Trasformare i data center da grandi consumatori elettrici a risorse capaci di adattare il proprio assorbimento alle esigenze della rete.
È l’obiettivo della AI Energy Management Alliance (Aema), iniziativa lanciata da Emerald AI, Google e Nvidia per sviluppare nuove modalità di gestione dell’infrastruttura digitale e, allo stesso tempo, favorirne una connessione più rapida ai sistemi elettrici.
Secondo i promotori, un data center potrebbe modificare temporaneamente il proprio prelievo attraverso diverse leve: spostando nel tempo alcuni carichi computazionali, utilizzando i sistemi di accumulo, ricorrendo alla generazione elettrica abbinata al sito o riducendo il prelievo in risposta a situazioni di criticità della rete. In questo modo, strutture che tradizionalmente vengono considerate grandi carichi sostanzialmente rigidi potrebbero diventare almeno in parte modulabili.
L’iniziativa nasce in un momento in cui la disponibilità di capacità di rete per nuove connessioni è diventata uno dei principali limiti all’espansione dei data center, soprattutto negli Stati Uniti. Aema propone quindi di definire requisiti comuni sui tempi con cui i data center devono reagire alle richieste della rete, sulla prevedibilità della flessibilità e sul comportamento degli impianti durante le emergenze.
Tra gli obiettivi indicati c’è anche la creazione di percorsi di connessione più rapidi per i clienti che assumano impegni di flessibilità credibili e verificabili, oltre a criteri di allocazione dei costi che tengano conto degli eventuali investimenti di rete evitati.
È proprio questo secondo aspetto a rendere l’annuncio particolarmente interessante, ma anche a suggerire qualche cautela. La flessibilità viene infatti presentata come uno strumento per rendere connettibili nuovi e grandi carichi elettrici senza attendere necessariamente il completo rafforzamento delle infrastrutture.
Resta però da capire quale quota della domanda dei data center possa essere effettivamente modulata, per quanto tempo e con quale affidabilità (si veda anche I data center come nuove fabbriche di flessibilità della rete). Alcuni studi mostrano che il potenziale esiste, ma anche che varia molto in funzione del tipo di attività informatica svolta.
Quanto possono aiutare davvero la rete?
Una delle dimostrazioni più concrete è stata pubblicata su Nature Energy lo scorso dicembre. In un cluster composto da 256 GPU (Graphics Processing Unit), installato in una struttura hyperscale a Phoenix, in Arizona, un sistema sviluppato da Emerald AI ha ridotto il consumo elettrico del 25% per tre ore durante un periodo di picco, mantenendo gli standard di servizio previsti. La riduzione è stata ottenuta intervenendo via software sull’esecuzione dei carichi, senza aggiungere batterie o modificare l’hardware.
È però una sperimentazione su una porzione circoscritta dell’infrastruttura, che non consente di trasferire automaticamente quel 25% di flessibilità all’intero data center. Inoltre, lo studio è stato realizzato con il coinvolgimento della stessa Emerald AI, insieme tra gli altri a Nvidia, Oracle ed Epri: si tratta di una ricerca sottoposta a peer review, ma gli autori dichiarano anche interessi concorrenti legati alle società coinvolte, comprese partecipazioni o stock option e, per Emerald AI, brevetti pendenti.
Indicazioni simili arrivano da uno studio pubblicato su Science Direct a maggio 2026 basato sulle tracce operative di oltre un milione di task del cluster Alibaba. I ricercatori stimano che più del 20% della potenza lato GPU sia associata a elaborazioni sufficientemente tolleranti ai ritardi da poter essere posticipate e che una strategia di gestione dei workload possa arrivare, nelle finestre considerate, a ridurre temporaneamente fino al 22% il carico IT modellato.
Anche in questo caso, però, si tratta della parte di attività informatica che può essere differita senza compromettere il servizio, non dell’intero consumo della struttura.
La distinzione è sottolineata anche da Entso-E. In un rapporto pubblicato a maggio (pdf) sui rapporti tra data center e sistema elettrico europeo, l’associazione dei Tso attribuisce un potenziale di flessibilità elevato all’addestramento di modelli di intelligenza artificiale e alle elaborazioni batch (carichi di calcolo eseguiti in modo programmato), attività che possono essere spostate nel tempo e in alcuni casi anche tra diverse località.
Molto meno modulabili sono invece l’uso operativo dei modelli AI per rispondere alle richieste degli utenti (chiamato “inference”), i servizi web e, soprattutto, le applicazioni transazionali o in tempo reale, dove ritardi anche piccoli possono essere incompatibili con il servizio offerto.
Le possibilità sembrano maggiori per i servizi di rete molto rapidi. Le batterie dei gruppi di continuità possono reagire in millisecondi e risultano adatte alla risposta rapida in frequenza e alla riserva per il contenimento della frequenza (FCR, o riserva primaria); lo spostamento dei workload, il raffreddamento e lo storage termico possono invece contribuire, con maggiori vincoli, alla riserva secondaria e terziaria e alla gestione delle congestioni.
Molto più limitata è invece la capacità dei soli workload e dei sistemi di raffreddamento di spostare grandi quantità di energia per periodi prolungati.
