Chiedi a un chatbot di riassumere una email e la risposta arriva in due secondi. Da qualche parte, in un data center, alcuni acceleratori hanno fatto i calcoli, un impianto di raffreddamento ha smaltito il calore e la rete elettrica ha fornito l'energia. Quanta? Per una richiesta di testo semplice, secondo le misurazioni più recenti, una frazione di wattora. Il punto è che quella richiesta non è sola.
Il consumo energetico dell'AI va guardato su quattro livelli diversi: la singola richiesta, i miliardi di richieste che si sommano ogni giorno, l'addestramento dei modelli e l'infrastruttura che tiene tutto acceso. Confonderli è il modo più rapido per arrivare a conclusioni sbagliate, in un senso o nell'altro. Questo articolo li separa, con i dati disponibili a ottobre 2026, e dice chiaramente quando un numero è una misura, una stima o una previsione.
Da dove nasce il consumo energetico dell'AI
Un modello di intelligenza artificiale non consuma energia in astratto. Consuma quella delle macchine su cui gira, e quelle macchine stanno in un data center che a sua volta ha bisogno di energia per funzionare.
Il cuore sono gli acceleratori, cioè le GPU e i chip specializzati come le TPU di Google: fanno i calcoli che servono a produrre ogni parola, immagine o secondo di video. Attorno ci sono i server che li ospitano, con processori e memoria, poi lo storage dove stanno dati e modelli e la rete che collega migliaia di chip tra loro. Tutto questo produce calore, che il raffreddamento deve smaltire, e ha bisogno di una distribuzione elettrica fatta di trasformatori, gruppi di continuità e batterie.
Il percorso di una richiesta dentro un data center.
- 1RichiestaIl testo, l'immagine o il compito che invii.
- 2Modello e acceleratoriGPU e TPU fanno i calcoli che producono la risposta.
- 3ServerProcessori e memoria che ospitano e alimentano i chip.
- 4Rete e memoriaDati e modelli che si spostano tra migliaia di macchine.
- 5RaffreddamentoIl calore prodotto dai chip va smaltito, sempre.
- 6Infrastruttura elettricaTrasformatori, gruppi di continuità, connessione alla rete.
Secondo l'IEA, nei data center moderni i server assorbono in media circa il 60% dell'elettricità, lo storage intorno al 5% e la rete fino al 5%. Il raffreddamento è la voce più variabile: circa il 7% nei grandi data center più efficienti, oltre il 30% in quelli aziendali meno efficienti. Per misurare questo peso il settore usa il PUE (Power Usage Effectiveness), il rapporto tra l'energia totale del data center e quella usata dalle macchine di calcolo. Un PUE di 1,5 significa che per ogni wattora di calcolo ne serve mezzo in più per raffreddare e alimentare. Google cita una media globale di 1,54 tra i data center intervistati dall'Uptime Institute nel 2025.
Anche la misura di una singola richiesta dipende da cosa si include. Nella sua analisi su Gemini, Google ha calcolato che l'acceleratore attivo pesa il 58% del totale; il resto viene da processore e memoria del server (25%), dalle macchine tenute pronte ma inattive (10%) e dal sovraccarico del data center (8%). Contando solo i chip, il consumo stimato scende da 0,24 a 0,10 Wh: meno della metà.
Training e inferenza non sono la stessa cosa
Il training, o addestramento, è la fase in cui il modello impara: migliaia di acceleratori lavorano insieme per settimane o mesi su enormi quantità di dati. È un consumo intenso e concentrato, in un periodo e in un luogo precisi. Nel report del 2025 l'IEA stimava che l'addestramento del modello più grande tra quelli analizzati richiedesse una potenza di circa 154 megawatt mentre era in corso.
L'inferenza è tutto quello che succede dopo: ogni volta che qualcuno fa una domanda, genera un'immagine o fa lavorare un agente, il modello viene eseguito di nuovo. La singola esecuzione costa pochissimo rispetto all'addestramento, ma si ripete senza sosta. Un servizio con centinaia di milioni di utenti ne esegue miliardi, ogni giorno, per tutta la vita del modello.
| Aspetto | Training | Inferenza |
|---|---|---|
| Cosa succede | Il modello impara dai dati | Il modello risponde a una richiesta |
| Quando | Una volta per versione, per settimane o mesi | Ogni volta che qualcuno lo usa |
| Da cosa dipende il consumo | Dimensione del modello, quantità di dati, durata | Numero di utenti, tipo di richiesta, lunghezza delle risposte |
| Come cresce | A ogni nuovo modello | Con la diffusione del servizio |
| Che carico crea | Picchi di potenza concentrati in pochi siti | Consumo continuo distribuito su molti data center |
Quale delle due fasi pesi di più non ha una risposta valida per tutti. Dipende da quanto viene usato un modello e per quanto tempo resta in servizio: un modello addestrato e poi usato poco ha un bilancio dominato dal training, uno usato da centinaia di milioni di persone per due anni probabilmente no. Le aziende raramente pubblicano i due dati separati. Mistral, nell'analisi del ciclo di vita del suo modello Mistral Large 2 condotta con Carbone 4 e con l'agenzia francese ADEME, ha riportato 20.400 tonnellate di CO₂ equivalente tra addestramento e 18 mesi di utilizzo, senza dividerle tra le due fasi.
Quanto consuma una singola richiesta AI?
Per anni le aziende non hanno pubblicato dati, e i numeri in circolazione erano stime esterne costruite su ipotesi diverse. Nel 2025 sono arrivati i primi dati diretti di alcuni operatori. Vanno letti per quello che sono.
- Google, Gemini. Ad agosto 2025 Google ha pubblicato una metodologia dettagliata: la richiesta di testo mediana nell'app Gemini, a maggio 2025, consumava 0,24 Wh, con emissioni di 0,03 grammi di CO₂ equivalente e 0,26 millilitri d'acqua. È una misura sul sistema reale, ma riguarda la richiesta mediana di testo, non immagini, video o ragionamenti lunghi.
- OpenAI, ChatGPT. A giugno 2025 Sam Altman ha scritto in un post sul suo blog che la richiesta media consuma circa 0,34 Wh. Non ha indicato il modello, cosa si intende per richiesta media né come è stato calcolato il dato: è una dichiarazione, non una metodologia.
- Mistral, Le Chat. L'analisi del ciclo di vita del 2025 indica per una risposta di 400 token (circa 300 parole) 1,14 grammi di CO₂ equivalente e 45 millilitri d'acqua. Non riporta direttamente i wattora, e il suo perimetro è più ampio di quello di Google.
I tre numeri non sono confrontabili tra loro, perché ognuno conta cose diverse. I due espressi in wattora, quelli di Google e OpenAI, sono comunque nell'ordine dei decimi di wattora, ben sotto molte stime di qualche anno fa.
Perché un numero unico non esiste
Anche restando al testo, il consumo di una richiesta cambia con molti fattori:
- il modello: secondo l'analisi di Mistral, un modello dieci volte più grande ha impatti circa dieci volte maggiori a parità di testo generato;
- la lunghezza della domanda e soprattutto della risposta;
- l'hardware e la sua generazione;
- il batching, cioè quante richieste vengono elaborate insieme sullo stesso chip;
- il caching di parti di contesto già calcolate;
- il data center, con il suo raffreddamento e il suo PUE;
- il tipo di richiesta: ragionamenti lunghi, allegati, ricerche sul web, chiamate a strumenti esterni.
Misura, stima o dichiarazione? Prima di fidarti di un numero sul consumo dell'AI, chiediti chi l'ha prodotto e cosa include. Un dato misurato su un sistema in produzione, come quello di Google, vale per quel sistema in quel periodo. Una stima esterna dipende dalle ipotesi su hardware e modello. Una dichiarazione senza metodo, come quella di OpenAI, è un'indicazione, non una prova.
ChatGPT consuma più di una ricerca Google?
Il confronto più ripetuto è che una domanda a ChatGPT consumi dieci volte una ricerca su Google. Nasce soprattutto da una stima del ricercatore Alex de Vries pubblicata nel 2023, che attribuiva circa 3 Wh a una richiesta, messa accanto a un dato di Google sulle ricerche che risale al 2009: circa 0,3 Wh. Entrambi i numeri sono vecchi, e nessuno dei due misura la stessa cosa con lo stesso metodo.
Per il testo semplice i dati recenti raccontano un'altra storia, ma il confronto resta fragile: una ricerca di oggi non è quella del 2009, molte includono già risposte generate dall'AI, e una conversazione con un chatbot a volte sostituisce diverse ricerche, altre volte si aggiunge.
L'IEA ha provato a guardare la questione dall'alto. Nel report Key Questions on Energy and AI del 2026 calcola che se tutte le ricerche internet tradizionali fossero fatte con semplici richieste di testo a un'AI, il consumo sarebbe inferiore a 4 TWh l'anno, meno dell'1% di quello dei data center di oggi. È una simulazione teorica, e non dice che l'AI consumi poco. Dice una cosa più precisa: il problema energetico dell'AI non sta nelle domande di testo brevi. Sta altrove.
Testo, immagini, video e reasoning
La stessa IEA aggiunge subito l'altra metà del quadro: applicazioni come la generazione di video, i modelli che ragionano a lungo prima di rispondere e i compiti svolti da agenti possono consumare centinaia o migliaia di volte più energia per richiesta rispetto alla semplice generazione di testo.
Il motivo è intuitivo. Un modello di reasoning produce molto testo intermedio prima della risposta finale, anche se l'utente non lo vede. Un'immagine richiede molti passaggi di calcolo, un video ne richiede per ogni fotogramma e per tenere coerenti i fotogrammi tra loro. Un agente che deve completare un compito fa decine di chiamate al modello, legge pagine, usa strumenti e riprova quando sbaglia; di come funzionano in azienda abbiamo parlato nella guida sugli agenti AI.
Carico energetico relativo per richiesta. È una rappresentazione editoriale qualitativa, non una scala scientifica: la parte chiara indica fin dove può arrivare il consumo a seconda di modello e impostazioni.
Una domanda e una risposta di poche centinaia di parole.
Il modello genera molti passaggi intermedi prima di rispondere.
Molti passaggi di calcolo per ogni immagine, di più alle risoluzioni alte.
Calcoli per ogni fotogramma e per la coerenza tra un fotogramma e l'altro.
Decine di chiamate al modello, pagine lette, strumenti usati, tentativi ripetuti.
Uno degli studi più citati su queste differenze è quello di Alexandra Sasha Luccioni (Hugging Face) e colleghi, presentato alla conferenza FAccT nel 2024. Misurando 88 modelli su dieci tipi di compito, ha trovato che la classificazione di testi consumava in media 0,002 kWh ogni 1.000 richieste, la generazione di testo circa 0,05 kWh e la generazione di immagini 2,9 kWh: tra il compito più leggero e quello più pesante c'era un fattore superiore a 1.000. Sono misure di laboratorio su modelli open source e chip disponibili nel 2023, quindi non dicono quanto consumano i servizi di oggi. Dicono però quanto possano essere distanti tra loro compiti diversi.
Quanto consumano i data center
Passando dalla singola richiesta al sistema, la grandezza da guardare sono i data center, gli edifici che ospitano server e acceleratori. Secondo l'IEA, nel 2025 i data center di tutto il mondo hanno consumato circa 485 TWh di elettricità, il 17% in più dell'anno prima. Quelli progettati specificamente per l'AI sono cresciuti molto più in fretta: più 50% in un anno.
Qui serve la distinzione più importante dell'articolo: data center non vuol dire AI. In quei 485 TWh ci sono il cloud, lo streaming video, i siti web, la posta elettronica, i database, il software aziendale, l'archiviazione dei dati. Nel report del 2025 l'IEA stimava che i server dedicati all'AI pesassero circa il 15% del consumo totale dei data center nel 2024. La quota cresce in fretta, ma attribuire all'AI tutto il consumo dei data center è un errore frequente.
Nello scenario centrale dell'IEA il consumo dei data center quasi raddoppia entro il 2030, e quello dei data center dedicati all'AI triplica. L'agenzia segnala però che le strozzature su chip, componenti elettrici e connessioni alla rete rendono meno probabili, nel breve periodo, gli scenari più aggressivi.
| Dato | Valore | Fonte e tipo di dato |
|---|---|---|
| Data center nel mondo, 2025 | Circa 485 TWh, +17% sul 2024 | IEA 2026, stima |
| Data center dedicati all'AI, 2025 | Consumo cresciuto del 50% in un anno | IEA 2026, stima |
| Data center nel mondo, 2030 | Circa 950 TWh, intorno al 3% dell'elettricità mondiale | IEA 2026, previsione (scenario centrale) |
| Stati Uniti, 2023 | 176 TWh, il 4,4% dell'elettricità nazionale | Berkeley Lab 2024, stima |
| Stati Uniti, 2030 | 11,8% dell'elettricità nazionale (dal 9,5 al 15,3% a seconda degli scenari) | Berkeley Lab, aggiornamento 2025, previsione |
| Richiesta di testo mediana a Gemini, maggio 2025 | 0,24 Wh | Google 2025, misura sul sistema in produzione |
Il caso degli Stati Uniti
Gli Stati Uniti sono il paese dove l'effetto si vede di più, perché ospitano la quota più grande dei data center mondiali e dei grandi progetti per l'AI. Il riferimento è il Lawrence Berkeley National Laboratory, che stima questi consumi per il Dipartimento dell'Energia.
Nel report del dicembre 2024 il laboratorio calcolava che i data center statunitensi avessero consumato 176 TWh nel 2023, il 4,4% dell'elettricità del paese, e prevedeva per il 2028 una quota tra il 6,7% e il 12%. L'aggiornamento, intitolato 2025 Update e pubblicato a giugno 2026, sposta l'orizzonte al 2030 e alza le stime: nello scenario di riferimento i data center arriverebbero a 649 TWh, l'11,8% dei consumi elettrici nazionali, con un intervallo tra il 9,5% e il 15,3% a seconda delle ipotesi su installazioni, chip e utilizzo dei server.
Il report contiene un passaggio che riassume bene il problema: ogni nuova generazione di hardware è più efficiente, ma la crescita della domanda di calcolo più che compensa quei guadagni, e il consumo assoluto continua ad aumentare. Anche qui si parla di data center nel loro complesso, non della sola AI, anche se la crescita è trainata soprattutto dai server accelerati usati per l'AI.
Questi numeri valgono per gli Stati Uniti e non si possono trasferire all'Europa o all'Italia, dove il peso dei data center e i ritmi di crescita sono diversi. L'IEA nota però un fenomeno comune: i data center nascono in gruppi, e dove si concentrano mettono sotto pressione le reti locali molto più di quanto dicano le medie nazionali.
Efficienza: i modelli consumano meno o di più?
Tutte e due le cose, a seconda di cosa si misura.
Per singola operazione, l'efficienza migliora a una velocità rara. L'IEA scrive che negli ultimi anni l'energia per singolo compito di AI è scesa di almeno un ordine di grandezza all'anno, un ritmo senza precedenti nella storia dell'energia. Google riporta che tra maggio 2024 e maggio 2025 l'energia della richiesta mediana a Gemini è scesa di 33 volte. Le leve sono chip più efficienti, modelli più piccoli per i compiti semplici, quantizzazione (calcoli con numeri meno precisi ma sufficienti), batching, caching e routing verso il modello più adatto.
Nel totale, il consumo cresce. Nello stesso periodo aumentano gli utenti, i modelli diventano più capaci, i contesti più lunghi, e si diffondono proprio gli usi più pesanti: reasoning, immagini, video, agenti che lavorano in autonomia per minuti. Google, nel suo Environmental Report 2026, dichiara un aumento del 37% della propria domanda di elettricità nel 2025, il più alto della sua storia. Microsoft riporta per l'anno fiscale 2025 un consumo di elettricità di circa 37 TWh, contro i circa 30 TWh dell'anno precedente.
Gli economisti chiamano questo fenomeno effetto rimbalzo, o paradosso di Jevons: quando una cosa diventa più efficiente, e quindi più economica, se ne usa di più, e il risparmio per unità può essere superato dall'aumento dell'uso. Per l'AI significa che un modello più efficiente non porta automaticamente a consumare meno. Spesso porta a usarlo per più cose.
Energia rinnovabile e data center
Le grandi aziende tecnologiche dichiarano spesso di coprire il 100% dei consumi con energia rinnovabile. È vero nei termini in cui viene detto, ma va capito.
Un data center è collegato alla rete come qualunque grande consumatore, e in ogni momento usa l'elettricità che la rete ha: rinnovabile, nucleare, gas, in alcuni paesi carbone. Le aziende firmano contratti di lungo periodo con impianti rinnovabili, i PPA (Power Purchase Agreement), o acquistano certificati di origine. Quando dicono di coprire il 100% dei consumi con rinnovabili, di solito intendono il matching annuale: nel corso di un anno hanno comprato tanta energia rinnovabile quanta ne hanno consumata in totale. Non significa che ogni ora, in ogni luogo, il data center abbia funzionato con energia pulita.
Per questo alcune aziende usano una misura più severa, l'energia carbon-free 24/7, che conta solo l'energia pulita prodotta nella stessa rete e nella stessa ora in cui viene consumata. Google dichiara nel report 2026 di aver coperto per il nono anno consecutivo il 100% dei consumi con acquisti di energia rinnovabile su base annuale; su base oraria, il report precedente indicava per il 2024 una quota di energia carbon-free del 66%. Anche Microsoft dichiara di aver coperto nell'anno fiscale 2025 il 100% dei consumi elettrici annui con energia rinnovabile, sempre come matching annuale.
La differenza conta perché l'AI fa crescere i consumi più in fretta di quanto crescano le fonti pulite collegate alla rete. L'IEA osserva che negli Stati Uniti, dove le connessioni alla rete sono lente, diversi nuovi data center puntano a produrre elettricità in loco con impianti a gas: secondo l'agenzia, tra 15 e 27 GW di generazione a gas potrebbero alimentare data center entro il 2030, soprattutto negli Stati Uniti.
E l'acqua?
L'impatto dei data center non si ferma all'elettricità. Alcuni sistemi di raffreddamento usano acqua che evapora per smaltire il calore, e altra acqua viene consumata indirettamente nelle centrali che producono l'elettricità. Quanto pesino dipende dal clima, dal tipo di raffreddamento e dal mix elettrico della zona.
Anche qui i numeri per richiesta cambiano con il perimetro. Google stima 0,26 millilitri per la richiesta di testo mediana a Gemini, Mistral 45 millilitri per una risposta di 400 token di Le Chat. La distanza riflette soprattutto modi diversi di contare l'acqua lungo il ciclo di vita, non necessariamente un modello più assetato dell'altro.
Le aziende stanno cambiando progetto: Microsoft dichiara che i suoi nuovi data center per l'AI usano un raffreddamento a circuito chiuso che, nel funzionamento normale, non consuma acqua per raffreddare. Acqua ed energia vanno comunque tenute separate: sono due impatti diversi, con unità diverse, e a volte si scambiano tra loro, perché raffreddare senza evaporazione può richiedere più elettricità.
L'AI può anche ridurre i consumi?
In alcuni casi documentati sì, a una condizione: che il risparmio superi il costo energetico del calcolo.
L'IEA dedica parte del report 2026 a questo tema. Gli esempi più solidi riguardano il monitoraggio di reti elettriche e trasformatori per prevenire guasti, l'uso più efficiente della capacità di rete esistente, l'ottimizzazione dei processi industriali e degli edifici. Nelle industrie energivore, secondo l'agenzia, ottimizzare i processi con l'AI potrebbe ridurre i costi energetici di 3-10 punti percentuali. Sommando i casi d'uso ben documentati, il potenziale di risparmio al 2035 supera i 13 exajoule, circa il 3% dei consumi finali di energia nel mondo, se vengono superati gli ostacoli alla loro adozione.
Un potenziale non è un risultato, e la stessa IEA rileva che nel settore energetico l'adozione è frenata dalla mancanza di competenze digitali e di dati accessibili. Il bilancio va fatto caso per caso: un sistema che ottimizza il riscaldamento di centinaia di edifici può risparmiare molto più di quanto consuma, un generatore di video per una campagna pubblicitaria no.
Quindi dobbiamo preoccuparci?
Sì e no, e conviene distinguere a quale livello.
La singola richiesta non è il problema. Una domanda di testo a un chatbot moderno, per quello che sappiamo, consuma meno di molte attività quotidiane, e rinunciarci ha un effetto trascurabile sui consumi di una persona. Se usi l'AI in azienda, conta di più scegliere lo strumento adatto al compito: un modello piccolo per una classificazione, uno grande solo dove serve davvero.
La scala sì. I data center sono una delle voci di consumo elettrico che crescono più in fretta, l'AI è la parte che cresce di più al loro interno, e la velocità conta quanto il volume: reti, centrali e trasformatori si costruiscono in anni, un data center per l'AI molto prima. L'IEA prevede che le emissioni legate ai data center raddoppino, fino a circa 350 milioni di tonnellate nel 2035, pur restando intorno al 2% delle emissioni del settore elettrico mondiale. Il peso locale è molto più alto di quello globale: un singolo rack di server per l'AI, entro il 2027, potrebbe avere un picco di potenza pari a quello di 65 abitazioni.
E sappiamo ancora poco. Google ha pubblicato una metodologia, Mistral un'analisi del ciclo di vita, OpenAI un numero in un post; molti altri operatori niente di confrontabile. La stessa IEA chiede alle aziende tecnologiche dati più sistematici per rendere affidabili le previsioni.
Conclusione
Quanto consuma davvero l'intelligenza artificiale? Una richiesta di testo semplice, per i dati disponibili, qualche decimo di wattora. Un video generato, un ragionamento lungo o un agente che lavora per minuti, molto di più. I data center di tutto il mondo, dentro i quali l'AI è la parte che cresce più in fretta, circa 485 TWh nel 2025, con una previsione di quasi il doppio entro il 2030.
Non esiste un numero unico, e chi ne offre uno sta semplificando. La domanda utile non è solo quanto consuma una risposta, ma quante richieste vengono eseguite, con quale modello, su quale infrastruttura e con quale mix elettrico. Sono queste quattro variabili a decidere quanto peserà l'AI sulle reti nei prossimi anni.
Domande frequenti
Quanto consuma una domanda fatta a ChatGPT?
OpenAI non ha pubblicato una metodologia. A giugno 2025 Sam Altman ha indicato circa 0,34 Wh per la richiesta media, senza specificare il modello né il metodo di calcolo. Per confronto, Google ha misurato 0,24 Wh per la richiesta di testo mediana a Gemini a maggio 2025. Sono dati riferiti a richieste di testo: ragionamenti lunghi, immagini, video o agenti possono consumare molto di più.
ChatGPT consuma più di una ricerca Google?
Il confronto diffuso, dieci volte una ricerca, nasce da una stima del 2023 di circa 3 Wh per richiesta messa accanto a un dato di Google del 2009 di circa 0,3 Wh per ricerca. Entrambi i numeri sono superati e calcolati con metodi diversi. I dati più recenti per le richieste di testo semplici sono nell'ordine dei decimi di wattora, ma un confronto diretto e aggiornato con la ricerca web oggi non esiste.
Perché l'intelligenza artificiale consuma così tanta energia?
Perché i modelli fanno moltissimi calcoli su chip specializzati, come GPU e TPU, che assorbono molta potenza e producono calore. A questo si aggiungono server, memoria, rete, raffreddamento e infrastruttura elettrica del data center. La singola richiesta di testo consuma poco: il consumo diventa rilevante per la quantità di richieste, per gli usi più pesanti come video e reasoning e per l'addestramento di modelli sempre più grandi.
Consuma di più addestrare un modello o usarlo?
Dipende da quanto viene usato. L'addestramento è intenso e concentrato in settimane o mesi; l'uso, cioè l'inferenza, consuma poco per richiesta ma si ripete per tutta la vita del modello. Per un modello usato da centinaia di milioni di persone l'inferenza complessiva può superare l'addestramento. Le aziende raramente pubblicano i due dati separati, quindi una proporzione valida in generale non esiste.
Generare immagini e video consuma più del testo?
Sì, in genere molto di più. In uno studio di laboratorio presentato nel 2024 su 88 modelli, generare immagini consumava in media decine di volte più energia che generare testo. L'IEA indica che video, reasoning e compiti svolti da agenti possono consumare centinaia o migliaia di volte più energia per richiesta rispetto a una semplice risposta testuale. Il valore preciso dipende da modello, risoluzione e durata.
I data center dell'AI usano energia rinnovabile?
In parte. Google e Microsoft dichiarano di coprire il 100% dei consumi annui con acquisti di energia rinnovabile, ma è un bilancio su base annuale: non significa che ogni ora i loro data center funzionino con energia pulita. Su base oraria Google indicava per il 2024 una quota di energia carbon-free del 66%. Negli Stati Uniti alcuni nuovi data center prevedono anche centrali a gas in loco.
Il consumo energetico dell'AI continuerà a crescere?
Le previsioni disponibili dicono di sì. L'IEA stima che il consumo dei data center nel mondo passi da circa 485 TWh nel 2025 a circa 950 TWh nel 2030, con quello dei data center dedicati all'AI che triplica. Il Berkeley Lab prevede che negli Stati Uniti i data center arrivino all'11,8% dell'elettricità nazionale nel 2030. Sono previsioni, che dipendono da investimenti, chip, reti ed efficienza.
