A cura di Vinod Bijlani, AI Practice Leader APAC di HPE
Mentre l’intelligenza artificiale trasforma interi settori a una velocità vertiginosa, le organizzazioni si affrettano a implementare soluzioni di AI senza considerare il loro impatto ambientale. Il risultato? Una crisi nascosta che minaccia sia gli obiettivi ambientali sia la sostenibilità del business. Ecco cinque errori critici da evitare nella costruzione della propria strategia AI.
- Scegliere modelli sovradimensionati per compiti semplici
Implementare grandi modelli linguistici (LLM) per attività che i modelli linguistici più piccoli (SLM) potrebbero gestire altrettanto bene.
Molte organizzazioni scelgono automaticamente i modelli di AI più recenti e grandi, pensando che “più grande sia meglio”. Tuttavia, eseguire inferenze con modelli enormi può consumare da 10 a 100 volte più energia per query rispetto a soluzioni più piccole e ottimizzate. Usare un modello da 175 miliardi di parametri per classificare e-mail di clienti o estrarre dati di base è come usare un camion merci per fare la spesa. Considera se il tuo caso d’uso richieda davvero funzionalità all’avanguardia o se un modello più piccolo ed efficiente — o persino il machine learning tradizionale — possa fornire risultati simili con una frazione del costo ambientale.
- Ignorare infrastrutture e distribuzione a basso consumo energetico
Eseguire carichi di lavoro AI senza ottimizzare l’efficienza energetica o considerare l’intensità delle emissioni di carbonio della tua infrastruttura informatica.
Non tutte le componenti infrastrutturali o i data center sono uguali in termini di uso di energia ed emissioni di carbonio. Eseguire lo stesso modello in data center alimentati da fonti fossili rispetto a quelli basati su energie rinnovabili può generare differenze fino a 10 volte nelle emissioni di carbonio. Allo stesso modo, non implementare tecniche di ottimizzazione del modello come quantizzazione, pruning o distillazione della conoscenza comporta consumi energetici inutilmente alti durante l’inferenza. Le organizzazioni più lungimiranti valutano gli impegni dei loro provider di data center o cloud in tema di rinnovabili e ottimizzano le architetture dei modelli per l’efficienza, non solo per l’accuratezza.
- Trascurare la gestione e l’archiviazione dei dati
Archiviare enormi dataset a tempo indeterminato senza una policy di governance, causando consumi energetici inutili nei data center.
I dati sono il carburante dell’AI, ma una scarsa igiene dei dati genera enormi costi nascosti. Molte organizzazioni raccolgono e conservano quantità enormi di dati “per sicurezza”, senza adottare policy di gestione del ciclo di vita dei dati. Anche i dati ridondanti, obsoleti o banali richiedono energia per essere archiviati, sottoposti a backup e gestiti. Occorre implementare framework di governance che valutino regolarmente il valore dei dati, stabiliscano policy di retention e utilizzino tecniche di compressione. È importante inoltre valutare se sia davvero necessario archiviare permanentemente i dati grezzi o se dataset più piccoli e processati possano essere sufficienti per le proprie applicazioni AI.
- Non investire nelle persone e in una comunicazione chiara
Implementare l’AI senza formare adeguatamente la forza lavoro o senza comunicare come l’AI andrà ad affiancare, e non a sostituire, i ruoli e compiti dell’uomo.
Una gestione del cambiamento inadeguata attorno all’adozione dell’AI crea resistenza organizzativa, riduce l’efficienza e, in ultima analisi, spreca l’energia investita nei sistemi di AI. Quando i dipendenti temono la perdita del lavoro o non hanno le competenze per lavorare efficacemente con gli strumenti di AI, le organizzazioni riscontrano tassi di adozione più bassi, sforzi duplicati e risultati non ottimali. Questa resistenza umana rende le implementazioni di AI meno sostenibile, sia dal punto di vista ambientale che economico. Una comunicazione chiara che presenti l’AI come strumento collaborativo — che aiuta le persone a concentrarsi su lavori di maggior valore e più creativi — insieme a programmi di formazione completi, assicura che gli investimenti in AI producano i benefici attesi mantenendo alti il coinvolgimento e la produttività della forza lavoro.
- Non misurare e monitorare l’impatto completo della sostenibilità dell’AI
Trattare la sostenibilità dell’AI come un pensiero a posteriori, invece di integrare misurazione e monitoraggio nelle operazioni AI sin dall’inizio.
Non puoi gestire ciò che non misuri. La maggior parte delle organizzazioni non ha visibilità sui consumi energetici o sulle emissioni di carbonio dei propri sistemi AI, rendendo impossibile identificare opportunità di ottimizzazione o monitorare i progressi verso gli obiettivi di sostenibilità. È necessario implementare strumenti e framework che monitorino metriche di efficienza chiave come token elaborati per kilowattora, richieste di inferenza per unità di energia consumata, tempo di risposta del modello rispetto al carico computazionale ed emissioni di carbonio per interazione utente. Serve inoltre tracciare sia KPI di impatto ambientale (consumo energetico per attività, riduzione delle emissioni di carbonio, percentuale di utilizzo di energia rinnovabile) sia KPI di produttività (riduzione dei tempi di completamento delle attività, ore di lavoro umano risparmiate, efficienza dei processi automatizzati), insieme alle metriche di performance tradizionali come accuratezza e latenza. Questo approccio di misurazione a doppio focus consente un miglioramento continuo, aiuta a identificare quando i modelli funzionano in modo inefficiente e fornisce metriche concrete per giustificare investimenti in pratiche di AI più efficienti.
Integrare la sostenibilità nell’AI fin dall’inizio
La sostenibilità nell’AI non riguarda solo le emissioni di carbonio e la mitigazione del rischio ambientale: è anche un buon business. Sistemi di AI più efficienti riducono i costi operativi, migliorano le prestazioni e rendono gli investimenti tecnologici più resilienti all’aumento dei costi energetici e alle regolamentazioni sul clima. Evitando questi errori comuni, le organizzazioni possono sfruttare il potere trasformativo dell’AI costruendo al contempo un futuro digitale più sostenibile.
La chiave è integrare la sostenibilità nella propria strategia AI sin dall’inizio, e non aggiungerla a posteriori. Con l’AI che diventa sempre più pervasiva, le organizzazioni che oggi padroneggiano pratiche di AI sostenibile avranno un vantaggio competitivo significativo domani.
