Quando la sostenibilità passa dagli slogan agli strumenti

Negli ultimi anni la sostenibilità è entrata in una fase nuova, più concreta e meno dichiarativa. Non basta più affermare di ridurre le emissioni, di consumare meno energia o di usare l’acqua in modo responsabile: serve dimostrarlo, misurarlo, confrontarlo nel tempo. È qui che molte start-up climate tech e centri tecnologici stanno trovando spazio, sviluppando strumenti di intelligenza artificiale pensati per rendere visibile ciò che prima era opaco.

Queste tecnologie non promettono di “salvare il pianeta” con un algoritmo, ma rispondono a una domanda molto più pragmatica: come capire davvero l’impatto ambientale di sistemi complessi, digitali e globalizzati? Dall’analisi delle emissioni alla gestione energetica dei data center, fino alle metriche sull’uso dell’acqua, l’AI sta diventando un’infrastruttura silenziosa della sostenibilità. Analizzare chi sta costruendo questi strumenti e perché è essenziale per capire dove sta andando il dibattito ambientale.

Misurare l’impatto ambientale quando i dati non bastano più

Uno dei problemi storici della sostenibilità è la misurazione dell’impatto ambientale. Le emissioni non sono concentrate in un solo punto, ma distribuite lungo filiere globali, fornitori, trasporti e consumi indiretti. Alcune start-up hanno iniziato a usare l’AI proprio per affrontare questa frammentazione.

Piattaforme come DitchCarbon utilizzano modelli di machine learning per stimare le emissioni legate alle attività aziendali, integrando dati finanziari, informazioni di settore e database energetici. Il valore di questi strumenti non sta solo nel numero finale, ma nella capacità di rendere confrontabili attività diverse e di aggiornare le stime man mano che cambiano processi e fornitori. In questo modo, l’impatto ambientale smette di essere una fotografia statica e diventa una variabile dinamica.

Un approccio simile, ma orientato anche al comportamento individuale e alle transazioni, è quello adottato da Yayzy, che usa l’AI per tradurre spese e consumi in indicatori di carbon footprint. Queste tecnologie cercano di colmare il divario tra azione quotidiana e impatto ambientale, rendendo più leggibili le conseguenze delle scelte economiche. Il limite resta evidente: la qualità delle stime dipende fortemente dai modelli e dalle ipotesi sottostanti, che non sono mai neutrali.

L’AI al centro dell’efficienza energetica dei data center

Se c’è un settore in cui la sostenibilità si scontra con la crescita digitale, è quello dei data center. L’espansione del cloud e dell’AI generativa ha trasformato queste infrastrutture in nodi energetici critici. Per questo molte soluzioni di AI sono nate con l’obiettivo di ridurre i consumi senza sacrificare le prestazioni.

Un caso emblematico è quello di Google DeepMind, che ha applicato algoritmi di reinforcement learning alla gestione del raffreddamento dei data center. L’AI analizza migliaia di variabili in tempo reale e suggerisce regolazioni che un operatore umano non potrebbe calcolare con la stessa rapidità. Il risultato è una riduzione significativa dell’energia impiegata per il raffreddamento, una delle voci più pesanti nei consumi complessivi.

Accanto ai grandi attori, esistono start-up come Romonet, che sviluppano modelli predittivi per simulare il comportamento energetico dei data center prima ancora che vengano costruiti o ampliati. Qui l’AI non serve solo a ottimizzare l’esistente, ma a orientare le decisioni progettuali. Capire in anticipo come una struttura reagirà a diversi carichi di lavoro significa evitare errori costosi e inefficienze strutturali difficili da correggere in seguito.

Dall’energia all’acqua: una nuova frontiera di misurazione

Per anni il dibattito sulla sostenibilità digitale si è concentrato quasi esclusivamente sull’energia. Oggi, però, l’attenzione si sta spostando sull’uso dell’acqua, soprattutto nei data center che utilizzano sistemi di raffreddamento idrico. Qui entrano in gioco metriche come il WUE (Water Usage Effectiveness), che misurano quanta acqua viene utilizzata per ogni unità di energia informatica prodotta.

Strumenti basati su AI permettono di andare oltre il semplice indicatore numerico, integrando dati climatici, idrologici e territoriali. Aziende come Ecolab stanno sviluppando piattaforme che collegano l’uso dell’acqua al rischio locale, aiutando le imprese a capire non solo quanta acqua consumano, ma quanto quel consumo sia critico in un determinato contesto geografico.

Questo approccio introduce una visione più realistica della sostenibilità: usare poca acqua in un’area ricca non equivale a usare la stessa quantità in una regione soggetta a stress idrico. L’AI diventa così uno strumento di contestualizzazione, ma anche qui emergono zone grigie legate alla disponibilità e all’accuratezza dei dati locali.

Digital twin ambientali: simulare prima di decidere

Un’evoluzione naturale di queste tecnologie è rappresentata dai digital twin, modelli digitali che replicano il comportamento di sistemi fisici complessi. Integrati con l’AI, permettono di simulare scenari futuri, testare soluzioni e valutare l’impatto ambientale di scelte operative prima di implementarle nel mondo reale.

Nel campo della sostenibilità, i digital twin vengono usati per analizzare come varia il consumo energetico o idrico al cambiare delle condizioni operative. Questo consente di spostare il dibattito dal “quanto consumiamo” al “come potremmo consumare domani”. Il rischio, tuttavia, è attribuire a queste simulazioni un’eccessiva autorità, dimenticando che ogni modello riflette assunzioni umane e interessi specifici.

Perché queste tecnologie contano davvero

Ciò che accomuna queste start-up e questi strumenti non è la promessa di una sostenibilità automatica, ma la capacità di rendere misurabile ciò che prima era invisibile. L’AI non decide cosa sia giusto o sbagliato, ma influisce profondamente su ciò che viene considerato rilevante. In questo senso, queste tecnologie stanno diventando parte integrante della governance ambientale.

Allo stesso tempo, restano evidenti limiti e asimmetrie. Le soluzioni più avanzate sono spesso accessibili solo a grandi aziende e operatori infrastrutturali, mentre realtà più piccole rischiano di restare escluse. Inoltre, l’uso stesso dell’AI comporta consumi energetici che non possono essere ignorati, pena una contraddizione di fondo.

Uno sguardo ai prossimi approfondimenti

Concentrarsi sugli strumenti e su chi li sviluppa aiuta a spostare il discorso sulla sostenibilità da un piano astratto a uno operativo. Nei prossimi articoli di Abouthat entreremo nel dettaglio di queste singole tecnologie, analizzando una alla volta le piattaforme, i modelli e le scelte che le guidano. Perché capire come funzionano questi strumenti è il primo passo per decidere come vogliamo usarli, e soprattutto per non delegare completamente agli algoritmi una questione che resta, in ultima analisi, politica e sociale.

‍