Negli ultimi anni, l’intelligenza artificiale ha scalato le vette dell’agenda politica e aziendale, evolvendosi da una ricerca prevalentemente accademica a un’industria con trilioni di dollari in gioco. La domanda di energia dell’AI dipenderà, tra gli altri fattori, dalla velocità e dalla portata dell’adozione, che a sua volta dipende dall’utilità e dall’impatto dell’AI.
L’International Energy Agency (IEA) ha intrapreso un nuovo filone di lavoro sul nesso tra energia e AI più di un anno fa, culminato in una serie di attività chiave e risultati, tra cui questo report speciale. Nel dicembre 2024, si è tenuta presso la sede di Parigi la Conferenza Globale su Energia e AI, il più grande raduno internazionale sull’argomento fino ad oggi, riunendo politici, il settore tecnologico, l’industria energetica ed esperti internazionali. Questo evento ha gettato le basi per l’AI Action Summit, co-presieduto dal presidente francese Emmanuel Macron e dal primo ministro indiano Narendra Modi nel febbraio 2025, un evento a cui l’IEA ha fornito contributi cruciali. Questo report speciale fa avanzare ulteriormente la conversazione, rappresentando la prima analisi globale completa che esamina tutti gli aspetti dei legami tra energia e AI.
Indice degli argomenti:
AI come impresa globale
Le aziende utilizzano sempre più l’AI per una varietà di casi d’uso, dall’analisi dei dati e previsioni all’automazione dei processi, alla generazione e analisi di testi e alla sicurezza informatica. I sondaggi ufficiali sull’uso dell’AI nelle aziende evidenziano diverse tendenze interessanti. Innanzitutto, l’adozione dell’AI è in rapido aumento. Tra le grandi imprese nei paesi dell’Organizzazione per la cooperazione e lo sviluppo economico (OCSE), i tassi di adozione dell’AI sono aumentati da poco più del 15% nel 2020 a quasi il 40% nel 2024. In secondo luogo, esiste un divario significativo nei tassi di adozione tra piccole e grandi imprese, e questo divario sembra ampliarsi. In terzo luogo, i tassi di adozione dell’AI sono più elevati nelle aziende con sede in paesi a reddito più elevato.
L’AI è supportata da una catena di approvvigionamento globale altamente complessa, che include chip specializzati prodotti con macchine sofisticate, come le litografie ultraviolette estreme (EUV) di ASML, i cui sistemi ottici sono realizzati dalla tedesca Carl Zeiss. L’AI è quindi un’impresa globale, anche se alcune sue parti sono fortemente concentrate in determinate regioni.
Le capacità dell’AI si sono evolute rapidamente, con modelli e applicazioni che aggiungono costantemente nuove funzionalità, offrendo agli utenti strumenti che si avvicinano o addirittura superano le capacità umane in alcuni compiti e contesti.
La fame energetica dell’AI: i data center
L’investimento in nuovi data center è aumentato di quasi il 70% negli ultimi due anni a livello globale, con l’ascesa dell’intelligenza artificiale, insieme alla crescente digitalizzazione dell’economia globale, come uno dei principali motori. Questo rapido aumento degli investimenti nei data center sta sollevando preoccupazioni sulla capacità dei sistemi elettrici di soddisfare la crescente domanda in modo tempestivo, sicuro e sostenibile.
I data center, almeno nella scala attuale, sono attori relativamente nuovi nel sistema energetico globale, e la raccolta e la segnalazione dei dati sul loro consumo di elettricità rimangono limitate. Di conseguenza, vi è una notevole incertezza sia sul loro consumo attuale che futuro. Inoltre, i modelli di AI sono altamente eterogenei e i dati sulla loro adozione e intensità elettrica sono limitati. Ciò rende difficile analizzare il legame tra la domanda di AI e il consumo di elettricità dei data center.
Negli ultimi dieci anni, la crescita della domanda di elettricità per i data center è aumentata quasi quanto quella per i trasporti. Attualmente, pochissimi governi impongono la segnalazione e la pubblicazione di statistiche complete sul consumo di elettricità dei data center. Di conseguenza, tutti i dati sul consumo storico dei data center a livello globale sono il risultato di stime basate su una varietà di fonti, con diverse sfide e lacune, che, unite alla mancanza di definizioni comuni, portano a stime ampiamente divergenti, anche per il consumo storico.
La rapida adozione di GPU e altri design di server accelerati aggrava ulteriormente queste sfide, poiché i server accelerati sono molto più intensivi in termini di potenza rispetto ai server convenzionali. Di conseguenza, tutti i dati storici relativi al consumo globale di elettricità dei data center sono stime modellate, non dati misurati, e la gamma di stime è ampia.
Le previsioni del settore per variabili chiave, come la produzione e le spedizioni di chip e server, sono anch’esse a breve termine (tre-cinque anni), riflettendo il rapido ritmo dell’innovazione e le incertezze inerenti che circondano i principali fattori trainanti della domanda dei data center, in particolare l’adozione dell’AI.
L’approccio di modellazione dell’IEA si basa su una metodologia bottom-up sviluppata dal Lawrence Berkeley National Laboratory, utilizzando le spedizioni di apparecchiature IT come motore chiave della domanda di energia dei data center. L’aumento dell’AI sta accelerando la diffusione di server accelerati ad alte prestazioni, portando a una maggiore densità di potenza nei data center. Comprendere il ritmo e la portata dell’adozione degli acceleratori è fondamentale, poiché sarà un determinante chiave della futura domanda di elettricità.
Ottimizzazione e sostenibilità dell’AI
L’intelligenza artificiale si sta diffondendo in varie parti del sistema energetico globale, dove le applicazioni di AI sono adatte a soddisfare un’ampia gamma di obiettivi, tra cui la riduzione dei costi, l’integrazione di una quota crescente di energie rinnovabili variabili, la maggiore efficienza dei sistemi, il miglioramento dell’approvvigionamento di combustibili, la garanzia di una manutenzione tempestiva delle infrastrutture e la riduzione delle emissioni.
L’AI può ridurre i costi operativi e di manutenzione (O&M) degli impianti di generazione di energia fino al 10%, con un risparmio annuo di circa 40 miliardi di dollari.
Nel campo della gestione della rete, l’AI può migliorare la previsione della domanda e dell’offerta, ottimizzare il flusso di potenza e migliorare la stabilità e l’affidabilità del sistema. L’applicazione più significativa dell’AI nella gestione della rete deriva dalle applicazioni operative a breve termine.
Una delle limitazioni significative del fare affidamento esclusivamente sull’AI è che non fornisce processi decisionali trasparenti e verificabili, come richiesto dalle normative. L’implementazione richiede un’attenta integrazione umana, poiché l’AI eccelle nell’analisi di set di dati e nel riconoscimento di pattern, ma non può replicare completamente il giudizio umano in decisioni operative complesse.
L’integrazione di team dedicati con competenze sia nel sistema energetico che nella scienza dei dati potrebbe affrontare i problemi di qualità dei dati e accelerare l’adozione dell’AI. Quadri normativi potrebbero evolvere per includere incentivi che premiano una migliore utilizzazione della capacità della rete mantenendo gli standard di affidabilità.
L’AI ha un ruolo cruciale nell’ottimizzazione del consumo di energia nei settori di utilizzo finale, come l’industria, i trasporti e gli edifici, che insieme rappresentano circa il 95% della domanda globale di energia per uso finale. Nell’industria, l’AI può migliorare molte fasi della produzione, ma l’ottimizzazione dei singoli processi o dell’intero processo produttivo ha l’impatto più diretto sulla domanda di energia.
L’AI può ridurre il consumo di energia nei sistemi di vapore, migliorare l’efficienza energetica attraverso l’ottimizzazione in tempo reale e ridurre le variazioni di qualità nei processi di produzione. Nei trasporti può ottimizzare le rotte, migliorare l’efficienza del carburante e supportare lo sviluppo di veicoli autonomi. Negli edifici può ottimizzare i sistemi HVAC (riscaldamento, ventilazione e condizionamento dell’aria), ridurre gli sprechi energetici e migliorare il comfort degli occupanti.
L’AI come catalizzatore dell’innovazione energetica
L’AI ha il potenziale per accelerare l’innovazione tecnologica nel settore energetico, come evidenziato dal successo di AlphaFold nella previsione della struttura delle proteine. Tuttavia, è necessario prestare attenzione nell’estrapolare i successi dell’innovazione da un settore (biomedicina) a un altro (energia).
L’AI può contribuire all’innovazione energetica in diverse fasi:
- l’identificazione di nuovi materiali,
- l’ottimizzazione dei processi
- la riduzione dei tempi di ricerca.
Nel campo delle batterie, l’AI può accelerare la scoperta di nuovi materiali per gli elettrodi e gli elettroliti, migliorare la progettazione delle celle e ottimizzare i processi di produzione.
Nella catalisi può accelerare la progettazione e la scoperta di nuovi catalizzatori per processi come la produzione di combustibili sintetici e la cattura del carbonio.
Per i materiali per la cattura del carbonio può aiutare a identificare nuovi sorbenti e ottimizzare i processi di cattura. Nella produzione di cemento può essere utilizzata per modellare la resistenza di nuove miscele di cemento e ottimizzare la sostituzione del clinker, riducendo sia le emissioni che il consumo di energia.
Nei reattori a fissione nucleare può migliorare la progettazione dei materiali, ottimizzare la geometria del reattore e semplificare i processi operativi.
Implicazioni politiche e investimenti
È necessario compiere maggiori sforzi per ridurre l’ampia divergenza nelle proiezioni della domanda di elettricità dei data center e fornire a tutti gli attori gli strumenti necessari per prendere decisioni informate. È fondamentale stabilire metodologie comuni per proiettare il consumo di elettricità dei data center e migliorare la disponibilità di dati per l’analisi e il processo decisionale. I settori tecnologico ed energetico devono collaborare per sviluppare e condividere metodologie e definizioni comuni. I governi possono incentivare la raccolta e la pubblicazione di dati critici, come le spedizioni di server, la potenza IT installata e la pipeline di progetti di data center.
L’impatto netto dell’AI sulle emissioni è ancora incerto e complesso da quantificare, a causa della mancanza di indicatori credibili, della natura sconosciuta delle future applicazioni di AI e dell’incertezza sugli effetti di rimbalzo.
Il report di IEA adotta un approccio esplorativo per stimare l’impatto dell’AI sulle emissioni, considerando sia le emissioni dirette che indirette. Nel caso di adozione diffusa, l’industria e i trasporti hanno il maggiore potenziale di riduzione delle emissioni entro il 2035, sebbene tali riduzioni rimangano intorno al 4% del totale.
La transizione verso un futuro energetico guidato dall’AI richiederà lo sviluppo di nuove competenze e la riqualificazione della forza lavoro nel settore energetico. È necessario affrontare le specifiche problematiche dei mercati emergenti e delle economie in via di sviluppo, dove le infrastrutture digitali e le competenze in AI potrebbero essere meno avanzate. L’ascesa dell’AI avrà implicazioni significative per gli investimenti nel settore energetico, guidando la domanda di nuove infrastrutture per i data center e di soluzioni di AI per l’ottimizzazione energetica e l’innovazione tecnologica.
