Il dibattito sull'impatto ambientale dell'intelligenza artificiale torna al centro dell'attenzione globale, questa volta attraverso le dichiarazioni di Sam Altman, CEO di OpenAI, rilasciate durante un evento organizzato da The Indian Express in occasione di un importante summit sull'AI in India. In un momento in cui la pressione normativa europea — dall'AI Act alle direttive sulla sostenibilità dei data center — spinge le aziende tecnologiche a rendere conto del proprio footprint ambientale, le parole di Altman alimentano un confronto che va ben oltre la semplice comunicazione corporate. La questione non riguarda solo la credibilità di OpenAI, ma l'intera industria AI globale, sempre più sotto scrutinio per i suoi consumi energetici e idrici in rapida crescita.
Al centro della polemica c'è la narrazione diffusa online secondo cui una singola query su ChatGPT consumerebbe fino a 17 galloni d'acqua. Altman ha definito questa affermazione «completamente falsa, totalmente insensata, senza alcun collegamento con la realtà», spiegando che il problema idrico era reale in passato, quando i data center utilizzavano il raffreddamento evaporativo, una tecnologia che oggi OpenAI dichiara di aver abbandonato. La mancanza di obblighi legali per le aziende tech di divulgare i propri consumi di energia e acqua rende però impossibile una verifica indipendente di queste affermazioni, e i ricercatori si trovano a dover stimare i dati attraverso studi condotti su fonti indirette.
Altman ha anche risposto a una domanda, ispirata a una precedente conversazione con Bill Gates, sul consumo energetico per singola query: l'equivalente di 1,5 cariche di batteria di un iPhone. La risposta del CEO è stata netta: «Non c'è modo che si avvicini minimamente a quella cifra». Più sfumata, invece, la sua posizione sul consumo energetico complessivo dell'ecosistema AI: Altman ha riconosciuto come «legittima» la preoccupazione sul totale di energia consumata dall'intero settore a livello mondiale, identificando nella transizione verso il nucleare, l'eolico e il solare la risposta strutturale necessaria.
Uno degli argomenti più controversi sollevati da Altman riguarda il confronto tra il costo energetico dell'addestramento dei modelli di deep learning e quello dell'inferenza — ovvero l'esecuzione di una singola risposta da parte del modello già addestrato. Il CEO di OpenAI ha criticato le analisi che accostano l'energia necessaria per il training di un LLM a quella di una singola query, definendole «ingiuste». La distinzione è tecnicamente rilevante: il training di un modello come GPT-4 richiede risorse computazionali enormi e avviene una sola volta, mentre l'inferenza — il processo che genera ogni risposta agli utenti — ha un costo marginale sensibilmente inferiore e si distribuisce su miliardi di interazioni.
Per difendere questa posizione, Altman ha proposto un paragone provocatorio: anche addestrare un essere umano richiede energia, circa vent'anni di vita e tutto il cibo consumato in quel periodo, senza contare i centomila anni di evoluzione collettiva che hanno preceduto ogni individuo. L'analogia, pur stimolante dal punto di vista retorico, presenta limiti evidenti: equiparare processi biologici evolutivi a sistemi computazionali artificiali rischia di distorcere la comprensione pubblica dei reali impatti ambientali dell'AI. Gli esperti di etica e sostenibilità tecnologica sottolineano che confronti di questo tipo, per quanto creativi, non sostituiscono dati trasparenti e verificabili.
Il nodo centrale rimane proprio questo: in assenza di disclosure obbligatoria, le stime sui consumi dei data center — che alimentano non solo OpenAI ma l'intero comparto cloud AI comprendente Google DeepMind, Microsoft Azure e Amazon Web Services — vengono elaborate da ricercatori universitari e organizzatori indipendenti, spesso con margini di incertezza significativi. Studi recenti hanno collegato l'espansione dei data center all'aumento dei prezzi dell'elettricità in diverse aree geografiche, con impatti già tangibili sulle comunità locali.
La questione si inserisce in un contesto normativo in rapida evoluzione: il regolamento europeo sull'AI impone requisiti di trasparenza crescenti per i sistemi ad alto impatto, e le istituzioni comunitarie stanno valutando se estendere gli obblighi di rendicontazione ambientale anche all'industria AI, sul modello di quanto già previsto per altri settori ad alta intensità energetica. Per sviluppatori e aziende che costruiscono prodotti basati su LLM, la chiarezza sui costi reali dell'inferenza — sia economici che ambientali — è cruciale per scelte architetturali sostenibili, ad esempio nell'ottimizzazione dei modelli tramite tecniche come la quantizzazione o l'utilizzo di architetture mixture-of-experts più efficienti.
La strada verso una valutazione oggettiva dell'impatto ambientale dell'AI passa necessariamente dalla standardizzazione delle metriche e dall'obbligo di rendicontazione pubblica. Finché i dati resteranno proprietari e le dichiarazioni dei CEO non potranno essere verificate da terze parti indipendenti, il dibattito rimarrà intrappolato tra affermazioni difficili da falsificare e stime approssimative. La vera sfida per l'ecosistema AI globale, nei prossimi anni, non sarà solo migliorare l'efficienza dei modelli, ma costruire un framework di accountability ambientale all'altezza della scala del fenomeno.