Chartedì Y26W32 | Prompta responsabilmente (ma anche no)

Il grafico di oggi arriva da un white paper appena pubblicato da Watershed, la società di contabilità del carbonio più capitalizzata al mondo, e ci ricorda che non tutte le AI, e non tutte le sue modalità di utilizzo consumano allo stesso modo. Tra fare una domanda a un chatbot e lasciar lavorare un agente ci sono fino a 2'500 volte di energia.

E nonostante questo – anzi, proprio per questo – la conclusione resta quella dell’anno scorso: se state facendo qualcosa di utile, non è lì che dovete guardare per ridurre la vostra impronta carbonica.

Il Chartedì di oggi si legge da sinistra a destra in scala logaritmica. La scritta in fondo alla figura è la sintesi: più di cinque ordini di grandezza tra la classe di lavoro AI più leggera e quella più pesante: tra 1.5 millesimi di wattora e 500 wattora: c'è di mezzo il mare, anzi l’oceano, grande come un fattore 300'000.

Se restringiamo lo sguardo alle due cose che facciamo davvero tutti i giorni, il salto resta enorme: dal prompt a un chatbot (0.2–0.3 Wh) al flusso agentico (50–500 Wh) ci sono da 170 a 2’500 volte. Due o tre ordini di grandezza – dentro quella che chiamiamo, con le stesse pigre parole, “usare l’AI”.

Tenete a mente i due riferimenti che gli autori hanno messo apposta nel grafico. Il prompt classico non compare nemmeno vicino: ne servono una quarantina per pareggiare una ricarica di smartphone. Un flusso agentico pesante, invece, supera entrambe le soglie: 50–500 Wh equivale ad un intervallo che va da circa sei ricariche complete di uno smartphone a, se avete i capelli molto lunghi, un’asciugatura di capelli di una quindicina di minuti.

C’è poi una riga che vale la pena leggere due volte: i modelli di ragionamento. Secondo l’AI Energy Score di Hugging Face, citato nel white paper, un modello che “ragiona” consuma in media circa 30 volte più di un’inferenza standard, e nei casi peggiori arriva a 113 volte. È il prezzo energetico del pensare più a lungo prima di rispondere.

A dicembre, nel long form L’AI si sta mangiando il software…e anche un po’ di hardware, scrivevo che una quota crescente del codice delle grandi aziende tecnologiche era ormai scritta o suggerita da sistemi di AI – Microsoft dichiarava già circa il 30%. Allora il modello mentale era ancora quello del chatbot assistente.

Ormai, vista la frequenza con cui viene letto e scritto, è diventato ridicolo da dire, ma effettivamente in pochi mesi è cambiato il mondo. L’agentic coding non suggerisce: esegue. Legge il repository, scrive il codice, lancia i test, legge l’errore, si corregge, riprova, apre la pull request. Una singola richiesta umana, dice Watershed, può innescare da 5 a oltre 50 chiamate al modello, tra uso di strumenti, cicli di auto-verifica e catene di ragionamento multi-passo. Ed è esattamente per questo che quella barra in fondo al grafico è lunga così: non state facendo una domanda, state delegando un lavoro.

Il che rende la contabilità energetica quasi banale, se la si guarda dal lato giusto. Quei 500 Wh – nel caso più pesante – valgono un’asciugatura di capelli. Dall’altra parte del piatto della bilancia c’è una mattinata di lavoro di una persona: il pendolarismo per arrivare in ufficio, il portatile acceso, il caffè, e soprattutto le ore che quella persona può usare per fare altro. La domanda utile non è mai quanto consuma, ma quella che mi ero già posto a dicembre: cosa posso evitare di fare grazie all’AI?

Ma arriviamo al motivo per cui questo documento esiste. Per l’azienda che compra AI, quelle emissioni finiscono nello Scope 3, Categoria 1 (beni e servizi acquistati): non sono sue, sono del suo fornitore, ma le deve riportare nella propria impronta carbonica aziendale visto che investitori, revisori e regolatori hanno iniziato a chiederle.

Il framework propone tre livelli, in ordine di precisione crescente – ed è illuminante vedere quanto cambia la risposta a parità di comportamento. L’esempio del paper è una piccola società finanziaria con 100'000 dollari di spesa API annua e 17.6 miliardi di token.

Vi segnalo un unico dettaglio metodologico: il livello meno raffinato del framework, lo Spend Tier, moltiplica la spesa in AI per 0.134 kgCO₂e per dollaro 2023 preso da Open CEDA, cioè un fattore monetario costruito su un modello input-output – esattamente la famiglia di strumenti su cui lavoriamo con MARIO e nxsut in eNextGen. E infatti, come raccontavo nel Chartedì della settimana scorsa, i fattori monetari hanno una dispersione molto larga, anche rispetto a quelli fisici, perché sono mediati da un prezzo: Watershed lo ammette senza giri di parole, lo Spend Tier può discostarsi di molto rispetto alle stime più bottom-up.

Watershed è una società di San Francisco fondata nel 2019 che vende software per misurare e ridurre l’impronta carbonica delle aziende: valutata 1.8 miliardi dopo il Series C da 100 milioni di dollari guidato da Greenoaks, è la climate software company con la valutazione più alta al mondo, con clienti come BlackRock, Walmart e Spotify. Ma la cosa più significativa non sono i soldi: è chi ci lavora. Il capo scienziato è stato a lungo Sangwon Suh – oggi a Tsinghua e co-autore di questo white paper – uno dei padri dell’ecologia industriale e creatore di CEDA; prima di lui era passato Steve Davis (autore IPCC, oggi a Stanford), e dall’aprile 2026 il nuovo responsabile scientifico è John Bistline, quasi vent’anni all’EPRI e lead author del paper di oggi. Detto brutalmente: la frontiera della contabilità ambientale si è spostata dalle università alle aziende che vendono contabilità ambientale – e questo documento è più rigoroso di parecchia letteratura peer-reviewed sullo stesso tema.

Lo abbiamo già visto nel Chartedì sul condizionatore: il senso di colpa si posa sempre su ciò che è nuovo e rumoroso, mai su ciò che è vecchio e socialmente accettato. E se volete davvero sapere dove sta la vostra leva – quella vera, da tonnellate e non da grammi – ne avevo fatto la classifica in Quanto valore dai alle prossime generazioni: l’impronta di un italiano medio è di circa 6 tonnellate di CO₂ l’anno, e i prompt non compaiono nemmeno tra le voci di arrotondamento.

Poi, certo, l’agente non è il chatbot. Se siete utenti pesanti di agentic coding il conto smette di essere zero: una decina di sessioni al giorno per un anno di lavoro stanno tra le decine e le poche centinaia di chili di CO₂eq1. Reale, misurabile, ma ancora sotto il 6% dell’impronta di un italiano medio – e da confrontare con quello che quelle sessioni hanno sostituito, non con lo zero.

Il costo computazionale necessario per raggiungere una determinata prestazione nei modelli linguistici si dimezza circa ogni 8 mesi, mentre l’uso si sposta verso ragionamento, multimodalità e agenti. È Jevons in purezza, e il white paper lo cita in nota: abbassare il costo per query non abbassa il consumo totale, moltiplica i casi d’uso. Ad ogni modo, secondo un recente report delle Nazioni Unite, le proiezioni al 2030 vedono i data center consumare circa il 3% dell’elettricità mondiale.

Il problema più complesso non è globale, è locale. La quota mondiale dei data center – circa l’1.5% dell'elettricità globale, di cui uno 0.5% attribuibile all’AI – nasconde concentrazioni feroci nasconde concentrazioni feroci: in Irlanda i data center superano il 20% dell’elettricità nazionale, in Virginia un quarto e forse il 40%. E circa il 30% della capacità americana in programma prevede generazione behind-the-meter, per tre quarti a gas: elettricità che non passa dalla rete e quindi sfugge ai fattori di emissione standard. Con le conseguenze sulla qualità dell’aria di cui avevamo già parlato per Colossus a Memphis.

E c’è un grande buco di trasparenza. Il Foundation Model Transparency Index di Stanford documenta che la stragrande maggioranza dei modelli di frontiera non pubblica nulla di ambientalmente significativo. L’AI Act europeo (art. 53 e Allegato XI) obbliga i fornitori di modelli general-purpose a documentare il consumo energetico: vedremo.

Condividi

Il grafico di oggi serve a due cose che sembrano opposte e non lo sono:

1. Serve a dire alle aziende che “usiamo l’AI” non è più una risposta accettabile in un inventario di emissioni, perché sotto quella frase c’è un fattore 300’000 di variabilità, e che vale la pena imparare a contarlo adesso, con un’unità – il token – che coincide con quella che già usano per i costi.

2. E serve a dire a voi l’esatto contrario: che nel vostro bilancio personale quei numeri sono rumore. Che aver scoperto che un flusso agentico consuma duemila volte un prompt non è un motivo per usarlo di meno – è un motivo per usarlo bene, cioè per delegargli cose che valgono le ore che vi restituisce. Il senso di colpa individuale sull’AI ha lo stesso identico problema del senso di colpa sul condizionatore: è mal riposto, ed è soprattutto un modo elegante per non guardare dove stanno le tonnellate vere. Queste, vi ricordo, stanno per la stragrande maggioranza qui: consumo di elettricità da fonte fossile, riscaldamento domestico a gas, auto a diesel o benzina, viaggi in aereo, consumo di carne di bovino.

Se questo contributo ti è servito, ti sarei grato se potessi cliccare sul pulsante “Mi piace” ❤️ qui sotto! Aiuta più persone a scoprire questa pubblicazione e mi permette di capire cosa piace ai lettori.