C’è un dato che aiuta a mettere tutto in prospettiva.
Il cervello umano consuma circa 20 watt. Meno di una lampadina a basso consumo. Eppure produce ragionamento, linguaggio, percezione, memoria, creatività — tutto quello che i sistemi di AI moderni cercano, in qualche misura, di replicare funzionalmente.
I modelli di AI più avanzati consumano, solo durante l’addestramento, energie nell’ordine di decine di gigawattora. In inferenza — ogni volta che un utente fa una domanda — consumano ordini di grandezza più di un neurone biologico per produrre una singola risposta. E questo su scala globale, milioni di richieste al giorno.
Non è un dato per condannare la tecnologia. È un dato per capire dove siamo. Stiamo costruendo sistemi straordinariamente capaci con una efficienza energetica che non ha nulla a che vedere con il sistema biologico che, in qualche modo, ci ha ispirato. E i limiti di questa distanza stanno diventando visibili — nell’energia, nell’acqua necessaria per raffreddare i data center, nei costi infrastrutturali che crescono con la scala.
La domanda non è se questi limiti esistano. È cosa succede quando diventano il vincolo principale.
Il costo dell’approccio attuale
Il consumo energetico dei sistemi di AI non è un problema tecnico in attesa di soluzione. È la conseguenza diretta di come questi sistemi sono stati costruiti.
L’approccio dominante degli ultimi anni ha seguito una logica precisa: più dati, più parametri, più potenza computazionale produce modelli più capaci. E ha funzionato — i risultati sono stati straordinari. Ma ogni salto di capacità ha richiesto un salto corrispondente di risorse. Modelli dieci volte più grandi non consumano dieci volte di più — consumano molto di più, perché la complessità delle operazioni cresce in modo non lineare.
I data center che ospitano questi sistemi sono infrastrutture industriali di prima grandezza. Consumano elettricità in quantità che si misurano in gigawatt. E per mantenere i sistemi di calcolo a temperature operative, consumano acqua — milioni di litri al giorno nei centri più grandi. Non è un dettaglio marginale. È un vincolo fisico che scala con la domanda.
Finché la domanda di AI cresce — e sta crescendo — cresce anche questo vincolo. E a un certo punto la domanda non è più solo tecnica. Diventa sistemica: quante risorse è sostenibile dedicare a questi sistemi, e a quali condizioni?
Cambiare il punto di vista sul problema
Di fronte a un limite, la risposta più immediata è spingere oltre — più potenza, più infrastruttura, più investimento. È la strada che l’AI ha seguito finora, e ha prodotto risultati reali. Ma è una strada che ha un costo crescente e un rendimento che prima o poi si appiattisce.
Esiste un’altra strada. Non sempre percorribile, ma quando lo è produce risultati più robusti con meno risorse. Consiste nel cambiare il punto di vista sul problema invece di aumentare la forza applicata per risolverlo.
Le torri gravitazionali per lo stoccaggio energetico ne sono un esempio preciso. Il problema dello storage non è stato risolto cercando batterie chimiche sempre più dense e sofisticate. È stato riformulato: invece di trasformare l’energia in chimica, la si sposta nello spazio. Massa, gravità, altezza. Una legge fisica elementare, nessun materiale esotico, nessuna chimica sofisticata. Meno elegante tecnologicamente, più robusta sistemicamente.
Nell’AI questa strada esiste e viene già esplorata. Tecniche come il pruning — eliminare i parametri che contribuiscono poco al risultato — e la quantizzazione — ridurre la precisione numerica dei calcoli senza perdere qualità significativa — vanno in questa direzione. Modelli più compatti, hardware specializzato, architetture sparse che attivano solo le parti necessarie per ogni specifico compito. Non più potenza — più intelligenza nel modo in cui la potenza viene usata.
Il cervello umano, con i suoi 20 watt, fa esattamente questo. Non è potente in senso assoluto. È straordinariamente efficiente nel selezionare cosa attivare e quando. È un’architettura che ha risolto il problema dell’energia non aumentando le risorse disponibili, ma ottimizzando radicalmente il loro utilizzo.
Non sappiamo ancora se e quando l’AI raggiungerà un livello di efficienza paragonabile. Ma la direzione è quella. E i limiti energetici e infrastrutturali che si stanno manifestando stanno rendendo quella direzione non solo interessante, ma necessaria.
Il lavoro e la diseguaglianza
L’impatto dell’AI sul lavoro non è un fenomeno nuovo nella sua struttura. È una transizione tecnologica — e le transizioni tecnologiche hanno una storia abbastanza lunga da poter essere osservate con una certa distanza.
La rivoluzione industriale inglese ha ridisegnato radicalmente dove si trovava il valore economico, chi lo produceva e come veniva organizzato il lavoro. Ha generato eccessi in entrambe le direzioni — chi ha accelerato senza misura, chi ha resistito con altrettanta forza. Il luddismo non era irrazionale — era la risposta di chi vedeva il proprio mondo cambiare più velocemente di quanto riuscisse ad adattarsi.
Prima che il sistema trovasse un nuovo equilibrio è passato del tempo. E in quel tempo ci sono stati costi reali per le persone.
L’AI introduce una variabile nuova rispetto alle rivoluzioni precedenti: automatizza non solo lavoro fisico ripetitivo, ma attività cognitive. Questo sposta il confine più in alto nella catena del valore. Quali competenze diventano meno richieste, quali diventano più richieste, come si ridisegnano i ruoli — sono domande aperte, le cui risposte dipenderanno da come la tecnologia viene adottata e in quali contesti.
C’è però un rischio che si aggiunge a quello della disoccupazione tecnologica, e che merita attenzione. Quando uno strumento diventa necessario per partecipare alla società e all’economia, il controllo sull’accesso a quello strumento diventa controllo sulla mobilità sociale. È successo con l’istruzione, con internet, con lo smartphone. Con l’AI il rischio ha una forma concreta: modelli di servizio differenziati, costi crescenti, livelli di accesso che non tutti possono permettersi. Chi ha accesso agli strumenti migliori produce di più, compete meglio, guadagna di più. Chi non ce l’ha rimane indietro — non per mancanza di capacità, ma per mancanza di accesso.
Quello che la storia suggerisce è che le transizioni tecnologiche non seguono traiettorie lineari. Producono eccessi, resistenze, aggiustamenti. E che il problema raramente è la tecnologia in sé — è la velocità con cui i sistemi umani riescono ad adattarsi, e le condizioni di accesso entro cui quella transizione avviene.
La privacy
La privacy è uno di quei temi su cui le narrazioni divergono in modo significativo. C’è chi la considera un diritto fondamentale, parte integrante della dignità personale. C’è chi la percepisce come un ostacolo all’innovazione — un vincolo burocratico che rallenta lo sviluppo di tecnologie utili. C’è chi, più semplicemente, non la considera un problema reale finché non diventa personale e concreta.
Queste narrazioni non sono solo opinioni diverse sullo stesso fatto. Riflettono valori diversi, esperienze diverse, e spesso interessi diversi. E quando si incontrano nel dibattito pubblico tendono a produrre più rumore che comprensione.
Il quadro legale esiste per mediare tra queste posizioni. Normative come il GDPR in Europa hanno cercato di formalizzare diritti e responsabilità — chi raccoglie dati, per quale scopo, con quali garanzie. Non è una soluzione definitiva, ma è una cornice che orienta. E che riconosce implicitamente che la privacy non è solo una preferenza individuale — è una condizione che riguarda la struttura del potere: chi controlla le informazioni, e cosa può farne.
Il fatto che le violazioni esistano non riduce il valore della norma — lo conferma. Una violazione è riconoscibile come tale solo perché esiste un riferimento rispetto a cui misurarla. Senza norma, quello che oggi è uno scandalo sarebbe semplicemente prassi ordinaria.
Nel contesto dell’AI questo tema diventa più acuto. I sistemi di AI apprendono dai dati — e spesso quei dati riguardano persone. Dove risiedono quei dati, chi li controlla, chi può accedervi non sono dettagli tecnici. Sono scelte che determinano il livello reale di riservatezza.
Ed è qui che la tecnica offre una risposta concreta. La distinzione tra AI cloud e AI locale non è solo una questione architetturale. Un sistema cloud elabora i dati su infrastrutture esterne — l’utente non controlla dove vanno, chi li vede, come vengono conservati. Un sistema locale elabora i dati sul dispositivo dell’utente — i dati non escono, il controllo rimane vicino a chi li produce.
Non è una soluzione per tutti i casi. Ma è una scelta disponibile, e sempre più praticabile. E in certi contesti — professionale, sanitario, legale — può fare la differenza tra un sistema che tutela e uno che espone.
Conclusione
L’intelligenza artificiale non è la prima tecnologia a generare aspettative eccessive e timori altrettanto eccessivi. Non sarà l’ultima. Le transizioni tecnologiche seguono dinamiche che la storia ha già mostrato — eccessi, resistenze, aggiustamenti, nuovi equilibri. Con costi reali nel mezzo, e risultati che raramente corrispondono esattamente a quello che era stato previsto in un senso o nell’altro.
Essere a favore o contro non cambia la traiettoria del fenomeno. Lo osserva da fuori, senza influenzarlo.
Quello che cambia la traiettoria — almeno a livello individuale e collettivo — è la comprensione. Sapere da dove viene questa tecnologia, come funziona, quali limiti presenta, quali vincoli strutturali sta incontrando. Non per diventare esperti, ma per smettere di essere spettatori passivi di una narrazione costruita da altri.
La conoscenza non elimina l’incertezza. Ma trasforma il modo in cui ci si muove dentro di essa.