La promessa è nobile: alimentare la marea montante dei data center cinesi per l’intelligenza artificiale con energia pulita. La realtà, però, ha la forma di una curva di carico che non conosce tramonti e bonacce. Il problema, esploso ora nel dibattito infrastrutturale di Pechino, sta tutto nel disallineamento tra la natura intermittente di solare ed eolico e la voracità costante degli acceleratori AI.

Quando il sole tramonta ma le GPU no

Un cluster di GPU come gli NVIDIA A100 o H100, che macina inferenze su LLM da miliardi di parametri, non distingue il mezzogiorno dalle tre di notte. Consuma—e tanto—in modo pressoché uniforme, 24 ore al giorno. Le fonti rinnovabili, per contro, sono ballerine: la produzione solare crolla dopo il tramonto, e l’eolico può svanire per ore. Il risultato è che, senza un cuscinetto adeguato, la rete deve colmare il vuoto con centrali a carbone o gas, vanificando in parte gli obiettivi verdi.

Il caso cinese è emblematico perché la crescita dei carichi legati all’AI è esplosiva. I piani governativi premono per una quota crescente di rinnovabili, ma la rete elettrica nazionale fatica a gestire picchi e avvallamenti, soprattutto nelle regioni interne dove sorgono molti mega-campus di calcolo. Qui l’affidabilità della fornitura diventa una variabile critica: un’interruzione, anche breve, può mandare in crash sessioni di training distribuito o degradare i livelli di servizio per applicazioni sensibili alla latenza.

Framework energetica e calcolo del TCO

Per chi gestisce carichi AI in proprio—il tema caldo di AI-RADAR—la faccenda non è accademica. Un deployment on-premise, specialmente su scala significativa, implica scelte sul sourcing energetico che incidono direttamente sul costo totale di possesso. Puntare esclusivamente su rinnovabili in sito (fotovoltaico su tetto, accordi di acquisto diretto) richiede sistemi di storage o backup che aumentano il CapEx e richiedono manutenzione. Altrimenti, si resta esposti alla volatilità della rete, con rischi operativi non trascurabili.

L’alternativa ibrida—attaccarsi alla rete e compensare le emissioni con certificati verdi—può sembrare più pratica, ma introduce una dipendenza esterna che stride con la logica di sovranità e controllo tipica di chi sceglie l’on-premise. E qui si annida un trade-off sottovalutato: la promessa di una gestione completamente autonoma dei dati e dei carichi si scontra con una risorsa, l’elettricità, che raramente è sotto il controllo diretto dell’organizzazione.

L’effetto a catena sulla pianificazione on-premise

La vicenda cinese accende i riflettori su un nodo che riguarda l’intero settore. Le architetture distribuite, il self-hosting di LLM e l’elaborazione in edge computing richiedono una potenza costante e prevedibile. Quando le reti sono sotto stress, il costo dell’energia sale e i contratti di fornitura diventano più rigidi. Per le aziende che stanno valutando di portare i modelli dentro casa—magari per vincoli GDPR o per proteggere la proprietà intellettuale—questo scenario va messo nel calcolo fin dal principio, accanto alle specifiche di VRAM, alla banda di memoria e ai livelli di quantization.

Le implicazioni vanno oltre il singolo datacenter. In un contesto di crescente densità di potenza (i rack per AI possono superare i 30–40 kW), anche i vincoli normativi locali sulla capacità di connessione diventano una barriera. Non basta avere i server: serve la certezza di poterli alimentare senza blackout o costi occulti di adeguamento della sottostazione.

Uno specchio per il futuro

L’ostacolo incontrato dalla Cina è, in fondo, lo stesso che attende qualsiasi polo di calcolo intensivo che insegua la carbon neutrality. Le soluzioni non mancano—accumulo a batteria, idrogeno verde, reti intelligenti—ma richiedono investimenti massicci e una regia che va oltre le competenze di un singolo operatore IT. Per la community di AI-RADAR, il messaggio è chiaro: la sostenibilità di un deployment on-premise non si misura solo in teraflop per watt, ma anche nella resilienza della catena energetica. È una nuova dimensione del concetto di affidabilità, che affianca la scelta dell’hardware nella costruzione di stack realmente autonomi e pronti per il futuro.