L’intelligenza artificiale è diventato un problema di fisica. Chi non lo capisce rischia restare senza corrente.
C’è un momento, in ogni transizione tecnologica, in cui il collo di bottiglia si sposta. Non con un annuncio, ma con un cambio di vocabolario nelle riunioni dei consigli di amministrazione.
Quando i CTO smettono di parlare di modelli e cominciano a parlare di megawatt, qualcosa di strutturale è cambiato. Esattamente ciò che sta accadendo nell’industria dell’intelligenza artificiale.
Indice degli argomenti
Il Grande Ciclo del Valore e il nuovo vincolo energetico dell’AI
Yinuo Tang (Peking University) e Eric Yanfei Zhao (Saïd Business School, Oxford) propongono un framework che chiamano Great Value Loop: un ciclo ricorrente in cui il valore migra progressivamente verso il basso nello stack tecnologico. Prima la connettività (era Cisco), poi l’attenzione (era Google), poi l’intelligenza computazionale (era OpenAI/Nvidia), ora l’energia. Il meccanismo è elegante: ogni strato scarso attira capitali, poi si standardizza; l’adozione accelera, la pressione si sposta sul vincolo sottostante, e il ciclo ricomincia.
L’intuizione è potente e i dati la sostengono. L’Agenzia Internazionale dell’Energia prevede che il consumo elettrico dei data center passerà da circa 485 TWh nel 2025 a 950 TWh nel 2030. Meta emette richieste di offerta per gigawatt di nuova capacità nucleare. Microsoft firma contratti ventennali con Constellation Energy. AWS acquista campus adiacenti a centrali nucleari. Non sono operazioni di greenwashing, sono coperture infrastrutturali contro una scarsità fisica.
Ma il framework ha un punto cieco significativo: tratta la migrazione del valore come un processo quasi naturale, interno alla logica dello stack tecnologico. Ma non è così. Il passaggio dall’era del compute all’era dell’energia non è guidato solo da vincoli tecnici: è un passaggio dal dominio della scalabilità digitale, dove la replicabilità è quasi gratuita, al dominio della fisicità, dove contano permessi, geopolitica, diritti fondiari, regolazione ambientale e tempi geologici di costruzione. Non è un altro giro della stessa giostra ma un cambio di giostra.
Il paradosso di Jevons e l’illusione dell’efficienza
Uno dei passaggi riguarda il paradosso di Jevons applicato all’AI: l’efficienza nei costi di addestramento (esemplificata dal caso DeepSeek) non riduce la domanda aggregata di energia, ma la espande, perché rende economicamente sostenibili nuovi casi d’uso. È un punto cruciale, e merita di essere sviluppato oltre le intenzioni degli autori.
Ciò che il paradosso di Jevons ci dice, nel contesto dell’AI, non è solo che l’efficienza aumenta il consumo totale. Ci dice che la stessa nozione di ottimizzazione è ambigua: ottimizzare un singolo workflow AI per watt è un esercizio di ingegneria; ma l’effetto aggregato dell’ottimizzazione è l’espansione della frontiera d’uso, che moltiplica i workflow. Chiunque proponga l’efficienza come soluzione al problema energetico dell’AI sta confondendo la scala del singolo processo con la scala del sistema. Ed è una confusione pericolosa, perché orienta gli investimenti nella direzione sbagliata.
Tang e Zhao ne sono consapevoli “l’efficienza rallenterà la pressione, ma non la eliminerà”, eppure il loro playbook per le aziende consolidate è in larga parte costruito su leve di ottimizzazione: instradare i compiti verso modelli più piccoli, comprimere i prompt, spostare i carichi in orari a basso costo. Sono tutte azioni sensate a livello di singola impresa, ma non risolvono il problema sistemico. Anzi, se ogni impresa ottimizza il proprio consumo per watt, il risultato aggregato potrebbe essere più AI in circolazione, non meno elettricità consumata.
Sovranità energetica e geografia del potere
L’articolo di HBR è scritto da una prospettiva implicitamente angloamericana, dove le aziende possono firmare PPA ventennali con operatori nucleari, acquisire terreni adiacenti a reattori e negoziare bilateralmente con le utility. Questo modello non si trasferisce automaticamente al contesto europeo, e men che meno a quello italiano.
In Europa, la questione energetica dell’AI si intreccia con almeno tre nodi irrisolti.
Il mix energetico
Il primo è il mix energetico. L’Italia ha abbandonato il nucleare per via referendaria e dipende in larga misura dal gas naturale, con una penetrazione crescente ma ancora strutturalmente insufficiente delle rinnovabili. Non esiste, semplicemente, la possibilità di firmare un PPA con un operatore nucleare domestico. Le opzioni sono importazione di energia (e quindi dipendenza da infrastrutture di trasmissione transfrontaliere) o accelerazione delle rinnovabili, che a sua volta si scontra con un apparato autorizzativo lento e frammentato.
La concentrazione geografica dei data center
Il secondo nodo è la concentrazione geografica dei data center. Il Nord Italia (Milano in particolare) ospita la maggior parte della capacità, ma le reti di trasmissione non sono state dimensionate per carichi localizzati dell’ordine di centinaia di megawatt. L’ipotesi di un AI Gigafactory italiano, discussa nelle sedi istituzionali, si scontra con una domanda elementare: da dove viene l’energia, e come arriva al sito?
La sovranità computazionale europea
Il terzo è il nodo della sovranità computazionale europea. Il discorso europeo sull’autonomia strategica nell’AI, dai fondi del Chips Act https://www.agendadigitale.eu/infrastrutture/chips-act-2-0-cosi-leuropa-cambia-strategia-sui-chip/ alla regolazione dell’AI Act, ha finora trattato l’energia come esternalità. Ma se Tang e Zhao hanno ragione, e il valore sta migrando verso lo strato energetico, allora l’intera architettura della politica industriale europea sull’AI poggia su un presupposto fragile: che l’energia sarà disponibile. Se non lo sarà, o lo sarà a costi proibitivi, i modelli europei gireranno su infrastrutture americane, alimentate da energia americana, soggette a giurisdizione americana. La sovranità computazionale senza sovranità energetica è una contraddizione in termini.
Tre leve oltre il playbook per l’AI in Europa
Il manuale di Tang e Zhao è pragmatico e ben calibrato per il CFO di una grande azienda americana. Ma per un’impresa europea, e in particolare italiana, servono almeno tre integrazioni.
Lobbying infrastrutturale
Primo: fare lobbying infrastrutturale, non solo procurement. Le aziende italiane ed europee che vogliono garantirsi accesso all’energia per i carichi AI non possono limitarsi a negoziare con il cloud provider. Devono entrare attivamente nel dibattito sulla pianificazione energetica nazionale, sulle autorizzazioni per le rinnovabili, sulle interconnessioni di rete. Il Compute and Energy Council proposto dagli autori è una buona idea, ma in Europa deve avere un braccio di advocacy, non solo di governance interna.
Rapporto tra edge e cloud
Secondo: ripensare il rapporto tra edge e cloud. L’articolo assume un modello prevalentemente centralizzato: grandi data center, grandi contratti energetici, grandi regioni cloud. Ma per molte imprese europee, manifatturiere, logistiche, del food, la traiettoria più promettente potrebbe essere l’inferenza on-premise o edge, con modelli più piccoli, consumi più contenuti e minore dipendenza dalle grandi infrastrutture. Non è l’alternativa al cloud, ma ne è il complemento strategico, e ha implicazioni energetiche radicalmente diverse.
Intensità energetica come criterio di selezione
Terzo: rendere l’intensità energetica un criterio di selezione del modello, non un KPI a valle. Tang e Zhao suggeriscono di creare un cruscotto trimestrale di intelligenza per watt. Un passo avanti, ma il cambio culturale necessario è più profondo: l’intensità energetica dovrebbe entrare nel processo di selezione del modello a monte, come variabile decisionale e non come metrica di monitoraggio. Scegliere un modello di frontiera per un compito che un modello più leggero risolve altrettanto bene non è solo uno spreco economico, è un debito energetico e, in prospettiva, un rischio operativo.
L’AI non è più solo un problema di IT
Ciò che l’articolo di Tang e Zhao coglie con precisione, e che merita di essere portato alle sue conseguenze, è che l’AI sta cessando di essere un problema di information technology per diventare un problema di political economy. Chi controlla l’accesso all’energia controlla i limiti di ciò che l’AI può fare, dove può farlo, e a quale prezzo. Una trasformazione che ridisegna non solo le strategie aziendali, ma le geografie della competizione.
Per l’Europa, questo significa che la partita dell’AI non si gioca solo a Bruxelles, nei negoziati sull’AI Act o sugli standard di interoperabilità. Si gioca anche, forse soprattutto, nelle reti di trasmissione, nelle autorizzazioni per gli impianti rinnovabili, negli accordi di interconnessione energetica e nella capacità di costruire infrastruttura fisica a velocità compatibile con la domanda di calcolo.
L’intelligenza artificiale è diventata un fatto industriale, le strategie aziendali e pubbliche, devono trattarla come tale.
Fonte: Y. Tang, E.Y. Zhao, “Your Company Needs an Energy Strategy for AI’s Next Phase,” Harvard Business Review, 4 giugno 2026.
Partecipa alla community