L’attenzione sull’impatto idrico dell’intelligenza artificiale cresce insieme alla diffusione di modelli sempre più grandi. Tra raffreddamento dei data center energia consumata dall’hardware e condizioni climatiche locali, l’acqua diventa una variabile critica da misurare con rigore. Senza una stima credibile, è difficile stabilire priorità, confrontare fornitori o comunicare in modo trasparente gli effetti dell’innovazione digitale.
Questa guida offre un percorso strutturato per calcolare i consumi idrici di training e inferenza indicando i parametri determinanti, le fonti dati utili e i fattori geografici da includere nel modello. L’obiettivo è aiutare team tecnici e sustainability officer a collegare le scelte progettuali agli obiettivi dell’Agenda 2030 e agli SDG sull’acqua pulita e i servizi igienico-sanitari.
Definire il perimetro: training, inferenza e catena a monte
Il primo passo è delimitare cosa misurare. Il perimetro operativo può includere: a) training di un modello, b) inferenza su base continua, c) servizi di data center ancillari (storage, networking), d) quota di energia a monte, con la sua intensità idrica nel mix locale. Chiarire il confine evita stime opache. Per il training, contano durata, GPU/TPU impiegate, utilizzo medio e potenza assorbita. Per l’inferenza, pesano throughput, latenza target e picchi di carico. In entrambi i casi vanno inclusi il PUE (efficienza energetica del sito) e il WUE (litri per kWh erogato dal data center), oltre all’eventuale acqua utilizzata direttamente nei sistemi di raffreddamento.
Parametri chiave da raccogliere prima del calcolo
Una stima robusta si fonda su pochi indicatori ben scelti. I principali: 1) Consumo energetico IT del workload (kWh), derivato dal profilo di potenza di GPU/CPU, utilizzo e ore di esecuzione; 2) PUE del sito per risalire all’energia totale di struttura; 3) WUE del data center, espresso in L/kWh o L/MWh; 4) Water intensity del mix elettrico locale (L/kWh) per l’energia acquistata esternamente; 5) Tecnologia di raffreddamento (adiabatico, evaporativo, meccanico, free cooling) e quota di ricircolo; 6) Stress idrico del bacino idrografico, che orienta i pesi di impatto. Con questi dati è possibile modellare l’acqua “on-site” (raffreddamento) e quella “off-site” legata alla produzione elettrica.
Dove trovare i numeri: fonti dati operative e istituzionali
I fornitori cloud e i gestori di data center pubblicano sempre più spesso PUE e WUE a livello regionale o di sito; quando disponibili, sono la base migliore. In alternativa, possono essere usati valori medi industriali, da sostituire appena si ottengono misure puntuali. I profili di potenza di GPU/TPU sono reperibili nelle schede tecniche dei produttori e possono essere raffinati con telemetria interna. La water intensity del mix elettrico si ricava da report energetici nazionali o regionali, distinguendo fonti termoelettriche, rinnovabili e nucleare. Per lo stress idrico gli indici di rischio idrico e la classificazione dei bacini forniscono mappe e punteggi comparabili tra regioni.
I fattori geografici che cambiano la stima
Il luogo in cui gira l’IA influenza profondamente il risultato. Clima, disponibilità idrica, regolazioni sulla priorità d’uso dell’acqua e caratteristiche del mix elettrico alterano sia il WUE sia l’intensità idrica dell’energia. In aree con forte uso di raffreddamento evaporativo, l’acqua “on-site” può dominare; in regioni con elettricità termoelettrica a basso rendimento, cresce il contributo “off-site”. Anche la qualità della risorsa è rilevante: acqua potabile, acque grigie o riciclate hanno pesi diversi nelle metriche di sostenibilità. L’altitudine e la temperatura influenzano l’efficienza del free cooling, mentre politiche locali su riuso e scarichi definiscono i margini di miglioramento tecnico.
Procedura passo-passo per il calcolo dell’impronta
Una procedura semplice, da adattare al livello di dettaglio dei dati: 1) stimare il consumo energetico IT del carico (kWh = potenza media apparecchi × ore di esecuzione × fattore di utilizzo); 2) applicare il PUE per ottenere l’energia totale di data center (kWh IT × PUE); 3) calcolare l’acqua “on-site” usando il WUE del sito (litri = kWh totali × WUE); 4) stimare l’acqua “off-site” legata all’energia acquistata (litri = kWh totali × intensità idrica del mix locale); 5) sommare le componenti e normalizzare per unità funzionale, ad esempio litri per ora di training per miliardo di token addestrati, o per mille richieste di inferenza; 6) applicare pesi geografici se si adotta una metrica di impatto che considera lo stress idrico del bacino.
Per il training ripetere i passaggi per ciascuna fase (pretraining, finetuning, hyperparameter search) e sommare. Per l’infernza utilizzare finestre temporali tipiche (ora, giorno, mese) e profili di carico, includendo picchi e ridondanza. Quando alcuni dati mancano, documentare le assunzioni e preferire intervalli (range) con scenari prudenziali e ottimistici.
Ridurre l’impronta: leve tecniche e operative allineate agli SDG
Una volta misurato, il consumo idrico può essere ridotto agendo su tre livelli. 1) Modello pruning, quantizzazione distillazione e scelta di architetture efficienti abbattono kWh e, di riflesso, litri. 2) Orchestrazione schedulare i carichi in regioni e orari con WUE e intensità idrica più basse; sfruttare free cooling stagionale e spostare il training dove l’acqua è meno scarsa. 3) Infrastruttura preferire data center con raffreddamento a circuito chiuso, uso di acque non potabili o riciclate, recupero di calore e sistemi di monitoraggio in tempo reale. Collegare questi interventi agli obiettivi dell’SDG 6 significa puntare su efficienza, riduzione dei prelievi e incremento del riuso, con reporting trasparente e indicatori normalizzati per unità di servizio.
Rendicontazione e integrazione nelle decisioni
Per creare accountability, conviene integrare l’impronta idrica nei KPI di prodotto: litri per inferenza, per sessione o per pipeline addestrativa. La reportistica dovrebbe distinguere acqua on-site e off-site, indicare fonti e intervalli d’incertezza, e mostrare trend di miglioramento. Nelle scelte di fornitura, includere PUEWUE stress idrico locale e politiche di riuso come criteri ponderati al pari di latenza e costo. Per i team, una water-aware architecture diventa parte della definizione di “efficienza”, insieme a prestazioni e carbonio, migliorando resilienza operativa e coerenza con gli impegni di sostenibilità.
