La Commissione europea sta portando avanti la costruzione di un sistema dettagliato e condiviso per valutare la sostenibilità energetica dei modelli e sistemi di intelligenza artificiale (AI). Il tema, però, non si limita a una semplice etichetta come quelle esistenti oggi sul mercato per elettrodomestici. L’idea è partire da una base concreta, costituita da dati, metriche e framework di misurazione, per creare un sistema trasparente che tenga conto tanto dell’energia consumata quanto dell'impronta carbonica. Solo a partire da un’analisi credibile si potrebbe poi immaginare un’applicazione simbolica, come l’etichetta finale, destinata ai prodotti AI più diffusi.

L’approccio europeo: confronto e confrontabilità

Bruxelles mira ad un modello ispirato all’esperienza delle etichette energetiche per elettrodomestici, portandola nel campo dell’AI. L’obiettivo è rendere i modelli confrontabili in termini di efficienza e sostenibilità. Questo non significa semplicemente affibbiare un modello con una lettera A o B. Il percorso inizia con la costruzione di un framework robusto, in grado di misurare consumi energetici, emissioni associate e relazione tra prestazioni e consumi.

I dati saranno fondamentali per supportare gli obblighi di trasparenza richiesti dal recente AI Act, un quadro legislativo che esige misure di sicurezza, accountability e sostenibilità per i provider di grandi modelli di intelligenza artificiale. L’AI Act richiede che i vendor fornissero informazioni sui consumi e sulle emissioni associate ai modelli AI, ma oggi non esiste un sistema coerente europeo per valutarli. La Commissione europea si sta quindi dedicando a sviluppare un piano strategico, con l’aiuto di stakeholder che vanno da fornitori di modelli AI fino a utenti e infrastrutture cloud.

Per chi riguarda realmente l’etichetta

Non si tratta solo di una questione regolatoria: è anche un tema operativo per le aziende che adottano AI, governano AI in produzione, o collaborano con cloud provider e infrastrutture. Mentre l’addestramento dei modelli richiede grandi investimenti energetici, la fase di inferenza, ovvero il loro uso effettivo, diventa sempre più una spesa significativa. Qui entra in gioco la differenza tra un sistema efficiente e uno che consuma energie inutilmente.

Ipoteticamente, ad esempio, scegliere un sistema AI che consumi il doppio potrebbe influenzare la scelta di una soluzione su cloud, l’architettura di integrazione e il reporting relativo ai criteri ESG. Per le aziende, quindi, questa consultazione non presenta solo interesse teorico ma ha conseguenze concrete per l’acquisto e l’implementazione di modelli AI.

Fattori che guidano la Consultazione

I due fattori principali a spingere in questa direzione sono normativa e infrastrutturale. In termini legislativi, il AI Act ha già imposto ai fornitori di modelli di grandi dimensioni di documentare in dettaglio le performance energetiche dei loro modelli. Secondo il piano della Commissione, queste normative hanno già iniziato ad applicarsi in modo operativo, e presto i provider dovranno anche fornire dati con una certa cadenza.

Dall’altro lato, ci sono ragioni infrastrutturali che rendono necessario un sistema europeo di etichettatura energeticamente trasparente. Secondo l’International Energy Agency (IEA), i data center assorbono già circa il 1,5% dei consumi energetici mondiali. E l’AI è indicata come la maggiore sorgente di aumento del consumo energetico, soprattutto in combinazione con altri servizi digitali. Questo spiega perché non si tratta più solo di obblighi di trasparenza per gli investitori, ma di una responsabilità operativa sull’infrastruttura digitale.

Strategie e consultazioni europee: verso un framework operativo

Esiste un processo formale e attivo in corso. Il primo passo è stato l’invito pubblico della Commissione europea, lanciato nel luglio 2024, che ha delineato 4 principali obiettivi:

La consultazione pubblica, aperta l’8 aprile 2026, chiede a tutti i soggetti coinvolti di valutare non solo la disponibilità dei dati, ma anche come raccoglierli con precisione e a quali costi. Questa è un’indicazione chiara che Bruxelles sta andando oltre un piano teorico, e sta in realtà costruendo i fondamenti di un sistema operativo per misurare il consumo energetico dell’AI.

Stratificazioni dell’etichetta: da addestramento alla produzione

Nel dettaglio, il framework in sviluppo prende in considerazione almeno quattro aspetti:

Questo livello di dettaglio mostra un focus sul ciclo completo di vita dell’AI, e non solo su un aspetto specifico. Misurare l’impatto energetico di un modello di base non equivale a misurare l’impatto di un sistema complesso di AI in cui ci sono interazioni, tool e orchestrazioni.

Chi misura cosa e come

Un punto specifico del quadro proposto è la capacità da parte dell’organizzazione di differenziare la quantità di energia utilizzata per il modello di base rispetto a quella derivante da funzioni extra, come tool calling, retrieval, e server management. Questo dettaglio mostra l’importanza di considerare l’intera architettura di AI, compresa la parte applicativa che accompagna il modello nel processo produttivo.

Implicazioni del framework: la parola chiave è “normalizzare”

Nel contesto dell’etichetta energetica, non basta misurare. L’obiettivo è normalizzare, in modo che i confronti siano rilevanti, confrontabili e utili per gli utenti. Il questionario chiede chiaramente di valutare indicatori di performance che permettano di stabilire relazioni tra qualità, latenza, accuratezza, e consumo energetico per task diversi.

I benchmark citati nei questionari, come MLPerf Inference, HELM o ImageNet, indicano chiaramente l’importanza di considerare sia la dimensione operativa dell’AI che la sua efficacia. La consultazione richiama quindi a una metrica chiara per valutare l’efficienza di un modello rispetto al compito da svolgere.

Le sfide della misurabilità

I modelli di AI non vengono confrontati in modo statico, come un frigorifero. Il loro comportamento dipende da fattori variabili come tipo di richiesta, regione in cui risiede il data center, tipologia hardware, mix energetico locale e altre caratteristiche ambient