L’espansione globale dell’intelligenza artificiale non rappresenta la smaterializzazione dell’economia, ma la sua intensificazione entropica: un’analisi ecosocialista dei costi energetici, idrici e minerari del capitalismo digitale monopolistico, attraverso la termodinamica di Georgescu-Roegen, Prigogine e la teoria della frattura metabolica di Foster e Clark.

Sintesi by Claude

La termodinamica del capitale: IA, energia ed ecologia

di Te Li — Monthly Review, vol. 78, n. 2, giugno 2026 Vol. 78, n. 02 (giugno 2026)

FONTE URL https://monthlyreview.org/articles/the-thermodynamics-of-capital/

Parole chiave

economia politica ecologica — termodinamica — intelligenza artificiale — entropia — accumulazione di capitale — frattura metabolica — ecosocialismo — paradosso di Jevons — strutture dissipative — scambio ecologico ineguale — imperialismo digitale — dematerializzazione

Occhiello

L’espansione globale dell’intelligenza artificiale non rappresenta la smaterializzazione dell’economia, ma la sua intensificazione entropica: un’analisi ecosocialista dei costi energetici, idrici e minerari del capitalismo digitale monopolistico, attraverso la termodinamica di Georgescu-Roegen, Prigogine e la teoria della frattura metabolica di Foster e Clark.

Sintesi per punti

Il mito della dematerializzazione. Il discorso dominante sulla Silicon Valley presenta l’IA come tecnologia “eterea” e smaterializzata. L’articolo smonta questa tesi mostrando che l’addestramento di GPT-4 ha consumato energia equivalente al fabbisogno annuo di migliaia di famiglie, che ogni query LLM richiede circa dieci volte l’elettricità di una ricerca web ordinaria, e che il consumo idrico di Microsoft è cresciuto del 34% in un solo anno per effetto diretto dell’espansione dell’IA.
Il quadro teorico: termodinamica ed economia politica. L’autore si colloca nella tradizione ecosocialista che va da Georgescu-Roegen (la legge dell’entropia applicata all’economia) a Foster e Clark (frattura metabolica e imperialismo ecologico). Ogni calcolo è un evento termodinamico: consuma energia a bassa entropia e restituisce all’ambiente scarti ad alta entropia sotto forma di calore, CO₂ e materia degradata. Nessun algoritmo sospende la seconda legge della termodinamica.
La causa è sociale, non fisica. La crisi ecologica dell’IA non è prodotta dalla termodinamica in quanto tale, ma dai processi sociali e storici specifici dell’accumulazione di capitale monopolistico: la corsa agli armamenti computazionali tra un pugno di mega-corporation (Google, Microsoft, Amazon, Meta e le controparti cinesi), l’imperativo di scalare indipendentemente dall’utilità sociale e l’esternalizzazione sistematica dei costi ecologici verso il Sud del mondo.
Leggi di scala e rendimenti decrescenti. La relazione tra dimensione del modello e domanda computazionale è superlineare: miglioramenti incrementali nelle prestazioni richiedono aumenti sproporzionati del budget energetico. Il costo entropico dell’intelligenza, nei paradigmi attuali, cresce più rapidamente dell’intelligenza stessa.
Il paradosso di Jevons nell’IA. I miglioramenti nell’efficienza energetica dell’hardware (dalle architetture A100 alle Blackwell di NVIDIA) non riducono il consumo totale, ma lo accelerano, poiché abbassano il costo unitario del calcolo, moltiplicano le applicazioni e stimolano la domanda. I requisiti computazionali delle sessioni di addestramento di frontiera sono raddoppiati ogni 3,4 mesi tra il 2012 e il 2018. L’IEA stima che il consumo dei data center potrebbe superare i 1.000 TWh/anno entro il 2026, equivalenti all’intera domanda nazionale giapponese.
L’IA come struttura dissipativa nel senso di Prigogine. Il complesso capitalistico dell’IA mantiene il proprio ordine interno (profitti, ottimizzazione algoritmica, dominio di mercato) importando continuamente risorse a bassa entropia dalla biosfera ed esportando scarti ad alta entropia in modo irreversibile. Le emissioni dei data center si accumulano per secoli, le falde acquifere esaurite si rigenerano in millenni, gli ecosistemi estrattivi non tornano allo stato precedente.
La frattura energetica: tre vettori. L’articolo articola l’impatto materiale dell’IA in tre dimensioni interconnesse:
- Elettricità: i mega-investimenti in data center (Microsoft annuncia 100 miliardi di dollari nel 2024) sovraccaricano le reti elettriche regionali, assorbono la nuova capacità rinnovabile anziché decarbonizzare altri settori, e spingono le aziende tecnologiche a contratti a lungo termine con centrali a gas.
- Acqua: l’addestramento di GPT-3 ha richiesto circa 700.000 litri di acqua dolce; una conversazione di 20-50 query con ChatGPT ne consuma circa 500 ml. La localizzazione geografica dei data center in aree già soggette a stress idrico (Arizona, Atacama, Telangana) riproduce la logica della “violenza lenta” di Rob Nixon: degrado graduale, invisibile, scaricato su comunità vulnerabili.
- Minerali critici: litio, cobalto, tantalio, terre rare — la cui geografia estrattiva coincide con la geografia del colonialismo storico (Congo, triangolo del litio, Myanmar). L’obsolescenza programmata dell’hardware AI genera rifiuti elettronici (62 milioni di tonnellate nel 2022, con previsione di 82 milioni entro il 2030), esportati in violazione della Convenzione di Basilea verso impianti del Sud globale.
I limiti del “green AI”. Il discorso dominante sulla sostenibilità dell’IA poggia su tre asserzioni tutte falsificate strutturalmente: che le rinnovabili bastino (non reggono per discrepanze temporali e velocità di crescita della domanda), che l’efficienza compensi la scala (il paradosso di Jevons lo esclude), che i benefici ambientali dell’IA superino i costi (i costi sono concentrati e locali, i benefici diffusi e speculativi). Gli offset di carbonio e gli impegni net-zero sono manovre contabili, non interventi fisici.
Il limite termodinamico del capitale. L’autore definisce così il punto — già raggiunto in alcune dimensioni (concentrazione di CO₂, esaurimento idrico, perdita di biodiversità) — in cui l’entropia generata dall’accumulazione supera la capacità rigenerativa della biosfera. L’economia politica dell’entropia: privatizzazione dei benefici del consumo a bassa entropia, socializzazione dei costi dello spreco ad alta entropia.
La prospettiva ecosocialista. L’alternativa richiede: controllo democratico delle infrastrutture computazionali (data center e piattaforme AI come infrastrutture sociali, non proprietà privata competitiva); riorientamento della R&S verso bisogni sociali reali (energie rinnovabili, salute pubblica, monitoraggio ecologico) anziché ottimizzazione pubblicitaria e sorveglianza; accettazione del principio di sufficienza computazionale — capacità di calcolo adeguata, non massima — come limite ecologico vincolante.

Concetti chiave / Glossario

Concetto	Definizione nel contesto dell’articolo
Entropia	Misura del degrado energetico: ogni processo fisico, incluso il calcolo, converte energia ordinata (a bassa entropia) in calore e scarti ad alta entropia, irreversibilmente. È la misura quantitativa del danno ecologico dell’IA.
Seconda legge della termodinamica	Principio fisico universale per cui l’entropia di un sistema isolato aumenta nel tempo. Nessun algoritmo la sospende: il calcolo è sempre un evento entropico.
Frattura metabolica	Concetto marxista sviluppato da Foster: la separazione sistematica operata dal capitalismo tra i cicli produttivi umani e i cicli rigenerativi naturali, con conseguente degrado cumulativo degli ecosistemi. Qui applicata alle infrastrutture digitali.
Struttura dissipativa	Concetto di Prigogine: sistemi complessi lontani dall’equilibrio termodinamico che mantengono il proprio ordine interno importando energia a bassa entropia e scaricando scarti ad alta entropia sull’ambiente. Il complesso capitalistico dell’IA è un esempio a scala planetaria.
Paradosso di Jevons	Osservazione di W.S. Jevons (1865): i miglioramenti nell’efficienza energetica di una tecnologia non riducono il consumo totale della risorsa, ma lo aumentano, stimolando la domanda. Strutturalmente operativo nell’industria AI.
Leggi di scala	Relazione superlineare tra dimensione del modello e costo computazionale: le prestazioni scalano come funzione di potenza dei parametri e dei dati, mentre il budget energetico cresce in modo più che proporzionale.
Frattura energetica	Adattamento del concetto di frattura metabolica all’era digitale: perturbazione sistemica della relazione tra infrastrutture tecnologiche e cicli naturali (energetici, idrici, minerali), mediata dalle disuguaglianze del capitalismo globale.
Scambio ecologico ineguale	Asimmetria Nord-Sud per cui le economie centrali esternalizzano i costi ecologici dell’accumulazione verso la periferia, che assorbe degrado ambientale senza corrispettivo economico adeguato.
Violenza lenta	Concetto di Rob Nixon: forme graduali, temporalmente diluite e geograficamente disperse di danno ecologico — come l’abbassamento delle falde acquifere — invisibili ai media e ai sistemi politici dominati da catastrofi istantanee.
Limite termodinamico del capitale	Soglia (in realtà zona di crisi progressiva) oltre la quale l’entropia generata dall’accumulazione capitalistica supera la capacità rigenerativa della biosfera, producendo collasso sistemico irreversibile dei cicli climatici, idrici e biologici.
Sufficienza computazionale	Principio ecosocialista opposto all’imperativo di crescita: la capacità di calcolo deve essere adeguata ai bisogni sociali, non massimizzata dalla competizione di mercato.
Impronta idrica dell’IA	Consumo di acqua dolce per il raffreddamento dei data center e delle centrali che li alimentano, sistematicamente assente dai report di sostenibilità aziendali. GPT-3: ~700.000 litri per l’addestramento; ChatGPT: ~500 ml per 20-50 query.
Inferenza vs. addestramento	L’addestramento è computazionalmente intensivo ma episodico; l’inferenza è individualmente più leggera ma avviene miliardi di volte al giorno. Goldman Sachs prevede che la domanda energetica dell’inferenza supererà quella dell’addestramento entro il decennio.
Corsa agli armamenti computazionali	Dinamica competitiva per cui nessuna grande azienda tecnologica può moderare volontariamente il proprio consumo energetico senza cedere terreno ai rivali, producendo un fallimento dell’azione collettiva strutturalmente necessario.

Analisi critica finale

L’articolo di Te Li rappresenta uno dei contributi teoricamente più rigorosi al dibattito sull’ecologia politica dell’IA apparsi sulla stampa marxista internazionale. Il suo pregio principale è la netta separazione analitica tra la termodinamica come strumento di misurazione e l’economia politica come spiegazione causale: l’entropia registra il danno, ma è l’accumulazione di capitale a produrlo. Questo evita la trappola del determinismo tecnologico e del naturalismo fisico in cui cadono molte critiche ecologiste dell’IA, che finiscono per trattare il problema come intrinsecamente tecnico e quindi tecnicamente risolvibile.

Particolarmente efficace è l’uso integrato del paradosso di Jevons e delle leggi di scala per mostrare che la crescita del consumo energetico dell’IA non è contingente ma strutturalmente autoalimentante: non c’è traiettoria tecnologica interna al capitalismo che possa invertirla. L’innesto del concetto prigoginiano di struttura dissipativa sul framework marxista della frattura metabolica produce un quadro sintetico di buona tenuta teorica, anche se la mediazione tra i due piani (fisico e storico-sociale) rimane in alcuni passaggi più assertiva che dimostrata.

Alcune tensioni meritano di essere segnalate. La tesi dell’irreversibilità entropica — centrale nell’argomento — è fisicamente ineccepibile a scala macroscopica, ma rischia di diventare un argomento troppo forte sul piano politico: se il danno è per definizione permanente e non correggibile, la prospettiva ecosocialista proposta in conclusione rischia di apparire non meno volontaristica della “green AI” che l’autore critica. Li afferma che la politica ecosocialista può “interrompere i processi che generano danni futuri”, ma non tematizza i meccanismi concreti attraverso cui il controllo democratico delle infrastrutture computazionali potrebbe affermarsi contro la concentrazione monopolistica del capitale digitale — una lacuna che rispecchia un limite più generale della tradizione Monthly Review, forte nell’analisi delle contraddizioni e più sobria nella teoria della transizione.

Va notato inoltre che la trattazione dell’uso militare dell’IA — citato en passant tra i sistemi di inferenza — merita un approfondimento autonomo: la componente militare del consumo computazionale è opaca, sottratta ai report di sostenibilità, e strutturalmente incompatibile con qualsiasi logica di sufficienza.

Nonostante questi limiti, l’articolo offre una griglia concettuale preziosa per smontare sistematicamente il discorso della “AI for good” e per collocare la crisi ecologica del digitale nel quadro più ampio della critica dell’imperialismo ecologico. La connessione tra geografie estrattive del litio e del cobalto e geografie coloniali storiche, sviluppata con concisione nella sezione sui minerali critici, costituisce uno degli argomenti più pregnanti dell’intera analisi, con immediate implicazioni per il dibattito sulla transizione energetica e le sue asimmetrie geopolitiche — un tema di grande rilevanza per chi segue le intersezioni tra sovranità economica e giustizia ecologica nella sinistra italiana e internazionale.

Traduzione del testo di Te Li

Dal codice alla materia

Nella primavera del 2023, Microsoft ha annunciato un investimento multimiliardario in OpenAI, presentando la partnership come un passo avanti verso una civiltà più pulita, intelligente ed efficiente. L’immaginario che accompagna tali annunci è invariabilmente etereo: reti neurali luminose, flussi di dati senza peso e algoritmi che danzano in uno spazio digitale senza attrito. L’intelligenza artificiale (IA), nel linguaggio dominante della Silicon Valley e del suo ecosistema mediatico, si presenta come l’apoteosi della smaterializzazione: una tecnologia così raffinata, così puramente cognitiva, da essere finalmente sfuggita al mondo sporco ed entropico delle macchine a vapore, delle miniere di carbone e delle fabbriche.

Questo articolo sostiene che tali rappresentazioni sono ideologiche nel preciso senso marxista: invertono la realtà, presentando come immateriale un processo che è profondamente e sostanzialmente materiale. Si stima che l’addestramento di GPT-4 abbia consumato un’energia equivalente al consumo annuo di elettricità di migliaia di famiglie. ¹ Una singola query a un modello linguistico di grandi dimensioni richiede circa dieci volte l’elettricità di una normale ricerca su Internet. ² Il consumo idrico di Microsoft è aumentato del 34% in un solo anno, un’impennata che il suo stesso rapporto ambientale ha attribuito direttamente all’espansione dell’infrastruttura di intelligenza artificiale. ³ Queste non sono inefficienze accidentali in attesa di correzione tecnica; sono necessità strutturali di una tecnologia il cui substrato fisico – semiconduttori, data center, sistemi di raffreddamento e reti di trasmissione – è tra le infrastrutture più intensive in termini di risorse che l’umanità abbia mai costruito.

Il mito della dematerializzazione digitale ha una lunga storia. Fin dagli anni ’90, i teorici dell'”economia dell’informazione” hanno sostenuto che il passaggio dalla produzione manifatturiera ai servizi, e dagli atomi ai bit, avrebbe disaccoppiato la crescita economica dal flusso di materiali.⁴ ^L’ avvento dell’intelligenza artificiale ha conferito a questa tesi una nuova e più potente formulazione: se le precedenti tecnologie digitali si limitavano a elaborare informazioni, l’IA – secondo questa tesi – genera l’intelligenza stessa, una risorsa la cui abbondanza non impoverisce la natura, ma la trascende. Questa è la visione che anima la retorica dell'”IA per il clima”, dell'”IA per la sostenibilità” e, più in generale, l’affermazione che la potenza di calcolo possa sostituire le risorse naturali nella risoluzione della crisi ecologica.

Il quadro teorico sviluppato in questo articolo sfida questa visione fin dalle fondamenta. Mi baso sulla tradizione termodinamica nell’ambito dell’economia politica ecologica, dal fondamentale saggio di Nicholas Georgescu-Roegen ” La legge dell’entropia e il processo economico” alla sintesi ecosocialista sviluppata da John Bellamy Foster e Brett Clark, per sostenere che l’ascesa dell’IA nel capitalismo non rappresenta una trascendenza del mondo materiale, bensì un’intensificazione del rapporto entropico del capitale con esso.⁵ ^La seconda legge della termodinamica è implacabile nella sua universalità: ogni calcolo è un evento termodinamico. Consuma energia a bassa entropia – ordinata, utilizzabile, libera di compiere lavoro – e restituisce alla biosfera scarti ad alta entropia sotto forma di calore, anidride carbonica e materia degradata. Nessun algoritmo, per quanto elegante, sospende questa legge. La questione non è se l’IA produca entropia, ma quanta, a quale ritmo e quali ecosistemi ne assorbano le conseguenze.

Karl Marx intendeva la produzione come un processo metabolico: un continuo scambio tra le società umane e il mondo naturale, mediato dal lavoro e dalla tecnologia. Nel Capitale , osservò che le macchine non creano energia, ma trasformano e trasmettono le forze naturali in esse incorporate, e che questa trasformazione implica sempre il consumo di sostanze naturali.⁶ ^Ciò che non avrebbe potuto prevedere era una forma di accumulazione di capitale in cui la principale forza produttiva è la potenza di calcolo, e in cui le esigenze termodinamiche di tale potenza avrebbero esercitato una pressione senza precedenti sui sistemi energetici planetari, sulle riserve di acqua dolce e sulla stabilità climatica. L’avvento dell’intelligenza artificiale ci pone di fronte alla necessità di estendere l’analisi metabolica di Marx al dominio digitale.

La dinamica dell’accumulazione: l’intelligenza artificiale come motore ad alta entropia

La crisi ecologica dell’IA non è, in primo luogo, un problema termodinamico. È un problema sociale e storico. I processi specifici che generano il peso ecologico dell’IA – la corsa agli armamenti competitiva tra una manciata di monopoli tecnologici, l’imperativo di scalare la capacità computazionale a prescindere dall’utilità sociale e l’esternalizzazione sistematica dei costi ecologici su comunità ed ecosistemi del Sud del mondo – sono il prodotto di una particolare formazione storica: il capitalismo nella sua fase monopolistica digitale. La termodinamica non causa questi processi; ne registra le conseguenze. La seconda legge della termodinamica ci dice che ogni calcolo degrada energia. Non ci dice perché il calcolo è organizzato su questa scala, a questo ritmo, per questi scopi e a spese di chi. Per questo, abbiamo bisogno di un’analisi sociale e storica. Ciò che il quadro termodinamico fornisce, e ciò che lo rende indispensabile, è una spiegazione precisa del perché il danno ecologico generato da questi processi sociali non è incidentale ma strutturale, non correggibile con miglioramenti dell’efficienza ma cumulativo, e non reversibile con meccanismi di mercato ma permanente.

Per comprendere perché l’IA sia termodinamicamente costosa in modo strutturalmente necessario piuttosto che contingente, è essenziale esaminare la relazione tra scalabilità computazionale, accumulazione di capitale e consumo energetico. Questa relazione è governata da dinamiche che rendono l’onere ecologico dell’IA nel capitalismo non solo elevato, ma anche autoalimentante ed espansivo.

La base fisica del calcolo dell’IA è l’elaborazione di enormi quantità di operazioni numeriche – moltiplicazioni, addizioni e confronti – eseguite da hardware specializzato a velocità straordinaria. L’energia necessaria per eseguire queste operazioni non è trascurabile. Lo studio di riferimento del 2019 di Emma Strubell, Ananya Ganesh e Andrew McCallum ha stimato che l’addestramento di un singolo modello di elaborazione del linguaggio naturale di grandi dimensioni con ricerca di architettura neurale produce emissioni di anidride carbonica paragonabili alle emissioni totali di cinque automobili medie statunitensi durante l’intero ciclo di vita.⁷ Le generazioni ^successive di modelli sono state sostanzialmente più grandi. Sebbene le aziende tecnologiche si siano rifiutate di pubblicare dati energetici completi per i loro sistemi più recenti, analisi indipendenti suggeriscono che l’addestramento di modelli all’avanguardia, come GPT-4, abbia consumato energia dell’ordine di decine di gigawattora, sufficienti ad alimentare una piccola città per ^{settimane.⁸}

La relazione tra la scala del modello e la richiesta computazionale non è lineare, bensì superlineare. La ricerca sulle leggi di scala nei modelli linguistici di grandi dimensioni ha stabilito che le prestazioni del modello scalano approssimativamente come una funzione di potenza del prodotto dei parametri del modello e dei dati di addestramento.⁹ ^Ciò significa che i miglioramenti incrementali nelle capacità del modello richiedono aumenti sproporzionati nell’investimento computazionale. Per migliorare le prestazioni di un modello di una percentuale fissa, il budget computazionale – e quindi il consumo energetico – deve aumentare di una percentuale significativamente maggiore. Questa è l’espressione termodinamica dei rendimenti decrescenti: man mano che i sistemi di IA di frontiera si avvicinano ai limiti delle prestazioni sui compiti di riferimento, ogni ulteriore incremento di estrazione di capacità richiede un input energetico esponenzialmente maggiore. Il costo entropico dell’intelligenza, secondo gli attuali paradigmi tecnologici, aumenta più rapidamente dell’intelligenza stessa.

Questa dinamica è ulteriormente amplificata dalla logica dell’accumulazione di capitale. L’industria dell’IA è organizzata attorno a un piccolo numero di grandi aziende – Google, Microsoft, Amazon, Meta (Facebook) e le loro controparti cinesi – la cui posizione competitiva dipende dal mantenimento della superiorità algoritmica. In questo contesto, la capacità computazionale non è semplicemente un input produttivo, ma un asset strategico: l’azienda con maggiori risorse computazionali può addestrare modelli più grandi, attrarre più utenti e accumulare più dati, rafforzando così il proprio dominio sul mercato. Questo crea quella che potremmo definire una corsa agli armamenti computazionali, in cui ogni azienda è costretta ad espandere la propria infrastruttura di IA non perché il beneficio sociale marginale derivante da una maggiore capacità computazionale giustifichi il costo marginale, ma perché la logica competitiva dell’accumulazione di capitale fa sì che la moderazione equivalga all’uscita dal mercato. ^10 Nessuna singola azienda può limitare volontariamente il proprio consumo energetico senza cedere terreno ai rivali. Il risultato è un fallimento dell’azione collettiva di proporzioni storiche: l’industria nel suo complesso espande la propria impronta energetica ben oltre quanto qualsiasi valutazione razionale del bisogno sociale richiederebbe.

Il meccanismo attraverso il quale opera questa dinamica è illustrato dal paradosso di Jevons, identificato per la prima volta dall’economista inglese William Stanley Jevons nella sua analisi del 1865 sul consumo di carbone in Gran Bretagna. Jevons osservò che i miglioramenti nell’efficienza delle macchine a vapore – ovvero le riduzioni nella quantità di carbone necessaria per svolgere una data unità di lavoro – non riducevano il consumo totale di carbone, ma lo acceleravano, perché i minori costi di utilizzo dell’energia stimolavano l’espansione delle attività economiche ad alta intensità energetica. ^11 Il paradosso non è una stranezza dell’economia politica vittoriana; è una caratteristica strutturale dell’accumulazione di capitale, operativa ovunque i guadagni di efficienza riducano il costo di una risorsa e quindi stimolino la domanda per il suo utilizzo.

Nel settore dell’IA, il paradosso di Jevons si manifesta con particolare forza. Le successive generazioni di chip per l’IA, dalle architetture A100 e H100 di NVIDIA fino alle architetture Blackwell, hanno portato a miglioramenti drastici nell’efficienza computazionale, misurata in operazioni per watt. Tuttavia, il consumo energetico totale delle infrastrutture per l’IA è aumentato in modo continuo e vertiginoso, perché i guadagni in termini di efficienza hanno ridotto il costo del calcolo dell’IA, stimolato la proliferazione delle applicazioni di IA, ampliato il volume delle operazioni di inferenza e accelerato lo sviluppo di modelli sempre più grandi. Un’analisi di OpenAI ha rilevato che i requisiti computazionali delle sessioni di training di IA di frontiera sono raddoppiati approssimativamente ogni 3,4 mesi tra il 2012 e il 2018, un tasso di aumento che supera di gran lunga i miglioramenti di efficienza apportati dai progressi hardware. ^12 L’Agenzia Internazionale dell’Energia ha previsto nel 2024 che il consumo di elettricità dei data center potrebbe superare i 1.000 terawattora all’anno entro il 2026, una quantità pressoché equivalente all’intera domanda nazionale di elettricità del Giappone. ^13

Sono questi processi sociali e storici concreti – la corsa agli armamenti monopolistici, la dinamica di Jevons e l’impossibilità strutturale di autocontrollo volontario in un contesto di accumulazione competitiva – che la termodinamica registra ma non può spiegare da sola. La termodinamica del non equilibrio di Ilya Prigogine, sviluppata in modo più completo in ” Ordine dal caos” , fornisce il ponte concettuale tra la logica sociale del capitale e le sue conseguenze fisiche. ^14 Prigogine ha dimostrato che i sistemi complessi lontani dall’equilibrio termodinamico – le cosiddette strutture dissipative – mantengono il loro ordine interno importando continuamente energia a bassa entropia dall’ambiente circostante ed esportando scarti ad alta entropia. La cellula vivente, l’uragano e la fiamma sono tutte strutture dissipative in questo senso: sostengono la loro complessità interna a costo di un aumento dell’entropia nell’ambiente circostante. Ma l’intuizione più profonda di Prigogine, e quella più rilevante per i nostri scopi, è che i processi che spingono le strutture dissipative lontane dall’equilibrio sono irreversibili. L’entropia generata nell’ambiente circostante non può essere recuperata; il degrado dell’ambiente è permanente. Questa irreversibilità non è un effetto collaterale dell’inefficienza, bensì la caratteristica termodinamica dei processi dissipativi stessi.

Il complesso capitalista dell’intelligenza artificiale è una struttura dissipativa di questo tipo, ma la cui scala, il tasso di crescita e l’irreversibilità non sono determinati dalle dinamiche naturali, bensì dagli imperativi dell’accumulazione di capitale. Mantiene l’ordine interno del profitto aziendale, dell’ottimizzazione algoritmica e del dominio del mercato sfruttando continuamente le risorse a bassa entropia della biosfera – combustibili fossili, acqua dolce e minerali – e restituendole sotto forma di rifiuti ad alta entropia: anidride carbonica, inquinamento termico e rifiuti elettronici. L’anidride carbonica emessa dai data center si accumula nell’atmosfera nell’arco di secoli. Le falde acquifere sfruttate dai sistemi di raffreddamento si rigenerano nell’arco di millenni, se non addirittura mai. Gli ecosistemi sconvolti dall’estrazione mineraria nel bacino del Congo o nel deserto di Atacama non ritornano al loro stato precedente alla chiusura delle miniere. Ciò che il capitalismo fa, attraverso la logica competitiva dell’accumulazione dell’intelligenza artificiale, è alimentare questi processi dissipativi a un ritmo e su una scala tali da sopraffare la capacità rigenerativa dei sistemi naturali, sigillando danni ecologici che nessuna futura soluzione tecnologica potrà riparare. L’ordine dell’algoritmo viene acquistato al prezzo di un disordine permanente nell’atmosfera, nel bacino idrografico e nel suolo.

Questa prospettiva ci permette di vedere ciò che la narrativa tecno-ottimista cela: che l’“intelligenza” prodotta dai sistemi di IA non è un dono gratuito della tecnologia dell’informazione, ma un prodotto termodinamico, estratto dalla natura a un costo che il mercato sistematicamente non riesce a registrare. I bilanci delle aziende tecnologiche registrano i ricavi generati dai servizi di IA; non registrano il peso entropico imposto agli ecosistemi, alle comunità e ai sistemi climatici dai flussi di energia e materiali che rendono possibili tali servizi. Non si tratta di un errore contabile, ma di una caratteristica strutturale del rapporto tra capitalismo e natura – ciò che Foster, Clark e Richard York hanno definito la “frattura ecologica” – ovvero la separazione sistematica dei costi di produzione dai luoghi e dai soggetti che li sopportano. ^{15 }

Un’ulteriore dimensione dell’analisi termodinamica riguarda la relazione tra addestramento e inferenza dell’IA. L’addestramento, ovvero il processo di ottimizzazione dei parametri di un modello su grandi insiemi di dati, è computazionalmente intensivo ma avviene una sola volta. L’inferenza, il processo di esecuzione di un modello addestrato per generare output, è individualmente meno intensiva ma avviene continuamente, miliardi di volte al giorno, nell’ambito della diffusione globale dei sistemi di IA. Man mano che l’IA viene integrata nei motori di ricerca, nei software di produttività, nella diagnostica sanitaria, nella ricerca legale, nell’analisi finanziaria e nei sistemi di puntamento militari, la domanda energetica complessiva dell’inferenza cresce in proporzione alla scala di diffusione. Goldman Sachs Research ha stimato che la domanda energetica dell’inferenza dell’IA potrebbe superare quella dell’addestramento entro l’attuale decennio, con l’espansione della diffusione. ^16 Ciò significa che l’onere ecologico dell’IA non è un costo una tantum per la costruzione del sistema, ma una tassa continua e crescente sui bilanci energetici e idrici del pianeta, una tassa con un’aliquota che aumenta con ogni nuova applicazione, ogni nuovo utente e ogni nuovo ciclo di accumulazione di capitale nel settore dell’IA.

Il quadro che emerge è quello di una crisi ecologica dell’IA non prodotta dalla termodinamica in quanto tale, bensì dagli specifici processi sociali e storici di accumulazione del capitale – la corsa agli armamenti competitiva, la dinamica di Jevons e l’esternalizzazione sistematica dei costi ecologici – che insieme alimentano processi dissipativi di irreversibilità prigoginiana su scala planetaria. L’entropia è la misura del danno; l’accumulazione del capitale ne è la causa.

La frattura energetica: energia, acqua ed estrazione di minerali

L’analisi termodinamica della sezione precedente stabilisce la logica strutturale delle esigenze energetiche dell’IA. Questa sezione esamina la realtà materiale di tali esigenze in tre dimensioni: elettricità, acqua e minerali critici. Insieme, questi tre vettori di estrazione costituiscono ciò che possiamo definire, adattando il concetto di frattura metabolica di Foster e Clark, una “frattura energetica” specifica dell’era digitale: una perturbazione sistematica della relazione metabolica tra i sistemi tecnologici umani e i cicli naturali che li sostengono, mediata dalle disuguaglianze spaziali e sociali del capitalismo globale. ¹⁷

Elettricità: la rete elettrica sotto assedio

La dimensione più immediatamente visibile dell’impronta ecologica dell’IA è il suo fabbisogno di energia elettrica. I data center, ovvero l’infrastruttura fisica dell’IA che ospita i server utilizzati per addestrare i modelli ed elaborare le richieste di inferenza, sono tra le strutture a più alto consumo energetico dell’economia moderna. Un grande data center hyperscale, come quelli gestiti da Google, Microsoft o Amazon, può consumare tra i 100 e i 500 megawatt di energia in modo continuativo, una quantità paragonabile al fabbisogno energetico di una città di medie dimensioni. L’espansione dell’IA ha accelerato drasticamente la costruzione di tali strutture. Solo Microsoft ha annunciato nel 2024 l’intenzione di investire 100 miliardi di dollari in nuove infrastrutture per data center a livello globale, con impegni simili da parte di Google, Amazon e Meta. ¹⁸

L’entità di questa espansione sta esercitando una forte pressione sulle reti elettriche nelle regioni in cui si concentra la costruzione di data center. Nella Virginia settentrionale, che ospita la più grande concentrazione di data center al mondo, i gestori della rete hanno avvertito che la crescita pianificata dei data center minaccia di superare la capacità di generazione e trasmissione di elettricità della regione, rendendo potenzialmente necessaria la costruzione di nuove centrali a combustibili fossili per soddisfare la domanda. ¹⁹ In Irlanda, i data center rappresentano già circa il 21% del consumo totale di elettricità nazionale, una cifra che il gestore della rete nazionale prevede possa salire al 32% entro il 2031, spiazzando la capacità di energia rinnovabile destinata alla decarbonizzazione domestica e industriale. ²⁰ A Singapore, il governo ha imposto una moratoria sulla costruzione di nuovi data center tra il 2019 e il 2022, citando vincoli energetici, prima di revocarla a seguito delle pressioni delle aziende tecnologiche.

Il rapporto tra la domanda di elettricità dell’IA e la transizione energetica è profondamente contraddittorio. Le aziende tecnologiche si sono impegnate pubblicamente ad alimentare le proprie attività con energia rinnovabile e hanno investito ingenti somme in contratti di acquisto di energia eolica e solare. Tuttavia, questi impegni sono sistematicamente compromessi da tre dinamiche strutturali. In primo luogo, la discrepanza temporale tra la disponibilità di energia rinnovabile – che è intermittente e dipende dalle condizioni del vento e del sole – e la domanda dei data center, che è continua e non può essere interrotta, fa sì che i contratti di acquisto di energia rinnovabile spesso non corrispondano ai modelli di consumo effettivi di elettricità. L’elettricità che scorre nei circuiti dei data center in un dato momento può essere generata da centrali a gas naturale, carbone o nucleari, indipendentemente dai contratti di energia rinnovabile che l’azienda ha sottoscritto. ²¹

In secondo luogo, e in modo più fondamentale, la crescita della domanda di elettricità per l’IA sta superando l’espansione della capacità di energia rinnovabile. Un’analisi del 2024 dell’Agenzia Internazionale dell’Energia ha rilevato che la crescita prevista della domanda di elettricità per i data center consumerebbe una quota sostanziale della nuova generazione di energia rinnovabile in diversi mercati importanti, spiazzando di fatto la decarbonizzazione in altri settori. ²² La costruzione di capacità di energia rinnovabile per alimentare l’IA non contribuisce all’offerta di energia pulita disponibile per l’economia in generale; assorbe energia pulita che altrimenti sostituirebbe i combustibili fossili altrove.

In terzo luogo, gli elevati requisiti di affidabilità delle infrastrutture per l’IA hanno spinto le aziende tecnologiche a cercare contratti a lungo termine per la produzione di energia elettrica tramite centrali a gas naturale. L’accordo di Microsoft con Constellation Energy per la riapertura della centrale nucleare di Three Mile Island ha attirato notevole attenzione, ma meno evidente è stata la tendenza più ampia delle aziende tecnologiche a stipulare accordi di capacità con centrali a gas per garantire una fornitura di energia stabile. ²³ La logica ecologica è lampante: l’espansione dell’IA sta estendendo direttamente la vita economica delle infrastrutture per i combustibili fossili, vincolando le emissioni di carbonio per i decenni a venire.

L’acqua: il metabolismo nascosto

Se l’elettricità rappresenta il volto visibile delle esigenze ecologiche dell’IA, l’acqua ne è il metabolismo nascosto. I data center richiedono enormi quantità di acqua dolce per il raffreddamento, sia attraverso sistemi di raffreddamento evaporativo diretto che consumano acqua sotto forma di vapore, sia attraverso il raffreddamento delle centrali termoelettriche che forniscono l’elettricità. Questa domanda di acqua è strutturalmente invisibile nella maggior parte delle valutazioni pubbliche sull’impatto ambientale dell’IA, eppure rappresenta una delle dimensioni più gravi e localmente acute dell’impronta ecologica di questa tecnologia.

Lo studio del 2023 di Pengfei Li e colleghi ha fornito le prime stime sistematiche del consumo idrico dell’IA, calcolando che l’addestramento di GPT-3 richiedeva circa 700.000 litri di acqua dolce, sufficienti a produrre 370 auto BMW o 320 veicoli elettrici Tesla. ²⁴ Per fare un’inferenza, il quadro è altrettanto sorprendente: lo studio ha stimato che una conversazione di venti-cinquanta domande con ChatGPT consuma circa 500 millilitri di acqua. Moltiplicato per milioni di utenti giornalieri, questo rappresenta una domanda aggregata di acqua dolce di portata straordinaria.

I dati divulgati dalle aziende confermano la tendenza. Il rapporto ambientale di Microsoft del 2022 ha rivelato un aumento del 34% del consumo idrico globale su base annua, attribuendo esplicitamente tale aumento all’espansione delle infrastrutture di intelligenza artificiale. ^25 Google ha riportato un aumento del 20% del consumo idrico nello stesso periodo. ²⁶ Non si tratta di fluttuazioni marginali; rappresentano un cambiamento strutturale nella domanda di acqua dolce del settore tecnologico, guidato direttamente dalla scalabilità dei sistemi di intelligenza artificiale.

La geografia di questo consumo idrico non è neutrale. I data center sono spesso situati in regioni selezionate per il basso costo dei terreni, i regimi fiscali favorevoli e le condizioni climatiche adatte al raffreddamento, criteri che portano regolarmente le aziende tecnologiche a insediarsi in aree già soggette o emergenti a stress idrico. Nel sud-ovest degli Stati Uniti, i data center competono per l’acqua con l’agricoltura e i sistemi idrici municipali in una regione che già affronta gravi condizioni di siccità, amplificate dai cambiamenti climatici. In Cile, le aziende tecnologiche hanno costruito data center nella regione di Atacama e nelle sue vicinanze, attingendo alle risorse idriche di uno degli ecosistemi più aridi del mondo, risorse da cui dipendono per la sopravvivenza le comunità indigene Atacameño e i piccoli agricoltori. ²⁷ Negli stati di Telangana e Andhra Pradesh in India, i progetti per la realizzazione di parchi di data center hanno incontrato la resistenza locale per le preoccupazioni relative all’esaurimento delle falde acquifere in aree che già soffrono di scarsità idrica per l’agricoltura.

Questo modello spaziale riproduce, nello specifico ambito delle infrastrutture digitali, la logica più ampia di ciò che Rob Nixon chiama “violenza lenta”: le forme graduali, disperse e temporalmente attenuate di danno ecologico che non vengono registrate come eventi nei media o nei sistemi politici dominati da catastrofi drammatiche e istantanee. ²⁸ L’abbassamento di una falda acquifera regionale dovuto alle operazioni di raffreddamento dei data center si verifica nel corso di anni e decenni, colpendo comunità la cui insicurezza idrica è già cronica e la cui voce politica è limitata. Non genera titoli di giornale. Non compare nei rapporti di sostenibilità delle aziende tecnologiche. Ma è materialmente reale, termodinamicamente necessario e strutturalmente determinato dalla logica competitiva dell’accumulazione di IA.

Minerali: le basi estrattive

La terza dimensione della frattura energetica dell’IA è rappresentata dalle basi estrattive del suo hardware. I semiconduttori, i server, i sistemi di archiviazione e le apparecchiature di rete che costituiscono l’infrastruttura dell’IA richiedono una complessa gamma di minerali critici – litio, cobalto, tantalio, neodimio, disprosio, indio, gallio e altri – la cui estrazione comporta gravi e concentrati danni ecologici, che ricadono in modo sproporzionato sulle comunità del Sud del mondo.

La geografia dell’estrazione di minerali critici coincide quasi perfettamente con la geografia dell’estrazione coloniale storica. La Repubblica Democratica del Congo fornisce circa il 70% della produzione mondiale di cobalto, gran parte del quale proviene da miniere artigianali che operano in condizioni di grave degrado ambientale e sfruttamento del lavoro, incluso l’uso diffuso del lavoro minorile. Bolivia, Cile e Argentina – il “triangolo del litio” – ^detengono la maggior parte delle riserve mondiali di litio e la loro estrazione comporta l’esaurimento di falde acquifere saline in ecosistemi di alta quota di eccezionale sensibilità ecologica. Gli elementi delle terre rare, essenziali per i magneti permanenti utilizzati nei ventilatori di raffreddamento dei data center e nei sistemi di alimentazione, sono concentrati in Cina, Myanmar e Repubblica Democratica del Congo, con operazioni di lavorazione che generano flussi di rifiuti radioattivi e tossici.

L’accelerazione dello sviluppo dell’hardware per l’IA aggrava queste pressioni estrattive attraverso la logica dell’obsolescenza programmata. Le dinamiche competitive della corsa agli armamenti dell’IA richiedono alle aziende tecnologiche di aggiornare continuamente il proprio hardware, sostituendo le precedenti generazioni di GPU e acceleratori IA personalizzati con modelli più recenti e potenti, con cicli di due o tre anni. Ciò genera enormi quantità di rifiuti elettronici: server, GPU, moduli di memoria e apparecchiature di rete dismessi contenenti materiali tossici, tra cui piombo, mercurio, cadmio e ritardanti di fiamma bromurati. La produzione globale di rifiuti elettronici ha raggiunto i 62 milioni di tonnellate nel 2022 e si prevede che crescerà fino a 82 milioni di tonnellate entro il 2030. ^Una parte sostanziale di questi rifiuti viene esportata, spesso in violazione della Convenzione di Basilea, verso impianti di trattamento in Africa occidentale, Asia meridionale e Asia sudorientale, dove viene gestita in condizioni di grave rischio per la salute e l’ambiente.

Il concetto di scambio ecologico ineguale ha una storia lunga e controversa, radicata nella più ampia tradizione dello scambio ineguale e nella critica marxista dell’imperialismo. Attingendo a questa ricca tradizione intellettuale – che si estende dalle teorie classiche dell’imperialismo alla teoria della dipendenza e all’analisi dei sistemi-mondo – gli studiosi hanno progressivamente incorporato le dimensioni ecologiche nell’analisi delle asimmetrie Nord-Sud. ³¹ Il contributo di Clark e Foster a questo quadro si fonda principalmente sulla critica dell’imperialismo ecologico: il riconoscimento che la relazione metabolica tra il Nord globale e il Sud globale non è semplicemente un’asimmetria economica, ma ecologica, in cui la periferia assorbe i costi ambientali dell’accumulazione centrale. ³² Questo quadro fornisce le basi teoriche per comprendere l’economia politica globale del metabolismo materiale dell’IA.

Questi tre vettori di estrazione – elettricità, acqua e minerali – non sono indipendenti; sono dimensioni interconnesse di un unico sistema metabolico organizzato dagli imperativi dell’accumulazione di capitale. I data center richiedono elettricità, che a sua volta richiede infrastrutture energetiche, le quali richiedono minerali e acqua. I sistemi di raffreddamento necessitano di acqua, che entra in competizione con l’agricoltura e l’approvvigionamento idrico comunale, con ripercussioni sui sistemi alimentari e sulla salute umana. La produzione di hardware richiede minerali e la loro estrazione, generando rifiuti e ponendo problemi di smaltimento che causano ulteriori danni ecologici. La frattura energetica dell’intelligenza artificiale non è una singola interruzione del metabolismo naturale, ma una perturbazione a cascata che attraversa molteplici sistemi ecologici, coordinata dalla mano invisibile del capitale e resa invisibile dall’apparato ideologico della dematerializzazione digitale.

I limiti termodinamici del capitale

Le prove materiali raccolte nella sezione precedente indicano che la crisi va oltre la sua portata e ne rivela la struttura. Ciò che emerge dai dati empirici relativi alla domanda di elettricità, all’esaurimento delle risorse idriche e all’estrazione mineraria non è una serie di fallimenti di mercato indipendenti, bensì un’unica logica sistemica, che richiede una spiegazione teorica, non meramente tecnica.

La crisi ecologica generata dal capitalismo dell’IA non è riducibile a un problema di aumento dei costi di produzione o di vincoli di offerta sull’accumulazione. Rappresenta, piuttosto, un attacco sistematico alle capacità rigenerative del mondo naturale stesso. Come ha sostenuto Foster, il rapporto del capitalismo con la natura è definito da un antagonismo strutturale: la logica dell’accumulazione infinita è inconciliabile con i limiti rigenerativi finiti dei sistemi naturali.33 Il capitale non si limita a sfruttare la natura come condizione di produzione; rompe metabolicamente i cicli e le relazioni attraverso i quali la natura si riproduce. Paul Burkett approfondisce questa analisi recuperando da Marx una concezione della natura che rifiuta la riduzione al valore strumentale.34 I sistemi naturali ^possiedono valori d’uso irriducibili al loro ruolo nel processo produttivo, e la distruzione sistematica di questi valori d’uso da parte del capitalismo – la sua conversione degli ecosistemi viventi in input e discariche – costituisce una crisi ecologica nel senso più pieno del termine: non ^una crisi di redditività, ma una crisi delle condizioni biofisiche della vita stessa.

L’economia dell’IA rappresenta un’intensificazione acuta di questa dinamica. I data center, i sistemi di raffreddamento e le catene di approvvigionamento minerario che sostengono l’infrastruttura dell’IA non si limitano a sfruttare le risorse naturali nel senso economistico di aumentare i costi di produzione. Contribuiscono invece a un degrado cumulativo e in gran parte irreversibile dei sistemi idrici, degli ecosistemi energetici e dei paesaggi estrattivi da cui dipende la vita umana e non umana. Questo degrado non compare nei bilanci delle aziende tecnologiche, non perché sia economicamente marginale, ma perché il sistema contabile del capitale è strutturalmente incapace di registrare la distruzione di valori che non sono mai stati mercificati. La crisi ecologica dell’IA non è quindi un fallimento del mercato in attesa di una correzione di mercato; è l’espressione di ciò che il capitalismo fa alla natura quando opera senza limiti.

La risposta dominante a questa contraddizione all’interno del quadro della governance capitalistica è il discorso dell’IA verde e dell’informatica sostenibile: l’affermazione che la crisi ecologica dell’IA possa essere risolta attraverso l’innovazione tecnologica, i meccanismi di mercato e l’impegno volontario delle imprese. Questa risposta merita una seria attenzione analitica, non perché sia convincente, ma perché comprenderne il fallimento mette in luce il carattere strutturale del problema.

Il discorso sull’IA verde si basa su tre affermazioni: che le energie rinnovabili possono soddisfare il fabbisogno energetico dell’IA senza causare danni ecologici netti; che i miglioramenti nell’efficienza hardware ridurranno sufficientemente il costo ecologico unitario del calcolo da compensare la crescita della domanda totale; e che l’IA stessa genererà benefici ambientali – attraverso la modellazione climatica, l’ottimizzazione energetica e la scienza dei materiali – che supereranno i suoi costi ecologici. Ognuna di queste affermazioni è minata dalle dinamiche strutturali dell’accumulazione di capitale.

L’affermazione sull’energia rinnovabile non regge, come già accennato, perché la domanda di elettricità dell’IA cresce più velocemente della capacità rinnovabile, perché le discrepanze temporali tra l’offerta rinnovabile e la domanda dei data center richiedono la generazione di riserva da combustibili fossili e perché le aziende tecnologiche stipulano attivamente contratti per la capacità di generazione a gas per garantire l’affidabilità. L’affermazione sull’efficienza non regge a causa del paradosso di Jevons: i miglioramenti dell’efficienza hardware riducono il costo del calcolo e quindi stimolano una maggiore domanda, producendo un consumo energetico totale più elevato anziché inferiore. L’affermazione sul beneficio netto non regge perché tratta i costi e i benefici ecologici dell’IA come commensurabili e negoziabili, quando in realtà i costi ecologici sono concentrati, locali e sopportati dalle comunità vulnerabili. Nel frattempo, i benefici sono diffusi, speculativi e appropriati da azionisti e consumatori nei paesi ricchi. Non esiste un meccanismo di mercato in grado di aggregare questi effetti distribuiti in modo asimmetrico in una contabilità sociale razionale. ³⁵

I meccanismi di compensazione delle emissioni di carbonio e gli impegni per le emissioni nette zero, attraverso i quali le aziende tecnologiche gestiscono la propria contabilità ecologica pubblica, sono soggetti a critiche analoghe. Le compensazioni delle emissioni di carbonio – pagamenti a progetti che dichiarano di ridurre le emissioni altrove, compensando quelle dell’azienda stessa – sono afflitti da problemi di addizionalità, permanenza e verificabilità che rendono molti di essi ecologicamente fittizi.36 Gli impegni per le emissioni nette ^zero , che dipendono sostanzialmente dalle compensazioni piuttosto che dalle riduzioni assolute delle emissioni, sono, in termini termodinamici, manovre contabili piuttosto che interventi fisici: non riducono l’entropia generata dalle operazioni dei data center; acquistano diritti su riduzioni di entropia altrove, molte delle quali non si materializzano. Come Clark e York hanno dimostrato nella loro analisi del metabolismo del carbonio, la frattura biosferica generata dal capitalismo dei combustibili fossili non è un’esternalità da prezzare e gestire, ma una caratteristica strutturale del rapporto tra il capitale e il ciclo del carbonio, un rapporto che l’espansione delle infrastrutture di intelligenza artificiale sta ora approfondendo e ^{accelerando.37}

Una critica più fondamentale riguarda il rapporto tra efficienza e scala. La storia del capitalismo industriale è una storia di miglioramenti dell’efficienza che sono stati costantemente sopraffatti dall’espansione di scala, una storia che Georgescu-Roegen ha analizzato come l’inevitabile conseguenza dell’applicazione di principi termodinamici a un sistema economico organizzato attorno a una crescita illimitata.38 ^Non esiste alcun miglioramento dell’efficienza, per quanto drastico, in grado di rendere sostenibile un sistema in espansione esponenziale su un pianeta finito con un budget di entropia fisso. La questione non è se l’IA possa essere resa più efficiente – può esserlo, e i miglioramenti sono reali – ma se i miglioramenti dell’efficienza possano superare la crescita della domanda guidata dall’accumulazione competitiva. Le prove dell’ultimo decennio suggeriscono che non possono. La logica termodinamica dell’accumulazione di capitale fornisce la ragione strutturale di ciò.

Questo ci porta a quello che potremmo definire il limite termodinamico del capitale: il punto in cui l’entropia generata dall’accumulazione di capitale supera la capacità della biosfera di assorbirla senza provocare una catastrofica perturbazione dei sistemi – clima, idrologia, biodiversità e fertilità del suolo – da cui dipende la civiltà umana. Questo limite non è una soglia precisa che può essere identificata in anticipo; è una zona di crisi crescente, già penetrata in diverse dimensioni (concentrazione di carbonio atmosferico, esaurimento delle risorse idriche e perdita di biodiversità) e in avvicinamento in altre. L’espansione dell’intelligenza artificiale nell’attuale regime di accumulazione di capitale non sta allontanando la civiltà da questo limite, bensì la sta avvicinando, a un ritmo accelerato.

L’economia politica di questa traiettoria è chiara. I costi dell’avvicinamento al limite termodinamico del capitale non sono sostenuti da coloro che guidano l’accumulazione, ovvero gli azionisti, i dirigenti e gli investitori istituzionali delle aziende tecnologiche le cui dinamiche competitive determinano il ritmo di espansione dell’IA. Sono sostenuti dalle comunità nelle regioni con scarsità d’acqua, le cui falde acquifere vengono impoverite dal raffreddamento dei data center, dai lavoratori delle miniere artigianali la cui salute è compromessa dall’estrazione mineraria, dalle popolazioni dei paesi vulnerabili ai cambiamenti climatici la cui sicurezza alimentare è minacciata dalle emissioni di carbonio e dalle generazioni future che erediteranno un pianeta con una ridotta capacità di autoregolamentazione ecologica. Questa è l’economia politica dell’entropia: la privatizzazione dei benefici del consumo a bassa entropia e la socializzazione dei costi dello spreco ad alta entropia. ³⁹

Nessuna innovazione tecnologica può risolvere questo dilemma politico-economico, perché non si tratta di un problema tecnico. È un problema di potere: di chi controlla i mezzi di calcolo, chi determina gli scopi per cui viene impiegata la capacità computazionale e chi si fa carico dei costi ecologici di tale impiego. Per affrontarlo non servono algoritmi migliori o chip più efficienti, ma una trasformazione fondamentale dei rapporti sociali di produzione nell’economia digitale. Richiede, in breve, una politica adeguata alle poste in gioco termodinamiche del momento presente.

Conclusione

L’analisi socio-storica sviluppata in questo articolo conduce a una conclusione che il discorso dominante sull’IA e la sostenibilità elude sistematicamente: la crisi ecologica dell’IA non è un problema di insufficiente innovazione o di inadeguata responsabilità aziendale, bensì un’espressione strutturale dell’irrisolvibile tensione tra il capitalismo e i limiti biofisici del pianeta. I processi specifici che alimentano questa crisi – la corsa agli armamenti monopolistici, la dinamica di Jevons e lo spostamento sistematico dei costi ecologici sul Sud del mondo – non sono malfunzionamenti tecnici in attesa di soluzioni ingegneristiche. Sono le normali operazioni dell’accumulazione di capitale nella sua fase monopolistica digitale, registrate in termini termodinamici come processi dissipativi di irreversibilità prigoginiana: permanenti, cumulativi e al di là della portata della correzione del mercato.

La tradizione ecosocialista offre il punto di partenza teoricamente più coerente per un’alternativa. Come ha sostenuto Foster, la frattura metabolica tra capitale e natura non può essere sanata all’interno del quadro istituzionale del capitalismo stesso; richiede una riorganizzazione fondamentale dei rapporti sociali di produzione, che subordini gli imperativi dell’accumulazione ai limiti rigenerativi del mondo naturale. Una logica ecosocialista dell’informatica si baserebbe su tre impegni fondamentali. In primo luogo, si fonderebbe sul controllo democratico delle infrastrutture computazionali: i data center, le piattaforme di intelligenza artificiale e le reti che li collegano costituiscono infrastrutture sociali critiche la cui governance non può essere lasciata agli imperativi competitivi del capitale privato. Come le reti elettriche e i sistemi idrici, richiedono una responsabilità democratica: forme di controllo sociale che consentano alle comunità di determinare gli scopi per cui viene utilizzata la capacità computazionale e le condizioni in base alle quali vengono distribuiti i suoi costi ecologici. In secondo luogo, richiederebbe un riorientamento delle priorità di ricerca e sviluppo, allontanandole dalle applicazioni che massimizzano il profitto – ottimizzazione della pubblicità, trading finanziario e sorveglianza del lavoro – per orientarle verso applicazioni che rispondano realmente ai bisogni sociali. Ciò include la gestione delle energie rinnovabili, la salute pubblica, il monitoraggio ecologico e l’istruzione. In terzo luogo, e aspetto fondamentale, sarebbe necessario accettare che la portata dell’attività computazionale debba essere limitata da vincoli ecologici. La sufficienza, intesa come capacità di calcolo sufficiente anziché di maggiore potenza, deve diventare un principio guida, sostituendo l’imperativo di crescita che alimenta l’attuale corsa agli armamenti nel campo dell’IA.

Nessuna di queste trasformazioni è imminente e nessuna può essere realizzata con soli mezzi tecnici. L’irreversibilità che Prigogine ha individuato nei sistemi dissipativi ha il suo analogo sociale nelle dipendenze di percorso delle infrastrutture capitalistiche: i data center già costruiti, i contratti per i combustibili fossili già firmati e i paesaggi estrattivi già degradati. Ciò che la politica ecosocialista può realizzare non è l’inversione dei danni passati, ma l’interruzione dei processi che generano danni futuri: una rottura nella logica sociale dell’accumulazione che la termodinamica registra ma che non può produrre da sola. La questione che ci si pone non è se i limiti del capitale si imporranno, ma se saranno affrontati alle condizioni stabilite da società democratiche impegnate nella sopravvivenza ecologica, o alle condizioni imposte dalle crisi a cascata di una biosfera spinta oltre la sua capacità rigenerativa. Non è l’algoritmo a decidere. È la politica a decidere.

Note

Sasha Luccioni, Alexandre Viguier e Anne-Laure Ligozat, “Stima dell’impronta di carbonio di BLOOM, un modello linguistico a 176 parametri”, Journal of Machine Learning Research 24, n. 253 (2023): 1–15.
Goldman Sachs Research, “L’intelligenza artificiale è pronta a generare un aumento del 160% della domanda di energia nei data center”, 14 maggio 2024.
Microsoft, Rapporto sulla sostenibilità ambientale 2022 (Redmond, Washington: Microsoft Corporation, 2022), 17.
Jeremy Rifkin, La società a costo marginale zero: Internet delle cose, i beni comuni collaborativi e l’eclissi del capitalismo (New York: Palgrave Macmillan, 2014), 11–14.
Nicholas Georgescu-Roegen, La legge dell’entropia e il processo economico (Cambridge: Harvard University Press, 1971), 3–4; John Bellamy Foster, Brett Clark e Richard York, La frattura ecologica: la guerra del capitalismo sulla Terra (New York: Monthly Review Press, 2010), 54–76.
Karl Marx, Il Capitale: Critica dell’economia politica , vol. 1, trad. di Ben Fowkes (Londra: Penguin, 1976), 493-494.
Emma Strubell, Ananya Ganesh e Andrew McCallum, “Considerazioni energetiche e politiche per il deep learning nell’elaborazione del linguaggio naturale”, Atti del cinquantasettesimo convegno annuale dell’Associazione per la linguistica computazionale (2019): 3645–50.
David Patterson et al., “Emissioni di carbonio e addestramento di grandi reti neurali”, preprint arXiv, arXiv:2104.10350 (2021), 1–9.
Jordan Hoffmann et al., “Addestramento di modelli linguistici di grandi dimensioni ottimizzati per il calcolo”, preprint arXiv, arXiv:2203.15556 (2022), 1–19.
John Bellamy Foster, “L’ecologia dell’economia politica marxista”, Monthly Review 63, n. 4 (settembre 2011): 1–16.
William Stanley Jevons, La questione del carbone: un’indagine sul progresso della nazione e sul probabile esaurimento delle nostre miniere di carbone (Londra: Macmillan, 1865), 152-53.
“AI e calcolo”, OpenAI (blog), openai.com/blog/ai-and-compute.
Agenzia internazionale per l’energia, Elettricità 2024: Analisi e previsioni fino al 2026 (Parigi: IEA, 2024), 14.
Ilya Prigogine e Isabelle Stengers, Ordine dal caos: il nuovo dialogo dell’uomo con la natura (New York: Bantam Books, 1984), 143-45.
Foster, Clark e York, La frattura ecologica , 73–76.
Secondo una ricerca di Goldman Sachs, “l’intelligenza artificiale è destinata a generare un aumento del 160% della domanda di energia nei data center”.
Brett Clark e John Bellamy Foster, “Imperialismo ecologico e spaccatura metabolica globale: scambio ineguale e commercio di guano/nitrati”, International Journal of Comparative Sociology 50, n. 3–4 (2009): 311–34.
Arsheeya Bajwa, “Microsoft e OpenAI pianificano un progetto di data center da 100 miliardi di dollari, secondo quanto riportato dai media”, Reuters, 29 marzo 2024.
Agenzia Internazionale dell’Energia, Elettricità 2024 , 27.
EirGrid, Scenari energetici di domani 2023 (Dublino: EirGrid, 2023), 34.
Benjamin K. Sovacool et al., “Minerali e metalli sostenibili per un futuro a basse emissioni di carbonio”, Science 367, n. 6473 (2020): 30–33.
Agenzia Internazionale dell’Energia, Elettricità 2024 , 27–29.
Kim Crawford e Vladan Joler, “Anatomia di un sistema di intelligenza artificiale”, 2018, anatomyof.ai.
Pengfei Li et al., “Rendere l’IA meno ‘assetata’: scoprire e affrontare l’impronta idrica segreta dei modelli di IA”, preprint arXiv, arXiv:2304.03271 (2023), 1–10.
Microsoft, Rapporto sulla sostenibilità ambientale 2022 , 17.
Google, Rapporto ambientale 2023 (Mountain View, California: Google, 2023), 22.
Peter Dauvergne, AI in the Wild: Sustainability in the Age of Artificial Intelligence (Cambridge: MIT Press, 2020), 78–79.
Rob Nixon, La violenza lenta e l’ambientalismo dei poveri (Cambridge, Massachusetts: Harvard University Press, 2011), 2–3.
Guillaume Pitron, La guerra dei metalli rari: il lato oscuro delle energie pulite e delle tecnologie digitali , trad. di Bianca Jacobsohn (Londra: Scribe, 2023), 45–67.
Istituto delle Nazioni Unite per la formazione e la ricerca, Il monitoraggio globale dei rifiuti elettronici 2024 (Bonn: UNITAR, 2024), 3.
John Bellamy Foster e Hannah Holleman, “La teoria dello scambio ecologico ineguale: una dialettica Marx-Odum”, Journal of Peasant Studies 41, n. 2 (2014): 199–233.
John Bellamy Foster e Brett Clark, “Introduzione all’edizione aggiornata di Unequal Exchange di Arghiri Emmanuel ”, Monthly Review 77, n. 8 (gennaio 2026): 1–19.
John Bellamy Foster, “Capitalismo ed ecologia: la natura della contraddizione”, Monthly Review 54, n. 4 (settembre 2002): 6–16.
Paul Burkett, “Fusing Red and Green” Monthly Review 50, n. 9 (febbraio 1999): 47–56; Paul Burkett, Marx and Nature: A Red and Green Perspective (New York: St. Martin’s Press: 1999).
John Bellamy Foster e Brett Clark, “Il furto della natura: capitalismo e frattura metabolica”, Monthly Review 70, n. 3 (luglio-agosto 2018): 1-20.
Benjamin K. Sovacool et al., “Minerali e metalli sostenibili per un futuro a basse emissioni di carbonio”, Science 367, n. 6473 (2020): 30–33.
Brett Clark e Richard York, “Metabolismo del carbonio: capitalismo globale, cambiamento climatico e frattura biosferica”, Theory and Society 34, n. 4 (2005): 391–428.
Georgescu-Roegen, La legge dell’entropia e il processo economico , 276–78.
John Bellamy Foster, L’ecologia di Marx: materialismo e natura (New York: Monthly Review Press, 2000), 141–77.

L’autore

Te Li è professore assistente presso la Facoltà di Economia e Management dell’Università Aperta dello Yunnan. La sua ricerca si concentra sulla matematizzazione delle istituzioni e sull’economia politica.

L’immagine

Centro dati CMC a Tân Thuận, Hồ Chí Minh, Vietnam. Di Linh.ttt – Opera propria , CC BY-SA 4.0 , Link .