La crisi climatica e la necessità di ridurre le emissioni di gas serra stanno accelerando la transizione energetica verso fonti rinnovabili e sistemi più efficienti. Negli ultimi anni, la rapida espansione del solare fotovoltaico e, in misura minore, dell’eolico ha modificato in modo sostanziale il mix elettrico globale.
Nella prima metà del 2025 la generazione da rinnovabili ha superato per la prima volta quella da carbone a livello mondiale, raggiungendo 5.072 TWh (+363 TWh, pari a +7,7% su base annua), mentre il carbone è sceso a 4.896 TWh (–31 TWh). La quota delle rinnovabili nel mix elettrico è così salita al 34,3%, contro il 33,1% del carbone [1].
Questi dati indicano un punto di svolta del sistema elettrico, in cui la crescita di solare ed eolico ha eroso la centralità storica del carbone come principale singola fonte di generazione.
L’energia solare rappresenta oggi il 6,9% della produzione elettrica mondiale e l’eolico l’8,1%, con una quota complessiva pari a circa il 15% [2]. Questo progresso è attribuibile a due fattori principali: da un lato l’accelerazione globale nell’installazione di impianti rinnovabili; dall’altro il calo dei costi di produzione, dovuto in larga parte al ruolo della Cina, che dal 2011 ha investito oltre 50 miliardi di dollari nella filiera fotovoltaica, dieci volte più dell’Europa, generando più di 300.000 posti di lavoro lungo l’intera filiera industriale.
Il Paese detiene oltre l’80% della capacità produttiva mondiale in tutte le fasi della produzione di moduli fotovoltaici, grazie a politiche industriali che hanno favorito economie di scala e innovazione continua, riducendo i costi dei moduli di oltre l’80% nell’ultimo decennio [3].
Tuttavia, l’integrazione massiccia di fonti intermittenti, come solare ed eolico, comporta nuove criticità nella gestione dei sistemi energetici: stabilità delle reti, accumulo dell’energia prodotta in eccesso, bilanciamento in tempo reale tra domanda e offerta e gestione di carichi emergenti, come quelli generati dalla mobilità elettrica.
In questo contesto l’AI assume un ruolo sempre più centrale. Infatti, offre strumenti avanzati di analisi dei dati e ottimizzazione in grado di affrontare proprio queste sfide: dai sistemi di smart grid per la gestione delle reti, a modelli di previsione accurata della produzione rinnovabile, fino all’ottimizzazione in tempo reale dell’uso di impianti.
Indice degli argomenti
Bilancio climatico dell’intelligenza artificiale sull’energia globale
Inoltre, secondo l’Agenzia Internazionale dell’Energia (IEA), il ricorso all’AI per la gestione delle reti e delle centrali elettriche potrebbe liberare fino a 175 GW di capacità di trasmissione esistente e generare risparmi fino a 110 miliardi di dollari l’anno entro il 2035, grazie a un uso più efficiente degli impianti e alla riduzione dei consumi di combustibili.
L’AI potrebbe inoltre ridurre i consumi energetici industriali dell’8% entro il 2035, ottimizzare l’uso dei veicoli e migliorare la gestione della domanda negli edifici [4]. Parallelamente, l’AI presenta un costo energetico crescente: l’addestramento e l’esecuzione su larga scala di modelli di machine learning richiedono elevate risorse computazionali e incrementano la domanda di energia dei data center.
Nel 2024 tali infrastrutture sono state responsabili di circa lo 0,5% delle emissioni globali (180 Mt CO₂) e potrebbero raggiungere l’1–1,4% entro il 2030 in scenari di forte crescita dei servizi digitali [4]. È quindi essenziale valutare il bilancio netto tra impatti e benefici, anche alla luce degli obiettivi di neutralità climatica che oltre 100 Paesi, insieme all’Unione Europea, hanno fissato tra il 2030 e il 2050.
Le analisi disponibili indicano che un’adozione estesa dell’AI nei principali settori di utilizzo potrebbe determinare, entro il 2035, una riduzione delle emissioni di CO₂ pari a circa 1.400 Mt. Queste riduzioni equivarrebbero a circa tre volte le emissioni complessive dei data center nello scenario di espansione massima e a quattro volte quelle previste nello scenario di base.
Tale stima non include, tra l’altro, i potenziali avanzamenti tecnologici che potrebbero emergere nel prossimo decennio grazie a innovazioni ulteriori nei modelli e nelle infrastrutture digitali. Nella discussione tale aspetto sarà trattato, considerando anche le condizioni necessarie affinché l’AI esprima appieno il suo potenziale.
Inoltre, verranno esaminate le principali tecnologie legate ai sistemi energetici sostenibili, descrivendone il funzionamento e lo stato dell’arte con dati aggiornati, illustrando come l’AI stia contribuendo a migliorarne progettazione, gestione e prestazioni. Infine, verranno discusse le implicazioni trasversali dell’AI per la sostenibilità energetica e tracciate alcune prospettive future.
Smart grid e sistemi energetici complessi di nuova generazione
La transizione verso sistemi energetici sostenibili richiede un approccio integrato alla progettazione e alla gestione delle infrastrutture. Le reti elettriche tradizionali, basate su flussi di potenza unidirezionali e generazione centralizzata, stanno lasciando spazio a smart grid capaci di gestire flussi bidirezionali, integrare risorse distribuite e adattarsi in tempo reale alla variabilità operativa.
Le smart grid nascono dall’integrazione tra rete elettrica e comunicazione digitale e consentono un coordinamento dinamico tra produttori, consumatori e operatori, migliorando la stabilità del sistema e l’affidabilità del servizio.
L’avvento dei prosumers, insieme alla diffusione di impianti fotovoltaici, sistemi di accumulo e dispositivi domestici intelligenti, impone l’adozione di tecniche di monitoraggio avanzato, tra cui i contatori intelligenti, che abilitano la misurazione in tempo reale dei flussi energetici.
In questo contesto, digitalizzazione e AI rappresentano elementi abilitanti fondamentali [5]. Le smart grid utilizzano sensori, comunicazioni istantanee e algoritmi per monitorare e prevedere domanda, generazione e condizioni meteorologiche, ottimizzando l’allocazione delle risorse energetiche e prevenendo sovraccarichi e blackout.
Le capacità predittive dell’AI contribuiscono al bilanciamento in tempo reale tra domanda e offerta, alla gestione della variabilità delle fonti rinnovabili intermittenti e all’attivazione proattiva di risorse quali accumulo, domanda flessibile e microgrids.
L’AI svolge inoltre un ruolo trasversale nella pianificazione delle reti, nell’ottimizzazione dell’operatività e nella manutenzione predittiva delle infrastrutture. La progettazione dei sistemi energetici sostenibili tende verso soluzioni integrate che combinano produzione distribuita, accumulo, mobilità elettrica bidirezionale (vehicle-to-grid) e gestione della domanda, tutte coordinate da piattaforme digitali.
Tale evoluzione conferisce ai sistemi energetici le caratteristiche dei sistemi complessi, nei quali competenze ingegneristiche, informatiche e di data science convergono verso infrastrutture capaci di apprendere dai dati, con l’obiettivo di massimizzare efficienza, resilienza e sicurezza.
Governance, resilienza e sicurezza dei sistemi energetici digitali
Il passaggio a questo nuovo paradigma energetico richiede criteri di progettazione trasversali. L’interoperabilità tra diverse tecnologie è essenziale per garantire un coordinamento multilivello nei flussi energetici.
Scalabilità e flessibilità operativa permettono di gestire la variabilità della domanda e delle fonti rinnovabili. L’efficienza e la sostenibilità lungo l’intero ciclo di vita richiedono valutazioni basate sul life cycle assessment e sulla riduzione dell’impronta di carbonio dei componenti.
Resilienza e sicurezza diventano priorità in un contesto di crescenti minacce climatiche e cyber, con l’AI a supporto dell’individuazione precoce delle anomalie. La governance dei dati è cruciale per assicurare trasparenza, tracciabilità e auditabilità degli algoritmi decisionali.
Il coinvolgimento degli stakeholder, comprese le comunità energetiche rinnovabili, favorisce l’accettabilità sociale e la realizzazione degli interventi, riducendo fenomeni di opposizione locale.
Infine, fattori geopolitici e autonomia strategica influenzano la sicurezza energetica, poiché la dipendenza da materie prime critiche introduce nuove vulnerabilità. In questa prospettiva, AI e analisi predittiva possono rafforzare la capacità di anticipare rischi sistemici e sostenere politiche di energy foresight.
La convergenza tra digitalizzazione, AI e progettazione sostenibile configura un nuovo sistema energetico fondato su efficienza, resilienza e sicurezza, nel quale l’integrazione tra tecnologie, dati e governance diventa un elemento cardine per il raggiungimento degli obiettivi di sostenibilità.
Solare e intelligenza artificiale per l’energia del futuro
Il Sole costituisce la principale fonte primaria di energia per la quasi totalità dei processi energetici presenti sulla Terra e rappresenta il fulcro dei sistemi rinnovabili, tra cui fotovoltaico, solare termico e solare a concentrazione [6].
Il fotovoltaico consente la conversione diretta della radiazione solare in energia elettrica tramite l’effetto fotovoltaico, sfruttando materiali semiconduttori – soprattutto silicio monocristallino e policristallino – oggi dominanti per affidabilità ed efficienza, accanto a tecnologie a film sottile – come tellururo di cadmio e silicio amorfo – caratterizzate da costi inferiori ma rendimenti più bassi.
Negli ultimi due decenni, il solare ha registrato una crescita eccezionale: la capacità fotovoltaica installata nel mondo è più che raddoppiata tra il 2022 e il 2024, contribuendo oggi a circa il 7% della produzione elettrica globale [7]. Nel 2025, l’aumento della generazione solare ha soddisfatto l’83% della crescita della domanda elettrica mondiale [2].
Questo boom è trainato dai costi ormai competitivi: l’elettricità solare è tra le più economiche, con il costo di installazione dei pannelli fotovoltaici sceso quasi del 90% dal 2010 ad oggi [8].
L’efficienza media dei pannelli commerciali in silicio si attesta intorno al 20%, percentuale resa comunque competitiva dall’abbondanza della risorsa solare. La principale criticità resta la variabilità della produzione, dipendente dal ciclo giorno-notte e dalle condizioni meteorologiche.
In tale ambito l’AI sta svolgendo un ruolo sempre più rilevante. In Italia, ENEA ha sviluppato un modello di previsione della produzione fotovoltaica basato su algoritmi di machine learning combinati con previsioni meteorologiche, ottenendo una riduzione sostanziale degli errori previsionali rispetto ai metodi tradizionali.
Il sistema, testato presso il Centro Ricerche ENEA di Portici, migliora l’equilibrio di rete, riduce gli sbilanciamenti e ottimizza l’uso dei sistemi di accumulo e delle centrali convenzionali, risultando efficace anche in contesti con dati storici limitati e applicabile sia a grandi impianti sia a sistemi residenziali.
L’AI supporta inoltre il monitoraggio e la manutenzione degli impianti fotovoltaici: tecniche di computer vision applicate a immagini termografiche consentono l’individuazione automatica di difetti, migliorando l’efficienza operativa [9].
Sul fronte della ricerca, reti neurali accelerano la scoperta di nuovi materiali per celle di nuova generazione, come le perovskiti, esplorando in modo rapido combinazioni con proprietà ottimali [10].
Tali progressi favoriscono l’individuazione e l’impiego di materiali innovativi ad alte prestazioni, capaci di elevare sensibilmente l’efficienza dei sistemi fotovoltaici di nuova generazione. Nel complesso, l’AI è ormai integrata lungo l’intera catena del valore del solare – dalla progettazione dei materiali alla gestione in esercizio – contribuendo a migliorarne efficienza, affidabilità e sostenibilità, e consolidando il ruolo del fotovoltaico come componente chiave del sistema energetico del futuro.
Eolico, dati e algoritmi per parchi più efficienti
L’energia eolica converte l’energia cinetica del vento in energia elettrica tramite aerogeneratori, macchine elettromeccaniche composte da torre, gondola, rotore, pale, generatore e sistemi di controllo [6]. Il processo di conversione avviene in due stadi: il vento mette in rotazione il rotore, mentre un generatore trasforma il moto meccanico in energia elettrica.
La progettazione si fonda sui principi del modello ideale di Betz, secondo cui una turbina perfetta può estrarre al massimo il 59,3% dell’energia cinetica del vento; in condizioni reali, considerando perdite aerodinamiche, meccaniche ed elettriche, l’efficienza complessiva di un impianto si attesta mediamente attorno al 40%.
A livello di impianto, un indicatore di prestazione è il fattore di capacità, che misura la produzione effettiva rispetto alla potenza nominale disponibile: nei migliori siti onshore può raggiungere il 40% annuo, mentre in contesti mediamente ventosi – come molte aree onshore italiane – esso tende a collocarsi intorno al 20%–25%.
A livello globale, nel 2024 l’eolico ha generato circa l’8% dell’energia elettrica mondiale (2.494 TWh), beneficiando di turbine sempre più efficienti – in particolare nel settore offshore, con diametri dei rotori di oltre i 150 metri, capaci di produrre decine di GWh all’anno – e di una drastica riduzione dei costi, soprattutto nell’ultimo decennio.
L’intermittenza resta il principale limite della fonte: le variazioni della velocità del vento determinano oscillazioni significative nella potenza prodotta e periodi di calma possono azzerare la generazione. L’integrazione su larga scala richiede quindi sistemi di controllo avanzati, previsioni meteorologiche affidabili, accumuli e soluzioni di gestione dinamica della rete.
In questo contesto, l’AI riveste un ruolo cruciale in due ambiti: la previsione della produzione e la manutenzione predittiva. I modelli di deep learning, addestrati su dati storici di vento e produzione e integrati con previsioni meteo, migliorano significativamente l’accuratezza delle stime produttive, ottimizzando il dispacciamento e la gestione delle risorse.
L’AI è altresì centrale nella manutenzione predittiva: l’analisi dei dati provenienti da sensori e registri di manutenzione consente l’individuazione precoce di anomalie e la previsione dei guasti, riducendo i tempi di fermo, migliorando la sicurezza e contenendo i costi.
Questi ultimi, infatti, rappresentano una quota rilevante del ciclo di vita degli impianti: il National Renewable Energy Laboratory stima che i costi di esercizio e manutenzione (O&M) rappresentano circa un terzo dei costi totali di ciclo di vita dei parchi eolici, pari a 15–27 USD/kW/anno per l’onshore e 40–60 USD/kW/anno per l’offshore; altri studi collocano l’incidenza tra il 19% e il 25% del costo totale.
Inoltre, l’adozione di strategie predittive può incrementare la vita utile delle turbine fino al 10%, con ricadute positive sulla produzione di energia pulita [11].
L’AI permette l’ottimizzazione del funzionamento dei wind farm attraverso il controllo coordinato delle turbine, mitigando gli effetti aerodinamici e regolando angoli e potenze tramite strategie avanzate, anche basate sul reinforcement learning.
Tali tecniche possono aumentare la producibilità complessiva del parco di alcuni punti percentuali senza modifiche strutturali, ma semplicemente gestendo meglio le interferenze [12]. In fase di progettazione, l’AI supporta l’analisi di configurazioni di layout ottimali, considerando orografia, dati anemometrici e interazioni tra turbine, contribuendo alla massimizzazione del rendimento energetico [13].
Nel complesso, il settore eolico si configura come un ambito ad alta intensità di dati, in cui l’AI rappresenta una tecnologia abilitante per il miglioramento congiunto di producibilità e affidabilità e per la riduzione dei costi di esercizio.
L’integrazione di soluzioni digitali e predittive rafforza la competitività dell’eolico nel mix energetico globale e ne sostiene il contributo al raggiungimento degli obiettivi di decarbonizzazione.
Accumuli e intelligenza artificiale energia per un sistema flessibile
La crescente diffusione delle fonti rinnovabili intermittenti rende essenziali sistemi di accumulo in grado di compensare la variabilità della produzione e garantire stabilità alla rete elettrica. L’accumulo permette infatti di immagazzinare l’energia prodotta in eccesso e rilasciarla quando necessario, riducendo la dipendenza da centrali fossili di backup e mitigando gli squilibri tra generazione e consumo [6].
Esistono diverse tecnologie di accumulo dell’energia, che si distinguono in base alla modalità con cui l’energia elettrica viene immagazzinata: può essere conservata direttamente in forma elettrica, oppure trasformata in un’altra forma di energia per poi essere riconvertita in elettricità al momento del bisogno.
Tra le principali tipologie si annoverano gli accumuli elettrochimici (batterie agli ioni di litio, al piombo-acido, sodio-zolfo e redox flow), gli impianti di pompaggio idroelettrico, i sistemi ad aria compressa (CAES), l’accumulo termico e le tecnologie power-to-gas, che utilizzano l’idrogeno prodotto tramite elettrolisi.
Le batterie agli ioni di litio, grazie a elevata efficienza e calo dei costi, dominano il mercato, mentre il pompaggio idroelettrico resta la tecnologia con maggiore capacità installata.
I numeri mostrano una crescita impressionante. Nel 2024 sono stati installati 69 GW di nuova capacità di accumulo a batteria nel mondo, raddoppiando quasi la capacità totale che nel 2023 era di circa 86 GW [2].
La capacità mondiale ha raggiunto circa 360 GWh nel 2024 e potrebbe superare i 2 TWh entro il 2030 secondo il World Economic Forum. Il costo delle batterie al litio è diminuito di oltre il 90% nell’ultimo decennio, con un ulteriore calo del 40% nel solo 2024 [14], complice anche l’eccesso di offerta generato dalla produzione cinese.
La rapida espansione degli accumuli abilita un sistema elettrico più flessibile, riducendo curtailment, garantendo regolazione di frequenza e tensione e migliorando la resilienza in caso di eventi critici.
In questo contesto, l’AI svolge un ruolo strategico. Nei Battery Management System (BMS), algoritmi di machine learning stimano con precisione lo stato di carica (SoC) e lo stato di salute (SoH), rilevano celle difettose e prevedono il degrado, supportando una manutenzione predittiva che prolunga la vita utile dei sistemi.
Reti neurali permettono previsioni accurate del SoC, prevenendo fenomeni di sovra-scarica e sovra-carica. A livello di sistema, algoritmi di ottimizzazione e reinforcement learning decidono dinamicamente quando caricare o scaricare una batteria in base ai prezzi dell’energia, alla produzione rinnovabile prevista e ai profili di domanda.
Studi riportano riduzioni fino al 40% delle interruzioni di servizio, un taglio dei costi operativi del 12%, perdite di potenza diminuite del 22% e fluttuazioni di tensione ridotte del 71% grazie a strategie di controllo basate su AI.
La reattività in tempo reale permette di adattare immediatamente il funzionamento alle variazioni di produzione e domanda, superando le limitazioni dei sistemi basati su regole statiche [15].
L’AI contribuisce anche alla pianificazione strategica degli accumuli, determinando quanta capacità installare e dove collocarla per minimizzare congestioni e massimizzare l’efficienza della rete.
In ambito domestico, sistemi intelligenti apprendono le abitudini di consumo e le previsioni meteo per ottimizzare autoconsumo e scambio con la rete. Sul piano della sicurezza, l’AI permette il rilevamento precoce di anomalie potenzialmente associate a fenomeni di thermal runaway.
Nel complesso, l’accumulo rappresenta un pilastro del sistema energetico del futuro, e l’AI ne potenzia l’efficacia, l’efficienza e la sicurezza. Ogni kWh rinnovabile stoccato e successivamente utilizzato riduce sprechi ed emissioni, contribuendo a un sistema elettrico più sostenibile, resiliente e competitivo.
Idrogeno verde e intelligenza artificiale per la nuova economia dell’energia
L’idrogeno non è una fonte primaria ma un vettore energetico che deve essere prodotto a partire da altre fonti, poiché non è disponibile in natura in forma molecolare libera e la sua estrazione richiede processi ad alta intensità energetica.
Pur essendo l’elemento più diffuso nell’Universo, nella crosta terrestre è presente solo in percentuali ridotte (0,1–0,15%) principalmente come acqua e composti organici. Recenti evidenze di idrogeno naturale, come nel sito di Bourakébougou in Mali [16], hanno suscitato interesse scientifico, ma rimangono oggetto di ricerca esplorativa.
L’effettiva sostenibilità dell’idrogeno dipende quindi dai processi produttivi, dai costi e dalle tecnologie di trasporto e stoccaggio, ancora complessi a causa della bassa densità volumetrica, dei costi energetici di compressione e liquefazione e dei fenomeni di embrittlement dei materiali.
L’idrogeno è considerato strategico per la decarbonizzazione dei settori hard-to-abate, come industria pesante e trasporti a lunga percorrenza, e come sistema di accumulo energetico su larga scala.
Nel settore della mobilità è impiegato sia nei motori a combustione sia nelle celle a combustibile, che raggiungono efficienze prossime al 60%, nettamente superiori ai motori endotermici tradizionali.
La produzione attuale è dominata dall’idrogeno grigio prodotto da fonti fossili – in particolare tramite steam reforming del petrolio, metano o carbone, un processo che emette CO₂ – con 96 Mt annue a fronte di meno di 1 Mt di idrogeno verde nel 2024.
Meno dell’1% dell’idrogeno globale è quindi rinnovabile. Tuttavia, la crescita del settore è rapida: 62 Paesi hanno aderito alla Hydrogen Declaration [17]. I progetti con decisione finale di investimento sono cresciuti da 102 nel 2020 a 434 nel 2024, per un valore complessivo salito da 10 a 75 miliardi di dollari [7].
L’Unione Europea mira a 10 Mt/anno di idrogeno rinnovabile entro il 2030 (oltre a 10 Mt di importazioni) [18], e investimenti consistenti in giga-factory sono in corso in Cina, USA e India. Entro metà secolo, l’idrogeno verde potrebbe coprire il 10–20% del fabbisogno energetico mondiale [19].
L’idrogeno verde è prodotto tramite elettrolizzatori che scindono l’acqua in idrogeno e ossigeno usando elettricità. Se l’elettricità proviene da rinnovabili, l’idrogeno risultante è privo di emissioni nel ciclo di produzione.
Le principali tecnologie di elettrolisi attualmente disponibili comprendono quella alcalina tradizionale, la più consolidata, la più moderna PEM (Proton Exchange Membrane, membrana a scambio protonico) e, tra quelle in fase di sviluppo, l’elettrolisi ad ossidi solidi (Solid Oxide Electrolysis).
La produzione tramite elettrolisi è attualmente limitata dai costi elevati e dalla necessità di migliorare efficienza e durabilità. In questo contesto l’AI offre contributi significativi: consente la gestione ottimizzata degli elettrolizzatori in funzione della disponibilità di energia rinnovabile e del prezzo dell’elettricità, modulando automaticamente tensione, corrente, portata d’acqua e temperatura per massimizzare efficienza e ridurre l’usura [20] [21].
L’AI contribuisce inoltre alla ricerca di nuovi catalizzatori. Studi basati su apprendimento automatico hanno identificato, tra migliaia di leghe bimetalliche, materiali economici in grado di eguagliare le prestazioni del costoso rutenio per la produzione di idrogeno da ammoniaca, validandone l’efficacia in laboratorio ed evitando un lungo processo sperimentale trial-and-error [22].
Analogamente, tecniche di machine learning vengono applicate per prevedere l’attività di nuovi catalizzatori, consentendo di concentrare gli esperimenti solo sui materiali più promettenti [23].
L’AI è applicata anche alla pianificazione dell’intera filiera: localizzazione ottimale degli impianti, dimensionamento dei depositi, gestione delle reti di distribuzione e minimizzazione dei costi di trasporto, con l’obiettivo di ridurre il Levelized Cost of Hydrogen (LCOH) [24].
Infine, sistemi basati su AI migliorano la sicurezza rilevando precocemente perdite di H₂ e prevedendo il degrado delle celle elettrolitiche.
Nel complesso, l’idrogeno verde costituisce un ambito emergente in cui l’AI è destinata a diventare un elemento abilitante lungo l’intera catena del valore: dalla ricerca dei materiali al controllo dei processi fino alla gestione sistemica.
Il potenziale dell’idrogeno dipenderà dalla capacità di coniugare la crescita dell’AI con lo sviluppo industriale degli elettrolizzatori, così da rendere competitive le soluzioni a zero emissioni entro le prossime due decadi.
Tecnologie di combustione. Nonostante la crescente elettrificazione, i processi di combustione continueranno a rivestire un ruolo significativo nel sistema energetico, in particolare nelle centrali termoelettriche, nei trasporti pesanti e aeronautici, nei forni industriali ad alta temperatura e negli impianti di incenerimento. L’innovazione tecnologica si concentra sul miglioramento dell’efficienza e sulla riduzione delle emissioni sia climalteranti (CO₂) sia inquinanti (NOx, SO₂, particolato, CO).
Le più moderne centrali a ciclo combinato raggiungono efficienze superiori al 60%, mentre sistemi di post-trattamento (SCR, desolforazione, filtri antiparticolato) consentono abbattimenti significativi degli inquinanti locali. La decarbonizzazione può essere ulteriormente supportata dalla co-combustione di biomasse e combustibili alternativi, nonché dall’impiego di combustibili zero-carbon al punto d’uso — come ammoniaca e idrogeno — in motori e turbine adattate, sebbene tali soluzioni siano ancora in fase dimostrativa. Nel settore aereo, la via tecnologicamente più matura resta l’impiego dei Sustainable Aviation Fuels (SAF).
Intelligenza artificiale e transizione energetica nelle tecnologie di combustione
Il contributo dell’AI alle tecnologie di combustione si articola su tre assi principali: controllo ottimizzato, manutenzione predittiva e progettazione avanzata. Questi ambiti consentono di intervenire sia sulle condizioni operative in tempo reale, sia sulla prevenzione dei guasti e sulla configurazione geometrica dei sistemi di combustione.
Controllo ottimizzato dei processi di combustione
Sul fronte del controllo, algoritmi di machine learning permettono un’ottimizzazione dinamica dei parametri operativi — rapporto aria–combustibile, temperature di fiamma, tempistiche di iniezione del combustibile, distribuzione dei flussi d’aria e gas — sulla base dei dati in tempo reale provenienti dai sensori di processo. Questi sistemi consentono di massimizzare l’efficienza e minimizzare la formazione di inquinanti, evitando condizioni operative favorevoli alla generazione di NOx o CO.
Applicazioni industriali documentano riduzioni delle emissioni di NOx di circa il 20% rispetto ai controlli convenzionali [25]. Nelle raffinerie e negli impianti petrolchimici, l’impiego di modelli inferenziali e controllo avanzato consente di adeguare in tempo reale il rapporto aria–combustibile dei forni alle variazioni di composizione del fuel gas, stabilizzando la combustione, migliorando l’efficienza e riducendo flaring ed emissioni.
Manutenzione predittiva di turbine, caldaie e forni
L’AI svolge inoltre un ruolo essenziale nella manutenzione predittiva di turbine, caldaie e forni industriali. Attraverso l’analisi di parametri di esercizio, modelli previsionali individuano precocemente guasti potenziali, riducendo i fermi non programmati, aumentando sicurezza e disponibilità e contribuendo al mantenimento dei rendimenti ottimali.
Progettazione avanzata di bruciatori e camere di combustione
Infine, l’AI viene applicata nella progettazione di bruciatori e camere di combustione. Simulazioni CFD – ovvero di fluidodinamica computazionale – accoppiate con algoritmi di ottimizzazione permettono di esplorare design innovativi [26], ottimizzando la geometria del bruciatore, la miscelazione aria–combustibile e la dinamica del trasferimento di calore. Studi mostrano riduzioni di NOx di oltre il 30% a parità di efficienza.
Nel complesso, pur in un quadro di progressiva riduzione dell’utilizzo dei combustibili fossili, l’AI contribuisce a rendere i processi di combustione più compatibili con gli obiettivi climatici e ambientali, aumentando l’efficienza, riducendo le emissioni e integrandosi con tecnologie emergenti come i sistemi di cattura della CO₂ e l’uso di combustibili alternativi.
CCUS e ruolo dell’intelligenza artificiale nella transizione energetica
Cattura, Utilizzo e Stoccaggio del Carbonio (CCUS). La tecnologia di cattura, utilizzo e stoccaggio della CO₂ (CCUS) comprende processi volti alla separazione dell’anidride carbonica dai flussi emessi da impianti industriali e centrali termoelettriche, al suo eventuale impiego in processi produttivi e, soprattutto, al suo confinamento geologico. Il CCUS rappresenta uno strumento abilitante per la decarbonizzazione dei settori hard-to-abate e, se integrato con bioenergia (BECCS), può consentire una rimozione netta di CO₂ dall’atmosfera, configurandosi come una delle poche opzioni tecnologiche oggi disponibili per ottenere emissioni negative su scala industriale [6].
Sebbene la tecnologia CCUS sia spesso percepita come non ancora pienamente matura, caratterizzata da costi elevati e da potenziali rischi ambientali, le sperimentazioni di campo e l’esperienza derivante da numerosi progetti pilota stanno progressivamente modificando questo scenario. Nel 2024 i progetti operativi erano 50 – rispetto ai 41 del 2023 –, con una capacità globale di cattura di circa 51 Mt/anno, molto inferiore alle necessità: l’UE da sola punta a 50 Mt/anno entro il 2030, mentre gli scenari IPCC – compatibili con +1,5 °C – richiederebbero circa 900 Mt/anno di capacità al 2030. Tuttavia, la pipeline di sviluppo cresce rapidamente: i progetti annunciati ammontano a circa 416 Mt/anno, in aumento del 60% rispetto al 2023.
Le tecnologie di cattura comprendono sistemi post-combustione basati su assorbimento chimico, cattura pre-combustione tramite syngas e combustione oxy-fuel, nella quale l’assenza di azoto semplifica la separazione della CO₂ (denitrogenazione).
AI per la cattura post-combustione e i nuovi materiali
L’AI apporta contributi rilevanti lungo l’intera filiera del CCUS. Nella cattura post-combustione, algoritmi di controllo avanzato ottimizzano in tempo reale portate, concentrazioni di solvente e temperature, migliorando l’efficienza energetica e riducendo i consumi associati alla rigenerazione dei solventi, soprattutto nei processi basati su MEA [27].
In parallelo, il machine learning accelera la ricerca di nuovi materiali — adsorbenti, membrane, catalizzatori — attraverso screening su ampia scala, e consente riduzioni del fabbisogno termico fino al 50%, con miglioramenti dell’efficienza di cattura dell’ordine del 20% e riduzioni dei consumi energetici di circa il 15% [28].
Trasporto e stoccaggio: monitoraggio intelligente della CO₂
Nella fase di trasporto di CO₂, tramite condotte, algoritmi di rilevamento anomalie possono identificare possibili perdite di CO₂, ottimizzare la pressione e selezionare i percorsi migliori. Modelli predittivi basati su AI possono inoltre stimare il comportamento del flusso nelle condotte — incluse le perdite di carico e le variazioni di temperatura — integrando dati storici e misure in tempo reale [29].
Nello stoccaggio geologico, la combinazione di dati da sensori, modelli geologici e immagini satellitari permette di rilevare precocemente perdite e percorsi di migrazione della CO₂. Inoltre, tecniche di pattern recognition supportano la selezione dei siti idonei, accelerando l’identificazione delle formazioni geologiche più adatte – porose e permeabili per ospitare la CO₂, ma sormontate da uno strato impermeabile.
A livello di sistema, modelli di pianificazione AI-driven possono determinare la localizzazione ottimale degli impianti, il dimensionamento delle infrastrutture e valutare scenari di policy, integrando costi del carbonio, incentivi e proiezioni tecnologiche future. Come sostenuto anche da analisi recenti, l’impiego dell’AI lungo tutto il ciclo del carbonio è cruciale per migliorarne efficienza, scalabilità e sostenibilità economica [30].
In sintesi, l’AI consente di ridurre costi e complessità operative del CCUS, affrontando i due nodi principali della tecnologia: l’elevato fabbisogno energetico e la necessità di monitoraggio continuo. Con l’espansione prevista del CCUS nei prossimi decenni, l’AI è destinata a costituirne l’infrastruttura informativa, supportandone l’adozione su larga scala e garantendo elevati livelli di efficienza, affidabilità e sicurezza.
Bioenergia e intelligenza artificiale nella transizione energetica
Bioenergia. La bioenergia deriva dall’utilizzo energetico di biomasse di origine biologica, impiegabili direttamente come combustibili o trasformabili in vettori energetici liquidi, solidi e gassosi. Oggi esistono tre grandi categorie di processi per convertire l’energia contenuta nelle biomasse in energia utile: processi termochimici, processi biochimici e processi per l’estrazione di oli da colture dedicate [6].
Se gestita in modo sostenibile, la bioenergia può essere considerata carbon neutral, poiché la CO₂ emessa durante la combustione è teoricamente equivalente a quella assorbita durante la crescita della biomassa. Essa offre inoltre co-benefici come la valorizzazione di rifiuti organici e reflui – nel caso del biogas – e può fornire energia programmabile, in quanto le centrali a biomasse possono erogare potenza su richiesta, a differenza di solare ed eolico.
A livello globale, bioenergia e geotermia hanno generato circa 800 TWh nel 2024, pari al 2,6% dell’elettricità [7]. L’utilizzo varia significativamente tra Paesi: in Italia la produzione elettrica da biogas è pari a circa 2,08 TWh – meno dell’1% della produzione netta –, mentre in Svezia l’apporto è significativo, in quanto i biocarburanti coprono circa il 25% dei consumi totali nei trasporti.
Digestione anaerobica e biogas: digital twin e machine learning
La sostenibilità della filiera bioenergetica dipende dal ciclo di vita della biomassa, che può comportare emissioni indirette legate a raccolta, trasporto e processi di conversione. In tale contesto l’AI sta assumendo un ruolo crescente nell’ottimizzazione delle filiere, migliorando efficienza, controllo e sostenibilità.
Un caso rilevante è la digestione anaerobica per la produzione di biogas. Il processo, sensibile a parametri quali pH, temperatura e carico organico, può essere ottimizzato tramite machine learning per monitorare il funzionamento, prevedere la resa in funzione della composizione del substrato e individuare le condizioni operative ottimali.
L’AI può intervenire in tutte le fasi: monitoraggio (rilevando anomalie e migliorando la stabilità), modellazione (predizione accurata delle rese) e ottimizzazione (fine-tuning automatico dei parametri di processo). L’uso di digital twin basati su AI consente inoltre di simulare in tempo reale il comportamento dei biodigestori, migliorandone stabilità e rendimento [31].
Combustione della biomassa e produzione di biocarburanti
Nel settore della combustione della biomassa, l’AI può gestire in tempo reale l’aria e l’alimentazione in funzione della variabilità della biomassa – umidità e potere calorifico –, riducendo emissioni e aumentando l’efficienza. Il progetto spagnolo 3BD Biomass Boiler Big Data impiega algoritmi predittivi per ottimizzare le caldaie industriali a biomassa, mostrando miglioramenti significativi nelle performance [32].
Nella produzione di biocarburanti, l’AI ottimizza processi biochimici come la fermentazione, guidando selezione dei ceppi microbici, condizioni operative e rilevamento tempestivo di deviazioni di processo. Parallelamente accelera la ricerca su biocarburanti avanzati – incluse le alghe – attraverso modelli predittivi che valutano rese, costi e impatti ambientali dei diversi pathway produttivi [33] [34].
Dal punto di vista della sostenibilità, l’AI integrata con GIS, droni e satelliti permette di pianificare la raccolta delle biomasse, ottimizzare la logistica e verificare l’origine e la conformità ai criteri di sostenibilità lungo la filiera. Tecniche di machine learning possono potenziare i sistemi di monitoring, reporting and verification (MRV), individuando cambi d’uso del suolo e pratiche agricole non conformi e rafforzando i sistemi di certificazione [35] [36].
Nel complesso, la bioenergia — fonte rinnovabile e programmabile — può beneficiare significativamente dell’integrazione con l’AI, che consente maggiore efficienza di conversione, riduzione delle emissioni e migliore gestione delle filiere. Ciò è particolarmente rilevante se si considera che, in molti scenari, la bioenergia è destinata a fornire non solo energia carbon neutral, ma persino carbon negative quando associata ai sistemi di cattura e stoccaggio della CO₂ (BECCS), assumendo così un ruolo cruciale nel bilancio globale delle emissioni.
Pompe di calore e intelligenza artificiale per la transizione energetica
Pompe di calore. Le pompe di calore (PdC) rappresentano uno strumento prioritario per la sfida della decarbonizzazione nell’ambito della climatizzazione, grazie allo sfruttamento di risorse rinnovabili quali aria, acqua e terreno [37]: del resto, nel 2022, le attività residenziali e commerciali hanno rappresentato il 12% delle emissioni europee di gas serra [38].
Il naturale trasferimento di calore da un corpo a temperatura più elevata verso uno a temperatura inferiore può essere invertito mediante l’impiego di macchine frigorifere, che consentono di trasferire calore da una sorgente a un pozzo termico posto a temperatura maggiore, a spese di energia immessa nel sistema — meccanica o termica.
Lo scambio termico avviene attraverso un fluido refrigerante, che funge da mezzo intermedio di trasferimento del calore. Nelle macchine frigorifere l’effetto utile è rappresentato dalla quantità di calore asportata dalla sorgente termica, mentre nelle pompe di calore corrisponde alla quantità di calore ceduta al pozzo termico, ossia all’ambiente da riscaldare. Le PdC possono essere classificate in base alla sorgente esterna di energia utilizzata (aria, acqua o terreno), in base al ciclo termodinamico di riferimento e in base al tipo di pozzo termico (aria o acqua) [37].
Diffusione e prestazioni delle pompe di calore
Negli ultimi anni le vendite di pompe di calore sono cresciute rapidamente, anche se nel 2023 l’Europa ha registrato un calo complessivo di circa 5%. Alcuni Paesi hanno comunque visto forti aumenti: in Germania le vendite hanno raggiunto 438.800 unità (+59%), mentre in Belgio sono salite a 103.720 (+72%). In Francia le vendite sono state 610.830 unità (−2%), e in Italia 343.800 unità (−33%). La Cina, primo mercato globale, ha segnato un +12% [39].
L’efficienza reale delle PdC dipende dal corretto dimensionamento, dall’integrazione con l’edificio e dal controllo dell’impianto. Il COP (Coefficient of Performance) è il rapporto tra l’effetto utile (l’energia termica ceduta) e l’energia spesa (costituita dal corrispettivo del lavoro meccanico, nel caso di PdC elettriche, oppure l’energia termica del combustibile, nel caso di PdC a gas).
Dal punto di vista strettamente termodinamico, il COP è sempre maggiore di uno poiché l’energia ceduta al pozzo termico è la somma dell’energia prelevata dalla sorgente termica e del lavoro fornito alla macchina per il processo di compressione, anch’esso trasformato in calore e trasferito al pozzo termico [37]. Le pompe di calore sono estremamente efficienti: in condizioni tipiche forniscono 3–4 kWh di calore per ogni kWh di energia elettrica consumato [7], e il loro impiego consente di ridurre sensibilmente il consumo di energia primaria rispetto alle caldaie tradizionali, soprattutto se alimentate da fonti rinnovabili.
In esercizio, però, il COP medio stagionale può ridursi a causa di regolazioni non ottimali, curve climatiche mal impostate o gestione non coerente con il funzionamento della macchina.
Controllo adattivo, smart heating e diagnostica predittiva
L’AI consente di superare tali limiti introducendo controlli adattivi e predittivi. Il progetto AI4HP, guidato dal Fraunhofer ISE in collaborazione con Stiebel Eltron e partner francesi, ha sviluppato PdC smart controllate da reti neurali in grado di apprendere il comportamento termico dell’edificio utilizzando dati relativi a irraggiamento, temperatura esterna, occupazione e condizioni dell’involucro edilizio [40].
L’algoritmo ottimizza in tempo reale la temperatura di mandata e le strategie di gestione, ottenendo risparmi energetici del 13% a parità di comfort e incrementi del COP stagionale fino al 25% nei test in edifici reali.
L’AI può inoltre abilitare funzioni di diagnostica predittiva, monitorando vibrazioni, pressioni e temperature del circuito frigorifero e individuando precocemente anomalie operative [41]. Se integrata in sistemi smart home, l’AI può coordinare la pompa di calore con altri dispositivi.
Su scala di rete, la diffusione massiva delle PdC aumenta la rilevanza del loro carico elettrico aggregato. L’AI può supportare strategie di demand response modulando l’assorbimento delle PdC in funzione della disponibilità di energia rinnovabile e dello stato del sistema elettrico. Studi recenti mostrano che il controllo coordinato di migliaia di PdC riduce i picchi di carico e facilita l’integrazione di solare ed eolico.
Le PdC sono già tra le tecnologie più efficienti, ma l’integrazione con l’AI ne amplifica ulteriormente i benefici, migliorando efficienza, comfort e sostenibilità. Nel quadro dell’elettrificazione del riscaldamento, le PdC possono contribuire in modo significativo alla riduzione della domanda energetica complessiva e delle emissioni, consentendo un funzionamento ottimizzato basato su algoritmi capaci di apprendere e anticipare il fabbisogno termico degli utenti.
Bilancio climatico e impatti sistemici dell’AI nel sistema energetico
Discussione. Dalle analisi condotte emerge con chiarezza come l’AI stia assumendo un ruolo di fattore abilitante nell’evoluzione delle tecnologie energetiche sostenibili. In ogni segmento della filiera – dall’ottimizzazione della produzione fotovoltaica alla riduzione dei guasti nelle turbine eoliche, dalla gestione flessibile di sistemi di accumulo elettrochimico all’aumento dell’efficienza di elettrolizzatori e pompe di calore – l’AI fornisce metodi avanzati per migliorare le prestazioni, coordinare sistemi complessi in tempo reale e individuare soluzioni progettuali non ottenibili con tecniche tradizionali.
L’incremento dell’efficienza comporta una riduzione dei consumi e delle emissioni; il miglioramento dell’affidabilità facilita l’integrazione di fonti rinnovabili variabili nel sistema; l’ottimizzazione avanzata riduce i costi complessivi dei sistemi energetici, rendendo la transizione più sostenibile anche dal punto di vista economico.
Le stime dell’IEA confermano il potenziale contributo dell’AI alla sostenibilità energetica e ambientale. L’adozione su vasta scala delle applicazioni già disponibili potrebbe consentire una riduzione delle emissioni globali di CO₂ fino a 1.400 Mt entro il 2035, un valore equivalente a tre volte le emissioni annuali dei data center e delle infrastrutture computazionali necessarie all’AI nello scenario di massima espansione, e quattro volte rispetto allo scenario di riferimento.
In termini quantitativi, i benefici climatici netti dell’AI risultano quindi superiori ai costi energetici e ambientali connessi al suo impiego. I contributi derivano da una pluralità di ambiti: ottimizzazione dei percorsi e dello stile di guida con risparmi di carburante tra il 5 e il 10%; gestione intelligente degli edifici con riduzioni dei consumi di riscaldamento e raffrescamento dell’ordine del 10%; miglioramento dell’efficienza dei processi industriali di oltre il 2% e individuazione tempestiva di fughe di metano nel settore oil and gas.
L’AI non sostituisce le tecnologie rinnovabili, ma ne amplifica le prestazioni, configurandosi come tecnologia abilitante in grado di integrare componenti eterogenee del sistema energetico. L’AI rende più efficiente il fotovoltaico, ma non sostituisce la necessità di installare nuovi pannelli; migliora la produttività e la durata delle turbine eoliche, ma resta imprescindibile investire nei parchi; consente di integrare milioni di veicoli elettrici nella rete senza comprometterne la stabilità, ma presuppone un’ampia disponibilità di infrastrutture di ricarica.
L’AI è quindi un enabler: un moltiplicatore di prestazioni e un collante capace di integrare sistemi diversi. In prospettiva, la crescente complessità di un sistema energetico caratterizzato da generazione distribuita, comunità energetiche, veicoli elettrici, flussi bidirezionali e prezzi dinamici richiederà forme avanzate di coordinamento. Un simile ecosistema decentralizzato potrà operare in modo efficiente solo grazie ad agenti algoritmici intelligenti, in grado di gestire in tempo reale gli scambi energetici e le sinergie tra le diverse componenti del sistema.
Impatto ambientale diretto e data center
La discussione sulla sostenibilità dell’AI deve però includere il suo impatto ambientale diretto. Le forme più avanzate di AI – come deep learning e modelli linguistici di grandi dimensioni – richiedono elevate quantità di energia computazionale per l’addestramento.
Studi pionieristici hanno evidenziato come l’addestramento di un singolo modello di Natural Language Processing potesse generare emissioni di CO₂ pari a cinque volte quelle prodotte nell’intero ciclo di vita di un’automobile. Dati più recenti, tuttavia, mostrano che tali valori possono variare sensibilmente: Google ha riportato che l’addestramento della famiglia open source Gemma ha comportato emissioni di 1.247 tonnellate di CO₂, circa quattro volte la predetta stima; mentre Meta, per la famiglia di modelli Llama 3, ha dichiarato 11.390 tonnellate di CO₂, equivalenti a oltre quaranta volte la stessa stima [42].
L’IEA rileva che i data center sono responsabili di circa lo 0,5% delle emissioni globali di CO₂, una quota che potrebbe salire fino all’1,4% entro il 2030 in scenari di forte crescita digitale, raggiungendo livelli paragonabili all’aviazione. A questi impatti si sommano la water footprint dei sistemi di raffreddamento e l’impronta ambientale dell’hardware, in particolare dei chip e delle GPU.
Tuttavia, è necessario considerare le dinamiche evolutive in atto. Le infrastrutture digitali stanno diventando progressivamente più efficienti: la capacità di calcolo dei data center è cresciuta in misura molto superiore rispetto al loro consumo energetico, grazie a miglioramenti tecnologici, ottimizzazione operativa e alla diffusione del cloud computing centralizzato.
Dall’altro, si registra un trend verso la decarbonizzazione dell’alimentazione elettrica, con i principali operatori che acquistano energia da fonti rinnovabili o investono in impianti di autoproduzione. L’AI stessa, infine, può contribuire a diminuire il proprio impatto ambientale: un caso emblematico è quello di Google, che ha impiegato algoritmi sviluppati da DeepMind per ottimizzare il raffreddamento dei propri data center, ottenendo una riduzione del 30% dell’energia di cooling.
Si configura così un ciclo virtuoso, in cui l’AI diventa anche uno strumento di autoregolazione capace di migliorare la sostenibilità delle proprie infrastrutture.
Governance, politiche pubbliche e rischi di rebound
La letteratura converge su una valutazione essenziale: l’impatto netto dell’AI dipenderà dai contesti applicativi, dalle scelte di progettazione e dal quadro delle politiche pubbliche. Orientare l’AI verso applicazioni che riducono consumi ed emissioni – come quelle discusse nel presente lavoro – e alimentare i sistemi di calcolo con energie rinnovabili rappresentano condizioni necessarie affinché il contributo complessivo sia positivo.
Viceversa, un uso non regolato o privo di finalità di sostenibilità potrebbe generare effetti di rebound non trascurabili. Mitigare tali rischi costituisce una responsabilità condivisa tra regolatori, progettisti e sviluppatori, e richiede l’integrazione di obiettivi di sostenibilità ambientale e sociale nei modelli algoritmici – un compito complesso, ma già al centro del dibattito internazionale sull’AI for Good.
A questi aspetti si aggiungono questioni etiche e di accettazione sociale. La piena realizzazione del potenziale dell’AI nel settore energetico richiede la condivisione di dati sensibili e l’affidamento di decisioni critiche a sistemi automatici. Ciò impone requisiti stringenti di trasparenza, spiegabilità e sicurezza.
Le tecniche di Explainable AI applicate al dominio energetico stanno fornendo strumenti per interpretare le raccomandazioni dei modelli e verificarne la coerenza con i dati e con le politiche di sistema [43]. Parallelamente, gli enti di regolazione stanno elaborando criteri per la certificazione, la validazione e l’auditabilità degli algoritmi impiegati nelle reti e nei mercati energetici, al fine di coniugare innovazione, sicurezza e responsabilità.
Nel complesso, l’AI si configura come volano tecnologico della transizione energetica. Non solo migliora le prestazioni delle singole tecnologie, ma abilita un nuovo paradigma sistemico in cui reti, impianti, veicoli e utenti interagiscono in modo coordinato. Le evidenze correnti suggeriscono un bilancio tendenzialmente positivo.
L’AI potrebbe evitare fino a tre volte le emissioni prodotte dai data center necessari al suo funzionamento. Tuttavia, tale prospettiva richiede investimenti mirati, rimozione delle barriere (in particolare nell’accesso ai dati, nelle infrastrutture digitali e nell’aggiornamento normativo) e una chiara direzione strategica [4].
Prospettive, politiche e conclusioni sulla transizione energetica guidata dall’AI
L’AI, se opportunamente gestita, costituisce un elemento essenziale per il raggiungimento degli obiettivi di sostenibilità. Come l’elettricità nella Seconda Rivoluzione industriale, essa rappresenta oggi la chiave della trasformazione energetica, riconducibile alla Terza rivoluzione industriale verde o, in un’accezione più ampia, alla Quarta rivoluzione industriale.
La capacità dell’AI di elaborare in tempo reale dati provenienti da una molteplicità di sensori e di ottimizzare il funzionamento di generatori, apparecchiature e veicoli consente di configurare un sistema energetico più efficiente, flessibile e reattivo rispetto ai singoli componenti considerati isolatamente.
La sfida centrale consiste nell’orientare questa infrastruttura intelligente verso finalità di interesse pubblico — efficienza, sostenibilità ed equità — garantendo una distribuzione inclusiva dei benefici ed evitando la creazione di nuove forme di disuguaglianza tecnologica e ambientale.
Conclusioni. La sinergia tra AI e tecnologie energetiche sostenibili costituisce una frontiera decisiva e ormai imprescindibile della transizione ecologica, poiché integra capacità predittive, ottimizzazione avanzata e gestione intelligente delle risorse, rafforzando la resilienza e l’efficienza dei sistemi energetici contemporanei.
L’analisi ha mostrato come l’AI stia potenziando un’ampia gamma di soluzioni: dalla produzione solare fotovoltaica, la cui generazione risulta più prevedibile e gestibile grazie a modelli di machine learning, all’eolico, dove la manutenzione predittiva basata su AI incrementa l’affidabilità e la produttività; dai sistemi di accumulo, ottimizzati in tempo reale per stabilizzare reti elettriche con elevata penetrazione di fonti rinnovabili, alla filiera dell’idrogeno verde, in cui l’AI ottimizza i processi di elettrolisi e favorisce la scoperta di catalizzatori innovativi; dalle tecnologie di combustione convenzionali, rese più pulite ed efficienti da sistemi di controllo intelligenti, fino al CCUS e alla bioenergia, ambiti in cui l’AI migliora prestazioni e sicurezza, dai processi di cattura della CO₂ alla gestione ottimizzata dei biodigestori.
Il filo conduttore risiede nella capacità dell’AI di gestire livelli di complessità non affrontabili con strumenti analitici convenzionali, identificando configurazioni operative ottimali all’interno di sistemi multivariati e adattandosi dinamicamente a condizioni operative in continua evoluzione.
Le prospettive future delineano uno scenario in cui AI e sostenibilità si rafforzano reciprocamente. Nei prossimi anni è prevedibile una diffusione capillare di sistemi di controllo basati su AI negli impianti energetici di ogni scala.
Un ulteriore ambito in rapida evoluzione riguarda l’impiego dell’AI per la progettazione avanzata di materiali e tecnologie energetiche – AI for Science. L’integrazione di modelli predittivi, esplorazione dello spazio dei materiali e digital twin può accelerare in modo significativo la scoperta di nuove celle fotovoltaiche ad alta efficienza, elettroliti per batterie di nuova generazione e catalizzatori per combustibili sintetici, riducendo i tempi rispetto alla ricerca e sviluppo convenzionale: in tal modo si accorcia il ciclo innovazione-adozione.
Non va trascurato il ruolo dell’AI nel coinvolgere attivamente i consumatori nella transizione energetica. Attraverso strumenti come applicazioni di monitoraggio, sistemi di raccomandazione per il risparmio energetico e soluzioni di automazione domestica che apprendono dalle abitudini dell’utente, l’AI consente un uso più consapevole dell’energia.
Questo processo di empowerment dell’utente può indurre cambiamenti comportamentali diffusi e duraturi, indispensabili per il conseguimento degli obiettivi climatici. In tal senso, l’AI non si limita a migliorare l’efficienza delle macchine, ma contribuisce a migliorare il modo in cui le persone producono, gestiscono e consumano energia.
Guardando alle sfide, sarà necessario mantenere un approccio rigoroso affinché l’AI venga sviluppata e applicata in modo responsabile. Dal punto di vista delle politiche pubbliche, occorrerà promuovere la condivisione sicura dei dati energetici, elemento essenziale per l’addestramento e la validazione dei modelli: una maggiore disponibilità di dati di qualità su generazione, consumi e guasti si traduce in modelli più accurati e affidabili, purché siano rispettati principi di tutela della privacy e cybersecurity, assicurando l’allineamento con il quadro normativo emergente, in particolare con l’AI Act e con le sue implicazioni in materia di trasparenza, valutazione del rischio e accountability.
Parallelamente, sarà cruciale investire nel capitale umano. La convergenza tra competenze energetiche e data science richiede nuove figure professionali: ingegneri energetici in grado di utilizzare strumenti di AI e data scientist capaci di comprendere le caratteristiche fisiche e operative dei sistemi energetici. Il mondo accademico e della formazione sta già rispondendo a questa esigenza, con corsi dedicati all’energia digitale e iniziative congiunte, come i programmi di AI for climate, che favoriscono l’integrazione tra conoscenze tecnologiche, scientifiche e ambientali.
In conclusione, l’AI non costituisce una soluzione esaustiva alle criticità strutturali del sistema energetico, che richiedono comunque interventi politici, trasformazioni socioeconomiche e investimenti infrastrutturali. Essa rappresenta un fattore abilitante di natura trasversale, capace di incrementare efficienza, sicurezza e sostenibilità dei sistemi energetici.
Le evidenze analizzate mostrano che l’AI consente di migliorare la gestione delle risorse, ridurre inefficienze, anticipare criticità operative e supportare decisioni strategiche in contesti caratterizzati da elevata complessità. In un quadro in cui la rapidità della transizione energetica è determinante per il raggiungimento degli obiettivi climatici, l’integrazione sistemica dell’AI appare non solo opportuna ma necessaria.
La sua adozione deve tuttavia essere guidata da criteri di responsabilità, trasparenza e sostenibilità. Ricerca, industria e istituzioni sono chiamate a collaborare per garantire che l’evoluzione tecnologica sia accompagnata da adeguati meccanismi di governance e da solide basi etiche.
Solo un approccio coordinato potrà favorire la costruzione di un sistema energetico rinnovabile, sicuro, intelligente ed equo, orientato in modo concreto al perseguimento della neutralità climatica.
Bibliografia
[1] EMBER, «Global Electricity Mid-Year Insights 2025», 2025. Disponibile su: https://ember-energy.org/latest-insights/global-electricity-mid-year-insights-2025
[2] EMBER, «Global Electricity Review 2025 – 2024 in review». Disponibile su: https://ember-energy.org/latest-insights/global-electricity-review-2025
[3] IEA, «Executive summary – Solar PV Global Supply Chains – Analysis», 2022. Disponibile su: https://www.iea.org/reports/solar-pv-global-supply-chains/executive-summary
[4] IEA, «Energy and AI», 2025. Consultato: 29 ottobre 2025. Disponibile su: https://www.iea.org/reports/energy-and-ai/ai-for-energy-optimisation-and-innovation
[5] P. Biswas et al., «An Extensive and Methodical Review of Smart Grids for Sustainable Energy Management-Addressing Challenges with AI, Renewable Energy Integration and Leading-edge Technologies», 23 gennaio 2025, arXiv: arXiv:2501.14143. doi: 10.48550/arXiv.2501.14143.
[6] P. Mancini e E. Mesini, Energia. Risorse, tecnologie e ambiente. Bononia University Press, 2021. [Online]. Disponibile su: buponline.com/openteaching
[7] REN21, «GSR 2025», 2025. Disponibile su: https://www.ren21.net/gsr-2025//gsr-2025/technologies/solar-pv/
[8] IRENA, «Renewable power generation costs in 2023: Executive summary», 2023.
[9] U. Naeem, K. Chadda, S. Vahaji, J. Ahmad, X. Li, e E. Asadi, «Aerial Imaging-Based Soiling Detection System for Solar Photovoltaic Panel Cleanliness Inspection», Sensors, vol. 25, fasc. 3, p. 738, gen. 2025, doi: 10.3390/s25030738.
[10] J. Chen, M. Wang, C. Jiang, X. Dou, X. Yin, e Y. Yue, «Machine learning: from perovskite materials to devices», Solar Energy, vol. 298, p. 113684, set. 2025, doi: 10.1016/j.solener.2025.113684.
[11] M. Bošnjaković, M. Martinović, e K. Đokić, «Application of Artificial Intelligence in Wind Power Systems», Applied Sciences, vol. 15, fasc. 5, p. 2443, gen. 2025, doi: 10.3390/app15052443.
[12] J. Liew, T. Göçmen, W. H. Lio, e G. Chr. Larsen, «Model-free closed-loop wind farm control using reinforcement learning with recursive least squares», Wind Energy, vol. 27, fasc. 11, pp. 1173–1187, 2024, doi: 10.1002/we.2852.
[13] S. Anagnostopoulos, J. Bauer, M. C. A. Clare, e M. D. Piggott, «Accelerated wind farm yaw and layout optimisation with multi-fidelity deep transfer learning wake models», 28 marzo 2023, arXiv: arXiv:2303.16274. doi: 10.48550/arXiv.2303.16274.
[14] World Economic Forum, «The role of energy storage tech in the energy transition», nov. 2024. Disponibile su: https://www.weforum.org/stories/2024/11/the-role-of-energy-storage-technologies-in-the-energy-transition/
[15] T. Zhang e G. Strbac, «Artificial Intelligence Applications for Energy Storage: A Comprehensive Review», Energies, vol. 18, fasc. 17, p. 4718, gen. 2025, doi: 10.3390/en18174718.
[16] O. Maiga, E. Deville, J. Laval, A. Prinzhofer, e A. B. Diallo, «Trapping processes of large volumes of natural hydrogen in the subsurface: The emblematic case of the Bourakebougou H2 field in Mali», International Journal of Hydrogen Energy, vol. 50, pp. 640–647, gen. 2024, doi: 10.1016/j.ijhydene.2023.10.131.
[17] «COP29 Hydrogen Declaration». Disponibile su: https://cop29.az/en/pages/cop29-hydrogen-declaration
[18] Commissione Europea, «Hydrogen». Disponibile su: https://energy.ec.europa.eu/topics/eus-energy-system/hydrogen_en
[19] McKinsey, «Hydrogen Insights», 2021. Disponibile su: https://hydrogencouncil.com/wp-content/uploads/2021/02/Hydrogen-Insights-2021.pdf
[20] M. Motiramani et al., «AI-ML techniques for green hydrogen: A comprehensive review», Next Energy, vol. 8, p. 100252, lug. 2025, doi: 10.1016/j.nxener.2025.100252.
[21] A. Elbir e M. E. Şahin, «Efficiency and exergy analysis of electrolyzer systems with artificial intelligence machine learning algorithms: A study on hydrogen production», Thermal Science and Engineering, vol. 8, fasc. 2, p. 11550, apr. 2025, doi: 10.24294/tse11550.
[22] Worcester Polytechnic Institute, «Using AI to Optimize Hydrogen Fuel Production and Reduce Environmental Impact: WPI Research Published in Nature Chemical Engineering», ott. 2025, Disponibile su: https://www.wpi.edu/news/announcements/using-ai-optimize-hydrogen-fuel-production-and-reduce-environmental-impact-wpi-research-published
[23] V. K. E e P. Padhan, «Data-Driven Catalyst Design: A Machine Learning Approach to Predicting Electrocatalytic Performance in Hydrogen Evolution and Oxygen Evolution Reactions», 17 dicembre 2024, arXiv: arXiv:2412.12846. doi: 10.48550/arXiv.2412.12846.
[24] P. C. Okonkwo, S. C. Nwokolo, E. L. Meyer, C. C. Ahia, e I. B. Mansir, «Techno-economic optimization of renewable hydrogen infrastructure via AI-based dynamic pricing», Sci Rep, vol. 15, fasc. 1, p. 31529, ago. 2025, doi: 10.1038/s41598-025-17506-z.
[25] Taber International, «Combustion Optimization». Disponibile su: https://www.taber-intl.com/combustion-ai.html
[26] M. Mubashir, D. Shen, H. Kraiem, A. Flah, N. F. Alshammari, e M. M. Hanif, «Machine learning assisted CFD optimization of fuel-staging natural gas burners for enhanced combustion efficiency and reduced NOx emissions», Sci Rep, vol. 15, fasc. 1, p. 23547, lug. 2025, doi: 10.1038/s41598-025-05132-8.
[27] W. M. Ashraf e V. Dua, «Machine learning based modelling and optimization of post-combustion carbon capture process using MEA supporting carbon neutrality», Digital Chemical Engineering, vol. 8, p. 100115, set. 2023, doi: 10.1016/j.dche.2023.100115.
[28] M. Tawalbeh, M. Sabri, H. Kazim, A. Al-Othman, e F. Almomani, «Artificial intelligence and material design in carbon capture and utilization: A review of emerging synergies», Carbon Capture Science & Technology, vol. 16, p. 100470, set. 2025, doi: 10.1016/j.ccst.2025.100470.
[29] Joshua Babatunde Asere, Akachukwu Markfred Ijeoma, Harrison Agboro, Tunde Kareem, Samuel Tobi Adebisi, e Ifeanyi Kingsley Egbuna, «The integration of Artificial Intelligence in carbon capture, utilization and storage for environmental sustainability in the oil and gas industry», World J. Adv. Res. Rev., vol. 26, fasc. 2, pp. 359–369, mag. 2025, doi: 10.30574/wjarr.2025.26.2.1433.
[30] «AI Takes Center Stage in Carbon Management Cycle at BIDMaP Session | Bakar Institute of Digital Materials for the Planet». Disponibile su: https://bidmap.berkeley.edu/news/ai-takes-center-stage-carbon-management-cycle-bidmap-session
[31] S. Achinas, M. Vitola Quintero, e G. J. W. Euverink, «Embodiment of machine learning in biogas power industry: an opinion», Front. Energy Res., vol. 13, ott. 2025, doi: 10.3389/fenrg.2025.1589782.
[32] admin, «Artificial Intelligence to optimize biomass combustion in industrial boilers», Generandi. Disponibile su: https://generandi.com/artificial-intelligence-to-optimize-biomass-combustion-in-industrial-boilers/
[33] P. Khamwachirapithak et al., «Optimizing Ethanol Production in Saccharomyces cerevisiae at Ambient and Elevated Temperatures through Machine Learning-Guided Combinatorial Promoter Modifications», ACS Synth. Biol., vol. 12, fasc. 10, pp. 2897–2908, ott. 2023, doi: 10.1021/acssynbio.3c00199.
[34] E. Imamoglu, «Artificial Intelligence and/or Machine Learning Algorithms in Microalgae Bioprocesses», Bioengineering, vol. 11, fasc. 11, p. 1143, nov. 2024, doi: 10.3390/bioengineering11111143.
[35] O.-J. Korpinen, M. Aalto, R. Kc, T. Tokola, e T. Ranta, «Utilisation of Spatial Data in Energy Biomass Supply Chain Research—A Review», Energies, vol. 16, fasc. 2, p. 893, gen. 2023, doi: 10.3390/en16020893.
[36] I. Ali, F. Greifeneder, J. Stamenkovic, M. Neumann, e C. Notarnicola, «Review of Machine Learning Approaches for Biomass and Soil Moisture Retrievals from Remote Sensing Data», Remote Sensing, vol. 7, fasc. 12, pp. 16398–16421, dic. 2015, doi: 10.3390/rs71215841.
[37] R. Trinchieri e M. Pieve, «Le pompe di calore per una climatizzazione sostenibile», ENEA, Disponibile su: https://www.eai.enea.it/archivio/energia-e-green-new-deal-sommario/https%3A%2F%2Fwww.eai.enea.it%2Farchivio%2Fenergia-e-green-new-deal-sommario%2Fle-pompe-di-calore-per-una-climatizzazione-sostenibile.html
[38] Parlamento Europeo, «Emissioni di gas serra nell’UE per paese e settore: Infografica». 2024. Disponibile su: https://www.europarl.europa.eu/topics/it/article/20180301STO98928/emissioni-di-gas-serra-per-paese-e-settore-infografica
[39] EHPA, «Pump it down: why heat pump sales dropped in 2023», 2024. Disponibile su: https://www.ehpa.org/wp-content/uploads/2024/04/Pump-it-down-why-heat-pump-sales-dropped-in-2023_EHPA_April-2024.pdf
[40] L. Redazione, «Smart Heat Pumps: How AI4HP Boosts Efficiency and Comfort», Rinnovabili. Disponibile su: https://www.rinnovabili.net/tech-innovations-and-startups/energy-tech-innovations-and-startups/smart-heat-pumps-how-ai4hp-boosts-efficiency-and-comfort/
[41] F. Zhang, N. Saeed, e P. Sadeghian, «Deep learning in fault detection and diagnosis of building HVAC systems: A systematic review with meta analysis», Energy and AI, vol. 12, p. 100235, apr. 2023, doi: 10.1016/j.egyai.2023.100235.
[42] S. Luccioni, B. Gamazaychikov, T. A. da Costa, e E. Strubell, «Misinformation by Omission: The Need for More Environmental Transparency in AI», 18 giugno 2025, arXiv: arXiv:2506.15572. doi: 10.48550/arXiv.2506.15572.
[43] J. T. Dandamudi, R. Kandula, R. D. A. Raj, R. M. R. Yanamala, e K. K. Prakasha, «Explainable AI for Wind Energy Systems: State-of-the-art Techniques, Challenges, and Future Directions», Energy Conversion and Management: X, vol. 28, p. 101277, ott. 2025, doi: 10.1016/j.ecmx.2025.101277.
