La crescita dell’intelligenza artificiale sta modificando la geografia energetica dell’economia digitale. Secondo l’International Energy Agency, nel 2025 i data center hanno consumato complessivamente circa 485 terawattora di elettricità. La proiezione centrale dell’Agenzia indica che la domanda potrebbe avvicinarsi a 950 terawattora entro il 2030, arrivando a rappresentare circa il 3% dei consumi elettrici mondiali.
Queste stime non descrivono un destino inevitabile. Evoluzione dell’hardware, disponibilità di energia, crescita della domanda ed efficienza dei sistemi possono modificare sensibilmente il risultato. Mostrano però perché il Green IT non possa più essere trattato come una semplice iniziativa reputazionale.
Misurare energia, emissioni e acqua è diventato un requisito per governare costi, capacità infrastrutturale e continuità dei servizi.
Indice degli argomenti:
L’impatto ambientale dei data center e delle infrastrutture IT aziendali
L’impronta di un data center deriva da componenti differenti. Server, acceleratori, sistemi di archiviazione e apparati di rete assorbono energia per elaborare e trasferire informazioni. Raffreddamento, illuminazione, distribuzione elettrica e gruppi di continuità aggiungono consumi necessari al funzionamento dell’impianto.
La valutazione deve considerare anche la provenienza dell’elettricità, l’acqua impiegata per il raffreddamento e le emissioni incorporate nella produzione dell’hardware. Due strutture con consumi identici possono quindi avere impatti climatici diversi, a seconda dell’efficienza operativa e del mix energetico disponibile nel luogo in cui operano.
La crescita dei consumi energetici nel settore IT e l’impronta carbonica delle imprese
La domanda non aumenta allo stesso modo in tutte le infrastrutture. I grandi data center, le strutture aziendali e le sale server locali presentano livelli differenti di utilizzo, ridondanza ed efficienza. Anche il comportamento delle applicazioni incide sul risultato. Un sistema sovradimensionato o scarsamente utilizzato può consumare energia pur producendo un valore operativo limitato.
Per comprendere l’impronta reale non basta misurare la potenza installata. Occorre associare i consumi al lavoro svolto, usando indicatori come transazioni elaborate, utenti serviti o quantità di dati processati. In assenza di questa normalizzazione, una diminuzione dell’energia può dipendere da un calo dell’attività, mentre un aumento può essere giustificato da una crescita proporzionale dei servizi erogati.
L’impatto dell’intelligenza artificiale generativa sulla sostenibilità digitale
L’addestramento e l’esecuzione dei modelli generativi richiedono infrastrutture dotate di acceleratori ad alta densità. Il consumo effettivo dipende però dalla dimensione del modello, dall’hardware impiegato, dalla durata dell’elaborazione, dal numero di richieste e dalle tecniche utilizzate per rendere più efficiente l’inferenza.
L’IEA prevede che i data center orientati all’AI crescano più rapidamente rispetto al resto del settore. Le stime devono comunque essere lette come scenari, non come misure certe. Miglioramenti nei chip, modelli più piccoli, quantizzazione, ottimizzazione del software e maggiore utilizzo delle risorse possono ridurre l’energia necessaria per ogni operazione, senza garantire una diminuzione dei consumi complessivi quando la domanda continua ad aumentare.
Quali sono le metriche fondamentali per misurare il Green IT
Nessun indicatore descrive da solo la sostenibilità di un’infrastruttura. Energia, emissioni, acqua, utilizzo dei server e qualità del servizio rappresentano dimensioni differenti, che devono essere osservate insieme.
Anche la definizione del perimetro è decisiva. Una metrica calcolata sull’intero impianto non è direttamente confrontabile con una riferita a una sola sala. Periodo di misurazione, condizioni climatiche, carico medio e metodologia impiegata devono essere dichiarati, altrimenti il confronto tra strutture rischia di diventare fuorviante.
Calcolare l’efficienza energetica con l’indicatore PUE, Power Usage Effectiveness
Il PUE è il rapporto tra l’energia complessivamente utilizzata dal data center e quella assorbita dagli apparati IT. Un valore pari a 1 rappresenterebbe una condizione ideale nella quale tutta l’energia alimenta direttamente le apparecchiature informatiche. Nella pratica il valore è superiore, perché parte dell’elettricità viene impiegata per raffreddamento e servizi ausiliari.
Un PUE basso indica una struttura efficiente, ma non dimostra che le risorse informatiche siano utilizzate bene. Un impianto può raffreddare in modo ottimale server quasi inattivi. Per questo il dato deve essere affiancato a misure sull’utilizzazione di CPU, GPU, memoria e storage, oltre che sulla quantità di lavoro effettivamente completata.
Carbon Usage Effectiveness, CUE, e Water Usage Effectiveness, WUE: la sostenibilità oltre l’energia
Il CUE mette in relazione le emissioni associate all’energia del data center con il consumo degli apparati IT. Il risultato dipende sia dall’efficienza dell’impianto sia dall’intensità carbonica dell’elettricità utilizzata. Una struttura efficiente alimentata da una rete ad alte emissioni può quindi presentare prestazioni climatiche peggiori rispetto a un impianto collocato in un’area con maggiore disponibilità di energia a basse emissioni.
Il WUE esprime invece il rapporto tra l’acqua utilizzata e l’energia consumata dagli apparati IT. La misurazione deve specificare se considera l’acqua prelevata, quella consumata direttamente dal sito o anche quella associata alla produzione di elettricità. PUE, CUE e WUE sono stati sviluppati come metriche complementari e non dovrebbero essere interpretati isolatamente.
Come ridurre i costi operativi aziendali ottimizzando l’infrastruttura tecnologica
Efficienza ambientale ed efficienza economica spesso coincidono, perché un’infrastruttura inutilizzata genera consumi e costi senza produrre valore. Non tutte le scelte sostenibili sono però automaticamente convenienti. Spostare un’applicazione verso un’altra regione può ridurre le emissioni o il prezzo dell’energia, ma aumentare latenza, traffico di rete e complessità operativa.
Le decisioni devono pertanto considerare il costo complessivo del servizio, includendo disponibilità, prestazioni e rischio di interruzione. Ridurre la capacità di riserva oltre un livello prudente può migliorare un indicatore energetico e, nello stesso tempo, rendere l’organizzazione più vulnerabile ai picchi di domanda o ai guasti.
L’eliminazione degli asset silenti e il corretto dimensionamento dei server: overprovisioning
Gli asset silenti comprendono server dimenticati, istanze inattive, ambienti di prova lasciati permanentemente accesi e volumi di archiviazione non più utilizzati. Individuarli consente di eliminare consumi evitabili, ma la dismissione non dovrebbe essere eseguita senza una mappatura delle dipendenze.
Una risorsa apparentemente inattiva potrebbe sostenere un processo periodico o una funzione di emergenza. Il rightsizing richiede quindi osservazione prolungata, soglie di sicurezza e possibilità di ripristino. Lo stesso principio vale per l’overprovisioning. Una certa capacità inutilizzata è necessaria per assorbire picchi e guasti; l’obiettivo non è eliminarla, ma mantenerla proporzionata ai requisiti del servizio.
I benefici finanziari ed ecologici della migrazione verso servizi cloud sostenibili
Il cloud può migliorare l’utilizzazione media dell’hardware e offrire infrastrutture più efficienti rispetto a molte sale server aziendali. La migrazione, tuttavia, non garantisce automaticamente una riduzione delle emissioni. Regione scelta, architettura, servizi utilizzati e quantità di dati trasferiti influenzano il risultato.
I benefici diventano più probabili quando il passaggio consente di eliminare capacità inutilizzata e di adeguare dinamicamente le risorse alla domanda. Devono comunque essere valutati i costi di rete, la dipendenza dal fornitore e i requisiti di sovranità dei dati. Anche le informazioni ambientali offerte dai provider possono seguire metodologie e livelli di granularità differenti.
Ottimizzare il Green IT e ridurre le emissioni grazie all’AIOps
L’AIOps può mettere in relazione telemetria infrastrutturale, consumi, prestazioni e comportamento delle applicazioni. Il suo contributo non deriva da una generica capacità dell’intelligenza artificiale di rendere sostenibile l’IT, ma dalla possibilità di individuare anomalie e inefficienze difficili da riconoscere attraverso analisi separate.
Questi sistemi non sostituiscono contatori, sensori o strumenti di gestione dell’infrastruttura. Utilizzano i dati disponibili per costruire previsioni e suggerire interventi. La qualità del risultato dipende quindi dalla completezza della telemetria e dalla capacità di distinguere tra un consumo anomalo e un incremento giustificato del carico.
Monitoraggio in tempo reale dei consumi energetici attraverso l’intelligenza artificiale
Sensori e sistemi di misurazione possono attribuire l’energia a rack, cluster o gruppi di apparecchiature. Integrando queste informazioni con le metriche applicative, diventa possibile individuare macchine che consumano più del previsto, processi inefficienti o variazioni termiche che anticipano un problema.
Il monitoraggio in tempo reale permette anche di valutare l’effetto di un intervento. Una modifica al raffreddamento o alla distribuzione dei carichi dovrebbe produrre un miglioramento osservabile senza degradare la qualità del servizio. L’analisi deve quindi comprendere prestazioni, disponibilità ed energia, evitando ottimizzazioni concentrate su una sola variabile.
Allocazione dinamica dei carichi di lavoro per azzerare gli sprechi infrastrutturali
I carichi flessibili possono essere differiti oppure spostati tra risorse e aree geografiche, tenendo conto della disponibilità di energia a basse emissioni. Sistemi di carbon-aware computing sono già stati sperimentati per programmare attività non urgenti nei momenti o nei luoghi più favorevoli.
“Azzerare” gli sprechi rimane però un obiettivo teorico. Continuità operativa, ridondanza e capacità di risposta richiedono un margine di riserva. Inoltre, non tutti i workload possono essere trasferiti liberamente a causa di latenza, sicurezza, costi di rete e residenza dei dati.
Come integrare le metriche di AIOps nei bilanci di sostenibilità e nei report ESG
Le dashboard operative non possono essere trasferite automaticamente nella rendicontazione aziendale. Un bilancio di sostenibilità richiede perimetri coerenti, metodologie dichiarate, fattori di emissione documentati e controlli sulla qualità delle informazioni.
Le metriche prodotte dall’AIOps possono alimentare questo processo quando origine, frequenza e trasformazioni dei dati sono tracciabili. Devono inoltre essere riconciliate con i criteri contabili utilizzati dall’impresa, distinguendo consumi misurati, valori stimati ed emissioni attribuite dai fornitori.
Automatizzare la raccolta dei dati sui consumi IT per le certificazioni ambientali
L’automazione riduce l’uso di fogli di calcolo manuali e consente misurazioni più frequenti. Per risultare affidabile deve conservare la provenienza dei dati, le unità di misura, le conversioni e gli eventuali interventi correttivi.
Particolare attenzione è necessaria negli ambienti ibridi. I dati raccolti direttamente nei siti aziendali possono avere una granularità diversa rispetto alle stime fornite dai servizi cloud. Aggregare questi valori senza descrivere le metodologie produce indicatori apparentemente precisi, ma difficili da verificare.
Dimostrare il ritorno sull’investimento, ROI, dei progetti Green IT con la manutenzione predittiva
Il ritorno di un progetto Green IT comprende l’energia evitata, la riduzione dei guasti, la maggiore durata degli apparati e i costi di implementazione. La manutenzione predittiva può contribuire individuando sistemi di raffreddamento, alimentatori o altre apparecchiature che stanno perdendo efficienza.
Il calcolo dovrebbe confrontare una situazione iniziale documentata con i risultati successivi, separando gli effetti del progetto dalle variazioni dei carichi e dei prezzi energetici. Un intervento è realmente efficace quando riduce l’impatto ambientale senza trasferire costi e rischi su altre parti dell’infrastruttura. PUE, CUE e WUE offrono punti di osservazione indispensabili, ma il Green IT diventa concreto soltanto quando queste misure orientano le decisioni quotidiane su capacità, applicazioni e continuità del servizio.
Bibliografia
International Energy Agency, Key Questions on Energy and AI – Executive Summary, 2026.
International Energy Agency, Energy and AI, 2025.
International Energy Agency, Energy Demand from AI, 2025.
The Green Grid, Water Usage Effectiveness: A Green Grid Data Center Sustainability Metric.
The Green Grid, Using CUE and WUE to Improve Operations in Your Data Center.
U.S. Department of Energy, Best Practices Guide for Energy-Efficient Data Center Design, 2024.
Joint Research Centre della Commissione europea, 2025 Best Practice Guidelines for the EU Code of Conduct on Data Centre Energy Efficiency.
Commissione europea, European Sustainability Reporting Standards, 2023.
Google, Carbon-Aware Computing for Data Centers e documentazione sulle regioni cloud a basse emissioni.
Keyword:
Meta description:
Partecipa alla community