017. Non solo: l’International Energy Agency (IEA) avverte che senza interventi il consumo energetico dei data center alimentati dall’AI raddoppierà entro il 2026, proponendo metriche standard per misurarne l’impatto ambientale.

E tuttavia, questa è solo una parte della storia. L’AI può essere anche uno strumento per ridurre le emissioni nelle industrie più inquinanti: dalla riduzione degli sprechi ai percorsi ottimizzati, fino alla digitalizzazione documentale, se viene utilizzata con logica strategica – non come gadget tecnologico, ma come leva di ottimizzazione – il suo impatto cambia radicalmente.

Gli esempi concreti non mancano. Nel porto di Rotterdam, PortXChange ottimizza il traffico navale riducendo il consumo di carburante, mentre Routescanner permette agli spedizionieri di scegliere rotte più sostenibili. Nel settore siderurgico, Gerdau e Tata Steel impiegano AI e sensori per ridurre sprechi e emissioni di gas serra. Anche edilizia e logistica beneficiano dell’AI: BrainBox AI e AVEVA ottimizzano consumi energetici e manutenzione predittiva, UPS e Maersk migliorano l’efficienza dei trasporti, riducendo emissioni e costi. Nel settore minerario, Fortescue coordina le attività industriali in base alla produzione di energia solare, riducendo del 9% la capacità energetica richiesta.

Esistono anche progetti che intervengono sull’efficienza dell’AI stessa: SPROUT, sviluppato da MIT e Northeastern University, riduce fino al 40% le emissioni dei modelli linguistici modulando la lunghezza delle risposte in base alla qualità ambientale dell’energia disponibile, dimostrando l’efficacia di un’AI “climate-aware”.

In sintesi, l’AI rappresenta una tecnologia dal doppio volto: se mal gestita può generare consumi elevati, ma applicata in modo intelligente diventa un alleato concreto per rendere più sostenibili le industrie e ottimizzare risorse ed emissioni.

L’AI che consuma e l’AI che genera efficienza

Per capire come trasformare l’intelligenza artificiale in un alleato della sostenibilità, bisogna osservare le applicazioni pratiche. Google Cloud descrive l’intelligenza artificiale come la capacità di riconoscere immagini, comprendere linguaggi, analizzare dati e generare raccomandazioni. Nella supply chain, queste funzioni colpiscono i punti in cui si annidano le più costose e inquinanti: errori umani, lentezze documentali, scorte mal gestite, percorsi di trasporto non ottimizzati.

È quello che sperimentiamo ogni giorno nella nostra filiera: in Supernova Hub abbiamo sviluppato una piattaforma AI, Lauri, che interviene sui flussi operativi della logistica — dalla gestione delle comunicazioni tra operatori alla verifica documentale — non per automatizzare tutto, ma per eliminare il lavoro manuale ripetitivo, frammentato e soggetto a errore, che è anche uno dei nodi più energivori della supply chain. Il risultato non è solo efficienza: è meno carta, meno rilavorazioni, meno risorse sprecate.

Quando l’AI automatizza i documenti, elimina migliaia di ore di lavoro manuale, riduce gli errori e limita l’uso di carta. Lo stesso accade con scorte, trasporti e manutenzione predittiva: attività dove il margine di ottimizzazione è enorme.

Secondo McKinsey, l’AI può ridurre significativamente i costi della supply chain e migliorarne la gestione. Il Lawrence Livermore National Laboratory stima che l’ottimizzazione di percorsi, scorte e manutenzione predittiva consenta una riduzione delle emissioni tra il 10 e il 20%. Quando questi benefici vengono inseriti nel bilancio complessivo dell’impatto ambientale, il conto torna: l’AI pesa, ma fa risparmiare molto di più.

L’AI utile contro l’AI generica: la vera discriminante della sostenibilità

La sostenibilità dell’intelligenza artificiale dunque non sta tanto nell’adottarla o meno, quanto nel modo in cui viene implementata. Sundar Pichai ha ricordato che il futuro dell’AI non riguarda la sostituzione degli esseri umani, ma il potenziamento delle loro capacità. È esattamente ciò che accade quando le aziende scelgono di utilizzare l’intelligenza artificiale in modo selettivo e strategico, concentrandosi sulle aree dove può generare valore reale. In questo approccio, l’AI non automatizza tutto, ma utilizza la potenza del machine learning per gestire eccezioni, individuare pattern e velocizzare le operazioni critiche, lasciando alle persone la supervisione e le decisioni strategiche. È il passaggio dall’AI generica all’AI utile: quella che ottimizza invece di complicare.

Il bilancio energetico: quando il carbonio diventa un investimento

La storia dell’AI è fatta di progressi continui che hanno aumentato sia la potenza dei sistemi sia la loro efficienza. IBM ricorda che, da Alan Turing a oggi, ogni salto tecnologico ha richiesto più risorse computazionali, ma ha anche permesso di affrontare inefficienze prima irrisolvibili.

È proprio qui che si gioca la sostenibilità: nel rapporto tra ciò che si consuma e ciò che si risparmia. Il bilancio è ancora più favorevole quando l’AI lavora su dati già presenti nei sistemi aziendali, come accade nella verifica del trasporto merci: non serve raccogliere nuove informazioni e l’impatto aggiuntivo sui consumi è minimo.

Verso un’AI sostenibile: come costruire un futuro responsabile

La direzione da seguire è molto precisa: per gestire l’impatto energetico dell’AI servono hardware più efficienti, algoritmi ottimizzati, standard di progettazione responsabili e una regolamentazione della filiera più stretta, che comprenda anche lo smaltimento etico delle apparecchiature. È una visione che coincide con le piattaforme di nuova generazione, progettate per ridurre il sovraccarico computazionale senza compromettere la qualità dell’analisi.

L’intelligenza artificiale non è un nemico né un alleato per definizione: è uno strumento. Il vero paradosso verde dell’AI non sta nella tecnologia in sé, ma nella capacità di trasformarne il potenziale energetico in valore reale per l’uomo e per il pianeta. Se adottata con intelligenza, modulata secondo criteri ambientali e integrata nei processi produttivi strategici, l’AI può diventare un motore di efficienza, un alleato concreto nella riduzione delle emissioni e un pilastro di sostenibilità industriale.

Il futuro sostenibile dell’AI non è un’utopia, è una scelta: scegliere dove intervenire, come misurare l’impatto, come ottimizzare ogni token, ogni percorso, ogni decisione.