AI ed energia: quando l’efficienza accelera i consumi invece di ridurli

Cosa è successo?

Il report AI / Data Center Power Demand: The 6 Ps Driving Growth and Constraints di Goldman Sachs mostra che la domanda elettrica dei data center globali (AI e non-AI) è destinata a crescere di circa +175% entro il 2030 rispetto al 2023, un aumento paragonabile all’aggiunta di un intero Paese tra i primi dieci consumatori di elettricità al mondo. All’interno di questo totale, la quota attribuibile all’AI salirà a circa 39% entro il 2030, rispetto a una stima precedente del 32%. Questo avviene nonostante enormi progressi di efficienza: il passaggio da GPU come NVIDIA A100 a B200 consente circa 15 volte più capacità di calcolo a fronte di soli 2× consumi energetici per server. Tuttavia, l’aumento del numero di server e l’estensione dei casi d’uso dell’AI fanno sì che la domanda aggregata continui a esplodere. Negli Stati Uniti, la crescita della domanda elettrica accelera al 2,6% annuo fino al 2030, con circa 120 punti base imputabili ai data center.

Perché è importante?

Il fenomeno conferma in pieno il paradosso di Jevons: l’efficienza riduce il costo unitario, ma proprio per questo espande l’uso complessivo più rapidamente. L’AI è entrata in una fase dominata dalla scala, in cui i guadagni di efficienza non frenano i consumi ma li amplificano. Il limite all’adozione dell’AI non è più la performance dei modelli o l’efficienza del silicio, bensì la capacità dei sistemi fisici di assorbire crescita: elettricità, reti, raffreddamento, suolo.

E adesso?

La competizione sull’AI si sposta dal piano algoritmico a quello infrastrutturale. Il vantaggio competitivo non andrà solo a chi sviluppa modelli migliori, ma a chi riesce ad assicurarsi accesso stabile a energia, reti e capacità di connessione. In altre parole, l’AI diventa un problema di throughput fisico e di pianificazione industriale: senza infrastrutture adeguate, anche i progressi più rapidi sul fronte dell’efficienza rischiano di rimanere inutilizzabili.