PERCHÉ AI & ESG
Negli ultimi anni, la crescente attenzione da parte di investitori, consumatori e legislatori verso i principi di sostenibilità sta portando le aziende ad implementare strategie sempre più efficienti e innovative per il raggiungimento degli obiettivi ESG.
In questo contesto, l’AI si rivela essere lo strumento alla base di questa evoluzione. Come viene mostrato nel KPMG 2025 CEO Outlook, il 79% dei CEO riconosce il potenziale dell’AI per migliorare la qualità dei dati ESG e il reporting, e il 78% la utilizza per ridurre le emissioni e migliorare l’efficienza energetica.
Il valore aggiunto apportato dall’utilizzo degli strumenti AI risiede nella loro capacità di analizzare grandi quantità di dati e riconoscere pattern che tendenzialmente non sono identificabili dall’essere umano per individuare inefficienze e opportunità nascoste.
Questa potenza computazionale presenta però un rovescio della medaglia: l’AI è una tecnologia dal forte impatto ambientale e i dubbi sull’affidabilità del suo output sono ancora numerosi. Il presente articolo analizza gli aspetti positivi e negativi dell’AI applicata al contesto ESG, esplorando come essa possa essere implementata efficacemente lungo le tre dimensioni della sostenibilità.
E – AMBIENTE
L’AI applicata alle tematiche ambientali presenta una dualità strutturale: da un lato abilita guadagni significativi in termini di efficienza operativa e riduzione dell’impatto ecologico, mentre dall’altro richiede risorse energetiche comparabili al fabbisogno di intere nazioni.
Sul fronte dei benefici, le applicazioni spaziano dall’ottimizzazione della domanda energetica alla gestione logistica per la riduzione delle emissioni lungo le supply chain. Il progetto Green Light di Google rappresenta un caso emblematico: attraverso l’ottimizzazione algoritmica dei semafori, il sistema permette di ridurre le emissioni del traffico urbano fino al 10%. Il progetto è fondato su dati raccolti da Google Maps e in seguito analizzati dall’AI che fornisce raccomandazioni agli ingegneri del traffico della città. In questo modo le raccomandazioni possono essere approvate e implementate in 5 minuti ottimizzando il traffico attraverso onde di semafori verdi. Il sistema è stato implementato in 20 città in 4 continenti diversi, salvando carburante ed emissioni per 47 milioni di autovetture ogni mese. Anche nel settore aeronautico, l’impiego di sistemi predittivi ha consentito di diminuire del 54% la formazione delle scie di condensazione che caratterizzano 35,3% dell’impatto climatico del traffico aereo . L’AI analizza decine di migliaia di immagini satellitari per individuare le scie di condensazione e fare predizioni riguardo a possibili rotte meno inquinanti. Evitare le scie di condensazione ha un costo stimato tra i 5 e i 25 dollari per tonnellata di CO2 risparmiata, il che la rende una soluzione climatica particolarmente conveniente.
Il denominatore comune di queste applicazioni risiede nella capacità di elaborare volumi di dati altrimenti non processabili attraverso l’intervento umano con maggiore velocità e accuratezza.
Il paradosso energetico
La potenza computazionale porta a numerosi benefici ma allo stesso tempo genera il paradosso energetico della tecnologia: dietro i successi dell’AI si cela un costo ambientale notevole, ragione per la quale anche i sistemi dovranno essere modellati seguendo i criteri ESG. I data center che alimentano l’AI sono tra le infrastrutture più energivore al mondo: attualmente, Goldman Sachs Research stima che il consumo energetico del mercato globale dei data center si attesti attualmente a 59 gigawatt GW, di cui il 14% attribuibile all’intelligenza artificiale. Le proiezioni indicano una crescita fino a 84 GW entro il 2027, con la quota AI destinata a salire al 27% del totale, un incremento che evidenzia come l’intelligenza artificiale stia diventando il principale driver della domanda energetica nelle infrastrutture digitali.
Per ridurre l’impatto dell’AI sull’ambiente è necessario adottare strategie che includono l’ottimizzazione dell’efficienza energetica dei sistemi AI, l’utilizzo di fonti rinnovabili per l’alimentazione dei data center e lo sviluppo di tecnologie di raffreddamento più efficienti dal punto di vista idrico. Ad esempio, l’implementazione di modelli di AI di grandi dimensioni su dispositivi edge, come smartphone, smart speaker e dispositivi indossabili, offre un’alternativa energetica efficiente. I dispositivi edge sono dotati di una potenza di calcolo ridotta ma più specifica per l’uso che bisogna farne; questa limitazione riduce i costi operativi dell’energia utilizzata per i trasferimenti di dati nel cloud computing, limitando significativamente l’impatto ambientale.
S – SOCIALE
L’AI può essere un potente alleato per le strategie di diversità, equità e inclusione. Può analizzare in modo oggettivo i dati sui salari e promozioni per identificare disparità di genere o etniche, e può anonimizzare i curriculum per ridurre i bias inconsci durante la selezione. Nelle grandi aziende può essere molto complessa l’analisi di dati nella gestione del personale e l’AI può essere di grande aiuto valutando con uno sguardo oggettivo e basato sui dati. Un esempio di implementazione dell’AI nella gestione del personale è Talentware, una startup italiana che attraverso l’AI mappa dinamicamente le competenze dei dipendenti, identifica i gap rispetto ai bisogni aziendali e suggerisce percorsi di sviluppo e crescita personalizzati. Il sistema è studiato anche per ridurre al minimo l’inequità e il decision-making influenzato da bias soggettivi.
Il rischio del bias algoritmico
Il pericolo principale nell’implementazione dell’AI nei processi di recruitment e gestione delle risorse umane è il cosiddetto bias algoritmico. L’AI crea i propri output in base ai dati con cui è stata allenata: se questi dati riflettono pregiudizi, l’algoritmo li apprenderà e li applicherà su larga scala, amplificando il problema.
Il caso più noto è lo strumento di recruiting di Amazon, abbandonato perché penalizzava sistematicamente le candidate donne, avendo “appreso” dai dati storici che i profili migliori fossero quelli maschili.
G – GOVERNANCE
La rendicontazione ESG è un processo chiave della governance aziendale e l’AI si è dimostrata in grado di renderlo meno costoso e più rapido: le aziende che adottano AI riportano una riduzione del 40% nei tempi di raccolta dati e del 30% nei costi di reporting.
Inoltre, l’AI supporta efficacemente l’analisi e la comprensione di grandi quantità di dati, permettendo ai manager di prendere decisioni più accurate. In un contesto in cui, secondo EY, il 78% degli investitori basa le proprie decisioni sulla qualità della disclosure ESG, l’affidabilità garantita dall’AI diventa un fattore critico per attrarre capitali.
Le due sfide della governance AI
L’adozione dell’AI nella governance ESG pone due sfide interconnesse. La prima è la trasparenza: molti algoritmi funzionano come “scatole nere” che rendono difficile comprendere come si arrivi a un determinato output, un problema critico quando il prodotto finale influenza il reporting o l’allocazione del capitale.
La seconda sfida è metodologica: l’AI eccelle nell’analisi quantitativa (e.g. emissioni, consumi, metriche finanziarie), ma la governance ESG richiede anche giudizi qualitativi (e.g. valutare l’impatto sociale di una politica aziendale, interpretare il contesto culturale di uno stabilimento, bilanciare interessi di stakeholder diversi). Questi aspetti restano di competenza umana e non possono essere delegati completamente agli algoritmi.
CONCLUSIONE – LA SFIDA DELLA COERENZA
L’AI si configura come leva strategica per il raggiungimento degli obiettivi ESG, ma la sua adozione richiede un approccio consapevole. I benefici in termini di efficienza operativa, equità sociale e qualità del reporting sono documentati e misurabili. Tuttavia, tali vantaggi devono essere bilanciati con l’impronta ambientale della tecnologia, il rischio di bias algoritmici e la complessità di governance che l’AI stessa introduce. La sfida per le organizzazioni non consiste più nello scegliere se integrare AI e sostenibilità, ma nel definire modalità di implementazione che trasformino uno strumento potente in un alleato coerente con i principi che dovrebbe monitorare. Solo un’adozione guidata da criteri ESG anche nella selezione e deployment delle tecnologie AI permetterà di chiudere il cerchio della sostenibilità, evitando che la soluzione diventi essa stessa parte del problema.