🤖 AI

Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

Questo studio stima che 403 hyperscale data center statunitensi operanti tra maggio 2024 e aprile 2025 abbiano consumato tra 68 e 99 TWh di elettricità, contribuendo con 37–54 milioni di tonnellate metriche di emissioni di CO2, con un'intensità di carbonio approssimativamente superiore del 48% rispetto alla media della rete nazionale a causa di una forte dipendenza dai combustibili fossili.

Autori originali: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Pubblicato 2026-06-05

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina che gli Stati Uniti siano una città gigantesca e che, sparsi in tutto il territorio, si trovino enormi fabbriche super-potenziate chiamate Hyperscale Data Centers (HDC). Non sono i comuni server room; sono i motori colossali che guidano la nostra moderna vita digitale, specialmente la nuova ondata dell'Intelligenza Artificiale. Sono così grandi che potrebbero alimentare decine di migliaia di case contemporaneamente.

Questo documento è come un team di detective (ricercatori di Harvard e altre istituzioni) che ha deciso di effettuare un censimento di queste fabbriche per rispondere a una domanda semplice ma urgente: quanta elettricità stanno mangiando e quanto è sporca quell'energia?

Ecco cosa hanno scoperto, suddiviso in concetti semplici:

1. L' "Appetito Energetico"

I ricercatori hanno tracciato 403 di questi enormi data center operativi tra maggio 2024 e aprile 2025.

L'Analogia: Pensa a queste 403 fabbriche come a un unico, enorme e vorace mostro.
La Scoperta: Questo mostro ha mangiato tra i 68 e i 99 Terawattora (TWh) di elettricità. Per mettere le cose in prospettiva, è circa la stessa quantità di elettricità consumata da interi stati come l'Indiana, il Michigan o il Tennessee per un intero anno. Rappresenta circa l'1,8% di tutta l'elettricità utilizzata negli Stati Uniti.

2. L' "Impronta di Carbonio"

L'elettricità non appare dal nulla; deve essere generata, spesso bruciando cose come carbone o gas naturale.

L'Analogia: Se l'elettricità è il cibo che i data center mangiano, allora l'Anidride Carbonica (CO2) è lo "scarico" che lasciano dietro di sé.
La Scoperta: Poiché questi centri sono così affamati, sono responsabili della creazione di tra i 37 e i 54 milioni di tonnellate metriche di CO2. Questa è una nuvola di scarico massiccia. Rispetto a uno studio del 2018, questo numero è aumentato di circa 3 o 5 volte, mostrando quanto velocemente stia crescendo l'appetito per l'IA.

3. Il Mix "Sporco vs Pulito"

Non tutta l'elettricità è uguale. Alcuna proviene da vento e sole puliti, mentre altra deriva dalla combustione di combustibili fossili.

L'Analogia: Immagina che la rete elettrica sia un enorme frullato. A volte il frullato è composto principalmente da frutta (energia pulita), e a volte è composto principalmente da caffè (combustibili fossili).
La Scoperta: I data center in questo studio stanno bevendo principalmente la versione al "caffè" del frullato.
- Circa il 54% della loro energia proviene da combustibili fossili (principalmente gas naturale e carbone).
- Solo circa il 25% proviene da fonti rinnovabili (eolico, solare, idroelettrico).
- Il resto è nucleare.
Il Risultato: Poiché si trovano in aree in cui la rete elettrica locale si affida pesantemente ai combustibili fossili, il loro "scarico" è molto più sporco di quello di una media famiglia americana. La loro impronta di carbonio è circa il 48% più alta rispetto alla media nazionale.

4. Il "Dove" conta

I ricercatori hanno notato che questi data center non sono distribuiti uniformemente come uno spruzzatore; sono raggruppati in specifici "hotspot".

L'Analogia: È come se tutti i più grandi ristoranti di una città fossero situati in soli tre quartieri. Quei tre quartieri dovrebbero improvvisamente gestire tutto il traffico e i rifiuti.
La Scopola: La Virginia è il principale hotspot, ospitando 142 di questi centri e utilizzando circa un quarto dell'elettricità totale. Oregon, Ohio e Iowa sono altri hub importanti. Insieme, questi quattro stati rappresentano più della metà dell'uso energetico totale dello studio.

5. Come hanno fatto i calcoli (Il lavoro dei detective)

Poiché le aziende dei data center non sempre pubblicano le loro bollette energetiche esatte, i ricercatori hanno dovuto essere dei detective astuti:

Sleuthing via Satellite: Hanno usato immagini satellitari per trovare gli edifici e misurarne le dimensioni, assicurandosi che fossero effettivamente data center e non semplici parchi per uffici.
Il "Carico" ipotizzato: Non sapevano esattamente quanto lavorassero i computer ogni secondo, quindi hanno creato quattro diversi "scenari" (come indovinare la velocità di un'auto: lenta, media, veloce o in corsa). Si sono stabiliti su un ipotetico "centrale" che sembrava più realistico in base a come funzionano solitamente queste macchine.
La Mappa della Rete: Hanno mappato ogni data center alla relativa società elettrica locale (chiamata "Balancing Authority") e hanno esaminato il "menu" di centrali elettriche che tale società utilizza. Se un data center si trova in una regione in cui la centrale elettrica brucia carbone, il data center viene "addebitato" per quell'inquinamento da carbone, anche se il data center stesso non ha bruciato il carbone.

Il Punto Fondamentale

Questo documento fornisce un quadro chiaro e basato sui dati del costo ambientale del boom dell'IA. Dimostra che, sebbene questi data center siano il cervello del nostro futuro digitale, attualmente funzionano con una dieta pesante in combustibili fossili, il che comporta una quantità significativa di emissioni di carbonio. I ricercatori hanno costruito uno strumento pubblico (un sito web) affinché chiunque possa vedere esattamente quanta energia e inquinamento avvengono nella propria zona locale.

In breve: La rivoluzione dell'IA è reale, ma attualmente è alimentata da molta energia proveniente da combustibili fossili, e sta lasciando un'impronta di carbonio molto grande, specialmente in alcuni stati chiave.

Sintesi Tecnica: Valutazione delle Emissioni di Carbonio e del Consumo Energetico dei Data Center Hyperscale negli Stati Uniti

Definizione del Problema
La rapida proliferazione di data center hyperscale (HDC) negli Stati Uniti, trainata in gran parte dall'adovimento dell'intelligenza artificiale (IA), ha sollevato significative preoccupazioni riguardo all'impronta ambientale del settore. Sebbene i data center rappresentino l'ossatura delle moderne infrastrutture digitali, la loro natura energivora — derivante dalla potenza computazionale e dai requisiti di raffreddamento — ha portato a un aumento della domanda di elettricità e alle associate emissioni di gas serra. La letteratura esistente presenta una gamma di stime sul consumo energetico dei data center, ma gli studi sottoposti a revisione paritaria che esaminano specificamente le emissioni delle strutture hyperscale sono scarsi. Le stime precedenti, come quelle di Siddik et al. (17) per il 2018, sono ormai superate data l'impennata della domanda derivante dai carichi di lavoro dell'IA e dal mining di criptovalute (escluso da questa analisi). Inoltre, vi è una mancanza di dati a livello di impianto che integrino fonti eterogenee, validino l'infrastruttura tramite immagini satellitari e attribuiscano le emissioni a specifiche centrali elettriche utilizzando i dati di rete più recenti.

Metodologia
Gli autori hanno sviluppato una pipeline scalabile e basata sui dati per stimare il consumo di elettricità e le emissioni di CO2 attribuibili per 403 data center hyperscale statunitensi operanti tra maggio 2024 e aprile 2025. La metodologia si compone di cinque fasi chiave:

Raccolta e Validazione dei Dati: Lo studio ha compilato un dataset di 675 potenziali HDC da fornitori privati (Baxtel). Questo dataset è stato rigorosamente validato utilizzando immagini satellitari ad alta risoluzione (Esri World Imagery) e dati sulla superficie degli edifici da OpenStreetMap (OSM). Attraverso la verifica manuale e la geocodifica, gli autori hanno confermato la posizione e l'identità di 403 strutture, ottenendo i dati sulla superficie quadrata per tutte di esse.
Stima della Capacità di Potenza: Per le 6 strutture prive di dati riportati sulla capacità di potenza, è stato addestrato un modello di Regressione ad Alberi Potenziati dal Gradiente (GBRT) per imputare i valori mancanti. Il modello ha utilizzato la superficie dellata struttura, il tipo di clima (classificazione Köppen-Geiger) e la regione dell'autorità di bilanciamento come predittori. Il modello ha raggiunto un $R^2$ di 0,807 su una divisione hold-out casuale 85/15, confermando la sua utilità come strumento di imputazione piuttosto che come modello predittivo generale per nuovi insediamenti attraverso schemi di validazione raggruppati.
Modellazione del Consumo di Elettricità: Il consumo annuo di elettricità è stato stimato moltiplicando la capacità elettrica totale dell'impianto (inclusi IT, raffreddamento e overhead) per le ore operative annuali (8.760) e un coefficiente di carico dell'impianto ( $u$ $u$ ). Riconoscendo l'incertezza nel tradurre la capacità nominale in carico operativo effettivo, gli autori hanno riportato i risultati attraverso quattro scenari fisicamente motivati:
- Carico basso ( $u=0,48$ ): Server convenzionali, design con rating massimo.
- Centrale ( $u=0,58$ ): Server convenzionali, design misurato massimo, coerente con la modellazione bottom-up del flusso di potenza e con controlli indipendenti implicati dal PUE.
- Intermedio-alto ( $u=0,663$ ): Utilizzo effettivo a livello di server applicato alla capacità dell'impianto (mantenuto per continuità con studi precedenti).
- Alto pesato sull'IA ( $u=0,70$ ): Riflettendo un maggiore utilizzo per le strutture specializzate in IA.
Modellazione delle Emissioni di Attribuzione: Ogni HDC è stato geolocalizzato nella sua corrispondente autorità di bilanciamento (BA). È stato applicato un modello di attribuzione ponderato sulla generazione di energia (EGW), assumendo che all'interno di ogni BA, la domanda totale di elettricità degli HDC sia distribuita tra le centrali elettriche in proporzione alla loro generazione netta di elettricità annuale. Questo approccio utilizza i dati a livello di centrale EPA eGRID2023 (il rilascio più recente completo al momento della revisione) per assegnare i mix di combustibile e i fattori di emissione.
Calcolo dell'Intensità di Carbonio: Lo studio ha calcolato l'intensità di carbonio media ponderata (gCO2/kWh) per gli HDC aggregando le emissioni e il carico attribuiti alle centrali elettriche fornitrici, confrontando tali metriche con la media nazionale della rete statunitense.

Contributi Chiave

Dataset Completo: La creazione di un dataset validato a livello di impianto di 403 HDC statunitensi, che rappresenta una stima del 56–82% dell'impronta elettrica nazionale degli hyperscale.
Framework di Attribuzione: L'applicazione di un metodo di contabilità attribuzionale trasparente che collega specifici data center al mix fisico di generazione delle loro autorità di bilanciamento, distinguendo questo lavoro dagli approcci consequenziali (marginali).
Stima Basata su Scenari: La fornitura di una gamma di stime (68–99 TWh di elettricità; 37–54 Mt di CO2) piuttosto che una singola stima puntuale, tenendo esplicitamente conto delle incertezze nei fattori di carico degli impianti e nella copertura incompleta.
Strumento Pubblico: Lo sviluppo di una piattaforma web accessibile al pubblico che consente agli utenti di esplorare l'impronta di carbonio, i carichi elettrici e i mix di combustibile a livello statale e di autorità di bilanciamento.

Risultati

Consumo di Elettricità: Nello scenario centrale ( $u=0,58$ ), i 403 HDC hanno consumato circa 82 TWh di elettricità, rappresentando circa l'1,8% del consumo totale di elettricità degli Stati Uniti. In tutti gli scenari, il consumo è variato da 68 a 99 TWh (1,5–2,2% del totale nazionale).
Emissioni di Carbonio: Le emissioni di CO2 associate sono variate da 37 a 54 milioni di tonnellate metriche (Mt), con una stima centrale di 45 Mt. Ciò è circa 3,5 - 5 volte superiore ai 10,5 Mt stimati per gli HDC nel 2018.
Distribuzione Geografica: La Virginia ha ospitato il maggior numero di HDC (142) e il più alto consumo aggregato (~21 TWh), seguita da Oregon, Ohio e Iowa. Insieme, questi quattro stati hanno rappresentato oltre il 50% del consumo totale di elettricità degli HDC nel campione.
Mix di Combustibile e Intensità di Carbonio: Circa il 53,9% dell'elettricità attribuita agli HDC è stata fornita da combustibili fossili (38,2% gas naturale, 15,2% carbone), il 20,9% da nucleare e il 25,3% da fonti rinnovabili. L'intensità di carbonio media ponderata dell'elettricità degli HDC è stata di circa 545 gCO2/kWh, ovvero circa il 48% in più rispetto alla media nazionale contemporanea della rete statunitense di 370 gCO2/kWh. Significativamente, il 90% della domanda elettrica degli HDC è localizzata in autorità di bilanciamento con intensità di carbonio superiori alla media nazionale.

Significatività e Rivendicazioni
Il documento sostiene di fornire uno strumento attribuzionale robusto per valutare l'impronta ambientale dei data center hyperscale utilizzando i dati più recenti delle centrali eGRID2023 dell'EPA. Gli autori sottolineano che il loro approccio offre una valutazione statisticamente robusta grazie alla visibilità distintiva e alle infrastrutture ben documentate degli HDC. Essi sostengono che i loro risultati evidenziano la sproporzionata concentrazione di data center in regioni con reti elettriche ad alta intensità di carbonio, un fattore critico spesso trascurato nelle analisi settoriali più ampie. Lo studio sottolinea l'urgenza di un processo decisionale basato sui dati per informare le politiche volte a mitigare l'impatto ambientale dei data center, in particolare mentre l'adozione dell'IA ne guida l'ulteriore espansione. Gli autori precisano esplicitamente che le loro stime sono cifre basate su scenari limitati piuttosto che limiti inferiori rigorosi, riconoscendo i limiti come la copertura incompleta degli impianti e la mancanza di dati PUE a livello di impianto. Essi pongono il loro lavoro come un passo necessario per riconoscere i data center come un settore economico rilevante che richiede un'attenzione politica mirata, distinguendo al contempo la loro attribuzione a livello di impianto dalle proiezioni di emissioni a livello di server o specifiche per l'IA presenti in altra letteratura.