Autori: Alessandra Bonfiglioli, Rosario Crinò, Mattia Filomena e Gino Gancia
Quantificare l’impronta di carbonio dell’IA è un compito sempre più urgente. I decisori politici stanno discutendo se l’aumento della domanda di elettricità legato all’IA metterà a repentaglio gli obiettivi di decarbonizzazione. Si prevede che i data center, l’infrastruttura principale a supporto dei modelli di IA, rappresenteranno l’8% della domanda di elettricità degli Stati Uniti entro il 2030, rispetto al 3% del 2022 (Davenport et al. 2024). Sono state espresse preoccupazioni sul fatto che questo aumento di potenza possa ritardare la dismissione delle centrali a carbone. D’altro canto, l’IA e le industrie digitali vengono spesso promosse come tecnologie “green” in grado di aumentare l’efficienza e ridurre le emissioni.
Studi sulle passate ondate di digitalizzazione (ad esempio Lange et al. 2020) hanno dimostrato che, sebbene le ICT possano ridurre alcune forme di spreco, l’effetto complessivo è stato spesso un aumento del consumo di energia. Più recentemente, il cryptomining è stato collegato a un aumento dei prezzi dell’elettricità a livello locale (Benetton 2023), ed è in corso un dibattito sulla possibilità che l’espansione dei data center costringerà le reti a fare affidamento più a lungo sui combustibili fossili (Electric Power Research Institute 2024, Knittel et al. 2025).
In uno studio recente (Bonfiglioli et al. 2025), contribuiamo a questo dibattito fornendo prove sistematiche su come la diffusione dell’IA abbia influenzato le emissioni negli Stati Uniti negli ultimi due decenni. I nostri risultati suggeriscono che la promessa “green” dell’IA rimarrà sfuggente finché il settore elettrico stesso non sarà rapidamente decarbonizzato.
Un nuovo set di dati che collega intelligenza artificiale, data center e centrali elettriche
Per condurre l’analisi, abbiamo assemblato un nuovo set di dati che collega IA, emissioni e ubicazione di data center e centrali elettriche in 722 zone di pendolarismo degli Stati Uniti tra il 2002 e il 2022. Questo periodo coincide con l’ascesa dell’economia digitale, del cloud computing e delle prime applicazioni dell’IA. Per catturare l’impronta di carbonio di questi fenomeni, definiamo l’IA come algoritmi applicati ai big data e ne misuriamo la penetrazione utilizzando le variazioni dell’occupazione in professioni ad alta intensità di dati – sviluppatori di software, data scientist, analisti di sistema e professioni informatiche correlate – identificate dal database O*NET (vedi Bonfiglioli, Crinò, Gancia e Papadakis 2024, 2025).
Successivamente, mappiamo la posizione geografica di oltre 2.000 data center e li colleghiamo alle centrali elettriche vicine e al loro mix di combustibili. Infine, misuriamo le emissioni dal dataset ad alta risoluzione Vulcan (Gurney et al. 2009, 2025), che traccia la CO2 derivante dalla combustione di combustibili fossili per settore e posizione, integrato da dati satellitari su altri inquinanti.
La Figura 1 presenta mappe a colori che mostrano come l’occupazione in professioni ad alta intensità di dati (pannello a) e le emissioni di CO2 (pannello b) variano nelle zone di pendolarismo degli Stati Uniti, con i colori più scuri che rappresentano livelli più elevati di adozione o emissioni nel periodo di campionamento. I triangoli rossi indicano anche l’ubicazione dei data center. La figura mostra che le aree con più lavoratori in professioni ad alta intensità di dati tendono ad avere emissioni più elevate e hanno maggiori probabilità di ospitare almeno un data center. Tuttavia, questa correlazione non può essere interpretata come prova causale, poiché sia l’IA che le emissioni potrebbero essere guidate simultaneamente da altri shock.
Figura 1 Occupazioni ad alta intensità di dati, data center ed emissioni di CO2
Note : il pannello (a) mostra la quota di occupazione di professioni ad alta intensità di dati in ciascuna zona di pendolarismo nel 2022. Il pannello (b) mostra le emissioni totali di CO2 in ciascuna zona di pendolarismo per lo stesso anno. I colori più scuri rappresentano livelli più elevati di adozione di professioni o emissioni ad alta intensità di dati nel periodo di campionamento. I triangoli rossi indicano la presenza di un sito di data center.
Per affrontare il fatto che l’adozione dell’IA potrebbe essere influenzata dalla domanda locale o dalle tendenze di produttività, utilizziamo uno strumento shift-share (Bartik). Nello specifico, identifichiamo le zone di pendolarismo esogenamente più esposte all’arrivo dell’IA, in quanto quelle storicamente specializzate in settori che hanno registrato una crescita più rapida delle professioni ad alta intensità di dati rispetto al Paese nel suo complesso.
L’effetto dell’intelligenza artificiale sulle emissioni
La nostra analisi produce quattro risultati chiave. In primo luogo, l’IA rallenta la transizione verde a livello locale. Le località specializzate in settori con una crescita più rapida dell’occupazione ad alta intensità di dati hanno registrato un calo significativamente più lento delle emissioni di CO2 (Figura 2). In media, le emissioni sono diminuite del 16% nel periodo 2002-2022. Al contrario, in un’ipotetica area di pendolarismo in cui non fosse stata registrata alcuna penetrazione dell’IA, le emissioni di CO2 sarebbero diminuite del 37% in più rispetto alla media. Sebbene questi dati non debbano essere interpretati come esercizi controfattuali, poiché gli effetti a livello nazionale sono differenziati nella nostra strategia empirica, suggeriscono comunque che la penetrazione locale dell’IA aumenta le emissioni rispetto alle aree meno esposte.
Figura 2 Penetrazione dell’intelligenza artificiale, emissioni di CO2 e produzione di elettricità
Note : La figura presenta coefficienti stimati e intervalli di confidenza al 90% per gli effetti della penetrazione dell’IA su vari tipi di emissioni e sulla quota di energia non rinnovabile nella produzione netta di energia elettrica. Il campione di stima include 722 zone di pendolarismo osservate in quattro periodi di 5 anni dal 2002 al 2022.
In secondo luogo, la crescita delle emissioni è dovuta principalmente a un effetto scala. Scomponendo i fattori che determinano le emissioni in scala, composizione e tecnica (alla Levinson 2009), scopriamo che l’espansione dell’attività economica locale è il canale principale attraverso il quale l’IA influenza le emissioni. Le aree specializzate in settori con una crescita più rapida dell’occupazione ad alta intensità di dati hanno attratto più lavoratori e aziende, aumentando la produzione totale e quindi il consumo di energia (Figura 2). I cambiamenti nella composizione industriale hanno ridotto modestamente, anziché aumentare, le emissioni.
In terzo luogo, la produzione di energia elettrica sta diventando più intensiva in termini di emissioni di carbonio. Anche dopo aver controllato la scala, le emissioni pro capite derivanti dalla produzione di energia sono aumentate nelle aree con una maggiore penetrazione dell’IA (Figura 2). Ciò accade perché le centrali elettriche situate in aree più esposte convertono la produzione di energia elettrica da fonti rinnovabili a fonti non rinnovabili (Figura 2). Ciò conferma le preoccupazioni secondo cui la domanda di energia generata dalle applicazioni di IA e dai data center è soddisfatta principalmente da impianti a combustibili fossili, che possono garantire la fornitura stabile e continua richiesta dall’elaborazione ad alte prestazioni.
Il nostro quarto e ultimo risultato è che la posizione dei data center è importante. Poiché l’elettricità non può essere facilmente immagazzinata su larga scala, la rete deve bilanciare domanda e offerta in tempo reale. Dati gli elevati costi di perdita di trasmissione, le centrali elettriche sono influenzate dalle fonti di domanda vicine, in particolare dai data center che richiedono una fornitura elettrica stabile e ad alta capacità. Coerentemente, riscontriamo che la vicinanza ai data center è associata a maggiori emissioni di CO2 e a un maggiore ricorso a fonti energetiche non rinnovabili da parte delle centrali elettriche (Figura 3).
Figura 3 Distanza dai data center e dalle attività delle centrali elettriche
Note : la figura presenta coefficienti stimati e intervalli di confidenza al 90% per gli effetti della distanza media delle centrali elettriche dai data center sulle diverse attività delle centrali. Il campione di stima è costituito da 11.500 centrali elettriche osservate in quattro periodi di 5 anni dal 2002 al 2022.
Conclusioni
Questi risultati mettono in luce una preoccupazione spesso espressa dagli analisti climatici: in assenza di una transizione più rapida del settore energetico verso fonti a basse emissioni di carbonio, la diffusione dell’intelligenza artificiale può rallentare o addirittura invertire i recenti progressi nella riduzione delle emissioni.
In particolare, il nostro studio copre il periodo 2002-2022, un periodo precedente all’esplosione dell’IA generativa. Sebbene i promessi guadagni di efficienza derivanti da queste nuove tecnologie possano in futuro contribuire a decarbonizzare l’economia, l’addestramento e l’esecuzione degli attuali modelli linguistici di grandi dimensioni richiedono un dispendio energetico molto maggiore rispetto alle precedenti applicazioni di IA rilevate nei nostri dati. Se non accompagnata da ingenti investimenti in energia pulita, la prossima ondata di IA potrebbe quindi avere impatti sulle emissioni a breve termine ancora maggiori.
La nostra ricerca evidenzia una scomoda verità: la trasformazione digitale e la decarbonizzazione non possono essere trattate come obiettivi separati. La diffusione dell’intelligenza artificiale incarna una classica sfida del progresso tecnologico: le innovazioni che promettono guadagni di efficienza a lungo termine possono, nel breve periodo, aumentare le esternalità ambientali espandendo la domanda di energia. La soluzione non è rallentare l’intelligenza artificiale, ma accelerare la transizione verso l’energia pulita. Ciò potrebbe richiedere incentivi per hardware più efficiente dal punto di vista energetico, l’ubicazione di data center in regioni con abbondante capacità di energia pulita e il rafforzamento delle infrastrutture di trasmissione. Senza questo allineamento, la corsa ad algoritmi sempre più potenti potrebbe inavvertitamente bloccare le economie in un percorso di emissioni più elevate.
Riferimenti
Benetton, M, G Compiani e A Morse (2023), “ Quando il cryptomining arriva in città: l’elevato consumo di elettricità ha ripercussioni sull’economia locale ”, VoxEU.org, 12 agosto.
Bonfiglioli, A, R Crinò, M Filomena e G Gancia (2025), “ Dati, potenza ed emissioni: il costo ambientale dell’intelligenza artificiale ”, CEPR Discussion Paper 20686.
Bonfiglioli, A, R Crinò, G Gancia e I Papadakis (2025), “Intelligenza artificiale e posti di lavoro: evidenze dalle zone di pendolarismo degli Stati Uniti”, Economic Policy 40(121): 145–94.
Bonfiglioli, A, R Crinò, G Gancia e I Papadakis (2024), “ L’effetto dell’adozione dell’intelligenza artificiale sui posti di lavoro: evidenze dalle zone di pendolarismo degli Stati Uniti ”, VoxEU.org, 12 agosto.
Davenport, C, C Singer, N Mehta, B Lee e J Mackay (2024), AI, data center e l’imminente aumento della domanda di energia negli Stati Uniti , Goldman Sachs 26.
Electric Power Research Institute (2024), Alimentazione dei data center: sistema energetico statunitense e impatto delle emissioni dei carichi crescenti , rapporto EPRI 3002031198.
Gurney, K, P Dass, A Kato, B Gawuc, H Aslam e H Sun (2025), “Emissioni annuali di anidride carbonica ad alta risoluzione della versione 4.0 di Vulcan negli Stati Uniti per il periodo 2010-2022”, mimeo.
Gurney, K, Y Zhou, S Geethakumar, A Godbole, D Mendoza, M Vaidhyanathan e N Sahni (2009), “Il progetto Vulcan: recenti progressi e stima delle emissioni per la regione della campagna intensiva del centro-continente NACP”, in AGU Fall Meeting Abstracts 2009: B51E–0337.
Knittel, CR, JRL Senga e S Wang (2025), “Data center flessibili e rete: costi inferiori, emissioni più elevate?”, NBER Working Paper 34065.
Lange, S., J. Pohl e T. Santarius (2020), “Digitalizzazione e consumo energetico. Le TIC riducono la domanda di energia?”, Ecological Economics 176: 106760.
Levinson, A (2009), “Tecnologia, commercio internazionale e inquinamento derivante dall’industria manifatturiera statunitense”, American Economic Review 99(5): 2177–92.
Autori
Alessandra Bonfiglioli è Professoressa di Economia (in aspettativa) alla Queen Mary University Of London e di Economia all’Università di Bergamo.
Rosario Crinò è Professore di Economia all’Università di Bergamo.
Mattia Filomena è Ricercatore post-dottorato alla Università degli Studi di Bergamo.
Gino Gancia è Professore di Economia alla Università degli Studi Milano Bicocca.
https://www.asterios.it/catalogo/la-natura-dellimpresa-il-problema-del-costo-sociale
https://www.asterios.it/catalogo/cinema-e-matematica
https://www.asterios.it/catalogo/analogico-e-digitale