CE - Paola Zubani - Quanto inquina l'Intelligenza Artificiale?

Introduzione

Hai mai pensato a quanto inquina uno scambio di battute fatto con un chatbot o un prompt fatto eseguire ad un agente?

Se la domanda ti ha mai sfiorato, probabilmente hai anche trovato qualche risposta, perché in rete ne girano parecchie, con tanto di grammi di CO2 o cucchiaini di H2O consumata.

Beh, la voce che ascolterai oggi è partita proprio da quella domanda e, dopo più di un anno passato tra report, analisi e articoli, è oggi qui con noi a darci una vera risposta. E spoiler: in stile Pensieri in codice, sarà una risposta scomoda.

Paola fa parte da anni della community di questo podcast, di mestiere è consulente in ambito sostenibilità e in questo episodio della serie Community Edition non ci darà semplicemente il classico numero da ripetere alla prima occasione.

Ti avviso: si tratta di un episodio più lungo del solito e piuttosto denso, perché di sigle e di acronimi ne incontreremo parecchi. Quindi, in descrizione trovi, tra le varie fonti citate, anche un mini glossario che potrà esserti utile.

Io però non voglio anticipare altro, quindi lascio la parola a Paola e noi ci risentiamo per la conclusione.

Buon ascolto!

La domanda giusta da porsi

Attenzione, questa parte dello script è stata generata dall’episodio utilizzando Whisper

Buongiorno a tutti, premetto che è più di un anno e mezzo che ho promesso a Valerio di preparare una puntata di pensieri in codice Community Edition.

Credo che il tutto sia nato da qualche mio intervento spot nel canale Telegram, cui ha fatto seguito un inoltro da parte mia di un’imponente mole di articoli, fonti, presentazioni, KPI sparsi, che io avevo raccolto e lo faccio tuttora per capire in modo serio quanto costa l’ambiente l’intelligenza artificiale. Valerio li ha ricevuti tutti e mi ha più o meno detto tutto bene, tutto bello, ma perché non ne parli tu anziché io? E quindi eccoci qui, con calma, dopo un anno e mezzo, forse anche di più.

Per chiunque non abbia vissuto in un armadio negli ultimi tre o quattro anni, a prescindere da quanto usi l’AI nella vita quotidiana e da quanto creda nel cambiamento climatico nel concetto di sostenibilità ambientale, il tema dell’impatto ambientale dell’AI è qualcosa di cui ha quantomeno sentito parlare. E il motivo per cui ho accettato volentieri di contribuire a pensieri in codice, e ringrazio Valerio per l’opportunità, è che questa tematica mi accende perché riguarda sia me come persona particolarmente sensibile al tema della sostenibilità ambientale e sociale, e da qui deriva l’entusiasmo, sia me come professionista, perché il mio lavoro è quello di consulente in ambito sostenibilità, e da qui deriva la competenza.

La me di un anno e mezzo fa aveva un obiettivo molto ambizioso dare numeri certi e argomentare come ci eravamo arrivati quante tonnellate di CO2 equivalente emette un’interazione con le AI quante in termini assoluti quanto un modello rispetto ad un altro e quindi ero lì che aspettavo l’ultimo report l’ultima analisi, l’ultimo paper, leggevo tutti gli articoli il problema è che mi sono resa conto che per queste domande potrebbe non esistere una risposta scientificamente affidabile così abbiamo concordato di provare ad abbassare un pochino l’asticella e ragionare in modo diverso anziché provare a dare un risultato o un’idea così stimata da perdere senso nella discussione proviamo a creare una sorta di cassetta degli attrezzi costruendo un linguaggio che oggi ci aiuta a ragionare partendo dall’AI ma che in realtà diventa applicabile a diversi altri ambiti del nostro quotidiano che è comunque un obiettivo ambizioso ma forse più utile sostanzialmente si tratta di leggere termini come carbon footprint o impatto sul cambiamento climatico o prodotto ecologico e capire da un lato che tipo di dati ci siano sotto dall’altro quanto sia attendibile quello che stiamo leggendo considerando che secondo il mio modesto parere le aziende sono ancora immerse nel pieno della comunicazione ambientale ingannevole spero di potervi regalare qualche briciolina di competenze in più per capire cos’è reale e cos’è fuffa Tornando alle origini di questa puntata sono partita da quanto inquina l’AI ai numeri assoluti e benchmark e sono arrivata a come si misura l’impatto ambientale di qualcosa e perché è così difficile stimare il reale impatto dell’AI sull’ambiente devo fare tre premesse importanti la prima è che parlerò di AI per semplificare ma tendenzialmente mi riferirò all’intelligenza artificiale generativa in qualsiasi declinazione perché è la sua diffusione su larga scala ad avere un impatto concreto e riscontrabile sulla tematica secondariamente voglio precisare che qualsiasi cosa dirò non vuole essere un giudizio o un attacco all’intelligenza artificiale in senso lato né includerò nel mio racconto gli impatti altri di questa tecnologia copyright, diritti umani, impatti sociali, privacy eccetera eccetera io proverò solo a spiegare qualche come, qualche quanto e qualche perché sugli impatti ambientali che inevitabilmente si porta dietro da ultimo devo fare un disclaimer relativo agli acronimi che inevitabilmente userò li devo usare tutti, cercherò di spiegarli anche più volte ma è possibile che comunque vi perderete come con i nomi del Silmarillion o nelle descrizioni della famiglia Buendia in Cent’anni di solitudine quindi prendendo spunto dai maestri se Valerio è d’accordo magari vi lascio un mini glossario per non perdere il filo

Cosa si intende per impatto ambientale (dell’AI)

Partiamo da un concetto relativamente facile cambiamento climatico versus inquinamento quando parliamo di cambiamento climatico facciamo riferimento alle conseguenze sul clima delle emissioni di gas serra che vengono normalmente espresse attraverso la cosiddetta carbon footprint o impronta carbonica misurata appunto in quantità di anidride carbonica equivalente o CO2 e emessa in atmosfera c’è una misura che tiene conto di tutti i gas serra convertendoli in un’unica unità quando invece parliamo di inquinamento ci riferiamo alla presenza di sostanze o agenti che danneggiano l’ambiente o la salute umana e possono impattare su aria acqua suolo e poi indirettamente sull’uomo qui rientrano le sostanze tossiche cancerogene e pericolose in genere poi ci sono altre tematiche importanti che possiamo includere in quelle legate a impatti ambientali la biodiversità l’acqua il consumo di risorse e consideriamo che alla fine tutti questi temi sono o possono essere interconnessi però i due che per la mia esperienza causano più confusione sono indubbiamente inquinamento e cambiamento climatico da qui la rapidissima incursione come accennato nel cosiddetto impatto ambientale di qualcosa rientrano entrambi questi aspetti ma attualmente come credo tutti abbiate percepite in maniera più o meno consapevole la tematica sicuramente più sentita e più urgente è quella relativa al cambiamento climatico non posso addentrarmi ma butto lì giusto due concetti che potete cercare online accordi di Parigi SDGs o sustainable development goals che sono quei 17 pittogrammi colorati che potremmo definire il prezzemolo del marketing dell’ultimo decennio obiettivo net zero al 2050 e il concetto di mantenere l’aumento delle temperature al di sotto di 1,5 gradi entro fine secolo rispetto all’era preindustriale spoiler non ci riusciremo

Tutti questi concetti nei quali non mi addentro ora per ovvie ragioni sono quelli che definiscono il quadro globale nel quale poi si incastrano alcune decisioni che hanno ripercussioni anche pratiche sul nostro quotidiano gli incentivi su alcune cose la messa al bando di altre le tasse sulle importazioni da determinati paesi gli aumenti delle bollette eccetera eccetera lasciamo tutto fuori e teniamoci stretto quindi il concetto che inquinamento e cambiamento climatico sono due cose correlate ma non sinonimi e aggiungiamoci che l’AI impatta su entrambi e anche su altri di quelli che ho citato ma lo vediamo dopo in modo diverso mentre sull’inquinamento il suo contributo è meno noto anche se rilevante sul cambiamento climatico è un contributo importante e soprattutto che sta crescendo in modo vertiginoso Ma come facciamo a dire che qualcosa contribuisce al cambiamento climatico e su che basi affermo che lei è un player importante?

La risposta è misurando le emissioni dei cosiddetti GHG, greenhouse gases, cioè i gas serra. Non esiste solo l’anidride carbonica, esistono anche altri gas come il metano, il protossido di azoto, alcuni gas fluorurati, eccetera, e ognuno di questi scalda l’atmosfera in modo diverso. Per poter confrontare le mele con le pere, entra in gioco il concetto di GWP cioè Global Warming Potential, o potenziale di riscaldamento globale. Il GWP è, semplificando molto, un fattore di conversione che ci dice a quante tonnellate di CO2 equivale una tonnellata di questo gas in termini di effetto sul clima? Così possiamo trasformare tutti i nostri gas serra in un’unica unità di misura, che è la CO2 equivalente o CO2e.

Quindi quando leggete che un prodotto, un’azienda o anche un modello di intelligenza artificiale emette 100 chili di CO2, non significa che abbia emesso solo anidride carbonica. Significa che tutte le emissioni di gas serra sono state convertite nell’effetto climatico equivalente a 100 chili di CO2. Infatti ci sono gas che hanno un impatto molto ma molto maggiore della ben più famosa anidride carbonica, il gas metano ad esempio, ma soprattutto alcuni gas refrigeranti come quelli usati nei condizionatori. E parliamo di un GWP che può variare enormemente da gas a gas. Alcuni gas refrigeranti ad esempio hanno un GWP anche mille volte superiore a quello della CO2.

Una volta trovata quindi questa metrica, che consente misurazioni e comparazioni, la domanda successiva è cosa stiamo misurando esattamente? Perché se l’affermazione emette 100 chili di CO2 equivalente è riferita a un prodotto o a un’azienda, c’è qualcosa di tangibile. Come un prodotto costa tot da un punto di vista economico, costa un tot altro anche dal punto di vista ambientale. E questo fila. Ma come facciamo a misurare l’impatto dell’AI in senso lato? È un po’ come chiedersi quanto impattano i trasporti? Quali? Quando? Perché distanza? Per quanto tempo?

Per chiarire questo punto torniamo quindi un attimo indietro all’azienda al prodotto. Con una serie di doverose premesse e necessarie stime, noi possiamo misurare le emissioni di un’organizzazione, di un prodotto, di una fase del ciclo vita oppure dell’intero ciclo di vita. Ed è qui che tiro fuori dal cappello come formule magiche acronimi come CFO, CFP, LCA ed EPD.

L’impatto dell’azienda nel suo complesso: la Carbon Footprint di Organizzazione

Partiamo quindi da cos’è una carbon footprint o impronta carbonica di organizzazione, CFO, e di prodotto, CFP. Controintuitivamente vedremo poi che nel caso dell’AI i dati più reperibili, anche se potremmo aprire una parentesi sia sul concetto di dati sia sull’aggettivo reperibili, sono quelli relativi alle carbon footprint di organizzazione. Immaginiamo una carbon footprint come un numero, appunto espresso in tonnellate di CO2 equivalente, che è il risultato di una serie di calcoli conditi con una buona dose di inevitabili stime. Parlando di organizzazione ci riferiamo a un’azienda nel suo complesso, quindi stiamo cercando di capire quanto un’azienda contribuisce al cambiamento climatico misurando il numero di tonnellate di anidride carbonica equivalente che butta o che fa buttare a qualcun altro, ma restano legate alla sua attività, in atmosfera. In un dato periodo di tempo che tipicamente, anche se non sempre, è un anno solare. Se il concetto di perimetro temporale è piuttosto facile da comprendere, ad esempio appunto un anno solare, l’espressione un’azienda nel suo complesso è molto più complicata. E ci vengono in aiuto due standard molto usati, che hanno dei punti in comune e delle divergenze, e che complicano non poco il quadro quando vogliamo comparare due aziende che hanno calcolato la propria impronta utilizzando l’uno o l’altro. Il protocollo GHG e la norma ISO 14064.

Non entriamo nei dettagli, ci basti sapere che questi due standard ci dicono come arrivare a questo risultato numerico che, secondo entrambi, è la somma di una serie di pezzettini di contributo. Il ragionamento di base per qualsiasi pezzettino sotto è ho un dato attività che può essere espresso in qualsiasi unità di misura, possono essere chili di qualcosa, pezzi di qualcos’altro, kilowattora di energia consumata, standard metri cubi di gas, metri cubi di acqua, eccetera, e lo devo moltiplicare per un fattore di emissione. Tendenzialmente in mezzo c’è qualche conversione, sempre per il discorso delle mere delle pere. Non ci addentriamo in tecnicismi, limitiamoci a un esempio basico. Prendo i litri di benzina consumati, eventualmente convertiti in un’unità di misura coerente con il fattore di emissione che ho, li moltiplico per il mio fattore di emissione e ottengo le tonnellate di CO2 equivalenti corrispondenti ai litri di benzina consumati. Questo lo potrei fare anche io cittadino per calcolare ad esempio l’impatto in termini di tonnellate di CO2 del viaggio tal dei tali, ed è l’informazione alla base dei ragionamenti sui claim di marketing delle agenzie di noleggio, delle specifiche delle auto, delle compagnie aeree, eccetera.

Il fattore di emissione deriva in alcuni pochi casi da calcoli o misurazione diretta, e lo vediamo dopo, ma la maggior parte delle volte sono stime provenienti da letteratura. Esistono database, molti sono proprietari, che contengono migliaia di fattori di emissione per le cose più disparate e ciascuno di questi ha o dovrebbe avere una scheda tecnica che spiega nel dettaglio come è stato calcolato, quando, che stime sottintende e le eventuali limitazioni correlate.

Sui fattori di emissione attenzione a tre cose. uno I fattori di emissione possono, e tendenzialmente succede, variare in base alla zona geografica. Quindi, ad esempio, il fattore di emissione associato a un kilowattora di energia elettrica in Spagna, in Francia, in Italia o in India non è uguale, ma variano anche nel tempo, non solo nello spazio. due Esistono alcuni database pubblici riconosciuti sui fattori di emissione più noti, ad esempio quelli legati al consumo di energia, di vettori energetici, ma la maggior parte sono privati e costosi e per nulla banali da consultare, ed è per questo che esistono aziende come quella nella quale lavoro io che fanno questo tipo di calcoli, perché la scelta del fattore di emissione è determinante per l’accuratezza del risultato. tre Spesso esistono fattori di emissione diversi, tutti ugualmente riconosciuti, per la stessa attività. Questo provoca un risultato potenzialmente molto diverso partendo dallo stesso dato attività.

Magari il fattore di emissione non si discosta tantissimo, ma il dato attività che viene moltiplicato è molto grande e quindi il delta sul risultato finale è altrettanto ampio. E sapere questo concetto è particolarmente rilevante quando si fanno delle comparazioni. Tornando quindi agli standard a cui possiamo far riferimento, partiamo dal protocollo GHG perché almeno come termini è il più diffuso. Il protocollo GHG divide le emissioni in tre grandi contenitori, lo scope 1, lo scope 2 e lo scope 3. Lo scope 1 include le emissioni dirette, quindi tutte le emissioni prodotte direttamente dall’azienda, il consumo di gas metano, tutti i carburanti, le emissioni di processo per alcune aziende e le perdite dei famosi gas refrigeranti che hanno, come ho detto prima, un impatto altissimo. Infatti siccome anche pochi chili di perdite di questi gas possono corrispondere a tonnellate di CO2 equivalente, devono per legge essere monitorati a cadenze specifiche.

Lo scope 2 include delle emissioni indirette legate all’energia importata. L’esempio più facile è il prelievo da rete di energia elettrica. Il concetto è non emetto direttamente io, azienda, ma qualcuno da qualche parte ha emesso per produrre l’energia elettrica che io sto consumando, quindi rientra nella mia impronta carbonica. E fin qui siamo alla parte facile. Poi, come la cavalleria,

arriva lo scope 3 quando ho definito il concetto di carbon footprint di organizzazione ho detto che l’azienda dovrebbe includere le emissioni che butta in atmosfera ma anche quelle che fa buttare a qualcun altro ma restano legate alla sua attività questa è una rappresentazione abbastanza accurata di cosa si intende per scope 3 secondo il protocollo GHG la ISO 14064 anziché usare il concetto di scope usa le categorie la 1 e la 2 sono assimilabili agli scope 1 e 2 mentre sostanzialmente le categorie le categorie dalla 3 alla della ISO 14064 sono il parallelo dello scope 3 nel complesso lo scope 3 comprende quindi tutte quelle emissioni indirette che avvengono lungo la catena del valore dell’azienda quindi sia a monte sia a valle del suo perimetro fisico non sono quindi le emissioni dirette dell’azienda né quelle legate all’energia che acquista che abbiamo visto essere lo scope 2 ma tutto quello che succede prima e dopo include la produzione dei beni che acquista i fornitori, i trasporti da e verso fornitori clienti lo spostamento casa lavoro dei suoi dipendenti la cosiddetta fase upstream dell’energia quindi quello che succede nella filiera per arrivare a produrre il famoso kilowattora consumato lo smaltimento il trasporto dei rifiuti aziendali fino al trasporto dei propri prodotti verso il distributore il consumatore il loro uso e la gestione del loro fine vita Ed è qui che il quadro diventa molto più complesso perché non stiamo più misurando solo quello che controlliamo direttamente ma tutto ciò che è collegato alla nostra attività di azienda.

Una delle cose che mi ha colpito quando ho cominciato a occuparmi di queste tematiche è trovare un fattore di emissione specifico per cose come il pernottamento in hotel nel dato paese o per i pasti mensa di un’azienda ma ovviamente si devono includere anche cose di cui è più facile capire l’impatto come la produzione delle materie prime o degli imballi o ancora stime complicate come le tonnellate di CO2 associate all’acquisto di infrastrutture e asset.

Significherebbe anche e uso il condizionale per una ragione che se ad esempio faccio fare una lavorazione un fornitore dovrei raccogliere il dato sui suoi consumi diretti indiretti ma solo per la porzione che ha usato per lavorare il mio prodotto. Se poi ci spostiamo su quello che avviene dopo che il prodotto è uscito dalla mia azienda dovrei calcolare anche l’impatto emissivo legato all’uso del mio prodotto se ne ha uno. Ad esempio se vendo macchinette del caffè dovrei stimare quanta CO2 emette ciascuna di queste nella sua fase d’uso presso l’utente nonché le emissioni legate al suo smaltimento a fine vita.

E c’è un’ultima complicazione che vale la pena conoscere. Anche sotto numeri apparentemente appartenenti allo stesso perimetro, quindi comparabili, possono esserci storie molto diverse. Prendiamo lo scope 2, cioè l’energia acquistata, tipicamente, come dicevo, elettrica. Le emissioni possono essere calcolate con due approcci diversi. Location-based considera un mix elettrico reale della rete da cui l’energia viene prelevata. Market-based, invece, tiene conto dei contratti di acquisto dell’energia e di strumenti come le garanzie d’origine, cioè i certificati che attestano l’acquisto di energia rinnovabile.

Entrambi gli approcci sono previsti dagli standard, ma i risultati possono essere molto diversi. Quindi un’azienda può mostrarci emissioni scope 2 molto basse, pur continuando a prelevare energia dalla stessa rete elettrica dell’anno precedente, semplicemente perché ha acquistato garanzie d’origine. Però possiamo intuitivamente capire che avere uno strumento contrattuale che attesta che la mia quota di energia prelevata dal distributore è stata scambiata con pari quota prodotta da qualche altra parte con energia rinnovabile, e prelevare meno energia da rete perché, ad esempio, ho un impianto fotovoltaico mio, non sono la stessa cosa. E lo stesso vale, su un piano diverso, per i crediti di carbonio. Probabilmente avrete sentito parlare di progetti di riforestazione associati o meno alla vendita di crediti di carbonio. Ma anche qui, compensare una parte delle proprie emissioni finanziando progetti di riforestazione o altri interventi climatici altrove, non significa avere messo meno. Significa aver scelto di compensare, almeno in teoria, una parte di quell’impatto.

È una distinzione importante, perché ridurre e compensare non sono la stessa cosa. Facciamo un parallelismo. Ridurre significa non peccare più. Compensare significa continuare a peccare, ma comprarsi le indulgenze per apparire senza macchia. E va benissimo per la quota di emissioni che non riesco più a ridurre? Non va bene se lo uso come scusa per lavarmi la coscienza.

Penso sia intuibile che mentre per quello che l’azienda controlla direttamente abbiamo un’attendibilità di un certo tipo più ci allontaniamo dal controllo diretto da parte dell’azienda più dobbiamo appoggiarci a stime fino a un certo punto a fare un cosiddetto cut off ed escludere alcuni di questi mattoncini perché diventano così aleatori da diventare non significativi penso che a qualcuno possa già essersi attivato qualche link pensando all’AI e in almeno due direzioni da un lato c’è un tema di azienda standard prendiamo un’azienda che fa software o che fa grafica o che fa comunicazione come fa a includere l’impatto dell’AI che è indubbiamente legato alla propria attività nella propria carbon footprint di organizzazione dall’altro c’è l’azienda proprietaria di modelli di ai come fa a includere la fase d’uso da parte degli utenti nella sua quindi in questa prima parte abbiamo definito spero cosa è una misurazione dell’impatto ambientale e abbiamo capito spero che non possiamo parlare seriamente dell’impatto dell’AI se prima non costruiamo un linguaggio comune e non definiamo l’oggetto della misura nella prossima parte proviamo a capire come interpretare quella misura

Cosa ce ne facciamo della CFO

Partiamo quindi dal numeretto che vediamo ad esempio sul sito di un’azienda o sul report di sostenibilità di Microsoft o di Google, per citarne un paio. Su cosa sia un report o bilancio di sostenibilità torno più avanti, ma a prescindere da dove si trovi questo dato relativo all’impronta carbonica, tutta la spiegazione fatta prima ci serve per capire come interpretare quel famoso numero. Se io leggo che un’azienda ha calcolato la sua carbon footprint di organizzazione e vedo un numeretto o un numerone, nel caso dell’azienda che ho citato, si pongono due temi. Il primo è che non abbiamo un’idea di quanto sia grande o piccolo quel numero in termini di benchmark.

2000 tonnellate? 20.000? 100.000? un milione Che arriviamo a cifre che fanno girare la testa o meno? Non sappiamo se quel numero sia tanto, sia poco, se l’azienda sia virtuosa o meno. Ma diamo questi numeri così cominciamo a metterli sul piatto. Microsoft dichiara circa 20 milioni di tonnellate di CO2 equivalente per il fiscal year 2025. Google circa 15 milioni. Io consumatore medio leggo i due report. Scherzo, nessun consumatore medio leggerebbe i due report. Mettiamo che legga un articolo che riporta i due numeri estratti dai report e mi dico che quindi Microsoft è peggio di Google. E questa è esattamente la trappola del numero assoluto.

Perché prima dovremmo sapere cosa stiamo confrontando. Stesso perimetro? Stessa metodologia? Stessa definizione di scope 3? Stessa dimensione delle aziende? Stesso modello di business? No. Non necessariamente quindi Microsoft è peggio di Google. Un numero assoluto ci dice poco, ma anche un trend sui numeri assoluti ci dice poco. Un’azienda potrebbe aver emesso il 10% per cento in più dell’anno precedente, ma aver prodotto e venduto cento volte tanto. Quindi in realtà il suo indice emissivo o indice di intensità emissiva è migliorato. Un indice emissivo è espresso come rapporto fra le tonnellate di CO2 emessa e un dato che per l’azienda è significativo, come le tonnellate di prodotto venduto, il fatturato, il numero di dipendenti medi. E questo numero, per ragioni diverse, può variare nel tempo. Se cala, tendenzialmente sono migliorato. Va approfondito il perché, ma in senso assoluto è un buon segno. Se cresce, tendenzialmente red flag. Anche in questo caso con una serie di però, però indicativamente non è un buon segno.

Il tema forse più rilevante è però legato al famoso concetto di perimetro considerato. Ad esempio, spesso in piccolissimo vicino al numeretto c’è una nota tipo limitata allo scope 1 e 2. Ecco, questa nota ci sta dicendo che l’azienda ha calcolato sì la sua impronta carbonica, ma coprendo, faccio una stima che vale per diversi settori in ambito produttivo, non per l’azienda di servizi, all’incirca il 10 15 per cento del suo impatto reale. Sostanzialmente, lo scope 3 o le categorie 3 6 della ISO 14064 per molte aziende rappresenta la quota preponderante, arrivando spesso al 70 80 per cento e in alcuni casi anche oltre del complesso delle tonnellate di anidride carbonica emesse. Quindi, mostrarci solo il pezzettino delle emissioni legate al consumo di energia e magari dirci che le emissioni di CO2 sono diminuite del 30% per cento perché è stato installato un impianto fotovoltaico, equivale a farci vedere solo la punta dell’iceberg. Non è intrinsecamente sbagliato o esecrabile. Un’azienda che calcola la sua CFO, anche se è limitata agli scope 1 e 2, fa comunque qualcosa di buono e spesso lo fa volontariamente. Però per noi che vediamo quel numero, la distinzione è rilevante.

Ma anche un’azienda che include lo scope 3 potrebbe fare delle esclusioni metodologiche significative. Se torniamo all’esempio che ho fatto prima, oggi praticamente tutte le aziende a livelli diversi hanno implementato strumenti di AI generativa nei propri processi. Ma difficilmente, per le stesse ragioni per cui è un anno e mezzo che devo registrare questa puntata, e cioè che anche volendo non ci sono dati, includono l’impatto dell’AI legato all’utilizzo dei servizi sottostanti, dai data center all’infrastruttura necessaria per farli funzionare.

L’impatto del prodotto: la Carbon Footprint di Prodotto e gli studi LCA

Come anticipavo, parlando di AI, per ora la CFO, cioè la carbon footprint di organizzazione, risulta un dato, virgolette, più reperibile, virgolette, rispetto a una CFP, che invece è una carbon footprint di prodotto. Calcolare una CFP significa calcolare l’impronta carbonica di un singolo prodotto o di una categoria di prodotti. Prendiamo un esempio facile. Un chilo di ottone prodotto da una specifica fonderia attraverso estrusione. Sostanzialmente si identifica una misura di riferimento definita unità funzionale di prodotto, si verifica se esiste una Product Category Rule, o PCR, che è una guida metodologica per la specifica categoria di prodotto, e si esegue un’analisi chiamata LCA, acronimo di Life Cycle Assessment, cioè una valutazione dell’intero ciclo di vita del prodotto.

Ho detto intero ciclo vita anche se anche in questo caso si possono fare delle scelte e dichiararle entrano quindi in gioco concetti come from cradle to grave dalla culla intesa come estrazione delle materie prime alla tomba quindi smaltimento a fine vita from cradle to gate dalla culla al cancello inteso come confine aziendale o from cradle to cradle quando il prodotto è progettato per rientrare in un nuovo ciclo ad esempio attraverso recupero o riutilizzo delle sue componenti attraverso lo studio LCA nel quale non posso tuffarmi sappiate solo che è molto bello molto complesso e tendenzialmente richiede software specifici per essere modellizzato si ottiene l’impatto emissivo in termini di tonnellate o chili o grammi di anidride carbonica equivalente per unità funzionale di prodotto insieme a un’altra corposa serie di dati legati a impatti su altri aspetti ambientali se torniamo all’esempio del chilo di barra di ottone significa calcolare quante emissioni di CO2 equivalente genera quel chilo di di quella specifica azienda con quella composizione e con quello specifico processo produttivo

potete immaginare che per arrivare a questo numero si debbano fare comunque molte assunzioni molte stime molti calcoli e che il numero in sé andrebbe sempre letto soprattutto se su quel numero vogliamo fare delle valutazioni specifiche insieme al dettaglio di tutti questi fattori perché è chiaro che una scelta da consumatore da azienda da stakeholder in genere basata su un’informazione metodologicamente non adeguata le mie esigenze è una scelta potenzialmente cieca Una precisazione rilevante perché abbiamo parzialmente switchato dal cambiamento climatico agli impatti ambientali in senso lato e la distinzione è importante.

Abbiamo detto che la CFO misura l’impatto emissivo di un’organizzazione mentre la CFP misura l’impatto emissivo di un prodotto. Per fare una CFO seguo uno degli standard che abbiamo menzionato prima, quindi il protocollo GHG o la ISO 14064. Per fare una CFP invece seguo la ISO 14067 che a sua volta si basa sui principi della famiglia di norme ISO 14040 relativa agli studi LCA.

L’LCA essendo uno studio del ciclo vita non valuta solo gli impatti ambientali associati alle emissioni di CO2, quindi non valuta soltanto le emissioni di CO2 in senso stretto, ma anche altri possibili effetti sull’ambiente. Ad esempio misura il consumo di risorse, l’uso di acqua e suolo, il potenziale di eutrofizzazione, l’acidificazione, l’esaurimento di alcune risorse, la tossicità per l’uomo, per gli ecosistemi eccetera. Queste sono categorie diverse che rispondono chiaramente a domande diverse. Quindi un prodotto può avere un impatto emissivo in termini di CO2 relativamente basso, ma avere un impatto significativo sul consumo di acqua sull’utilizzo di determinate materie prime o viceversa. Quindi avere un impatto emissivo molto alto, ma non impattare sugli altri aspetti ambientali. In ogni caso limitarsi, se si guarda all’impatto ambientale di un di un prodotto in senso lato, limitarsi alla sola CO2 equivalente racconta una parte della storia e non tutta. I risultati di uno studio essay possono poi infatti confluire, oltre che in una carbon footprint di prodotto che analizza solo il pezzettino di tonnellate di CO2, possono invece confluire in una EPD, Environmental Product Declaration, cioè una dichiarazione ambientale di prodotto.

Semplificando molto, l’EPD è come una sorta di carta di identità ambientale, cioè un documento che comunica gli impatti ambientali tutti calcolati secondo una metodologia definita e verificata da un ente terzo riconosciuto. Non è un bollino che dice questo prodotto è sostenibile o questo prodotto ecologico, ed è una distinzione fondamentale, quindi non dà un giudizio ma mette a disposizione dati confrontabili sugli impatti di quel prodotto lungo il suo ciclo vita.

Voglio spostarmi un attimo di lato e prendere come esempio un argomento che secondo me è oggetto di diverse discussioni e che alimenta un certo tipo di tifoseria quello dell’impatto ambientale dei veicoli elettrici rispetto a quelli a motore endotermico la legittima obiezione che ciascuno di noi in qualche momento della sua vita potrebbe aver sollevato o ricevuto sul tema è sì ok le macchine elettriche consumano meno ma la produzione in Cina l’elettricità prodotta con le centrali a carbone lo smaltimento delle batterie l’estrazione delle materie prime eccetera eccetera ecco sono stati fatti studi LCA le metodologie sono state cautelative cioè con lo scenario di produzione è peggiore per la macchina elettrica tipo energia elettrica da centrale carbone e comunque l’impatto dell’intero ciclo vita di un veicolo elettrico tipo rispetto a quello di un veicolo a motore endotermico tipo è mediamente migliore questo non ci dice che passare tutti all’elettrico sia automaticamente una buona idea o l’unica scelta giusta ma ci dice che alcune riserve possono essere accantonate perché seppure con tutti i limiti metodologici indicati prima sono infondate ma ci dice anche se mi sta a cuore un particolare aspetto ambientale posso andarmi a cercare anche in futuro i paper che usciranno sull’analisi appunto dei cicli vita di un veicolo rispetto a un altro ma parliamo di veicoli può valere anche per altri per altri aspetti e andarmi a confrontare eventualmente i risultati complessivi quindi magari non solo quelli in termini di tonnellate di CO2 ma quelli anche riguardo agli altri aspetti per verificare se per esempio un prodotto emette meno tonnellate di CO2 ma magari impatta tantissimo su un argomento che per qualche ragione a me sta particolarmente a cuore sul tema della mobilità elettrica se vi va di approfondire comunque vi consiglio una serie di puntate di Tutto connesso che è un podcast del Polimi

espressamente dedicate proprio al tema della della mobilità elettrica della transizione energetica ma in particolare della mobilità elettrica in tutte le sue sfaccettature economiche sociali impatti ambientali eccetera la cosa che spero invece vi possa lasciare questo mio molto più modesto episodio è qualche elemento in più per capire come leggere uno studio sull’impatto ambientale di qualcosa a cosa stare attenti e perché a guardare solo i risultati finali trascurando le indicazioni sulla metodologia potrebbe essere fuorviante

Torniamo all’AI: le variabili in gioco

Se ripercorriamo la puntata dall’inizio fino a qui, siamo partiti dal concetto molto ampio di impatto ambientale di cosa sia una misura in quell’ambito, per poi tuffarci nelle metodologie specifiche, sapere come quella misura viene generata e soprattutto conoscerne i limiti e le reali possibilità di confronto. Di base, la domanda da cui siamo partiti è quanto impatta davvero l’AI sull’ambiente. Il fatto è che quando parliamo di impatto ambientale dell’AI non stiamo parlando semplicemente di un prodotto fisico con una filiera facilmente delimitabile, ma di un ecosistema molto più complesso dove dobbiamo capire quali confini scegliere, quali dati abbiamo a disposizione e quali impatti vogliamo davvero misurare.

Attualmente parlare di un LCA, un EPD o una CFP completa e comparabile riferita all’AI è di fatto impraticabile. Intanto c’è un problema legato all’unità di riferimento. Per un prodotto fisico è abbastanza naturale, un chilo di ottone, una bottiglia, un’automobile. Nell’AI invece qual è l’unità funzionale? Una richiesta? Un token? Una conversazione? Un’immagine generata? Un’ora di utilizzo? Ognuna di queste scelte porta risultati diversi e nessuna oggi è universalmente riconosciuta come la più corretta.

Prima ancora di discutere dei numeri, quindi, manca un accordo su che cosa rappresenti davvero un’unità di AI. Ma pur scegliendo un’unità di riferimento i problemi non finiscono. Dovremmo sapere quale modello stiamo utilizzando, su quale infrastruttura gira, con quale hardware, in quale data center, alimentato da quale mix energetico, con quale livello di utilizzo di efficienza e quasi tutte queste informazioni semplicemente non sono pubbliche. E anche se lo fossero rimarrebbe la fondamentale domanda sul perimetro. Quali confini scegliamo? Vogliamo misurare solo la fase d’uso o consideriamo anche l’addestramento?

E la costruzione dei data center dove la mettiamo? La produzione dei chip, il trasporto, la manutenzione, il fine vita? Cioè tutto quello che abbiamo visto parlando di LCA, ma portato all’estremo. Quindi dopo tutto questo tempo mi aspetto che chiunque di voi legga qualcosa come una singola richiesta, un LLM, emette X ram di CO2 o peggio ancora emette come una lampadina da 80 watt lasciata accesa per un’ora, vada a cercare da qualche parte informazioni come la metodologia di calcolo, la base dati, le assunzioni, il perimetro. O quantomeno sia consapevole che è un’informazione così parziale da essere quasi inutile.

Le variabili in gioco quindi sono quelle che abbiamo menzionato, il tipo di modello e il task che gli stiamo chiedendo, la sua dimensione, cioè il numero di parametri, il tipo di output richiesto, il data center specifico in cui la richiesta viene processata, il momento della giornata, la rete elettrica locale a cui quel centro è connesso, la fonte energetica prevalente in quel momento. Siccome la maggior parte dei modelli oggi in uso sono modelli chiusi e le aziende che li producono non rivelano il numero di parametri, non dichiarano l’hardware utilizzato, non comunicano l’ubicazione dei data center e non forniscono dati puntuali sull’energia, fondamentalmente non ci sono dati attendibili neanche per fare stime.

Quindi, questi dati

Però dopo ormai quasi quattro anni dal lancio del primo ChatGPT possiamo comunque affermare qualcosa con ragionevole grado di affidabilità. Anche se non siamo ancora in grado di attribuire con precisione assoluta ogni kilowattora o ogni tonnellata di CO2 alle IA generativa, la direzione è chiara. La diffusione degli LLM ha determinato una crescita molto significativa dei consumi energetici dei grandi operatori cloud e, di conseguenza, delle loro emissioni.

I data center progettati per l’intelligenza artificiale hanno infatti caratteristiche molto diverse rispetto ai data center tradizionali, richiedono enorme quantità di GPU, assorbono molta più potenza elettrica e pongono anche sfide maggiori dal punto di vista del raffreddamento. e Il risultato è che proprio negli anni in cui l’AI generativa esplosa, aziende come Microsoft e Google hanno visto interrompersi o addirittura invertirsi il percorso di riduzione delle emissioni che avevano intrapreso per raggiungere i propri obiettivi climatici. E questa informazione non ce la dicono gli haters, le associazioni di consumatori o le ONG tipo Greenpeace ce la dicono direttamente le aziende attraverso il loro report di sostenibilità

non riesco a entrare nel merito se non facciamo davvero uno spin-off del podcast di Valerio però avevo accennato prima al report di sostenibilità e ho detto che avrei spiegato che cosa fosse quindi lo faccio, un report o un bilancio di sostenibilità è un documento che può essere volontario o obbligatorio a seconda dell’azienda, della nazione, del contesto che è sempre più diffuso perché come abbiamo visto all’inizio inizio della puntata ci sono dei target di sostenibilità globali che influenzano anche i finanziatori c’è un’attenzione da parte dei consumatori e un’azienda deve poter dimostrare i propri stakeholder e shareholder se sia allineato o meno a quei target quindi dentro quel documento l’azienda dovrebbe raccontare le sue prestazioni i suoi obiettivi, le sue strategie per raggiungerli tutta una serie di dati sostanzialmente un bilancio sostenibilità fondamentalmente contiene dei dati ambientali dei dati relativi agli aspetti sociali quindi le persone, la comunità locale eccetera e dei dati relativi alla condotta dell’impresa in senso più ampio e questi tre aspetti sono esattamente quelli che compongono l’acronimo ESG Environment Social Governance del quale potreste aver sentito parlare quindi se avete delle aziende a cui siete affezionati o che vorreste sabotare soprattutto nel mondo B2C quindi aziende che vendono ai consumatori potreste per curiosità vedere se pubblicano sul loro sito un bilancio di sostenibilità e cosa contiene così da vedere quanto le narrazioni di marketing siano effettivamente allineate ai dati sottesi ai dati delle aziende ma anche solo farvi un’idea di alcuni numeri anche sulle persone anche sulle risorse gestite e di alcune dinamiche che magari sfuggono dalla narrazione diciamo più commerciale Tornando però alle nostre aziende tech, e in particolare Big Tech, l’ultimo report pubblicato da Microsoft ci dice che ha aumentato le proprie emissioni del 29% per cento rispetto al 2020. Ma non solo. Microsoft, Amazon e Meta hanno dichiarato nel 2025, quindi su fiscal year 2024, un incremento del 150% per cento delle emissioni Scope 3 tra il 2020 e il 2023. Se ricordate cos’è lo Scope 3, si tratta sostanzialmente di tutto quello che succede prima e dopo le aziende, quindi servizi digitali, infrastrutture esterne, fornitori uso dei prodotti.

Oltre a queste dichiarazioni, rilasciate direttamente dalle aziende, ci sono altre fonti che si occupano di analizzare il consumo e le emissioni a livello globale, per verificare trend e allineamenti con gli obiettivi climatici appunto globali. Sia la sezione accademica dell’ONU, lo United Nations University Institute for Water, Environment and Health, che ha pubblicato uno studio sull’impatto dei modelli generativi, sia l’Agenzia Internazionale dell’Energia, IEA ci dicono non solo che i consumi delle AI e le emissioni relative stanno aumentando, ma anche che sta aumentando il tasso con cui aumentano, al punto che servono nuove infrastrutture per alimentarli e purtroppo le centrali più agili da costruire e attivare sono quelle a gas naturale. Ovviamente questo non significa che tutta questa crescita in termini di consumi emissioni sia dovuta esclusivamente agli LLM, perché sappiamo benissimo che dentro quei data center continuano a vivere moltissimi altri servizi cloud. Significa però che, anche secondo le stesse aziende, la principale causa dell’aumento è proprio l’espansione dell’infrastruttura necessaria a sostenere l’intelligenza artificiale generativa.

A questo punto qualcuno potrebbe obiettare sì, ma i modelli diventano continuamente più efficienti e questo è assolutamente vero, ogni nuova generazione di GPU, di algoritmi, di modelli riesce generalmente a far di più consumando meno. E chi si ricorda il concetto di indice emissivo a cui ho accennato nel corso dell’episodio potrebbe obiettare va bene le emissioni assolute aumentano ma magari il fatturato cresce ancora di più e quindi in proporzione l’azienda sta comunque migliorando.

Breve recap per chi non lo ricordasse, l’indice emissivo si calcola prendendo il valore assoluto di emissioni di CO2 e dividendolo per un denominatore che sia significativo per l’azienda. Poi si compare rispetto a un anno base o un periodo temporale anche più esteso e si verifica se aumenta negli anni significa che l’azienda performa peggio, cioè emette di più per singola unità funzionale. Se invece cala negli anni significa che sta efficientando.

Con tutte le limitazioni del caso, trattandosi di aziende tech, quindi non avendo noi un’unità funzionale come, non so, le tonnellate di prodotto, il denominatore più coerente in questo caso è il fatturato. Ed è un bene che non prendiamo un indicatore come il numero di lavoratori medi dell’azienda perché con i licenziamenti dell’ultimo periodo nelle aziende tech il risultato sarebbe ancora peggiore. Ecco, il punto non è solo che Microsoft Google o altre aziende del settore emettono più CO2 in termini assoluti. Il punto è che la crescita dell’infrastruttura dedicata all’AI è stata talmente rapida da rendere difficile migliorare gli indicatori relativi.

Sostanzialmente l’efficienza continua ad aumentare ma la domanda cresce ancora più velocemente. È il cosiddetto paradosso di Jevons L’efficienza riduce il costo unitario ma fa aumentare così tanto la domanda da far crescere il consumo complessivo.

Un’obiezione forse ancora più legittima è che l’AI non è solo LLM. Ad esempio, i modelli predittivi usati per la gestione delle reti elettriche, soprattutto con l’aumentare delle energie rinnovabili, sono diventati quasi insostituibili. Il problema è che stiamo mischiando due usi molto diversi dell’intelligenza artificiale e quello che ad oggi risulta avere un impatto non giustificato dai risultati è l’uso massivo e, diciamocelo, spesso ingiustificato, dei modelli linguistici di grandi dimensioni, reso possibile anche dal fatto che i modelli base sono gratuiti e accessibili a chiunque, non solo a chi ne fa un uso professionale, magari ponderato.

La scelta su questa porzione di impatto, quella legata alla fase d’uso, è totalmente in capo alla sensibilità del singolo, che legittimamente si dirà, cosa vuoi che sia una mia domanda a ChatGPT? E infatti la singola domanda non è nulla, il problema è il moltiplicatore. Il ragionamento del tipo l’AI è indispensabile per la transizione energetica, cioè la versione moderna del fa anche cose buone, è quello adottato dalle aziende anche nei ruolo nei loro report di sostenibilità, con una tecnica

da definire decisamente di greenwashing da manuale. Sposto l’attenzione sul fatto che l’AI viene usata per efficientare le reti, i modelli e in generale le prestazioni delle stesse aziende, promuovo e metto bene in evidenza che installerò un impianto fotovoltaico gigantesco nello stabilimento XYZ e poi mi dimentico, credo si sentano le virgolette, di menzionare che ho pianificato l’installazione di tre centrali a gas per alimentare i miei data center. Ogni riferimento non è affatto casuale, mi riferisco esplicitamente a quello che Microsoft ha detto rispetto a quello che ha

Non solo cambiamento climatico

omesso.

E non ci sono solo le emissioni di CO2 da considerare come avevo detto all’inizio del nostro viaggio sugli impatti ambientali ci sono anche altri impatti che vanno considerati sempre nei report di sostenibilità troviamo anche indicazioni ad esempio sul consumo di acqua che come penso sappiate è un altro tema scottante e non uso il termine a caso quando si parla di AI i data center infatti usano enormi quantità di acqua spesso potabile principalmente per il raffreddamento considerate che sempre da dati resi disponibili dalle aziende l’ascesa dell’AI generativa ha già portato a un aumento del consumo idrico del 20 per cento per Google e del 34 per cento per Microsoft il consumo di acqua per singola risposta esattamente come per l’aspetto emissivo non è facilmente stimabile però calcolate che da pochi millilitri si può arrivare anche fino a 100 millilitri per singola risposta quando si parla di modelli di grandi dimensioni Sull’acqua vi porto tre casi che secondo me sono significativi perché sconfinano un po’ anche sul tema degli impatti sociali connessi a quelli ambientali.

Un impianto di Microsoft a Goodyear in Arizona, zona soggetta a siccità e stress idrico, è stato stimato possa consumare fino a 212 milioni di litri di acqua potabile all’anno che sono l’equivalente del fabbisogno di 670 famiglie locali. A Mesa, Google ha ottenuto un permesso per un data center che può utilizzare fino a 5,5 milioni di metri cubi d’acqua all’anno pari al consumo di 23 mila abitanti. Nella regione dell’Aragona, Spagna, dove il 75% per cento del territorio è a rischio desertificazione, Amazon è stata autorizzata a usare oltre 775 mila metri cubi d’acqua all’anno, una quantità sufficiente a irrigare 233 ettari di mais, che è una delle principali colture locali. A emissioni acqua, che sono probabilmente i due impatti più noti, si aggiungono altri impatti ambientali, in particolare quelli legati alla catena a monte a valle dei data center, la produzione dei componenti, che come sapete comporta l’uso di terre rare e materie prime critiche per l’economia, anche al di là delle AI nonché il loro smaltimento a fine vita, e queste sono altre due tematiche decisamente rilevanti quando allarghiamo lo sguardo alla tecnologia AI nel suo complesso e agli impatti ambientali che questa inevitabilmente provoca.

Do dei dati, anche se ho detto che non avrei dato dati

Ora potrei lasciarvi con qualche idea di buone prassi come usa modelli piccoli o non fare con un LLM quello che puoi fare da solo o puoi evitare di fare o seleziona il fornitore più virtuoso anziché quello più performante o con il miglior rapporto qualità prezzo ma invece voglio comunque provare a lasciarvi dei numeri anche se ho speso una considerevole quantità di minuti a dire che i numeri per le conoscenze che abbiamo oggi lasciano un po’ il tempo che trovano lo faccio perché i numeri derivano dallo studio del braccio accademico dell’ONU che ho citato prima e non ci stanno dicendo quanto costa l’ambiente la mia singola query ma ci dicono quanto costa l’ambiente l’esistenza

1. La spesa in infrastrutture per addestramento e calcolo supererà nel 2026 i 2.500 miliardi di dollari, dei quali la maggior parte deriva dai costi per l’energia. Se i data center nel complesso fossero una nazione, il loro consumo stimato di 448 terawattora, cioè 448 miliardi di kilowattora, nel 2025 li collocherebbe all’undicesimo posto a livello mondiale, all’incirca alla pari con la Francia. Se li convertiamo in emissioni di CO2 equivalente, le IA impatterebbe sul clima tanto quanto le emissioni dell’intero Regno Unito nel 2025.

2. L’impatto sull’uso del suolo per l’infrastruttura informatica ed energetica potrebbe superare a fine decennio i 14 mila chilometri quadrati più o meno l’estensione dell’Irlanda del Nord. 3. Il consumo annuo dei data center è stimato in 9.300 miliardi di litri d’acqua, una quantità sufficiente a soddisfare il fabbisogno di acqua potabile degli 8,1 miliardi di abitanti della Terra per circa un anno e mezzo. È vero che si tratta di prelievo e non di consumo, perché viene reimmessa, ma una parte risulta comunque dispersa e soprattutto le falde e i sistemi fluviali accusano inevitabilmente il prelievo esasperato. 4. Secondo il report, il rapporto fra il costo ambientale di una ricerca tradizionale rispetto a una ricerca con le IA, media, è circa di 1 a 10.

3. Una risposta conversazionale consuma circa 200 volte più di una classificazione testuale. Generare un’immagine costa 60 volte più di una risposta testuale. Un breve video ad alta risoluzione può richiedere oltre 415 wattora, quanto 200 mila classificazioni di spam. E, da ultimo, la cosa forse meno nota, perché per mesi ci siamo sentiti dire che il training è impattante, ma poi la fase d’uso lo è sempre meno grazie all’efficienza dei modelli. Bene, dallo studio emerge che l’inferenza cuba da sola fra l’ottanta e il 90% per cento del consumo complessivo dell’AI.

Ovviamente sono numeri che presentano tutte le limitazioni che abbiamo menzionato per tutto questo tempo e sono riferiti ai dati 2025, quindi in futuro sicuramente cambieranno. Per questo non ha senso fissarsi un numero o dei numeri in testa, però ha senso, secondo me, pensare agli ordini di grandezza e anche all’impatto relativo di una cosa rispetto all’altra.

Conclusioni e fonti utili

Sono giunta alla fine di questo lunghissimo monologo e mi rendo conto di aver probabilmente lasciato più domande che risposte ma in realtà credo che su questo specifico tema sia l’approccio giusto vorrei però accompagnarle a un micro elenco di fonti affidabili su cui chi fosse interessato possa approfondirle direttamente intanto il lavoro di un ricercatore freelance attualmente residente a Oslo Ketan Joshi che ho sentito per la prima volta nel podcast Tech one savers e ha un suo sito ed è molto attivo anche su linkedin è una voce davvero lucida e informata sul tema poi per quanto riguarda dei dati il più possibile neutri a livello globale sicuramente lo studio che ho citato dell’ONU e i report periodici della IEA l’agenzia internazionale dell’energia sono fonti riconosciute e affidabili da consultare sui dati assoluti delle singole aziende l’unica fonte sono i loro report di sostenibilità con tutte le limitazioni del caso diciamo che possiamo seppur con le pinze ragionare sui numeri mentre la narrazione va ridimensionata perché se c’è una cosa di cui possiamo essere certi è che in termini di priorità gli obiettivi climatici e quelli di profitto nella lista delle priorità delle big tech giocano proprio in categorie diverse

a questi si aggiungono due riviste online italiane una è Agenda Digitale che probabilmente se lavorate in ambito tech conoscete e l’altra meno nota è Valori un hub editoriale collegato a Banca Etica e specializzato nei temi della finanza etica e dell’economia sostenibile quest’ultima Valori spesso ha articoli specifici sugli impatti di un po’ tutto ma torna spesso sulle IA sulla digitalizzazione in senso lato e anche sulla democratizzazione dell’accesso alla digitalizzazione e queste ultime due quindi Agenda Digitale Valori allargano lo sguardo anche agli aspetti sociali delle AI Se siete arrivati fino qui senza perdervi fra gli acronimi e le spiegazioni tecniche ma anche se vi siete persi a tratti ma siete comunque arrivati fino qui io vi ringrazio davvero per l’ascolto e ringrazio nuovamente Valerio per l’occasione spero che abbiate scoperto qualcosa di nuovo e che vi venga voglia di approfondire perché nonostante il minutaggio di cose che non ci sono state in questa puntata ce ne sono mille ciao Grazie, Paola, per il tempo

Conclusione

Grazie, Paola, per il tempo e la cura che hai messo in questo episodio, e complimenti per essere riuscita a rendere comprensibile un argomento così complesso: pieno di sigle, numeri e trappole.

E scusami tanto se ho impiegato tanto tempo a far uscire la puntata, ma è stato un periodo piuttosto intenso.

Qualche mese fa, nell’episodio 150, raccontavo che preferisco parlare per smontare le idee diffuse, piuttosto che per spiegare le cose e basta.

Ebbene, oggi Paola lo ha fatto egregiamente con un’idea che circola parecchio, cioè che l’impatto ambientale dell’Intelligenza Artificiale si possa riassumere in un numero, e al suo posto ci ha lasciato qualche domanda giusta in più da farci la prossima volta che leggiamo un dato o un’etichetta green.

Tutte le fonti citate di questo episodio - e il glossario promesso - le trovi in descrizione. Se invece vuoi discuterne direttamente con Paola, passa dal gruppo Telegram di Pensieri in codice, dato che, come ti ha raccontato all’inizio lei stessa, questo episodio è nato proprio da lì.

E se anche tu hai un argomento che ti appassiona e che pensi possa stare bene su questi microfoni, ricorda che la Community Edition è uno spazio pensato apposta per te.

Non serve essere esperti né avere un’attrezzatura professionale: è quasi come registrare un vocale e, in ogni caso, ci sono io a guidarti passo passo. Se ti va, scrivimi su Telegram o a valerio@pensieriincodice.it - mi raccomando, con due i - e ne parliamo insieme.

Prima di salutarci, ti ricordo che Pensieri in codice è un progetto indipendente e senza pubblicità, che porto avanti nel mio tempo libero e che si basa sulla filosofia del value4value. Se quello che hai ascoltato ti ha dato qualcosa - uno spunto, una riflessione o anche solo un momento di intrattenimento - puoi scegliere di restituire un po’ di questo valore.

Puoi farlo con il tuo tempo, condividendo l’episodio con qualcuno a cui pensi possa interessare. Con il tuo talento, come ha fatto oggi Paola, proponendo un episodio per la Community Edition o dando una mano al progetto. Oppure con il tuo tesoro, cioè con un piccolo supporto economico. Trovi tutti i riferimenti su pensieriincodice.it/sostieni.

A questo proposito, un grazie di cuore va sempre a Edoardo, Carlo e Cristian, che continuano a dare il loro supporto ogni mese.

Bene, per oggi direi che è tutto. Ancora un grazie a Paola, un grazie a te che hai ascoltato fino alla fine, e ci risentiamo al prossimo episodio, ma senza mai dimenticare che un informatico risolve problemi, a volte anche usando il computer.