Non è un problema solo di Microsoft, ma Microsoft in questo momento ne è la cartina di tornasole. La promessa solenne di diventare carbon-negative entro il 2030 si scontra ogni giorno con la realtà di un’infrastruttura cloud che deve alimentare modelli sempre più grandi, training sempre più lunghi e un’inference distribuita su scala planetaria.

Il nodo è semplice da enunciare, meno da sciogliere: i carichi di lavoro legati ai Large Language Models, al fine-tuning e all’inference in tempo reale sono energivori per definizione. Le GPU di ultima generazione, necessarie per mantenere latenze accettabili e throughput elevati, consumano centinaia di watt l’una, e i data center che le ospitano richiedono sistemi di raffreddamento tutt’altro che trascurabili. Più l’AI si diffonde nelle applicazioni enterprise, più la bolletta energetica di Microsoft — e la sua impronta di carbonio — crescono, erodendo i progressi faticosamente accumulati con investimenti in energie rinnovabili e compensazioni.

Eppure il chief sustainability officer dell’azienda assicura che l’obiettivo 2030 resta a portata di mano. Una dichiarazione che solleva più interrogativi di quanti ne risolva, se letta in controluce. Cosa renderebbe possibile un’inversione di rotta così netta? L’ipotesi più probabile è un mix di scommesse tecniciche — chip più efficienti, algoritmi di training meno avidi di risorse, reti neurali a bassa precisione — e di meccanismi contabili come l’acquisto di crediti di carbonio. Ma la storia recente insegna che affidarsi esclusivamente a compensazioni è una strategia fragile, esposta al rischio di greenwashing e a un controllo normativo sempre più severo, specie in Europa.

Per chi gestisce infrastrutture in proprio, la vicenda Microsoft è tutt’altro che un esercizio teorico. Il deployment on-premise di LLM e altri modelli genera un dilemma speculare: da un lato, il controllo diretto permette di scegliere fonti energetiche pulite e ottimizzare l’hardware per il TCO; dall’altro, la frammentazione dei carichi e la mancanza di scala possono portare a una minore efficienza complessiva rispetto ai grandi data center iperscalabili. La sovranità dei dati e la conformità a regolamenti come il GDPR spingono molte organizzazioni verso il self-hosting, ma ignorare il costo ambientale di queste scelte sarebbe un errore strategico.

Guardando oltre la cronaca, la tensione tra AI e sostenibilità sta già ridisegnando le priorità dell’intera filiera hardware. Produttori di chip come NVIDIA con le architetture Grace-Hopper o startup focalizzate su acceleratori a bassissimo consumo stanno conquistando attenzione, mentre i framework di serving si arricchiscono di tecniche di quantization e di scheduling energia-consapevole. Non è più solo una questione di performance grezza: l’efficienza per watt sta diventando una metrica di acquisto, e questo cambia le carte in tavola per chi costruisce cluster on-premise.

Microsoft, da gigante del cloud, ha le spalle abbastanza larghe per assorbire gli inevitabili scostamenti di rotta. Ma il suo affanno è un segnale sistemi­co: la corsa all’AI sta producendo un’impronta ecologica che nessuna azienda, per quanto grande, può illudersi di gestire con le sole ricette di ieri. La domanda non è se l’obiettivo 2030 sia tecnicamente raggiungibile, ma a quali compromessi si è disposti a scendere — in termini di performance, privacy e architettura — per non tradire una promessa fatta agli azionisti e al pianeta.