L'intelligenza artificiale (IA) sta diventando sempre più un elemento centrale delle iniziative per la sostenibilità urbana. Dall'ottimizzazione dei flussi di traffico e delle reti energetiche alla pianificazione predittiva e alla capacità di risposta in tempo reale, l'IA viene presentata come una soluzione intelligente ed efficiente alle complesse sfide della sostenibilità e della resilienza urbana.

In questa narrazione diffusa, l'intelligenza appare priva di attriti e immateriale, capace di guidare le città verso la resilienza socio-ecologica e l'equità. Eppure, questa visione nasconde le realtà sociali e materiali, così come le disuguaglianze geografiche, che sono alla base della diffusione e del funzionamento dell'IA.

L'IA non è semplicemente uno strumento per prendere decisioni migliori; è un sistema infrastrutturale stratificato, inserito in reti globali di energia, lavoro, estrazione di risorse e governance. La proliferazione dei sistemi di IA nei contesti urbani ha intensificato la domanda di archiviazione dei dati, potenza di calcolo e connettività, tutte attività che dipendono da ingenti flussi materiali e processi industriali. Dalle miniere di litio del Sud globale ai data center situati nelle aree rurali periferiche, la città «intelligente» è sostenuta da un metabolismo planetario che rimane in gran parte invisibile nel discorso dominante sulla sostenibilità.

(Joshua J. Cousins, Artificial intelligence’s metabolic footprint and the political-industrial ecology of urban sustainability, Nature, npj Urban Sustainability, 6, articolo 97 (2026))

Quando interagiamo con un’Intelligenza Artificiale Generativa, l’esperienza che viviamo ci appare quasi completamente immateriale: scriviamo alcune parole su uno schermo e, pochi istanti dopo, riceviamo una risposta; possiamo generare un testo, un’immagine o una musica, tradurre un documento, elaborare grandi quantità di informazioni o costruire ragionamenti articolati attraverso un’interazione che, dal nostro punto di vista, sembra semplice, immediata e quasi priva di attrito.

Anche le parole che utilizziamo contribuiscono a rafforzare questa percezione. Parliamo di cloud, di nuvola, come se dati e capacità computazionale fossero sospesi in uno spazio indefinito, e definiamo “virtuali” molte delle attività che svolgiamo attraverso le tecnologie digitali, attribuendo implicitamente a questa realtà una forma di leggerezza e di indipendenza dalla materia che finisce per allontanare dal nostro campo percettivo tutto ciò che, materialmente, rende possibile quell’esperienza.

Eppure, dietro ogni nostra interazione con un sistema di Intelligenza Artificiale si estende una struttura fisica enormemente più ampia di quella che riusciamo a percepire attraverso lo schermo, composta da server, semiconduttori, data center, cavi, fibre ottiche, reti elettriche, sistemi di raffreddamento, acqua, terreni, impianti industriali, miniere e reti logistiche che attraversano territori e continenti e che collegano tra loro sistemi economici, energetici, industriali e ambientali.

Il cloud, in altri termini, ha un peso, anche se la nostra esperienza quotidiana tende a renderlo invisibile.

Un metabolismo nascosto

Per provare a rendere visibile questa dimensione possiamo utilizzare, con la necessaria cautela, il concetto di metabolismo, assumendolo come una metafora capace di spostare l’attenzione dall’oggetto tecnologico isolato alla rete di flussi e relazioni che ne consente l’esistenza e il funzionamento.

Il metabolismo è il processo attraverso cui un organismo acquisisce materia ed energia dall’ambiente, le trasforma e restituisce a sua volta all’ambiente altre forme di materia ed energia; applicare questa immagine all’Intelligenza Artificiale consente di osservare il sistema socio-tecnico che rende possibile l’IA come un insieme di processi attraversati continuamente da materia, energia, informazioni, lavoro e risorse.

Entrano energia elettrica, acqua, minerali, semiconduttori, infrastrutture, lavoro e capitale e, attraverso processi computazionali estremamente complessi, vengono prodotti informazioni, immagini, testi, servizi e decisioni, insieme a calore, emissioni, consumo di risorse, rifiuti tecnologici e nuove domande rivolte ai sistemi che sostengono questa attività. Ciascuno di questi flussi si collega ad altri sistemi — energetici, industriali, ambientali, economici, sociali — che vengono a loro volta modificati dall’aumento della domanda generata dalla diffusione dell’IA.

Considerare il metabolismo dell’Intelligenza Artificiale significa allora allargare la scala dell’osservazione e comprendere che ciò che appare immateriale dal punto di vista dell’utilizzatore diventa profondamente materiale quando seguiamo a ritroso le condizioni che rendono possibile quella stessa esperienza.

Una risposta prodotta in pochi secondi è infatti il punto terminale di un processo che ha avuto inizio molto prima, nell’estrazione dei materiali necessari alla produzione dei semiconduttori, nelle fabbriche in cui quei semiconduttori sono stati realizzati, nelle infrastrutture che li hanno trasportati, nei data center nei quali vengono installati, nelle reti elettriche che li alimentano e nei sistemi idrici che contribuiscono al loro raffreddamento.

La semplicità dell’interazione nasconde così la complessità del sistema che la rende possibile.

Efficienza e aumento di scala

Questa prospettiva permette di osservare anche una dinamica apparentemente paradossale, che diventa particolarmente significativa quando viene analizzata da una prospettiva sistemica.

Le tecnologie utilizzate dall’Intelligenza Artificiale stanno diventando rapidamente più efficienti: l’evoluzione dell’hardware e del software consente di svolgere la stessa operazione utilizzando quantità progressivamente inferiori di energia, e sarebbe quindi intuitivo aspettarsi che questo miglioramento si traducesse, nel tempo, in una diminuzione dei consumi complessivi.

Sta accadendo, almeno per ora, qualcosa di diverso, perché mentre diminuisce l’energia richiesta dalla singola operazione aumentano contemporaneamente il numero degli utilizzatori, la frequenza delle interazioni e la quantità di attività affidate ai sistemi di IA; nello stesso tempo si sviluppano applicazioni sempre più complesse, dalla generazione di immagini e video ai sistemi agentici e alle forme avanzate di elaborazione, che richiedono capacità computazionali molto superiori rispetto a quelle necessarie per le attività più semplici.

Secondo l’International Energy Agency, nel 2025 i data center hanno consumato a livello mondiale circa 485 TWh di elettricità e, nello scenario centrale dell’Agenzia, potrebbero avvicinarsi ai 950 TWh entro il 2030, mentre all’interno di questa crescita i consumi dei data center dedicati specificamente all’IA aumentano ancora più rapidamente.1

Il dato diventa particolarmente interessante quando viene letto all’interno della relazione tra efficienza e diffusione: una maggiore efficienza riduce il costo della singola operazione, una riduzione del costo rende l’utilizzo più accessibile, una maggiore accessibilità ne favorisce la diffusione, la diffusione incoraggia lo sviluppo di nuove applicazioni e le nuove applicazioni alimentano a loro volta la domanda di capacità computazionale, che richiede ulteriori infrastrutture.

L’efficienza locale e l’aumento globale del consumo possono quindi procedere contemporaneamente, mostrando come ciò che appare come una riduzione quando osserviamo un singolo elemento possa trasformarsi in una crescita quando allarghiamo lo sguardo al sistema nel suo complesso.

La scala, ancora una volta, modifica il significato del fenomeno.

Acqua, energia, territorio

Lo stesso cambio di prospettiva diventa ancora più evidente quando consideriamo l’acqua, una risorsa che entra nel metabolismo dell’IA in modi diversi e che acquista significato soprattutto attraverso il contesto nel quale viene utilizzata.

Stabilire quanta acqua venga consumata da una singola interrogazione rivolta a una GenAI è estremamente difficile, perché il risultato varia in funzione dell’hardware, del sistema di raffreddamento, delle condizioni climatiche, del modello utilizzato e delle modalità attraverso cui viene prodotta l’energia elettrica; le equivalenze che traducono una conversazione in un certo numero di bicchieri o bottiglie d’acqua producono immagini immediate, ma rischiano di semplificare eccessivamente un fenomeno che diventa comprensibile soprattutto quando viene collocato all’interno del territorio in cui quella risorsa viene effettivamente utilizzata.

Un data center è sempre situato in un luogo preciso, utilizza una determinata rete elettrica, accede a specifiche risorse idriche e convive con altri soggetti che dipendono dalle stesse risorse. Secondo l’International Energy Agency, quasi il 40 per cento della capacità identificata dei data center dedicati all’IA è localizzata in aree caratterizzate da stress idrico elevato o estremamente elevato.2
La stessa quantità di acqua assume quindi significati profondamente diversi a seconda del sistema territoriale nel quale viene utilizzata, perché famiglie, agricoltura, industrie, ecosistemi e nuove infrastrutture digitali possono trovarsi a dipendere dalla medesima risorsa, modificando reciprocamente le condizioni di accesso e gli equilibri precedenti.

Anche la ricerca delle soluzioni mostra quanto queste dimensioni siano intrecciate: ridurre l’utilizzo di acqua attraverso determinati sistemi di raffreddamento può richiedere maggiori quantità di energia, ridurre le emissioni può aumentare la domanda di alcuni materiali e migliorare l’efficienza computazionale può favorire una diffusione ancora maggiore dell’utilizzo, generando effetti che si propagano da una parte all’altra del sistema.

L’efficienza cessa così di essere un concetto assoluto e richiede sempre di essere qualificata: efficiente rispetto a quale risorsa, a quale scala e rispetto a quali conseguenze?

Prima del digitale

Il metabolismo dell’Intelligenza Artificiale si estende inoltre molto oltre i data center, perché la capacità computazionale dipende dai semiconduttori e la produzione dei semiconduttori, a sua volta, dipende da una filiera industriale estremamente sofisticata, che richiede impianti costosi, grandi quantità di energia e acqua pura, numerose sostanze chimiche e materiali minerali provenienti da aree geografiche differenti.

Secondo l’OECD, quasi il novanta per cento della capacità mondiale di fabbricazione dei wafer è concentrata in appena cinque economie,3 mentre a monte di questa produzione troviamo silicio, gallio, germanio, tantalio, tungsteno, terre rare e molte altre risorse la cui estrazione e raffinazione sono a loro volta caratterizzate da forti concentrazioni territoriali e da dipendenze che attraversano l’intera economia globale.

Seguendo questa catena a ritroso, una semplice richiesta digitata sul nostro computer entra quindi in relazione con una filiera che attraversa miniere, stabilimenti chimici, fabbriche di semiconduttori, sistemi logistici, data center, reti elettriche e infrastrutture idriche, mostrando come il digitale appaia immateriale soprattutto nel punto terminale di questo lungo processo, quello in cui incontra l’utilizzatore.

Lo spiazzamento delle risorse

Osservare l’Intelligenza Artificiale attraverso il suo metabolismo ci porta allora oltre il tema, pur importante, dell’impatto ambientale, perché il problema riguarda anche il modo in cui l’aumento della domanda generata da queste tecnologie modifica l’accesso alle risorse e ridisegna gli equilibri tra sistemi che, fino a quel momento, si erano sviluppati secondo configurazioni differenti.

Quando cresce la necessità di energia occorre aumentare la produzione e rafforzare le reti; quando aumenta la domanda di acqua cambiano gli equilibri tra gli utilizzatori; quando alcuni minerali e semiconduttori acquistano una funzione strategica aumenta contemporaneamente il valore delle filiere capaci di produrli; quando le infrastrutture si concentrano in determinati territori, quei territori acquisiscono nuove funzioni e vengono sottoposti a nuove pressioni.

L’Intelligenza Artificiale entra così in relazione con sistemi che esistevano prima della sua diffusione, ne modifica le condizioni di funzionamento e contribuisce a ridefinire accessi, priorità, investimenti e dipendenze.

Potremmo parlare anche qui di una forma di spiazzamento, perché l’emergere di una nuova domanda modifica la posizione relativa delle domande già presenti, rendendo alcune risorse più strategiche, alcune infrastrutture più congestionate e alcuni territori più esposti alle conseguenze materiali della crescita tecnologica.

Questa dinamica diventa ancora più importante quando tende ad autoalimentarsi: la crescita dell’IA aumenta la domanda di infrastrutture, nuove infrastrutture rendono disponibile una maggiore capacità computazionale, una maggiore capacità permette nuovi utilizzi e i nuovi utilizzi alimentano ulteriormente la domanda di infrastrutture e risorse.

Il metabolismo cresce insieme al sistema socio-tecnico che contribuisce ad alimentare, e proprio questa espansione rende insufficiente una valutazione fondata esclusivamente sull’efficienza della singola macchina o del singolo data center, perché una parte rilevante degli effetti emerge dalle relazioni e dai cambiamenti di scala.

Restituire peso all’Intelligenza Artificiale

Forse una delle difficoltà maggiori nel comprendere questa trasformazione deriva proprio dalla distanza tra ciò che sperimentiamo e ciò che rende possibile la nostra esperienza.

Noi incontriamo l’Intelligenza Artificiale attraverso un’interfaccia semplice, una risposta immediata, un servizio che sembra apparire quasi dal nulla, mentre tutto ciò che rende possibile quell’interazione rimane collocato altrove, spesso lontano sia fisicamente sia cognitivamente.

Questa distanza favorisce una separazione percettiva tra informazione e materia, tra calcolo ed energia, tra cloud e territorio, tra innovazione tecnologica e accesso alle risorse, lasciandoci vedere con grande chiarezza il servizio che utilizziamo e rendendo molto meno visibile il sistema di relazioni che lo sostiene.

Comprendere il metabolismo dell’Intelligenza Artificiale significa allora provare a ricomporre ciò che l’esperienza digitale tende a separare, riconoscendo che ogni capacità computazionale poggia su flussi di materia ed energia, che ogni infrastruttura occupa un territorio e che ogni nuova domanda entra inevitabilmente in relazione con altre domande già presenti.

L’Intelligenza Artificiale diventa immateriale soltanto nel punto in cui incontra noi.

Tutto ciò che rende possibile quell’incontro continua ad avere un peso.

Note

1 International Energy Agency, Key Questions on Energy and AI, Paris, 2026, “Executive Summary”.
2 International Energy Agency, Powering Artificial Intelligence, Paris, 2026.
3 OECD, The Chip Landscape: Geographical Distribution of Wafer Fabrication Capacity, OECD Publishing, Paris, 2025.