L'AI efficiente che consuma di più: il ritorno del paradosso di Jevons

Nel dibattito sull'Intelligenza Artificiale si parla molto di modelli, di efficienza, di costi che crollano. Molto meno di energia. Eppure, se guardiamo bene, l'AI rischia di riportare al centro un vecchio paradosso economico nato nell'Ottocento: quello di Jevons.

Il paradosso che viene dal carbone

William Stanley Jevons, studiando l'industria del carbone, notò qualcosa di controintuitivo: rendere le macchine a vapore più efficienti non riduceva il consumo di carbone, lo faceva aumentare. Più un motore è efficiente, più conviene usarlo, più lo si usa. Risultato: il consumo totale cresce.

Oggi stiamo replicando lo stesso schema con l'AI.

L'efficienza che moltiplica l'uso

I modelli diventano più leggeri, l'hardware più performante, l'efficienza energetica migliora. Il costo per eseguire una singola "chiamata" a un modello avanzato è crollato rispetto a pochi anni fa. Questo rende l'AI molto più accessibile: si integra ovunque, in ogni processo, in ogni app.

Ma proprio perché costa meno ed è più potente, tende a essere usata sempre di più, da più aziende, per più cose.

Il paradosso è qui: ogni operazione consuma meno, ma il numero di operazioni esplode. L'AI efficiente non riduce automaticamente il consumo complessivo, anzi può farlo crescere in modo significativo. Alcuni studi parlano esplicitamente di un "digital Jevons paradox": il paradosso di Jevons applicato al mondo dei data center e dell'intelligenza artificiale.

La domanda scomoda: da dove arriverà l'energia?

Se accettiamo questa diagnosi, la domanda successiva è inevitabile: da dove arriverà tutta l'energia per alimentare questa ondata di calcolo? Ed è qui che entra in scena il nucleare.

I grandi player del digitale stanno già muovendosi. Accordi di lungo periodo per acquistare energia da centrali nucleari esistenti o riattivate, contratti ventennali per dedicare interi impianti alla domanda dei data center: sono segnali chiari. Se l'AI diventa infrastruttura critica, serviranno fonti elettriche stabili, programmabili e a basse emissioni per sostenerla.

Rinnovabili + nucleare: il mix necessario

Le rinnovabili – solare, eolico, accumuli – sono e resteranno fondamentali. Ma la loro natura intermittente le rende, almeno per ora, difficili da usare come unica colonna portante di una domanda in crescita continua e poco flessibile come quella dei data center.

Da qui il ritorno di interesse verso un nucleare "nuova generazione", più modulare, più sicuro, integrato in mix energetici ibridi insieme alle rinnovabili.

Questo non significa ignorare i problemi: costi iniziali elevati, tempi lunghi di realizzazione, gestione delle scorie, accettabilità sociale. Ma ignorare il tema sarebbe altrettanto miope. Se l'AI continuerà a espandersi al ritmo attuale, la discussione su dove e come produrre energia diventerà centrale tanto quanto quella su modelli e algoritmi.

Efficienza non basta: servono regole

Il messaggio di fondo è che non possiamo affidarci alla sola efficienza tecnologica per "salvarci" sul fronte energetico e ambientale. Anzi, proprio perché l'AI diventa più efficiente, rischia di essere utilizzata ovunque, spingendo in alto consumi e necessità di nuova capacità produttiva.

Servono quindi due cose in parallelo:

1. Un'accelerazione decisa verso fonti pulite, abbondanti e stabili
2. Regole, incentivi e buone pratiche che orientino l'uso dell'AI verso scenari realmente utili e sostenibili, non verso il puro "uso per il gusto di usarla"

Una sfida che va oltre la tecnologia

La sfida non è solo tecnica, è politica, economica e sociale. Riguarda il modo in cui organizziamo il lavoro, aggiorniamo le competenze, pianifichiamo infrastrutture che resteranno con noi per decenni.

In fondo, il paradosso di Jevons applicato all'AI ci ricorda una verità semplice: ogni volta che rendiamo qualcosa più efficiente e più economico, ne useremo di più.

Sta a noi decidere se accompagnare questa dinamica con una strategia energetica all'altezza, o subirla sperando che la tecnologia, da sola, faccia il lavoro al posto nostro.

Key Takeaways:

• L'efficienza dell'AI porta a un maggiore utilizzo, non a una riduzione dei consumi (paradosso di Jevons)
• I data center richiedono fonti energetiche stabili e programmabili
• Il nucleare di nuova generazione sta tornando nel dibattito come complemento alle rinnovabili
• Servono regole e incentivi per orientare l'uso dell'AI verso scenari sostenibili
• La sfida energetica dell'AI è politica, economica e sociale, non solo tecnologica