Il problema centrale delle infrastrutture per l'IA: il rischio di asset obsoleti – chi oggi si affida a strutture superate ne pagherà il prezzo domani
Pre-release di Xpert
Selezione della lingua 📢
Pubblicato il: 11 aprile 2026 / Aggiornato il: 11 aprile 2026 – Autore: Konrad Wolfenstein
Problema chiave dell'infrastruttura AI: il rischio di asset bloccati – Chi oggi si affida a strutture obsolete ne pagherà il prezzo domani – Immagine: Xpert.Digital
Trappola delle lobby anziché progresso: la verità nascosta sul fabbisogno energetico dell'IA
Intelligenza artificiale ad alto consumo energetico: l'alternativa ingegnosa (e ignorata) ai giganteschi data center nucleari
La mancanza di trasparenza come problema politico fondamentale delle infrastrutture di intelligenza artificiale
Il fabbisogno energetico dell'intelligenza artificiale sta crescendo esponenzialmente, e con esso, il panico politico. Per soddisfare l'enorme fabbisogno di elettricità dei centri dati dedicati all'IA, una soluzione apparentemente innovativa è improvvisamente balzata agli onori della cronaca in Europa e negli Stati Uniti: i piccoli reattori nucleari modulari (SMR). Ma mentre politici e lobbisti del settore celebrano questa "salvezza nucleare" come l'unica opzione possibile, sullo sfondo si profila un errore di valutazione economica senza precedenti.
L'impennata dei costi di costruzione, i tempi di implementazione che si estendono per decenni e l'immenso rischio dei cosiddetti "asset bloccati" trasformano il sogno di una gigafactory di intelligenza artificiale alimentata a energia nucleare in una scommessa ad alto rischio. Ciò che è particolarmente esplosivo è ciò che viene sistematicamente omesso dal dibattito: un'infrastruttura di intelligenza artificiale decentralizzata. Questo articolo esamina le verità nascoste sui costi del dibattito sui reattori modulari di piccole dimensioni (SMR) e mostra perché rischiamo di ripetere i costosi errori strutturali del passato con la tecnologia di domani.
La vera provocazione di questo dibattito non è dunque la questione tecnica di quale infrastruttura sia migliore. La vera provocazione è quella politica: perché la discussione su un'infrastruttura di intelligenza artificiale a prova di futuro si concentra quasi esclusivamente su una tecnologia il cui orizzonte di realizzazione si trova oltre l'orizzonte di pianificazione delle roadmap dell'IA, la cui storia dei costi è caratterizzata da sforamenti di diverse centinaia di punti percentuali e i cui sussidi sono in gran parte occulti?
Correlato a questo:
La mancanza di trasparenza come problema politico centrale delle infrastrutture per l'IA: la questione energetica come tattica diversiva strategica
Nei dibattiti sulla costruzione di gigafabbriche europee per l'intelligenza artificiale, una domanda domina la discussione pubblica: da dove proverrà tutta l'elettricità? La risposta che circola sempre più spesso negli ambienti politici e nei forum industriali è: piccoli reattori nucleari modulari, i cosiddetti Small Modular Reactors (SMR). Questa risposta appare tecnologicamente avanzata, politicamente fattibile e ha il vantaggio di convincere i gruppi di interesse esistenti: l'industria nucleare, i fornitori di energia statali e gli istituti di ricerca nucleare. Tuttavia, ciò che manca quasi completamente in questa discussione è una valutazione economica onesta: le gigafabbriche centralizzate per l'intelligenza artificiale, alimentate da reattori SMR, rappresentano davvero la risposta economicamente più sensata alla crescente domanda di potenza di calcolo? O questa domanda distoglie l'attenzione da un'alternativa strutturale ben più fondamentale: un'infrastruttura decentralizzata per l'intelligenza artificiale?
L'Agenzia Internazionale dell'Energia (IEA) prevede che il consumo globale di elettricità da parte dei data center raddoppierà entro il 2030, raggiungendo quasi 1.000 terawattora all'anno. Già oggi, un singolo grande data center per l'intelligenza artificiale consuma tanta elettricità quanto una città di 50.000 abitanti, e le strutture più grandi operano ormai nell'ordine dei gigawatt. Solo per gli Stati Uniti, l'IEA prevede un fabbisogno di capacità aggiuntivo di 60 gigawatt entro il 2029, destinato esclusivamente ai data center e alle applicazioni di intelligenza artificiale, equivalente alla produzione di circa 60 centrali nucleari. Queste cifre sono impressionanti, ma portano a un ragionamento errato: proiettano acriticamente nel futuro l'attuale architettura centralizzata dei data center, invece di considerare seriamente modelli infrastrutturali alternativi.
La verità sui costi nascosti dietro la promessa dei SMR
Il dibattito sui reattori modulari di piccole dimensioni (SMR) è caratterizzato da un notevole ottimismo che, a un esame più attento, si rivela privo di fondamento empirico. I sostenitori degli SMR promettono tempi di costruzione più brevi, costi inferiori grazie alla produzione di massa e una scalabilità più rapida rispetto ai reattori convenzionali di grandi dimensioni. Tuttavia, la realtà dipinge un quadro ben più disincantato.
Il mercato globale delle centrali nucleari è in fase di stagnazione da anni. Nel 2024, solo sei nuove centrali nucleari sono entrate in funzione in tutto il mondo, mentre quattro sono state dismesse, con un incremento netto di due impianti. Le ragioni sono strutturali: costi di investimento esorbitanti, tempi di costruzione dai 10 ai 15 anni e rischi finanziari che possono essere sostenuti praticamente solo da aziende statali. L'esempio lampante di questa esplosione dei costi è Flamanville 3 in Francia: inizialmente stimata tra i 3,2 e i 3,3 miliardi di euro nel 2006 e con un periodo di costruzione previsto di cinque anni, la centrale è costata alla fine 23,7 miliardi di euro dopo 17 anni di lavori.
Anche il progetto di punta degli Stati Uniti, la centrale nucleare di Vogtle in Georgia, inizialmente aveva un budget stimato tra i 14 e i 15,5 miliardi di dollari, ma alla fine è costato 34 miliardi di dollari, più del doppio della stima iniziale. Westinghouse, una delle aziende leader a livello mondiale nel settore della tecnologia nucleare, ha dichiarato bancarotta poco dopo. I costi della centrale britannica di Hinkley Point C sono lievitati a 32,7 miliardi di sterline (circa 41,3 miliardi di dollari), nonostante il budget iniziale del progetto fosse di 2 miliardi di sterline. La regola empirica ora utilizzata dagli esperti del settore è: moltiplicare per dieci la stima iniziale dei costi per arrivare a una cifra realistica.
Per gli impianti SMR, per i quali ad oggi non esiste un singolo sistema modulare commercialmente installato nel mondo occidentale, la situazione dei costi è ancora più incerta. Un'analisi della Fondazione Heinrich Böll risalente all'inizio del 2024 (nota: l'anno è stato logicamente corretto al 2024 anziché al futuro 2026) conclude che la maggior parte dei progetti SMR sono ancora nelle prime fasi di sviluppo, non hanno ottenuto l'approvazione normativa nell'UE ed è improbabile che generino quantità significative di elettricità prima del 2050. L'Istituto per l'Economia e l'Analisi Finanziaria dell'Energia (IEEFA) conferma questa valutazione critica: gli SMR rimangono troppo costosi, troppo lenti da costruire e troppo rischiosi per svolgere un ruolo significativo nella transizione energetica nei prossimi 10-15 anni. Secondo l'IEEE, gli investimenti negli SMR sottrarrebbero risorse a fonti di energia rinnovabile a zero emissioni di carbonio e più economiche, già disponibili oggi.
Un aspetto spesso trascurato di questo dibattito è quello dei sussidi occulti. Secondo i calcoli del Forum per l'Economia di Mercato Ecologica e Sociale, commissionati da Greenpeace, il sostegno storico all'energia nucleare in Germania è ammontato ad almeno 165 miliardi di euro in sussidi statali tra il 1950 e il 2008, a cui si aggiungono ulteriori 92,5 miliardi di euro di costi futuri prevedibili. Tuttavia, il governo tedesco ha riportato meno di 200 milioni di euro nei suoi rapporti sui sussidi: una differenza di diversi ordini di grandezza, attribuibile a una definizione estremamente restrittiva di sussidi. Questo calcolo non tiene conto delle agevolazioni fiscali, delle garanzie statali, dei finanziamenti per la ricerca, dei costi dei depositi di scorie nucleari e, soprattutto, della responsabilità di fatto illimitata del governo in caso di disastro. Se i gestori delle centrali nucleari fossero tenuti a pagare una polizza assicurativa standard di responsabilità civile, l'energia nucleare, secondo questi calcoli, costerebbe fino a 2,70 euro per kilowattora in più, risultando quindi semplicemente non competitiva.
Il deficit di trasparenza: quando gli interessi delle lobby dettano le decisioni sulle infrastrutture
La questione del perché il dibattito sull'approvvigionamento energetico per le gigafactory dell'IA si concentri quasi esclusivamente sull'energia nucleare – e non contemporaneamente su alternative decentralizzate – non è di natura tecnica, bensì politica. Essa evidenzia una mancanza strutturale di trasparenza nel dibattito sulle infrastrutture pubbliche.
L'Unione Europea ha dichiarato la creazione di gigafactory per l'intelligenza artificiale una priorità strategica e ha lanciato un fondo di investimento da 20 miliardi di euro, denominato InvestAI, per la costruzione di un massimo di cinque di queste strutture. Una gigafactory per l'IA, secondo la definizione dell'UE, comprende 100.000 o più chip specializzati e il costo stimato dall'UE per ciascuna struttura, inclusa la fornitura di energia, si aggira tra i 3 e i 5 miliardi di euro. La Germania ha stanziato 805 milioni di euro di finanziamenti iniziali per una di queste strutture e sta attivamente valutando a quali aziende verrà assegnato l'appalto: Deutsche Telekom, il Gruppo Schwarz, Ionos o un consorzio bavarese. Questa struttura di finanziamento crea intrinsecamente enormi incentivi perversi: favorisce i progetti centralizzati su larga scala perché solo questi soddisfano i requisiti della definizione di "gigafactory" dell'UE. Gli approcci più piccoli e decentralizzati non rientrano in questo schema di finanziamento, pur essendo spesso più attraenti dal punto di vista economico.
La mancanza di trasparenza è evidente anche nella presentazione selettiva dei dati sui costi. Quando politici e rappresentanti dell'industria parlano di SMR, citano stime ottimistiche dei produttori. Quando i critici segnalano sforamenti di budget passati, questi vengono liquidati come incidenti isolati o problemi intrinseci alla tecnologia precedente. Eppure non esiste una singola prova empirica affidabile che dimostri che gli SMR saranno più economici su scala commerciale rispetto ai progetti di reattori su larga scala che fungono da esempi negativi – anche perché non è stato ancora commissionato un singolo progetto SMR commercialmente rilevante secondo gli standard occidentali.
Correlato a questo:
L'alternativa trascurata: perché un'infrastruttura di intelligenza artificiale decentralizzata può rappresentare la soluzione economicamente più vantaggiosa
La domanda che sorprendentemente viene posta raramente nell'intero dibattito sulle gigafabbriche dell'IA e sul loro approvvigionamento energetico è: perché abbiamo bisogno delle gigafabbriche? E se ne abbiamo bisogno, perché devono necessariamente essere centralizzate?
Le infrastrutture di intelligenza artificiale locali e decentralizzate sono attualmente oggetto di una silenziosa ma fondamentale rivalutazione economica. Una ricerca degli Istituti Fraunhofer dimostra che i sistemi edge computing possono far risparmiare fino al 35% sui costi dell'elettricità rispetto all'elaborazione cloud convenzionale, poiché richiedono meno larghezza di banda e capacità di raffreddamento. Una fabbrica con 1.000 sensori IoT che inviano misurazioni ogni secondo trasmetterebbe quotidianamente 86 milioni di punti dati al cloud senza l'edge computing; con il filtraggio locale dei dati (edge-filtering), questo numero si riduce a circa 8 milioni, con un risparmio del 90% sui costi di larghezza di banda e di archiviazione cloud. Queste cifre sono economicamente significative, ma raramente vengono affrontate nelle discussioni pubbliche sulle infrastrutture.
I data center edge decentralizzati offrono anche il recupero locale del calore, che può essere utilizzato per riscaldare aree residenziali, edifici per uffici o impianti industriali. Questa sinergia migliora significativamente il bilancio dei costi complessivi quando il calore di scarto viene considerato un sottoprodotto economicamente vantaggioso. Le gigafactory centralizzate producono lo stesso calore di scarto, ma in un luogo dove la domanda per il suo utilizzo è insufficiente.
È interessante notare che l'accordo di coalizione del governo federale tedesco mira esplicitamente a sostenere infrastrutture decentralizzate come l'edge computing in sedi distribuite. Allo stesso tempo, tuttavia, almeno una gigafactory europea per l'intelligenza artificiale sta sorgendo in Germania, un approccio che contraddice strutturalmente il principio di decentralizzazione. Questa incoerenza riflette quanto drasticamente possano divergere il prestigio politico e la razionalità economica quando si tratta di decisioni infrastrutturali.
Il modello di un'infrastruttura di intelligenza artificiale composta da poche enormi strutture centralizzate riproduce il paradigma obsoleto dell'approvvigionamento energetico centralizzato tramite grandi centrali elettriche, e questo in un momento in cui lo stesso settore energetico sta appena iniziando a interiorizzare i vantaggi delle strutture di generazione decentralizzate. Sarebbe un errore storico ripetere gli errori istituzionali del settore energetico nell'ambito della digitalizzazione delle infrastrutture.
Correlato a questo:
Il paradosso di Jevons e la logica ingannevole dell'efficienza
Una controargomentazione comune contro la rilevanza del dilemma della decentralizzazione dei SMR è che l'hardware per l'intelligenza artificiale sta diventando sempre più efficiente e che, di conseguenza, il consumo energetico si stabilizzerà. Questa argomentazione non è del tutto errata, ma non è nemmeno del tutto corretta e ignora il cosiddetto paradosso di Jevons.
Nel 2024, a Berlino, Satya Nadella, CEO di Microsoft, dichiarò che le prestazioni dei sistemi di intelligenza artificiale raddoppiano ogni sei mesi. I dati attuali suggeriscono che le capacità dei sistemi di IA raddoppiano addirittura ogni sette mesi, un ritmo significativamente più rapido rispetto alla classica Legge di Moore, che prevede un raddoppio ogni due anni. La startup cinese DeepSeek ha dimostrato in modo impressionante, tra la fine del 2024 e l'inizio del 2025, che risultati comparabili possono essere ottenuti con una frazione delle risorse precedentemente necessarie: DeepSeek V3 è stato addestrato in due mesi utilizzando solo 2.048 GPU NVIDIA H800, un'impresa per la quale Meta aveva richiesto 30,8 milioni di ore di GPU per un modello comparabile.
Tuttavia, l'argomento secondo cui i miglioramenti in termini di efficienza tecnologica possono alleviare la domanda energetica complessiva non regge per una ragione strutturale. Man mano che i sistemi di intelligenza artificiale diventano più economici ed efficienti, il loro utilizzo si intensificherà, e la domanda crescerà più rapidamente dei miglioramenti in termini di efficienza. L'AIE conferma che, mentre il consumo energetico legato all'IA aumenta più lentamente rispetto all'espansione della capacità, il consumo di elettricità dei data center raddoppierà, raggiungendo i 945 TWh a livello globale entro il 2030. Nella sola Germania, la domanda energetica dei data center è salita a 21,3 miliardi di kilowattora nel 2025, rispetto ai 20 miliardi di kWh del 2024 e ai 12 miliardi di kWh del 2015. I miglioramenti in termini di efficienza e la crescita della domanda sono in costante competizione, con la domanda che storicamente ha sempre prevalso.
Inoltre, l'esempio di DeepSeek presenta un'importante sfumatura: nonostante un addestramento efficiente, il modello consuma fino all'87% di energia in più durante il funzionamento (inferenza) rispetto a un meta-modello comparabile con 70 miliardi di parametri. La complessità delle architetture che consentono un addestramento più efficiente può aumentare il consumo energetico durante il funzionamento. L'efficienza in un'area del sistema, quindi, non si traduce necessariamente in efficienza nell'intero sistema: una constatazione che i progettisti di infrastrutture centralizzate spesso trascurano nella pianificazione della capacità.
La nostra competenza globale nel settore e nell'economia nello sviluppo aziendale, nelle vendite e nel marketing
La nostra competenza globale nel settore e nell'economia nello sviluppo aziendale, nelle vendite e nel marketing - Immagine: Xpert.Digital
Aree di interesse del settore: B2B, digitalizzazione (dall'intelligenza artificiale alla realtà aumentata), ingegneria meccanica, logistica, energie rinnovabili e industria
Maggiori informazioni qui:
Un hub tematico che offre spunti e competenze:
- Piattaforma di conoscenza che copre le economie globali e regionali, l'innovazione e le tendenze specifiche del settore
- Una raccolta di analisi, approfondimenti e informazioni di base sui nostri principali settori di interesse
- Un luogo di competenza e informazione sugli sviluppi attuali nel mondo degli affari e della tecnologia
- Un punto di riferimento per le aziende che cercano informazioni su mercati, digitalizzazione e innovazioni del settore
Modulare, reversibile, a prova di futuro: ecco come i responsabili politici evitano costosi errori infrastrutturali
L'accumulo di energia tramite batterie: una vera rivoluzione? La rivoluzione degli ioni di sodio e le sue implicazioni
Uno degli argomenti più convincenti a favore di una rivalutazione della strategia centralizzata per i reattori modulari di piccole dimensioni (SMR) risiede nel rapido sviluppo delle tecnologie di accumulo di energia, in particolare quelle a ioni di sodio, comunemente note come batterie al sale. Questo sviluppo non è speculativo, ma empiricamente verificabile e ha implicazioni dirette per la redditività economica delle infrastrutture decentralizzate di intelligenza artificiale.
Le batterie agli ioni di sodio si stanno già avvicinando alla parità di costo con la tecnologia agli ioni di litio. Secondo i dati di IDTechEx, il prezzo medio di una cella agli ioni di sodio si aggira attualmente intorno agli 87 dollari per kWh. Si prevede che i costi di produzione a livello di cella scenderanno a circa 40 dollari per kWh, uno scenario probabile con un'ulteriore riduzione delle dimensioni produttive. Per i sistemi di accumulo stazionari, l'andamento dei prezzi è ancora più impressionante: BloombergNEF ha registrato un calo dei prezzi dei pacchi batteria per sistemi di accumulo stazionari a 70 dollari per kWh nel 2025, con una diminuzione del 45% su base annua, il calo di prezzo più marcato di qualsiasi segmento di batterie.
Le proiezioni a lungo termine sono particolarmente interessanti per la pianificazione strategica delle infrastrutture. Entro il 2050, le batterie agli ioni di sodio potrebbero raggiungere costi di accumulo energetico compresi tra 11 e 14 euro per megawattora, ipotizzando rapidi tassi di apprendimento, risultando quindi più economiche della tecnologia agli ioni di litio, il cui costo è previsto tra 16 e 22 euro per MWh. Queste cifre cambiano radicalmente l'intero calcolo della fattibilità economica per i data center decentralizzati alimentati a energia solare. Un data center decentralizzato che immagazzina energia solare rinnovabile durante il giorno e la utilizza di notte o durante i periodi di scarsa produzione di vento e sole può essere gestito economicamente con questi costi di accumulo in un modo che era impensabile fino a cinque anni fa.
Le batterie agli ioni di sodio offrono anche vantaggi strutturali cruciali per un'infrastruttura ampiamente scalabile: il sodio è disponibile in quantità illimitate ed è una materia prima nazionale in Europa, eliminando così la dipendenza strategica dalle importazioni. Il riciclo è significativamente più semplice rispetto alle batterie al litio, poiché le celle non contengono rame o cobalto. La profondità di scarica può raggiungere il 100% senza danneggiare la batteria. Inoltre, l'infrastruttura tecnologica per le batterie agli ioni di sodio è già presente in Germania, in particolare in Turingia e Sassonia.
È importante essere onesti riguardo ai limiti: le batterie agli ioni di sodio hanno una densità energetica inferiore rispetto alle batterie agli ioni di litio, il che ne aumenta il peso e il volume. La loro efficienza media, intorno al 79%, è significativamente inferiore a quella delle batterie agli ioni di litio, pari al 96%. Tuttavia, per le applicazioni di accumulo stazionario su larga scala, dove peso e volume non sono vincoli primari, la minore densità energetica non rappresenta uno svantaggio decisivo. Quando si tratta di accumulo su scala di rete per data center distribuiti, il vantaggio in termini di efficienza delle batterie agli ioni di litio è meno rilevante rispetto all'analisi complessiva costi-benefici sull'intero ciclo di vita.
Parallelamente alla tecnologia agli ioni di sodio, anche le batterie a stato solido stanno registrando una crescita esponenziale. Il mercato globale delle batterie a stato solido cresce a un tasso medio annuo fino al 36,4%. Gli scenari più ottimistici prevedono costi compresi tra 80 e 120 dollari per kWh per le celle a stato solido entro il 2027, e si prevedono ulteriori riduzioni sostanziali dei costi grazie alle economie di scala nel decennio successivo.
Correlato a questo:
Il rischio di asset bloccati: quando il futuro arriva prima del previsto
Forse l'argomento economico più convincente contro una decisione acritica di costruire gigafactory basate sull'intelligenza artificiale alimentate da SMR è il rischio dei cosiddetti asset bloccati. Questo termine si riferisce a investimenti che perdono così tanto valore a causa di influenze esterne come il progresso tecnologico, le mutate condizioni di mercato o i requisiti normativi da non essere più in grado di generare un rendimento.
La storia della tecnologia è ricca di esempi di decisioni infrastrutturali che, pur essendo considerate valide al momento della pianificazione, si sono rivelate costosi errori di allocazione delle risorse solo pochi anni dopo la messa in funzione. Nel settore energetico, numerose centrali a carbone costruite o ampliate negli anni 2010 hanno già perso gran parte del loro valore o sono state chiuse prematuramente, nonostante una vita operativa residua prevista di 30-40 anni. L'Agenzia Internazionale per le Energie Rinnovabili (IRENA) stima che il rischio di immobilizzazioni non recuperabili potrebbe raggiungere i 20 trilioni di dollari in uno scenario di business-as-usual.
Questo rischio è particolarmente accentuato per le infrastrutture di intelligenza artificiale, poiché il ritmo dello sviluppo tecnologico è eccezionalmente rapido. Un piccolo reattore a risonanza magnetica (SMR) commissionato oggi ha realisticamente una prospettiva di messa in funzione non prima del 2035-2040, anche con ipotesi ottimistiche riguardo ai permessi, ai tempi di costruzione e alle catene di approvvigionamento. Secondo le attuali rilevazioni, le prestazioni dei sistemi di intelligenza artificiale raddoppiano ogni sei o sette mesi. Entro i 10-15 anni necessari per costruire un SMR, le capacità dei sistemi di intelligenza artificiale saranno migliorate di un fattore compreso tra 20.000 e 300.000, un'entità tale per cui previsioni affidabili sui requisiti infrastrutturali specifici non sono più possibili.
Il problema non è solo l'incertezza hardware. L'intera architettura dei sistemi di intelligenza artificiale sta subendo una trasformazione. Come ha dimostrato in modo impressionante DeepSeek, ottimizzazioni algoritmiche intelligenti possono ridurre di dieci volte i requisiti hardware, senza alcuna perdita di qualità. Sono in fase di sviluppo nuove architetture di chip che vanno oltre l'architettura di von Neumann e superano il cosiddetto "muro della memoria". Computer basati su fotoni, chip neuromorfici e computer quantistici: tutte queste tecnologie, una volta raggiunta la maturità commerciale, hanno il potenziale per ridurre drasticamente il consumo energetico per calcolo. Il futuro di queste tecnologie si deciderà proprio nei 10-15 anni necessari affinché un SMR (Super-Mountain Reactor) diventi operativo.
Chiunque investa oggi in gigafactory per l'intelligenza artificiale alimentate da SMR (Small Modular Reactors) si impegna a utilizzare un'unica fonte di energia per 40-60 anni, ovvero la durata tipica di una centrale nucleare. E lo fa nella speranza che l'industria dell'IA mantenga una domanda costante proprio per quel tipo di infrastrutture centralizzate e ad alta intensità energetica che questi reattori sono destinati ad alimentare durante tale periodo. Dal punto di vista odierno, si tratta di una scommessa che appare estremamente rischiosa.
Il collo di bottiglia del know-how: il problema strutturale sottovalutato dell'energia nucleare
Un altro argomento chiave contro la strategia dei reattori modulari di piccole dimensioni (SMR), che riceve troppa poca attenzione nel dibattito pubblico, è la grave carenza di lavoratori qualificati nel settore nucleare. Negli ultimi tre decenni, caratterizzati da moratorie, decisioni di dismissione graduale e mancanza di nuovi progetti di costruzione, l'industria nucleare ha subito significative perdite di conoscenze istituzionali.
Il mercato delle centrali nucleari oggi si basa su un numero molto ristretto di aziende, per lo più statali, in grado persino di costruire ed esportare centrali nucleari. La rete globale di fornitori, ingegneri e specialisti certificati per la realizzazione di progetti nucleari è minima. Ciò significa che, anche con una decisione politica favorevole ai reattori modulari di piccole dimensioni (SMR), il collo di bottiglia non è rappresentato dalle licenze o dai capitali, bensì dalla disponibilità di competenze. Se Stati Uniti, Canada, Regno Unito, Francia e diversi paesi dell'UE volessero avviare simultaneamente programmi per gli SMR, si troverebbero tutti a competere per lo stesso bacino limitato di professionisti dell'ingegneria nucleare.
Questo contrasta nettamente con la situazione nel settore delle energie rinnovabili e delle tecnologie di accumulo. L'industria solare globale ha registrato una crescita esponenziale nell'ultimo decennio, il numero di professionisti qualificati nel settore delle energie rinnovabili è in costante aumento e le catene di approvvigionamento per moduli solari, inverter e tecnologie di accumulo sono ben sviluppate e diversificate a livello internazionale. Le infrastrutture di intelligenza artificiale decentralizzate possono sfruttare questa base di know-how, catene di approvvigionamento ed esperienza normativa già esistente. Il settore dei SMR (Small Modular Reactors), d'altro canto, deve ancora costruire tali fondamenta, il tutto sotto enormi pressioni in termini di tempo e costi.
I conti economici nazionali: un confronto diretto
Un confronto sistematico dei vari fattori porta alla seguente situazione economica:
| criterio | Gigafactory di intelligenza artificiale supportata da SMR | Infrastruttura di intelligenza artificiale decentralizzata con energia solare e accumulo |
|---|---|---|
| Prima fornitura di energia elettrica | 2035–2040 (stima ottimistica) | Da subito fino al 2027 |
| Intensità di capitale (ingresso) | Da 3 a 5 miliardi di euro per Gigafactory e SMR | Scalabilità modulare, importi individuali più piccoli |
| Costo | Estremamente elevato (superamenti storici 100-600%) | Bassi; i costi della tecnologia sono in continuo calo |
| rischio di obsolescenza tecnologica | Molto elevato (impegno di 40-60 anni) | Profilo basso; espandibile e adattabile in modo modulare |
| disponibilità di know-how | Collo di bottiglia; pochi fornitori globali | forza lavoro qualificata ampia e in crescita |
| sussidi occulti | Elevato (responsabilità, smaltimento, ricerca) | Piccola quantità |
| Costi di stoccaggio dell'energia (2025) | Non rilevante (carico di base) | 70 USD/kWh (stazionario, tendenza al ribasso) |
| Costi di stoccaggio dell'energia (previsioni al 2050) | Non pertinente | 11–14 EUR/MWh |
| Consumo di acqua | Alto (sistemi di raffreddamento) | Poco o niente |
| Incertezza normativa | Molto alto | Medio |
| Flessibilità nella risposta ai cambiamenti della domanda | NO | Alto |
| rischio ambientale | Elevato (sicurezza nucleare, rifiuti a lungo termine) | Basso |
Il confronto mostra che una gigafactory basata su SMR e intelligenza artificiale non sarebbe in grado di fornire elettricità prima del 2035-2040 (nella migliore delle ipotesi), mentre un'infrastruttura decentralizzata basata su intelligenza artificiale con energia solare e accumulo sarebbe disponibile immediatamente entro il 2027. In termini di intensità di capitale, l'opzione SMR richiede investimenti iniziali molto elevati, pari a circa 3-5 miliardi di euro per gigafactory più SMR, mentre la soluzione decentralizzata consente una scalabilità modulare e importi di investimento individuali significativamente inferiori. Il rischio di costo è estremamente elevato per l'SMR (sforamenti storici del 100-600%), mentre per l'energia solare con accumulo è basso, poiché i costi della tecnologia sono in continua diminuzione. Il rischio di obsolescenza tecnologica è molto elevato per l'SMR a causa di un impegno di 40-60 anni, mentre l'infrastruttura decentralizzata presenta un basso rischio di obsolescenza perché è espandibile e adattabile in modo modulare. Il know-how rappresenta un collo di bottiglia per l'SMR, con pochi fornitori a livello globale, mentre la soluzione decentralizzata può contare su un ampio e crescente bacino di professionisti qualificati. I sussidi occulti (responsabilità, smaltimento, ricerca) sono elevati per gli SMR e bassi per il solare con accumulo. I costi di accumulo dell'energia non sono rilevanti per gli SMR, poiché sono destinati alla produzione di energia di base; per i sistemi decentralizzati, si prevede che i costi raggiungano circa 70 USD/kWh (in condizioni di regime, con tendenza al ribasso) nel 2025 e 11-14 EUR/MWh nel 2050. Il consumo idrico è elevato per gli SMR a causa dei sistemi di raffreddamento, mentre è basso o inesistente per il solare con accumulo. L'incertezza normativa è molto elevata per gli SMR e moderata per l'opzione decentralizzata. La flessibilità in risposta alle variazioni della domanda è quasi del tutto assente negli SMR, mentre la soluzione decentralizzata offre un'elevata flessibilità. Infine, i rischi ambientali sono elevati per gli SMR (sicurezza nucleare, scorie a lungo termine) e bassi per il solare con accumulo. Nel complesso, l'opzione SMR ha prestazioni peggiori in quasi tutti i criteri, con la sola eccezione di una fornitura di energia di base affidabile e indipendente dalle condizioni meteorologiche. Tuttavia, questa argomentazione sta diventando meno rilevante poiché le tecnologie di accumulo in continua evoluzione, come l'accumulo su larga scala di batterie agli ioni di sodio con cicli di carica/scarica più lunghi, rendono possibile immagazzinare grandi quantità di energia per giorni e settimane, invalidando di fatto l'argomentazione del carico di base.
Il punto cieco della logica di pianificazione: perché i decisori arrivano sistematicamente in ritardo
Esiste una ragione strutturale per cui i decisori politici nei governi e nelle grandi aziende industriali prendono ripetutamente decisioni in materia di infrastrutture che, a posteriori, si rivelano cattivi investimenti: i cicli di pianificazione istituzionale sono fondamentalmente incompatibili con il ritmo del cambiamento tecnologico.
I programmi governativi, le risoluzioni parlamentari, i programmi di finanziamento e gli appalti pubblici operano in cicli di quattro-dieci anni. Un progetto infrastrutturale come una stazione di interscambio per il trasporto pubblico (SMR) viene deciso in un contesto politico e tecnologico che sarà radicalmente cambiato diverse volte prima della sua messa in funzione. L'inerzia istituzionale creata dalle procedure burocratiche, dalle pressioni esercitate da influenti gruppi industriali e dalla fissazione psicologica sulle decisioni prese in un dato momento fanno sì che le reali esigenze e opzioni al momento della costruzione non siano più in linea con le ipotesi formulate in fase di pianificazione.
Gli sviluppi tecnologici degli ultimi secoli dimostrano in modo lampante questa accelerazione: la Rivoluzione Industriale ha impiegato circa 100 anni per manifestare i suoi principali effetti economici. L'elettrificazione ha richiesto circa 50 anni. Internet ha trasformato l'economia globale in circa 20 anni. L'intelligenza artificiale e i relativi sviluppi hardware stanno cambiando le condizioni strutturali fondamentali in cicli inferiori a dieci anni, e con un'accelerazione sempre crescente. La logica che era appropriata per le decisioni infrastrutturali nel XX secolo è strutturalmente inadeguata per il XXI secolo.
Ciò è particolarmente rilevante per gli investimenti irreversibili su larga scala con lunghi periodi di ammortamento. Un impianto solare può essere realizzato in pochi mesi e modificato o smantellato con relativa facilità in caso di mutate esigenze. Un data center basato su un'architettura modulare può essere ampliato e modernizzato. Una centrale nucleare, una volta costruita, rimane una struttura sostanzialmente rigida per 40-60 anni, i cui costi di smantellamento ammontano a miliardi. Il valore strategico della flessibilità e dell'opzionalità – la capacità di reagire al mutare delle circostanze – viene sistematicamente sottovalutato nei calcoli di investimento tradizionali.
Una conclusione più articolata: non si tratta di una situazione aut aut, ma piuttosto di una questione di priorità
Sarebbe una semplificazione eccessiva affermare che i SMR siano sostanzialmente inutili o che un'infrastruttura decentralizzata possa soddisfare ogni esigenza. La realtà è più complessa.
Esistono casi d'uso specifici per i quali la potenza di calcolo centralizzata, almeno per l'addestramento di modelli di intelligenza artificiale di grandi dimensioni, sarà ancora necessaria nel breve termine. E ci sono argomenti validi a favore dell'energia nucleare come parte di un mix energetico diversificato e a basse emissioni di carbonio, soprattutto nei paesi che non dispongono di sufficienti risorse rinnovabili. La Francia, che mantiene un'infrastruttura di centrali nucleari esistente e deprezzata nel corso dei decenni, si trova in una posizione fondamentalmente diversa rispetto a un paese che oggi intende costruire reattori modulari di piccole dimensioni (SMR) da zero.
Il vero problema non è l'idea dei piccoli reattori in sé. Il problema risiede nella combinazione di tre fattori: in primo luogo, la discrepanza tra il momento in cui i piccoli reattori modulari (SMR) potrebbero fornire energia e il momento in cui l'infrastruttura per l'intelligenza artificiale (IA) ne ha bisogno; in secondo luogo, la mancanza di trasparenza sui costi totali effettivi, inclusi i sussidi occulti e i rischi di obsolescenza; e in terzo luogo, la cecità strategica rispetto al fatto che gli sviluppi tecnologici, sia nell'hardware per l'IA che nello stoccaggio di energia, possono alterare radicalmente i presupposti alla base di queste decisioni di investimento in un lasso di tempo inferiore a quello tipico di una costruzione.
La risposta economicamente responsabile al problema energetico dell'era dell'intelligenza artificiale non consiste nella scelta tra SMR (reattori modulari di piccole dimensioni) ed energie rinnovabili, tra centralizzazione e decentralizzazione. Risiede piuttosto nella progettazione di infrastrutture che massimizzino le opzioni e minimizzino il rischio di obsolescenza. Ciò significa modularità, reversibilità, neutralità tecnologica e trasparenza. E significa non scaricare i costi sui contribuenti delle generazioni future, privatizzando al contempo i profitti odierni: uno schema che, purtroppo, ha caratterizzato fin troppo sistematicamente la storia dell'energia nucleare in Europa.
La vera provocazione di questo dibattito non è quindi la questione tecnica di quale infrastruttura sia migliore. La vera provocazione è quella politica: perché la discussione su un'infrastruttura di intelligenza artificiale a prova di futuro si concentra quasi esclusivamente su una tecnologia il cui orizzonte di realizzazione si trova oltre l'orizzonte di pianificazione delle roadmap dell'IA, la cui storia dei costi è caratterizzata da sforamenti di diverse centinaia di punti percentuali e i cui sussidi sono in gran parte occulti? La risposta a questa domanda non è di natura tecnologica, ma politico-economica – ed è proprio per questo che continua a essere ostinatamente ignorata nel dibattito pubblico.
Il tuo partner globale per il marketing e lo sviluppo aziendale
☑️ La nostra lingua aziendale è l'inglese o il tedesco
☑️ NOVITÀ: Corrispondenza nella tua lingua madre!
Konrad Wolfenstein
Io e il mio team saremo lieti di essere a tua disposizione come tuo consulente personale.
Puoi contattarmi compilando il modulo di contatto qui o semplicemente chiamandomi al numero +49 7348 4088 965. Il mio indirizzo email è : [email protected]
Non vedo l'ora di iniziare il nostro progetto comune.
☑️ Supporto alle PMI in strategia, consulenza, pianificazione e implementazione
☑️ Creazione o riallineamento della strategia digitale e digitalizzazione
☑️ Espansione e ottimizzazione dei processi di vendita internazionali
☑️ Piattaforme di trading B2B globali e digitali
☑️ Sviluppo aziendale pionieristico / Marketing / PR / Fiere
🎯🎯🎯 Hub B2B basato sui dati come soluzione quasi interna
La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business - Immagine: Xpert.Digital
Xpert.Digital è un hub industriale B2B basato sui dati, guidato da Konrad Wolfenstein . L'azienda funge da soluzione esterna, quasi interna, per i partner industriali, colmando le lacune operative in marketing, contenuti e vendite, senza richiedere risorse aggiuntive al cliente.
Maggiori informazioni qui:
