Ventotto milioni di tonnellate. È il dato nudo che il 14 luglio ha certificato il punto più basso delle importazioni cinesi di greggio dall’ottobre 2016, con un crollo del 41,3% su base annua. Sullo sfondo, lo Stretto di Hormuz continua a essere una polveriera, ma Pechino sta comprando meno petrolio di quanto abbia fatto nell’ultimo decennio.

Parte di questo allentamento, racconta l’analisi, arriva dai taxi elettrici. Veicoli che girano silenziosi nelle metropoli cinesi e che, un chilometro dopo l’altro, erodono la domanda di carburante fossile. È una storia di transizione ecologica che funziona, ma con un asterisco importante: l’effetto è marginale, un cuscinetto utile ma non una svolta strutturale.

Per chi osserva il mondo dell’infrastruttura digitale, però, la vicenda ha un retrogusto diverso. Non è tanto la mobilità elettrica a riscrivere gli equilibri energetici, quanto il consumo vorace dei carichi di lavoro legati all’intelligenza artificiale. Allenare un grande modello linguistico, servire inference su scala globale, mantenere cluster GPU sempre attivi: tutte operazioni che trasformano i data center in centrali elettriche a sé stanti, con un fabbisogno che cresce a doppia cifra anno dopo anno.

In questo scenario, la dipendenza dal petrolio lascia il posto a una dipendenza dall’elettricità, e la geografia del rischio si sposta dalle rotte marittime alle reti di distribuzione locali. Il ragionamento diventa immediatamente rilevante per chi valuta deployment on-premise: possedere l’hardware significa anche dover garantire l’alimentazione, e in un contesto di crisi energetica o di instabilità geopolitica il controllo sulla fonte diventa cruciale quanto il possesso dei dati.

Non è un caso che i grandi operatori cloud stiano siglando power purchase agreement con parchi eolici e solari, mentre le aziende che scelgono il self-hosted iniziano a integrare capacità di generazione rinnovabile in loco. Il TCO (TCO) di un’installazione on-premise non si misura più solo in GPU, VRAM e raffreddamento: l’energia è la prima voce variabile, e la sua prevedibilità diventa un fattore di sopravvivenza operativa.

Peccato che, come i taxi elettrici con il petrolio, anche l’autoproduzione energetica per i data center abbia un impatto solo marginale quando il sistema è sottoposto a stress. Un’ora di fermo per un cluster di inference può costare più di un giorno di produzione intermittente. Ecco perché la vera leva strutturale è l’efficienza: modelli quantizzati, framework di serving ottimizzati, architetture che riducono i passaggi di token inutili. Ogni watt risparmiato su un’inference è un watt che non devi generare, né comprare.

La Cina, con i suoi taxi elettrici, sta mostrando che la diversificazione energetica funziona, ma funziona ai margini. Per l’ecosistema AI il messaggio è netto: la sovranità dei dati si conquista anche con la sovranità elettrica, e chi progetta infrastrutture on-premise farebbe bene a leggere il crollo del greggio non come un fenomeno lontano, ma come un promemoria sulla fragilità di ogni supply chain.