Negli ultimi anni l’acronimo ESG (Environmental, Social, Governance) è entrato con forza in ogni discussione strategica aziendale, moltiplicandosi come in un labirinto di specchi e trascinandosi dietro, a volte, un’enfasi quantomeno discutibile.
Ma c’è un ambito in cui, più che altrove, l’ESG dovrebbe essere una pratica quotidiana, mentre al contrario è ancora piuttosto rara: quello delle infrastrutture IT, soprattutto quando parliamo di intelligenza artificiale, data center, edge computing e modelli generativi da addestrare, integrare e mantenere nel tempo.
Oggi le aziende tendono infatti ad implementare soluzioni AI senza chiedersi due cose fondamentali:
- è sostenibile?
- è sostenibile per la mia azienda?
Se lo facessero, la risposta sarebbe in entrambi i casi: poco o niente. E non solo dal punto di vista ambientale, ma anche economico, sociale, operativo e perfino etico.
L’ESG nelle infrastrutture IT e nell’AI
L’AI non è “solo software”. È potenza di calcolo, hardware specializzato, consumi energetici elevati, dati sensibili, processi decisionali automatizzati e una catena di responsabilità complessa.
Integrare l’ESG significa quindi affrontare temi molto concreti:
- Efficienza energetica dei sistemi: un LLM addestrato male o ospitato in modo inefficiente può consumare come un piccolo ufficio.
- Trasparenza e governance dei dati: chi accede ai tuoi dati? Dove vengono salvati? Su quali server? Adottando quali policy?
- Impatto sociale dell’automazione: quali processi stai realmente migliorando e quali rischi stai introducendo?
- Indipendenza tecnologica: puoi contare su infrastrutture sotto controllo o rischi il lock-in totale verso provider terzi?
ESG significa guardare al valore dell’AI, ma anche agli effetti collaterali. E fare scelte consapevoli.
Come si valuta l’ESG in un’infrastruttura AI
Partiamo dal presupposto che un assessment serio non può focalizzare semplicemente hardware e software utilizzati, ma deve trovare risposte valide a quattro domande fondamentali:
1. Quanto consuma ciò che stai per mettere in produzione?
- GPU, CPU e sistemi di raffreddamento sono energivori.
- I cloud hyperscaler non hanno tutti la stessa impronta carbonica.
- Le scelte architetturali possono ridurre i consumi del 30–40% senza rinunciare alle performance.
2. Dove finiscono i tuoi dati e chi può realmente usarli?
- Local vs cloud.
- Cloud pubblico vs cloud privato.
- Modelli ospitati vs modelli proprietari.
- Log, telemetria, audit e retention policy.
L’ESG in questo caso si traduce in governance chiara, perché senza governance non c’è nessuna “G”.
3. L’automazione migliora o complica i tuoi processi?
Troppi progetti AI generano più complessità — o errori! — che vantaggi.
ESG qui significa misurare l’impatto reale: produttività, riduzione dei tempi, qualità del lavoro, riduzione degli errori.
4. Quanto è resiliente nel tempo l’infrastruttura?
Non parlo solo di failover, replica o backup.
Parlo di sopravvivenza architetturale: i sistemi AI cambiano rapidamente e ciò che oggi funziona, tra 18 mesi — sì, hai letto bene — può diventare ingestibile o troppo costoso.
Come scegliere il professionista (o l’azienda) che ti guida
Qui permettimi di essere diretto: l’ESG in ambito IT non è un esercizio di stile, è un lavoro per chi sa tenere insieme tecnologia, strategia e responsabilità.
E quindi chi ti accompagna deve avere almeno queste competenze e attitudini:
1. Visione architetturale completa
Non basta “saper installare modelli AI”: serve capire infrastrutture, consumi, edge computing, data governance, normative, sicurezza, scalabilità.
2. Approccio vendor-neutral
Se la soluzione è sempre “più cloud” o “più GPU”, è il professionista sbagliato.
Serve chi sceglie sulla base del tuo scenario, non dei contratti di partnership.
3. Competenze di governance e sicurezza
Audit, tracciamento, logging, segregazione delle reti, gestione dei privilegi.
L’AI espone superfici d’attacco enormi: serve qualcuno che lo sa.
4. Capacità di misurare l’impatto reale
L’ESG si misura con KPI: consumi, costi, tempi, semplicità operativa, ROI, riduzione delle inefficienze.
5. Etica professionale e trasparenza
È la parte meno tecnica e più rara: dichiarare cosa conviene fare e cosa è meglio NON fare.
E aggiungo un punto che è diventato per me quello decisivo negli ultimi anni:
6. Capacità di portare l’AI nell’azienda e non l’azienda nell’AI
Non tutto va nel cloud.
Molte aziende — soprattutto industriali — hanno bisogno di AI locale, su server dedicati, modelli governabili, niente lock-in, totale controllo dei dati.
Quando la soluzione “giusta” è un server AI on-premise, con modelli ottimizzati e processi di inferenza rapidi, serve qualcuno che sa progettare e far funzionare davvero queste architetture.
L’ESG come roadmap: le scelte tecniche che cambiano i costi e il futuro dell’azienda
Quando parlo di ESG applicata all’AI con i clienti, lo faccio sempre con un approccio molto pratico.
Alla fine, le domande fondamentali a cui bisogna trovare una risposta chiara sono sempre le stesse:
Hai davvero bisogno di un modello gigantesco o ti bastano inferenze leggere?
Ti conviene addestrare o usare modelli già pronti?
È più sostenibile un cluster locale, un edge server o un cloud?
Hai una governance dei dati solida?
Il ciclo di vita dell’AI è chiaro e sostenibile per i prossimi 24 mesi?
Queste domande non migliorano solo i conti dell’azienda: evitano di costruire cattedrali digitali ingestibili, che esplodono in termini di costi, consumi, complessità e rischi.
