Industria più green con l’AI: ecco i casi migliori

L’evoluzione tecnologica ha da sempre rappresentato un motore di progresso per la società umana, spingendo i confini del possibile e offrendo soluzioni innovative a sfide complesse.

Oggi, ci troviamo di fronte a una crisi ambientale di portata globale che richiede un cambio radicale nel modo in cui produciamo, consumiamo e interagiamo con il nostro pianeta. In questo contesto, l’Intelligenza Artificiale emerge come una tecnologia trasformativa con il potenziale di rivoluzionare le industrie tradizionali e di guidare la transizione verso un’economia più verde e sostenibile.

Come l’AI trasforma le industrie tradizionali

L’integrazione dell’Intelligenza Artificiale sta già producendo risultati tangibili nella riduzione dell’impatto ambientale di settori chiave dell’economia globale. Attraverso l’analisi di grandi quantità di dati e l’ottimizzazione dei processi, l’AI sta permettendo alle aziende di operare in modo più efficiente e responsabile.

Navigazione e logistica intelligente

Uno dei settori in cui l’AI sta dimostrando un impatto significativo è quello della navigazione e della logistica. L’inefficienza nei trasporti marittimi e terrestri, spesso caratterizzata dalla prassi del “hurry up and wait” (affrettarsi per poi aspettare) nei porti congestionati, comporta un enorme spreco di carburante e un aumento delle emissioni inquinanti. Secondo alcune stime, fino al 20% delle emissioni totali di una nave può dipendere dai tempi di inattività nei porti.

La piattaforma PortXChange, sviluppata dal porto di Rotterdam, utilizza l’AI per analizzare decine di fattori, tra cui il tracciamento delle navi, le emissioni portuali e gli orari di arrivo stimati. Questo approccio consente di ridurre i tempi di inattività delle navi, con benefici significativi in termini di consumo di carburante. Ad esempio, la piattaforma ha aiutato la compagnia petrolifera Shell a ridurre i tempi di attesa delle chiatte e delle navi cargo in tutti i porti del 20%. L’efficacia di questo strumento è tale che viene ora utilizzato da aziende e porti in tutto il mondo.

Anche nel trasporto terrestre, l’AI sta ottimizzando le operazioni logistiche. UPS, un gigante delle consegne a livello globale, utilizza un software intelligente che ricalcola costantemente i percorsi di consegna in base agli ordini, ai ritiri e alle condizioni del traffico in tempo reale. L’azienda stima che questo sistema abbia migliorato la puntualità delle consegne e ridotto i percorsi giornalieri dei conducenti di 16-22 chilometri, con un risparmio di centinaia di milioni di dollari in costi di carburante. Allo stesso modo, Maersk, una delle principali compagnie di navigazione container al mondo, impiega l’AI per analizzare variabili come le prestazioni dei motori, le correnti oceaniche e le condizioni meteorologiche, al fine di evitare mari agitati e tempi di attesa. Rendere più intelligenti anche le navi più datate ha permesso a Maersk di ridurre il consumo di carburante di oltre il 5% su tutta la flotta, con un risparmio di 250 milioni di dollari e una riduzione delle emissioni di CO2 di circa 1,5 milioni di tonnellate. Cargill Ocean Transportation, la divisione logistica di un colosso del settore agroalimentare, sfrutta l’AI fornita da AWS di Amazon per diminuire i tempi di carico e scarico delle navi nei porti, con un risparmio annuo fino a 2.800 ore di lavoro e una conseguente riduzione delle emissioni di CO2. Infine, Routecanner, una piattaforma di ottimizzazione dei percorsi sviluppata dal porto di Rotterdam, utilizza dati aziendali e dei terminal per offrire agli spedizionieri alternative in tempo reale su rotte, modalità di trasporto (ad esempio, chiatta contro camion) e impatto ambientale. Questa piattaforma è ora utilizzata da importanti spedizionieri e porti globali, da Houston a Singapore, dimostrando come l’AI stia gradualmente contribuendo a rendere più sostenibile il settore dei trasporti.

Ottimizzare l’industria pesante con l’intelligenza artificiale

L’industria siderurgica è un altro settore ad alta intensità energetica e responsabile di una quota significativa delle emissioni globali di CO2. La decarbonizzazione di questo settore è complessa, soprattutto quando l’acciaio viene prodotto da minerale di ferro vergine in altiforni convenzionali, poiché il carbone è utilizzato sia come combustibile che come agente riducente. Una soluzione più promettente è la produzione di acciaio da rottami metallici in forni ad arco elettrico alimentati con energia pulita. Tuttavia, la qualità variabile dei rottami può rendere più complessa la gestione di questi forni e aumentare il loro consumo energetico. È qui che l’applicazione del Machine Learning (ML) sta facendo la differenza.

Gerdau, un grande produttore di acciaio brasiliano con operazioni a livello globale, utilizza il ML attraverso la società di software Fero Labs. Analizzando anni di dati di produzione da un impianto Gerdau in Nord America, Fero Labs ha sviluppato un sistema in grado di determinare come diverse “ricette” di materiali in ingresso influenzano la qualità dei prodotti finiti. Il sistema misura il contenuto di ogni lotto di rottami e utilizza l’AI per suggerire la quantità minima di leghe necessarie per produrre metalli che soddisfino gli standard richiesti. Questo approccio non solo fa risparmiare tempo, ma riduce anche l’uso eccessivo di additivi. Nel 2024, senza alcuna modifica all’hardware, questi sforzi hanno portato a una riduzione del 3,3% delle emissioni di gas serra associate alla produzione di un tipo di acciaio di uso comune.

Miniere intelligenti e gestione energetica con l’AI

Anche il settore minerario, noto per il suo elevato impatto ambientale, sta integrando soluzioni basate sull’AI. Fortescue, un colosso australiano del settore, sta applicando l’AI nella progettazione dei sistemi attuali e nella riprogettazione delle future operazioni minerarie ed energetiche con l’obiettivo di eliminare i combustibili fossili. I loro algoritmi automatizzano compiti come il calcolo del consumo energetico e l’ottimizzazione dei percorsi per i veicoli pesanti autonomi. Inoltre, l’AI viene utilizzata per la gestione flessibile del carico energetico: se le previsioni meteorologiche indicano pioggia, e quindi una minore produzione di energia solare, l’azienda anticipa le attività ad alta intensità energetica per sfruttare al meglio l’energia pulita disponibile. L’azienda stima che il software che abilita questa flessibilità abbia permesso di ridurre del 9% la capacità richiesta del sistema di alimentazione costruito, con un risparmio di quasi 500 milioni di dollari. Questo dimostra come l’AI possa contribuire a una transizione energetica più efficiente e a una riduzione dei costi operativi nel settore minerario.

Edifici sostenibili grazie all’intelligenza artificiale

Gli edifici sono responsabili di una quota considerevole delle emissioni di gas serra prodotte dall’uomo. Data la loro lunga durata, ridurre il loro impatto climatico può essere particolarmente difficile. Fortunatamente, anche in questo settore l’AI sta offrendo soluzioni promettenti. BrainBox AI, una società tecnologica canadese recentemente acquisita dall’irlandese Trane Technologies, ha aiutato Dollar Tree, una catena di discount americana, a implementare sistemi autonomi di riscaldamento, ventilazione e condizionamento dell’aria (HVAC) in oltre 600 negozi. Combinando dati interni con previsioni meteorologiche, i nuovi sistemi hanno ridotto il consumo di elettricità di quasi 8 GWh in un anno, con un risparmio di oltre 1 milione di dollari per l’azienda. Questo evidenzia come l’AI possa ottimizzare l’efficienza energetica degli edifici, contribuendo significativamente alla riduzione delle emissioni complessive.

AI e manutenzione predittiva per l’efficienza ambientale

Un’altra area in cui l’AI sta mostrando un grande potenziale è la manutenzione predittiva. Utilizzando software basati sull’AI forniti da AVEVA, una società britannica, Ontario Power Generation, un’utiliti canadese, ha ottenuto risparmi in termini di efficienza per circa 4 milioni di dollari in due anni, riducendo al contempo i rischi operativi. Allo stesso modo, Sund & Baelt, un’azienda danese, ha utilizzato l’AI di IBM (in combinazione con droni dotati di telecamere) per ridurre le spese del 2% annuo. L’approccio si è rivelato così efficace che l’azienda prevede di raddoppiare la durata dei propri asset, evitando di fatto l’emissione di 750.000 tonnellate di CO2. Questi esempi dimostrano come l’AI possa contribuire a una gestione più efficiente degli asset, prolungandone la vita utile e riducendo la necessità di nuove risorse e le emissioni associate alla loro produzione.

La seguente tabella riassume gli esempi di applicazioni dell’AI in diverse industrie e i relativi benefici ambientali, come descritto nel testo iniziale:

Applicazioni avanzate di AI per la sostenibilità

La ricerca accademica offre una prospettiva più ampia e approfondita sul ruolo dell’AI nella sostenibilità ambientale. Il concetto di Environmental Embodied AI, come definito in un articolo di ACM, si riferisce a sistemi intelligenti capaci di apprendere e interagire attivamente con il loro ambiente, adattandosi continuamente in base al feedback dei sensori in tempo reale e al processo decisionale guidato dal contesto.

A differenza dei sistemi di embodied AI tradizionalmente associati a piattaforme robotiche, l’Environmental Embodied AI enfatizza specificamente le applicazioni non robotiche, impiegando agenti virtuali per influenzare direttamente gli stati fisici o operativi all’interno degli ambienti. Questi sistemi intelligenti analizzano autonomamente i dati ambientali, adattando dinamicamente i comportamenti per ottimizzare i risultati e ridurre significativamente l’impronta ecologica, supportando intrinsecamente pratiche ambientalmente sostenibili.

Nell’ambito dell’agricoltura intelligente, gli agenti di Environmental Embodied AI sfruttano reti di sensori e immagini da droni per monitorare la salute delle colture, le condizioni del suolo e i modelli meteorologici. Questi agenti intelligenti gestiscono con precisione i programmi di irrigazione, l’applicazione di fertilizzanti e le attività di controllo dei parassiti, ottimizzando la produttività agricola e l’uso delle risorse. Gli obiettivi principali di ottimizzazione includono la massimizzazione del raccolto, la minimizzazione dell’uso di acqua e di input chimici e il miglioramento della sostenibilità ambientale complessiva. Nelle applicazioni di monitoraggio e protezione ambientale, gli agenti di Environmental Embodied AI vengono impiegati per la sorveglianza continua degli ecosistemi, il rilevamento dell’inquinamento e la risposta ai disastri naturali.

Questi agenti raccolgono e analizzano continuamente dati ambientali, identificando rapidamente i rischi come sversamenti di inquinanti o minacce alla biodiversità, e avviando autonomamente azioni di bonifica. Gli obiettivi di ottimizzazione qui si concentrano sulla massimizzazione della salute degli ecosistemi, sulla minimizzazione dei tempi di risposta ai pericoli ambientali e sulla gestione efficace delle risorse ambientali.

Nell’automazione degli edifici intelligenti, l’Environmental Embodied AI gestisce in modo adattivo gli ambienti interni degli edifici, inclusi ventilazione, controllo della temperatura e allocazione delle risorse in base all’occupazione. Utilizzando algoritmi di manutenzione predittiva, questi sistemi intelligenti identificano e risolvono proattivamente potenziali guasti alle apparecchiature, migliorando l’affidabilità operativa e riducendo i tempi di inattività. Gli obiettivi di ottimizzazione comportano il raggiungimento del massimo comfort per gli occupanti, dell’efficienza delle risorse e della redditività, migliorando significativamente la sostenibilità operativa degli edifici.¹

Il costo ecologico dell’intelligenza artificiale

Nonostante i promettenti benefici dell’AI per la sostenibilità ambientale, è fondamentale considerare anche il suo impatto ecologico intrinseco. La crescente diffusione dell’AI comporta un aumento significativo del consumo di energia, principalmente dovuto all’alimentazione dei data center necessari per l’addestramento e l’esecuzione dei modelli di AI.²

L’International Energy Agency stima che entro il 2026 il consumo globale di elettricità dei data center potrebbe variare tra 620 e 1.050 TWh.

Questo aumento della domanda di energia, se non soddisfatto da fonti rinnovabili, può contribuire all’incremento delle emissioni di gas serra.⁷ Inoltre, i data center richiedono ingenti quantità di acqua per il raffreddamento delle apparecchiature, un aspetto particolarmente critico in regioni con scarsità idrica.⁵ Uno studio ha stimato che l’addestramento del modello GPT-3 potrebbe aver consumato circa 700.000 litri di acqua dolce.¹⁰ Oltre al consumo di energia e acqua, la produzione e lo smaltimento dell’hardware necessario per l’AI, come i server e le GPU, generano rifiuti elettronici che possono contenere sostanze chimiche dannose per l’ambiente.⁶ È stato stimato che la produzione di un computer da 2 kg richiede 800 kg di materie prime.⁶ Anche l’utilizzo quotidiano dell’AI ha un impatto: una singola query su ChatGPT può consumare molta più elettricità di una semplice ricerca sul web.⁵

Intelligenza artificiale sostenibilità per il monitoraggio ambientale

Tuttavia, l’AI offre anche strumenti potenti per il monitoraggio e la protezione dell’ambiente. Come menzionato in precedenza, l’Environmental Embodied AI può essere impiegata per la sorveglianza degli ecosistemi e il rilevamento dell’inquinamento.¹ L’AI è fondamentale per migliorare la nostra comprensione dei cambiamenti climatici e per sviluppare strategie efficaci per combattere la crisi climatica.¹² Le tecniche di AI vengono utilizzate per prevedere i cambiamenti della temperatura media globale, i fenomeni climatici come El Niño e gli eventi meteorologici estremi come gli incendi boschivi.¹² L’AI può anche analizzare immagini satellitari per monitorare l’impatto dei cambiamenti climatici e i progressi verso gli obiettivi di sostenibilità.¹⁴ Ad esempio, l’AI può essere utilizzata per tracciare la deforestazione o lo scioglimento dei ghiacciai. Inoltre, l’AI può supportare la gestione delle risorse idriche e la previsione di eventi come inondazioni e tempeste.¹⁴ Anche nel settore energetico, l’AI può contribuire a una gestione più efficiente della rete elettrica, soprattutto con la crescente integrazione di fonti rinnovabili distribuite come i pannelli solari.¹⁴

Sfide dell’intelligenza artificiale per la sostenibilità

Nonostante i promettenti sviluppi, l’adozione diffusa dell’AI per la sostenibilità ambientale presenta diverse sfide. Una delle principali è la disponibilità di grandi quantità di dati etichettati necessari per addestrare efficacemente i modelli di AI in alcuni ambiti della sostenibilità.¹⁵ Inoltre, l’implementazione di soluzioni basate sull’AI richiede infrastrutture computazionali adeguate, inclusi data center con elevata capacità di calcolo.² È fondamentale bilanciare i benefici ambientali derivanti dall’applicazione dell’AI con il suo stesso impatto ecologico.² È necessario sviluppare quadri di valutazione che tengano conto sia dei vantaggi ambientali e sociali che delle opportunità economiche associate all’AI.² È importante considerare lo scopo per cui viene utilizzata l’AI; ad esempio, l’AI impiegata per aumentare l’estrazione di petrolio ha un impatto ambientale diverso dall’AI utilizzata per ridurre le emissioni nel settore delle costruzioni.¹⁶ L’UNEP raccomanda di stabilire procedure standardizzate per misurare l’impatto ambientale dell’AI, poiché attualmente mancano informazioni affidabili su questo aspetto.⁶

Le tendenze future nello sviluppo dell’AI si concentrano sempre più sulla creazione di soluzioni più sostenibili. Ciò include il miglioramento dell’efficienza energetica dell’hardware e degli algoritmi di AI, nonché l’incremento dell’efficienza carbonica nell’esecuzione dei carichi di lavoro computazionali.² Sono in fase di studio diverse tecniche per ridurre l’impronta di carbonio dei modelli di AI, come la quantizzazione dei dati, la potatura dei modelli, la distillazione e il transfer learning.¹⁶

Un’altra tendenza importante è la transizione dei data center verso fonti di energia rinnovabile come l’energia solare ed eolica.⁴ Le aziende tecnologiche stanno anche esplorando soluzioni per il riciclo dell’acqua e il riutilizzo dei componenti hardware nei data center.⁶ La ricerca si sta muovendo verso lo sviluppo di algoritmi di AI più efficienti e hardware specializzato a basso consumo energetico.²

Un futuro sostenibile abilitato dall’intelligenza artificiale

L’Intelligenza Artificiale si sta rivelando uno strumento potente e versatile per affrontare le sfide ambientali e promuovere la crescita di industrie eco-sostenibili. Dai sistemi intelligenti per la navigazione e la logistica che riducono il consumo di carburante all’ottimizzazione dei processi produttivi nell’industria siderurgica e all’efficientamento energetico degli edifici, l’AI sta già producendo risultati significativi in diversi settori. La ricerca accademica evidenzia ulteriormente il potenziale dell’AI nel monitoraggio ambientale, nella modellizzazione climatica e nella previsione di eventi estremi.

Tuttavia, è fondamentale riconoscere e affrontare l’impatto ambientale intrinseco dell’AI, in particolare in termini di consumo energetico dei data center, utilizzo di acqua e produzione di rifiuti elettronici. Per massimizzare i benefici dell’AI per la sostenibilità, è necessario uno sviluppo e un’implementazione responsabili, guidati da considerazioni etiche e da un impegno costante per misurare e mitigare il suo impatto ecologico. Il futuro della sostenibilità ambientale è strettamente legato all’innovazione tecnologica, e l’Intelligenza Artificiale ha il potenziale per essere un motore chiave di questa trasformazione verso un’economia più verde e un pianeta più sano.

Bibliografia

1. Environmental Embodied AI – Communications of the ACM, accesso eseguito il giorno aprile 16, 2025, https://cacm.acm.org/blogcacm/environmental-embodied-ai/
2. The Climate and Sustainability Implications of Generative AI, accesso eseguito il giorno aprile 16, 2025, https://mit-genai.pubpub.org/pub/8ulgrckc
3. Environmental Impact of Generative AI | Stats & Facts for 2025 – The Sustainable Agency, accesso eseguito il giorno aprile 16, 2025, https://thesustainableagency.com/blog/environmental-impact-of-generative-ai/
4. Q&A: Can artificial intelligence growth and sustainability go hand in hand? – Penn State, accesso eseguito il giorno aprile 16, 2025, https://www.psu.edu/news/research/story/qa-can-artificial-intelligence-growth-and-sustainability-go-hand-hand
5. Explained: Generative AI’s environmental impact | MIT News, accesso eseguito il giorno aprile 16, 2025, https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
6. AI has an environmental problem. Here’s what the world can do about that. – UNEP, accesso eseguito il giorno aprile 16, 2025, https://www.unep.org/news-and-stories/story/ai-has-environmental-problem-heres-what-world-can-do-about
7. Can We Mitigate AI’s Environmental Impacts? – Yale School of the Environment, accesso eseguito il giorno aprile 16, 2025, https://environment.yale.edu/news/article/can-we-mitigate-ais-environmental-impacts
8. Professor joins UN panel on environmental impacts of AI | UCR News | UC Riverside, accesso eseguito il giorno aprile 16, 2025, https://news.ucr.edu/articles/2024/07/08/professor-joins-un-panel-environmental-impacts-ai
9. environment.yale.edu, accesso eseguito il giorno aprile 16, 2025, https://environment.yale.edu/news/article/can-we-mitigate-ais-environmental-impacts#:~:text=The%20mining%20and%20production%20of,when%20not%20disposed%20of%20correctly.
10. Environmental Impact – Artificial Intelligence – Research Guides – Queen’s University, accesso eseguito il giorno aprile 16, 2025, https://guides.library.queensu.ca/c.php?g=740510&p=5344286
11. The AI gambit: leveraging artificial intelligence to combat climate change—opportunities, challenges, and recommendations – PMC – PubMed Central, accesso eseguito il giorno aprile 16, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8522259/
12. AI: Friend and foe to the environment – @theU – The University of Utah, accesso eseguito il giorno aprile 16, 2025, https://attheu.utah.edu/facultystaff/ai-friend-and-foe-to-the-environment/
13. AI and environmental challenges | UPenn EII, accesso eseguito il giorno aprile 16, 2025, https://environment.upenn.edu/events-insights/news/ai-and-environmental-challenges
14. AI for Sustainable Development – GRSS-IEEE, accesso eseguito il giorno aprile 16, 2025, https://www.grss-ieee.org/events/ai-for-sustainable-development/
15. The Carbon Footprint of Artificial Intelligence – Communications of the ACM, accesso eseguito il giorno aprile 16, 2025, https://cacm.acm.org/news/the-carbon-footprint-of-artificial-intelligence/
16. Tackling Climate Change with Machine Learning

https://dl.acm.org/doi/10.1145/3485128

1. AI models are helping dirty industries go green

https://archive.md/2025.04.10-154916/https://www.economist.com/science-and-technology/2025/04/10/ai-models-are-helping-dirty-industries-go-green