Prima di iniziare: difetti e rischi degli LLM

Gli LLM sono entrati nella vita quotidiana di centinaia di milioni di persone in meno di tre anni. È un'adozione tecnologica senza precedenti recenti, e come ogni infrastruttura che cresce in fretta ha già prodotto effetti collaterali a scala planetaria. Questa lezione non è tecnica: è una mappa dei problemi aperti, dai più sistemici ai più vicini a noi. Solo dopo averli messi a fuoco ha senso parlare di cosa significhi usarli per fare arte.

1. Impatto ambientale: i data center sono la nuova industria pesante

L'IA generativa non vive "nel cloud": vive in capannoni di cemento pieni di GPU, raffreddati ad acqua e alimentati dalla rete elettrica nazionale. Ogni prompt è un piccolo conto energetico addebitato a un data center reale, da qualche parte nel mondo. I numeri stanno crescendo a una velocità che la rete elettrica fatica a seguire.

I data center, oggi

Secondo l'International Energy Agency (IEA, 2024) i data center mondiali hanno consumato circa 460 TWh nel 2022 — più o meno il consumo elettrico annuo dell'intera Francia — e si prevede che raddoppino superando i 1.000 TWh entro il 2026, trainati esplicitamente da IA e criptovalute. Goldman Sachs Research (2024) stima un +160% di domanda elettrica dei data center entro il 2030.

Casi concreti già visibili:

• Irlanda: nel 2023 i data center hanno assorbito il 21% di tutta l'elettricità nazionale (CSO Ireland), superando il consumo combinato di tutte le abitazioni urbane.
• Virginia (USA): la "Data Center Alley" intorno ad Ashburn ospita oltre il 70% del traffico internet mondiale e consuma più elettricità dell'intera città di Boston.
• Progetto Stargate (OpenAI/Oracle/SoftBank, 2025): investimento annunciato da 500 miliardi di dollari per nuovi data center IA negli USA, con richieste di potenza stimate in diversi gigawatt — l'equivalente di alcune centrali nucleari dedicate.
• Ritorno al carbone e al nucleare: Microsoft ha firmato nel 2024 un accordo ventennale per riattivare il reattore di Three Mile Island; Google e Amazon hanno annunciato contratti per Small Modular Reactors. Negli USA diverse centrali a carbone già programmate per la chiusura sono state mantenute in funzione per servire i data center.

Quanto consuma davvero un modello? — Training

I fornitori non pubblicano cifre ufficiali complete, soprattutto per i modelli più recenti (GPT-4/4o, Claude 3.5/4, Gemini Ultra, Grok). Le stime sotto provengono dall'incrocio di più fonti indipendenti: paper accademici (Patterson, Luccioni, de Vries), analisi industriali (SemiAnalysis, Epoch AI), report di sostenibilità delle aziende, e per i modelli aperti i numeri dichiarati nei model card. Quando esistono più stime diverse, le riportiamo come intervallo.

Tre cose interessanti emergono da questo confronto:

• Crescita esponenziale ma non monotona: tra BERT (2018) e GPT-5 (atteso 2025) ci sono ~5 ordini di grandezza in soli 7 anni — più di quanto sia cresciuta qualunque altra tecnologia di consumo nello stesso intervallo.
• Mixture-of-Experts (MoE) cambia le regole: DeepSeek-V3 ha ottenuto qualità paragonabile a GPT-4 con un training ~20× meno costoso, attivando solo una frazione dei parametri per token. È la dimostrazione che efficienza architetturale conta quanto la forza bruta.
• L'inference batte il training: per un modello ampiamente diffuso, l'energia consumata in un anno di uso reale supera quella del training in pochi mesi (de Vries 2023, Luccioni 2024). I "miliardi di prompt al giorno" di ChatGPT pesano più del suo addestramento iniziale.

In termini di CO₂ equivalente: il training di GPT-3 è stato stimato in ~552 t CO₂eq (Patterson et al.), pari alle emissioni annue di ~120 automobili medie europee (4,6 t CO₂/anno ciascuna, EEA 2023). Per GPT-4 le stime SemiAnalysis salgono a ~12.000–22.000 t CO₂eq(≈ 2.500–4.800 auto), e per i cluster da 100.000 GPU annunciati per GPT-5 / Grok 3 si parla di 10⁵ t CO₂eq per singolo training run — ordini di grandezza paragonabili a una piccola raffineria.

Quanto consuma una singola richiesta? — Inference

Una query individuale sembra trascurabile, ma viene moltiplicata per miliardi di richieste al giorno. Anche qui le stime variano: dipende dal modello, dalla lunghezza della risposta, dall'hardware, dal data center. Riportiamo l'intervallo fra le fonti.

Moltiplicando per il volume reale: ChatGPT dichiara oltre 1 miliardo di messaggi al giorno (OpenAI, 2024). Anche prendendo solo 2,9 Wh a messaggio si arriva a circa 2,9 GWh al giorno ≈ 1 TWh all'anno — il consumo elettrico annuo di una città italiana di circa 370.000 abitanti (tipo Bari). Se anche solo il 10% di quei messaggi attivasse un modello "reasoning" da 200 Wh, la stima triplica.

Moltiplicando per il volume reale: ChatGPT dichiara oltre 1 miliardo di messaggi al giorno (OpenAI, 2024). Anche prendendo solo 2,9 Wh a messaggio, si arriva a circa 2,9 GWh al giorno ≈ 1 TWh all'anno — il consumo elettrico annuo di una città italiana di circa 370.000 abitanti (tipo Bari).

Acqua: il costo nascosto del raffreddamento

I data center usano enormi volumi d'acqua dolce per raffreddare le GPU, di solito tramite torri evaporative. Fonti: Li et al. 2023 (Making AI Less "Thirsty"), report ESG di Microsoft e Google.

• Addestrare GPT-3 nei data center Microsoft USA ha richiesto una stima di ~700.000 litri d'acqua dolce (Li et al., 2023): equivalenti a circa 4.700 docce da 10 minuti, o al fabbisogno annuo di acqua potabile di ~13 italiani (ISTAT: 215 L/giorno pro capite).
• Una conversazione di 10–50 risposte con GPT-4 corrisponde, secondo le stesse stime, a ~500 mL d'acqua.
• Microsoft ha dichiarato nel report ESG 2023 un +34% di consumi idrici globali nel 2022 (da 4,2 a 6,4 milioni di m³), e Google un +20% — entrambi attribuiti in larga parte ai carichi IA.

Confronto con ordini di grandezza familiari

Hardware e materie prime

Il boom dell'IA è anche un boom di hardware. Una GPU Nvidia H100 costa ~30.000 $ e consuma fino a 700 W sotto carico; le rack di prossima generazione (B200, GB200) salgono a 1.200 W per chip. La produzione concentrata su TSMC (Taiwan) e la domanda di terre rare per memorie HBM stanno generando tensioni geopolitiche e ambientali nuove (estrazione di gallio, germanio, cobalto). L'IEA stima che il solo segmento "AI server" assorbirà circa il 20% della domanda globale di rame per data center entro il 2030.

2. Concentrazione di potere e lavoro invisibile

Solo una manciata di aziende al mondo ha le risorse per addestrare un modello di frontiera: OpenAI, Google, Anthropic, Meta, xAI, più una piccola pattuglia cinese (DeepSeek, Qwen, Kimi). Questo sposta enormi quote di mercato — e di influenza culturale — su attori privati con sede prevalentemente negli Stati Uniti.

Dietro l'apparente magia degli LLM c'è anche una filiera di lavoro umano spesso invisibile: annotatori, moderatori, etichettatori pagati pochi dollari l'ora — molti in Kenya, Filippine, Venezuela — che hanno filtrato contenuti tossici per rendere "sicuri" i modelli. L'inchiesta di Time su OpenAI/Sama (gennaio 2023) è il riferimento più noto. Ogni risposta gentile di un chatbot ha alle spalle qualcuno che ha letto, classificato e — spesso — subìto contenuti violenti.

3. Disinformazione, deepfake e sicurezza

Gli LLM e i modelli generativi rendono banale produrre testo, immagini, video e audio falsi a costo quasi zero. Le conseguenze sono già documentate su scala globale:

• chiamate robocall con la voce clonata di Joe Biden alle primarie USA del New Hampshire (gennaio 2024);
• immagini sintetiche di leader politici diffuse in campagne elettorali in India, Slovacchia, Argentina;
• deepfake intimi non consensuali — un fenomeno cresciuto di oltre il 400% dal 2022, con vittime quasi sempre donne e minori;
• campagne di phishing iper-personalizzate scritte da LLM in decine di lingue.

Il problema non è solo "chi ci crede": è l'erosione di fondo della fiducia in qualunque immagine o registrazione. È quello che Hany Farid chiama il liar's dividend: in un mondo di possibili falsi, anche il vero diventa contestabile.

4. Copyright e dati di addestramento

I grandi modelli sono stati addestrati su enormi quantità di testi, immagini, codice e musica raccolti dal web — spesso senza il consenso esplicito degli autori. Il fronte legale è apertissimo:

• Getty Images vs Stability AI (2023, UK/USA): contestato l'uso di milioni di foto protette per addestrare Stable Diffusion.
• The New York Times vs OpenAI & Microsoft (2023): citati estratti quasi letterali di articoli del NYT rigenerati da GPT-4.
• Artisti vs Midjourney/Stability/DeviantArt (Andersen et al., 2023): class action di illustratori per uso non autorizzato delle loro opere.
• RIAA vs Suno e Udio (2024): le major discografiche contestano l'addestramento su brani protetti.

L'AI Act europeo (Regolamento UE 2024/1689) impone ai fornitori di modelli di uso generale di pubblicare un riassunto sufficientemente dettagliato dei contenuti usati per il training e di rispettare le riserve di diritto opt-out previste dalla direttiva sul copyright digitale.

5. Bias: i modelli ereditano i pregiudizi dei dati

Gli LLM sono addestrati su corpora presi prevalentemente dal web. Quel web rispecchia la lingua, la cultura e gli stereotipi di chi lo ha scritto: prevalentemente anglofono, occidentale, maschile. Il risultato è documentato in decine di studi: associazioni di genere distorte (infermiera→donna, ingegnere→uomo), rappresentazioni stereotipate di minoranze etniche, sotto-rappresentazione delle lingue minori — italiano compreso, rispetto all'inglese.

Nei modelli generativi visivi il problema è ancora più visibile: chiedere "un CEO" o "una persona attraente" produceva, fino a poco tempo fa, quasi solo uomini bianchi. Le patch successive hanno introdotto altri problemi (vedi le polemiche su Gemini nel 2024). Non esiste un modello "neutro": esiste un modello di cui conosciamo i bias.

6. Allucinazioni: i modelli inventano, con sicurezza

Un LLM non "sa" nulla nel senso umano del termine. Predice il token successivo più probabile dato un contesto. Quando il contesto è ambiguo, oscuro, o riguarda fatti rari, il modello produce comunque una risposta — fluente, plausibile, e talvolta completamente falsa. Si chiamano allucinazioni. Citazioni inesistenti, autori inventati, date sbagliate, sentenze giudiziarie mai pronunciate sono già documentate in casi reali (ad esempio l'avvocato statunitense sanzionato nel 2023 per aver depositato un atto pieno di precedenti generati da ChatGPT).

Regola operativa: ogni fatto generato da un LLM va verificato con una fonte indipendente. Sempre.

7. Privacy

Tutto ciò che inviate a un servizio LLM ospitato (ChatGPT, Claude, Gemini, Suno…) può essere registrato e — a seconda dei termini d'uso — usato per migliorare il modello. Non incollate mai dati personali, password, codici fiscali, lavori scolastici

8. E adesso il nostro mestiere: il lavoro creativo

Solo dopo aver guardato i problemi sistemici si capisce davvero cosa significhi, per chi sceglie un percorso artistico — musica, illustrazione, scrittura, design — usare strumenti generativi. Da un lato abbassano la barriera d'ingresso e abilitano nuove forme espressive. Dall'altro:

• competono direttamente con il lavoro umano sui mercati di ingresso (stock images, jingle pubblicitari, illustrazioni editoriali, voci sintetiche al posto di doppiatori);
• comprimono i compensi e cambiano la natura del mestiere ("prompt engineer" non sostituisce "illustratore");
• pongono una domanda nuova sul concetto di autorialità: chi è l'autore di un'immagine generata? L'utente che ha scritto il prompt? Chi ha addestrato il modello? Gli artisti i cui lavori erano nel training set?

Lo sciopero SAG-AFTRA e WGA del 2023 a Hollywood ha avuto come uno dei nodi centrali proprio l'uso dell'IA generativa nei contratti di sceneggiatori e attori. È il segnale che la discussione non è più "se" questi strumenti entreranno nei flussi creativi, ma a quali condizioni.

Fonti e link utili

Tutti i numeri e i casi citati in questa lezione vengono dalle fonti elencate qui sotto, raggruppate per tema. Le date servono per ricordare che è un campo che cambia molto in fretta: verificate sempre se nel frattempo sono usciti aggiornamenti.

Impatto ambientale e data center

• The Guardian (2026) — Google developers significantly misstate carbon emissions of proposed UK datacentres ↗
• Global Voices (2026) — The human cost of the data center push in Latin America ↗
• International Energy Agency — Electricity 2024: previsioni consumi data center, IA e cripto ↗
• Patterson et al. (Google, 2021) — Carbon Emissions and Large Neural Network Training ↗
• Strubell, Ganesh, McCallum (ACL 2019) — Energy and Policy Considerations for Deep Learning in NLP ↗
• Alex de Vries (Joule, 2023) — The growing energy footprint of artificial intelligence ↗
• Luccioni, Jernite, Strubell (FAccT 2024) — Power Hungry Processing: Watts Driving the Cost of AI Deployment? ↗
• Li et al. (2023) — Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models ↗
• CSO Ireland (2024) — Consumo elettrico dei data center in Irlanda ↗
• The Guardian (2023) — Siccità in Uruguay e data center Google ↗

Bias, allucinazioni e limiti tecnici

• Bender, Gebru, McMillan-Major, Mitchell (FAccT 2021) — On the Dangers of Stochastic Parrots ↗
• Huang et al. (2023) — A Survey on Hallucination in Large Language Models ↗
• New York Times (2023) — Avvocati sanzionati per atto giudiziario scritto da ChatGPT ↗

Copyright, regolamentazione e cause in corso

• EU AI Act — Regolamento (UE) 2024/1689, testo ufficiale ↗
• artificialintelligenceact.eu — guida divulgativa all'AI Act ↗
• New York Times v. OpenAI & Microsoft (2023) — atto di citazione ↗
• Getty Images vs Stability AI — comunicato Getty (2023) ↗
• RIAA (2024) — Cause delle major contro Suno e Udio ↗

Lavoro invisibile, geopolitica e impatti sociali

• TIME (2023) — OpenAI Used Kenyan Workers on Less Than $2 per Hour ↗
• AI Now Institute — report annuali sugli impatti sociali dell'IA ↗
• AlgorithmWatch — monitoraggio algoritmi e diritti in Europa ↗
• "Heart on My Sleeve" (Drake/The Weeknd, 2023) — caso del brano AI virale ↗
• SAG-AFTRA (2023) — clausole IA nel contratto post-sciopero ↗

Strumenti e risorse divulgative

• Hugging Face — primer divulgativo sull'impatto ambientale dell'IA ↗
• ML CO₂ Impact Calculator — stima le emissioni del tuo modello ↗
• Data Center Map — mappa mondiale dei data center ↗