Quando usate un assistente AI per scrivere un’email, tradurre un cartello o pianificare una tappa del vostro viaggio, l’acqua non compare da nessuna parte. Eppure il consumo esiste, perché dietro ogni risposta ci sono server che lavorano, si scaldano e devono essere raffreddati. L’acqua entra in gioco soprattutto in due modi: direttamente, nei sistemi di raffreddamento dei data center, e indirettamente, nella produzione dell’elettricità che alimenta quei server.
Dovremmo quindi sentirci in colpa per ogni domanda fatta al volo?
Forse il punto è capire dove si concentra l’impatto, perché i numeri che circolano sono così diversi, e quali scelte hanno davvero senso.
Idea chiave 💡
Non esiste un numero unico per il consumo d’acqua richiesto dalle AI. Dipende dal tipo di modello, dal data center, dal clima, dalla tecnologia di raffreddamento e da come si calcolano i confini (solo acqua in sede, oppure anche quella legata all’energia e alla filiera hardware).
Da dove arriva l’acqua usata dall’AI
Nei data center i server generano calore.
Per tenerli in un intervallo di temperatura sicuro si usano varie strategie: raffreddamento ad aria, sistemi a liquido, e spesso soluzioni evaporative (torri di raffreddamento o adiabatiche). Proprio l’evaporazione è il cuore del tema “consumo”: quell’acqua non torna disponibile nello stesso bacino idrico, almeno nel breve periodo. Inoltre, anche se un data center usasse pochissima acqua “in sede”, l’acqua può essere consumata a monte per produrre l’elettricità (per esempio nelle centrali termoelettriche che usano acqua per raffreddamento).
Un modo pratico per parlare di efficienza idrica è la metrica WUE (water usage effectiveness): mette in relazione quanta acqua viene consumata rispetto all’energia usata dall’IT. È utile perché ci ricorda una cosa semplice: ridurre sprechi energetici, scegliere sistemi di raffreddamento migliori e collocare i data center in luoghi meno stressati dal punto di vista idrico può fare una differenza enorme.
Training e uso quotidiano: due impatti diversi
Ci sono due fasi da distinguere. La prima è l’addestramento (training): far “imparare” a un modello enormi quantità di dati richiede molta potenza di calcolo per settimane o mesi. La seconda è l’uso quotidiano (inference): quando fate una richiesta e ricevete una risposta. L’addestramento è più raro ma può essere molto intenso. L’uso quotidiano, invece, è continuo e scalabile: miliardi di richieste sommate possono diventare un impatto rilevante anche se ogni singola richiesta sembra “piccola”.
Alcuni ricercatori hanno provato a tradurre questi ordini di grandezza in esempi comprensibili. In un lavoro molto citato, l’addestramento di un grande modello linguistico come GPT-3 in specifici contesti di data center è stato associato a consumi di acqua dell’ordine di centinaia di migliaia di litri per raffreddamento, e lo stesso filone di ricerca ha proposto stime “per conversazione” che hanno fatto discutere.
Occorre prenderle come indicatori, non come tachimetri: servono a capire il fenomeno, non a misurare il singolo prompt come se fosse una bolletta.
Perché i numeri “per prompt” cambiano tanto 🔢
Due stime possono essere entrambe in buona fede e lontanissime tra loro se una considera solo l’acqua “in sede” e l’altra include anche l’acqua legata all’energia, se una usa la mediana e l’altra la media, se i data center sono in climi diversi, oppure se cambia la tecnologia di raffreddamento (evaporativa, aria, liquid cooling).
Il contesto conta: clima, territorio, tecnologia
Il consumo d’acqua non è solo una questione di quantità, ma anche di luogo e di momento.
Un data center in un’area ricca d’acqua e con clima mite ha margini diversi rispetto a uno in un’area arida, in siccità, o che compete con agricoltura e uso civile. Ecco perché oggi si parla sempre più spesso di trasparenza: senza dati comparabili, è difficile capire dove l’espansione digitale sta creando tensioni reali sulle risorse idriche.
In parallelo, le aziende stanno sperimentando soluzioni per tagliare l’uso di acqua potabile. Per esempio Microsoft ha descritto una nuova generazione di data center progettata per consumare “zero acqua per il raffreddamento”, puntando su sistemi di raffreddamento a livello di chip e su approcci che evitano l’evaporazione. Sono passi interessanti, ma non eliminano automaticamente l’impatto complessivo: resta l’elettricità, resta la filiera hardware, e soprattutto resta la crescita della domanda.
Che cosa potete fare voi, in modo realistico
Se usate l’AI in viaggio o nel lavoro quotidiano, l’obiettivo non è smettere ma usarla meglio, come fate con l’acqua in una casa in montagna o in un ostello con risorse limitate. Prima cosa: evitate le richieste “a raffica” per tentativi. Spesso basta investire 20 secondi per scrivere una richiesta più chiara, con contesto essenziale e un output desiderato preciso.
Meno ping-pong, meno calcolo ripetuto.
Seconda cosa: quando potete, fate scelte “piccole ma frequenti”. Salvate le risposte utili (itinerari, liste, traduzioni) invece di rigenerarle più volte. Riutilizzate template. Se dovete generare testi lunghi, valutate di farlo in una sola sessione ben impostata, invece che in dieci micro richieste che ricalcolano continuamente. Terza cosa: per compiti semplici usate strumenti più leggeri. Non tutto richiede un modello enorme: una ricerca mirata, una nota scritta bene, un correttore, o un dizionario offline possono risolvere senza “accendere” un motore molto più grande del necessario.
Infine, un criterio da “viaggio lento”: chiedetevi se l’AI sta sostituendo un passaggio che fareste comunque, o se sta creando lavoro extra perché “tanto è facile”. Il secondo caso è dove si annidano gli sprechi digitali. È lo stesso meccanismo che vale per l’energia: quando qualcosa diventa più efficiente, rischia di essere usato di più e l’impatto totale non scende.
Tirando le somme
Il consumo di acqua AI non è un mito, è un fenomeno fisico legato a raffreddamento, energia e filiera. La buona notizia è che esistono leve tecniche (data center più efficienti, metriche come WUE, riduzione di acqua potabile, trasparenza) e leve quotidiane (meno rigenerazioni inutili, richieste più chiare, strumenti più leggeri quando bastano). S
e portate questo approccio nel vostro lavoro e nei vostri viaggi, fate già la parte più sensata: ridurre sprechi senza perdere utilità.
Per approfondire 🔍
- Studio sul “water footprint” dell’AI: Making AI Less “Thirsty” (Li et al., arXiv).
- Linee guida sulla metrica WUE: The Green Grid, White Paper #35.
- Report sintetico su acqua, AI e data center: Water use in data centre and AI report (UK).
- Soluzioni “zero water for cooling” (descrizione aziendale): Microsoft Cloud Blog.
- Approccio di Google sull’acqua nei data center: Google data centers: water.
Leave a Reply