Ogni volta che una piattaforma suggerisce un film, un libro o una notizia, dietro quella proposta c’è un algoritmo che ha analizzato dati, preferenze e comportamenti. La personalizzazione, però, non è gratuita dal punto di vista ambientale: addestrare questi sistemi richiede energia e produce emissioni che normalmente restano invisibili agli utenti. Negli ultimi anni i modelli sono diventati sempre più sofisticati, ma una maggiore complessità non garantisce automaticamente benefici proporzionati. La domanda diventa allora inevitabile: quanto deve migliorare un algoritmo per giustificare l’energia in più che consuma?
I sistemi di raccomandazione sono applicazioni dell’intelligenza artificiale progettate per individuare, tra molte possibilità, gli elementi potenzialmente più interessanti per ogni utente. Alcuni confrontano persone che hanno espresso preferenze simili, mentre altri analizzano le caratteristiche dei contenuti e le mettono in relazione con i gusti individuali. I modelli più avanzati possono utilizzare reti neurali, grafi e informazioni aggiuntive per costruire rappresentazioni più articolate. Questa complessità può migliorare la qualità dei suggerimenti, ma richiede anche più calcoli e tempi di addestramento maggiori. Il problema è amplificato dal fatto che questi sistemi lavorano su grandi quantità di dati e possono essere aggiornati frequentemente quando gli utenti esprimono nuove preferenze. Per valutarne davvero l’efficienza, quindi, non basta misurare quanto siano accurati: occorre considerare anche l’energia necessaria per addestrarli e le emissioni associate.
Lo studio ha confrontato 14 algoritmi utilizzando tre raccolte pubbliche di dati, cioè archivi impiegati dai ricercatori per addestrare e mettere alla prova i sistemi di raccomandazione. MovieLens-1M raccoglie le valutazioni e le interazioni degli utenti relative ai film; Amazon-Books riguarda le interazioni con i libri; Mind contiene invece informazioni sul modo in cui gli utenti consultano le notizie. Non tutti i modelli hanno potuto essere provati su Mind, perché questa raccolta non comprende le informazioni aggiuntive necessarie agli algoritmi che collegano i contenuti attraverso reti di conoscenze. Tutte le prove sono state eseguite sullo stesso computer e nelle medesime condizioni, così da rendere il confronto il più possibile uniforme. Durante ogni esecuzione sono stati monitorati i consumi del processo e stimate le emissioni prodotte. Per evitare che i risultati dipendessero dal sistema energetico di un singolo Paese, il calcolo ha utilizzato il valore medio mondiale dell’intensità carbonica dell’elettricità, cioè la quantità di CO₂ prodotta per generare l’energia necessaria.
Il confronto più immediato emerge su Mind, la raccolta dedicata alle notizie. ItemKNN è un metodo relativamente semplice: individua i contenuti più vicini tra loro e usa queste somiglianze per costruire i suggerimenti. Durante la prova ha prodotto appena 0,45 grammi di CO₂ equivalente, la misura che traduce l’impatto climatico in una corrispondente quantità di anidride carbonica. MultiDAE è invece un sistema più sofisticato, basato su reti neurali capaci di riconoscere relazioni più complesse nelle scelte degli utenti. Questo secondo modello ha raggiunto un’accuratezza maggiore, ma ha prodotto circa 23 grammi di CO₂ equivalente: oltre cinquanta volte di più. La qualità delle raccomandazioni è migliorata, ma certamente non di cinquanta volte. Il confronto mostra quindi che un vantaggio contenuto nelle prestazioni può richiedere un aumento molto più consistente delle emissioni. Questi valori riguardano soltanto la migliore esecuzione di ciascun algoritmo e non comprendono tutte le prove necessarie per trovare le impostazioni più efficaci, il cui costo complessivo può essere molto più elevato.
Lo stesso confronto emerge nelle prove dedicate ai film e ai libri. Su MovieLens-1M, ItemKNN ha prodotto appena 0,31 grammi di CO₂ equivalente. DGCF, un modello più complesso che interpreta le relazioni tra utenti e contenuti attraverso una rete di collegamenti, ha raggiunto invece circa 44 grammi: oltre cento volte di più. A questo aumento delle emissioni non è però corrisposto un miglioramento altrettanto grande delle prestazioni. Su Amazon-Books, ItemKNN ha prodotto 0,65 grammi e ha offerto il miglior equilibrio tra consumi ridotti e capacità di collocare i libri più pertinenti nelle prime posizioni. Alcuni modelli avanzati, grazie alle informazioni aggiuntive sui contenuti, hanno ottenuto risultati più accurati e hanno quindi giustificato almeno in parte il maggiore consumo. Altri, invece, hanno richiesto molta più energia senza offrire un vantaggio proporzionato. Lo studio non sostiene dunque che l’algoritmo più semplice sia sempre il migliore, ma che ogni aumento della complessità debba produrre un beneficio sufficiente a giustificarne il costo.
A rendere la scelta ancora meno immediata è il fatto che una buona raccomandazione non dipende soltanto dall’accuratezza. Lo studio considera anche la diversità e il popularity bias, cioè la tendenza a proporre soprattutto gli elementi già molto conosciuti. Un caso interessante è LINE, un metodo che rappresenta i rapporti tra utenti e contenuti all’interno di una grande rete di collegamenti. Su MovieLens-1M, la sua migliore esecuzione ha prodotto circa 1,4 grammi di CO₂ equivalente. Si tratta di un valore relativamente basso rispetto a quello dei modelli più complessi, ma comunque superiore agli 0,31 grammi di ItemKNN. LINE ha ottenuto buoni risultati nella varietà dei suggerimenti e nella capacità di non concentrarsi soltanto sui film più popolari. Sul piano dell’accuratezza, però, le sue prestazioni sono risultate tra le più deboli. Questo esempio mostra che un algoritmo può consumare poco e offrire raccomandazioni più diversificate senza essere necessariamente il più capace di individuare ciò che interessa davvero all’utente.
Anche il luogo in cui avviene il calcolo può modificare l’impatto ambientale di un algoritmo. Lo studio lo mostra tornando a DGCF, il modello basato su reti di collegamenti già utilizzato nel confronto precedente. Addestrandolo su Amazon-Books prima in Finlandia e poi a Singapore, i ricercatori hanno rilevato una differenza del 37,8 per cento nelle emissioni. Il programma e i dati erano gli stessi: a cambiare era il modo in cui veniva prodotta l’elettricità nei due Paesi. Le emissioni delle singole prove del confronto principale rimangono generalmente nell’ordine dei grammi e, in valore assoluto, sono relativamente contenute. Il problema diventa più rilevante quando gli algoritmi vengono aggiornati frequentemente o utilizzati su una scala molto più ampia. Secondo l’esempio proposto nello studio, ripetere ogni giorno l’intero ciclo di addestramento e ottimizzazione del modello più dispendioso produrrebbe circa 5,8 tonnellate di CO₂ equivalente in un anno. Questa quantità rimarrebbe comunque inferiore al 2 per cento delle emissioni attribuite a GPT-3, un grande modello linguistico. Il punto non è quindi trasformare pochi grammi in un’emergenza, ma considerarne l’impatto prima che la frequenza e la scala moltiplichino quei valori. Essere all’avanguardia, in questo campo, non significa adottare automaticamente il modello più sofisticato, ma scegliere quello più adeguato al risultato che si vuole ottenere e alle risorse che si è disposti a spendere.
Questo articolo nasce nell’ambito delle attività di Terza Missione promosse da Stroncature in collaborazione con l’Università degli Studi di Bari Aldo Moro, nel quadro delle iniziative di Public Engagement finanziate dal “Bando per Finanziamento di Iniziative di Public Engagement” a valere sul Progetto “Sistema Universitario Pugliese”, finanziato nell’ambito della misura “Patti Territoriali dell’Alta Formazione per le Imprese” (CUP F61B23000370006). Il testo rielabora in forma divulgativa il contributo scientifico “Balancing carbon footprint and algorithm performance in recommender systems: A comprehensive benchmark” di Giuseppe Spillo, Allegra De Filippo, Cataldo Musto, Michela Milano e Giovanni Semeraro, pubblicato in Sustainable Computing: Informatics and Systems, vol. 49, 2026, articolo 101286, DOI 10.1016/j.suscom.2025.101286, per renderne i contenuti più fruibili a un pubblico non specialista.


