Per molti anni il computer domestico è stato percepito come un apparecchio elettrico quasi trascurabile. Poteva restare acceso per ore senza entrare davvero nelle conversazioni sui consumi della casa, mentre l’attenzione si concentrava sugli elettrodomestici che avevano sempre mostrato con maggiore evidenza il proprio rapporto con l’energia: il forno, lo scaldabagno, la lavatrice, il climatizzatore. Anche il computer consumava, naturalmente, ma la sua presenza energetica rimaneva sullo sfondo. L’arrivo di workstation equipaggiate per carichi di intelligenza artificiale locale rende questa abitudine sempre meno sostenibile, non perché ogni sistema dedicato all’AI assorba quantità eccezionali di energia, ma perché la capacità computazionale disponibile dentro una normale abitazione può ormai raggiungere livelli che fino a poco tempo fa appartenevano a macchine specialistiche.
La capacità tecnica, però, non stabilisce da sola l’utilità del mezzo. È una distinzione già sviluppata in Prima il mezzo, poi la responsabilità: ciò che uno strumento rende possibile e ciò che decidiamo di farne restano due piani diversi.
La differenza comincia dalla potenza delle componenti. Una scheda grafica di fascia molto alta può avere da sola un assorbimento nominale di diverse centinaia di watt; nel caso della GeForce RTX 5090, NVIDIA indica una Total Graphics Power di 575 watt e una potenza di sistema raccomandata di 1000 watt. Questi valori non significano che il computer assorba continuamente un kilowatt dalla presa, né che ogni elaborazione AI porti la GPU al proprio limite. La potenza dell’alimentatore descrive la capacità che il sistema deve poter fornire con margine e sicurezza; il consumo reale dipende dal carico, dalla configurazione, dall’efficienza e dal tempo di utilizzo. Il dato è però sufficiente a mostrare il cambiamento di scala: una singola postazione domestica può essere progettata intorno a componenti per le quali centinaia di watt non rappresentano più un’eccezione.
È qui che l’espressione “AI locale” rischia di nascondere una parte della realtà. Locale viene spesso contrapposto a cloud per indicare il luogo nel quale avviene l’elaborazione: il modello gira sul nostro computer invece che su un server remoto. Dal punto di vista della privacy, del controllo dei dati, della latenza e della dipendenza da un fornitore, la distinzione è importante. Dal punto di vista materiale, però, locale significa anche che una parte dell’infrastruttura viene trasferita nella nostra abitazione. La GPU, la memoria, l’alimentatore, il sistema di raffreddamento e l’energia necessaria all’elaborazione non scompaiono: cambiano proprietario e indirizzo.
Questo trasferimento modifica anche la percezione del costo. Un servizio remoto presenta spesso un prezzo esplicito: un abbonamento, un numero di token, una tariffa per chiamata o per ora di calcolo. Una macchina acquistata può invece produrre l’impressione che, dopo la spesa iniziale, ogni utilizzo successivo sia gratuito. Non lo è. Il costo si è semplicemente distribuito altrove: nell’acquisto dell’hardware, nell’energia, nella climatizzazione eventualmente necessaria, nella manutenzione e nella sostituzione delle componenti. Una parte diventa inoltre meno visibile perché confluisce nella bolletta elettrica insieme a tutti gli altri consumi della casa.
Il problema non consiste quindi nel decidere che il calcolo locale sia “peggiore” del cloud. In alcune condizioni può essere una scelta tecnicamente sensata, economicamente conveniente o necessaria per ragioni di riservatezza e autonomia. In altre può essere una soluzione sproporzionata rispetto al lavoro realmente svolto. L’Economia domestica computazionale parte proprio da questa differenza: possedere una capacità non significa automaticamente avere bisogno di utilizzarla, e avere la possibilità di eseguire un compito localmente non significa che sia sempre la soluzione più efficiente.
La capacità acquistata e la capacità utilizzata
Una workstation molto potente può essere impiegata per addestramento o fine-tuning di modelli, inferenza locale, generazione di immagini e video, simulazione, rendering, sviluppo software o ricerca. Può anche trascorrere gran parte della propria vita facendo navigazione web, posta elettronica, videoscrittura e gaming occasionale. Non c’è nulla di illegittimo in questo secondo scenario: le persone comprano da sempre oggetti capaci di fare molto più di quanto verrà loro richiesto. Dal punto di vista dell’EDC, tuttavia, la distanza fra capacità disponibile e capacità effettivamente utilizzata diventa un’informazione rilevante, perché una macchina sovradimensionata incorpora costi economici e materiali prima ancora che venga accesa.
Questo vale in particolare per l’hardware acquistato in nome dell’intelligenza artificiale. L’espressione “AI ready” può trasformarsi facilmente in una giustificazione generale per aumentare memoria, potenza grafica e alimentazione senza avere definito prima il carico che quella macchina dovrà realmente sostenere. È la stessa inversione che conosciamo in molti altri mercati tecnologici: prima acquistiamo la possibilità, poi cerchiamo l’utilizzo che possa renderla necessaria. La presenza dell’AI rende questa dinamica particolarmente efficace perché il futuro appare incerto e una macchina più potente promette implicitamente di proteggerci dall’obsolescenza.
Per valutare quella promessa servirebbe però una domanda meno spettacolare: quale attività concreta non potrei svolgere con una macchina più piccola, oppure acquistando temporaneamente capacità remota? La risposta può esistere ed essere molto precisa. Un ricercatore, uno sviluppatore o un professionista che esegue ogni giorno carichi pesanti può giustificare perfettamente una workstation dedicata. La stessa configurazione, acquistata soprattutto per effettuare ricerche, utilizzare chatbot remoti o generare occasionalmente qualche immagine, rappresenta invece una scelta di consumo prima ancora che una necessità computazionale.
Il computer diventa un elettrodomestico energeticamente visibile
La trasformazione più interessante non riguarda però soltanto il prezzo dell’hardware. Riguarda il posto che il computer occupa nel bilancio energetico domestico. Un apparecchio che assorbe alcune decine di watt può restare quasi invisibile accanto agli altri carichi della casa; una postazione che durante un’elaborazione intensa utilizza diverse centinaia di watt deve invece essere considerata nello stesso ragionamento che applichiamo agli altri dispositivi elettrici. Non perché abbia necessariamente il consumo annuale maggiore, ma perché introduce un carico rilevante e potenzialmente prolungato.
La durata è importante quanto la potenza. Un picco molto elevato per pochi minuti e un carico inferiore mantenuto per molte ore possono produrre consumi energetici completamente differenti. È per questo che watt e kilowattora non sono intercambiabili: il watt descrive una potenza, il kilowattora misura energia utilizzata nel tempo. Parlare genericamente di un “computer da 1000 watt” senza sapere quanto assorba realmente e per quante ore può essere fuorviante quanto ignorarne completamente il consumo. L’EDC dovrà quindi partire anche da un’alfabetizzazione elementare delle unità di misura, perché senza quella distinzione qualsiasi confronto rischia di diventare una gara fra numeri privi di contesto.
La stessa attenzione deve essere applicata alle specifiche commerciali. Il valore massimo dichiarato per una GPU non coincide con il consumo permanente della macchina, così come la potenza nominale dell’alimentatore non rappresenta ciò che viene assorbito costantemente dalla rete. Un alimentatore da 1000 watt è progettato per poter fornire fino a quella potenza nelle condizioni previste; durante molte attività il sistema può richiederne molto meno. Confondere capacità, picco e consumo medio produce allarmismo invece di consapevolezza. Ma l’errore opposto, considerare irrilevante un carico soltanto perché non raggiunge sempre il proprio massimo, impedisce di comprendere il cambiamento che sta avvenendo.
Ogni watt finisce da qualche parte
L’energia utilizzata dal calcolo non scompare dopo avere prodotto un risultato. In un computer, quasi tutta l’energia elettrica assorbita viene infine dissipata nell’ambiente sotto forma di calore. Il monitor emette luce che terminerà anch’essa prevalentemente come calore; processore, GPU, memoria e alimentatore lo producono direttamente durante il funzionamento. Per questo una workstation sotto carico non modifica soltanto la bolletta: modifica anche il microclima della stanza nella quale lavora.
In inverno questo calore può apparire persino utile, perché contribuisce indirettamente a riscaldare l’ambiente. In estate può produrre l’effetto opposto, aumentando il lavoro richiesto a un sistema di climatizzazione. Non esiste quindi un coefficiente universale con il quale moltiplicare il consumo del computer per ottenere il “vero” costo energetico della postazione: dipende dall’edificio, dalla stagione, dalla temperatura esterna, dall’efficienza dell’impianto e dall’uso della stanza. Il punto utile è un altro: portare calcolo intensivo dentro casa significa portare dentro casa anche il problema della dissipazione.
Questa osservazione cambia la natura della scelta tecnica. Fino a un certo livello, scegliere una GPU riguarda prestazioni, memoria, software compatibile e prezzo. Superata una determinata scala entrano nella stessa decisione l’alimentatore, il flusso d’aria del case, la ventilazione della stanza, il rumore, la temperatura e infine l’impianto elettrico dell’abitazione. Una macchina non è più soltanto un oggetto appoggiato sopra una scrivania: diventa un piccolo sistema che interagisce con un sistema più grande.
Il cloud non elimina il consumo: lo sposta
Sarebbe però sbagliato concludere che eseguire un’elaborazione nel cloud risolva il problema energetico. Il server remoto utilizza anch’esso hardware, energia e raffreddamento; semplicemente non li vediamo e non li paghiamo attraverso il contatore di casa. Un data center può inoltre ottenere livelli di utilizzo, raffreddamento e gestione energetica che una singola workstation domestica non può facilmente replicare, ma la sua efficienza dipende dall’infrastruttura concreta e dal carico reale. Non basta quindi spostare il calcolo fuori dall’abitazione per dichiararlo efficiente, come non basta portarlo in casa per dichiararlo inefficiente.
La differenza più utile riguarda l’allocazione della capacità. Una GPU domestica acquistata per un uso occasionale resta disponibile anche nelle ore in cui non viene sfruttata e il suo costo capitale è già stato sostenuto. Una infrastruttura condivisa può distribuire la stessa capacità fra molti utenti e mantenerla maggiormente utilizzata, almeno in linea teorica. D’altra parte, un utente che possiede già una macchina e la impiega quotidianamente per carichi compatibili può evitare trasferimenti di dati, costi ricorrenti e dipendenza da servizi remoti. È per questo che l’EDC non deve trasformarsi in un elenco di divieti: deve insegnare a porre le domande che permettono di confrontare scenari differenti.
Una di queste domande riguarda proprio l’utilità. Se spendiamo energia per ottenere un risultato necessario, il consumo costituisce una parte del costo di quell’attività. Se spendiamo la stessa energia per produrre centinaia di variazioni che non guarderemo, mantenere in esecuzione processi inutilizzati o sfruttare una macchina enormemente sovradimensionata rispetto al compito, il problema non è l’esistenza della tecnologia ma il rapporto fra risorsa impiegata e risultato ottenuto. È una distinzione banale nell’economia domestica tradizionale: non giudichiamo un forno soltanto dalla potenza nominale, ma da come viene utilizzato. Non c’è ragione perché il calcolo digitale debba essere sottratto allo stesso criterio.
La responsabilità ritorna davanti alla macchina
È qui che questo studio torna inevitabilmente dentro Dietro la macchina. Una workstation non decide autonomamente di entrare in una casa, non sceglie la propria GPU, non stabilisce quanta potenza debba essere installata e non determina da sola se un’elaborazione debba avvenire localmente oppure su un servizio remoto. Prima del consumo esistono decisioni: del produttore che progetta l’hardware, del software che determina il carico, del fornitore che costruisce il servizio e infine della persona che acquista, configura e utilizza la macchina.
Attribuire una parte di responsabilità all’utente non significa assolvere le aziende che costruiscono sistemi energivori o ignorare il peso dei grandi data center. Significa evitare l’errore opposto: immaginare che il consumo computazionale diventi un problema soltanto quando raggiunge una scala industriale. La cittadinanza digitale richiede anche la capacità di riconoscere le proprie decisioni dentro sistemi molto più grandi di noi. Nessuna famiglia determinerà da sola la domanda energetica globale dell’intelligenza artificiale; milioni di decisioni domestiche, però, possono contribuire a definire quali prodotti vengano richiesti, quali infrastrutture diventino normali e quale livello di consumo venga percepito come inevitabile.
La macchina sotto la scrivania diventa allora il punto di partenza più semplice per osservare qualcosa che il cloud rende difficile vedere. Il digitale possiede peso, temperatura, costo e bisogno di energia. Ogni volta che aumentiamo la capacità di calcolo disponibile, aumentiamo anche la quantità di infrastruttura necessaria a sostenerla. Non è una ragione per rinunciare a quella capacità; è una ragione per sapere perché la stiamo acquistando.