IA generativa e pubblicità digitale: come misurare il nuovo impatto carbonio

L’impronta di carbonio dell’IA generativa nella pubblicità digitale è diventata un tema ineludibile nel 2026. Se da un lato l’IA ottimizza le campagne e riduce lo spreco media, dall’altro appesantisce il bilancio carbonio della filiera pubblicitaria — un paradosso che gli attuali framework di misurazione faticano ancora a cogliere.

L’IA generativa nel 2026: un uso di massa, uno squilibrio energetico

In pochi anni l’IA generativa è passata dal laboratorio alla cultura di massa: chatbot, motori di ricerca aumentati, generazione di immagini, video, avatar, voci. Nel 2026 è un utilizzo quotidiano, diffuso quanto una ricerca web o lo scroll di un feed social.

Questa transizione si accompagna a uno squilibrio energetico senza precedenti:

• Query IA vs ricerca classica: un’interazione con un modello generativo consuma un ordine di grandezza in più di elettricità rispetto a una ricerca web tradizionale — circa 3 Wh contro 0,3 Wh —, secondo le analisi riprese dall’Agenzia Internazionale dell’Energia (AIE) e da diversi studi accademici.
• Esplosione della domanda dei data center: l’AIE prevede che il consumo elettrico dei data center potrebbe passare da circa 460 TWh nel 2022 a un intervallo compreso tra 620 e 1.050 TWh nel 2026, a seconda degli scenari — pari al consumo annuo di un Paese come il Giappone nello scenario più energivoro.
• L’IA come motore principale della crescita: i server dotati di GPU e chip specializzati registrano un aumento dei consumi di circa il 30 % annuo, contro il 9 % dei server tradizionali. L’IA potrebbe rappresentare quasi la metà del consumo dei data center entro la fine del 2026.

Parallelamente, la produzione di GPU accelera — NVIDIA ha consegnato diversi milioni di chip dedicati all’IA nel 2025 — e le emissioni legate alla fabbricazione di questi componenti seguono una traiettoria esponenziale.

L’IA generativa non si limita più a ottimizzare campagne o produrre asset creativi. Sta ridisegnando la geografia energetica del digitale — e la pubblicità digitale, con i suoi miliardi di aste quotidiane e la sua supply chain tecnologica, si trova in prima linea.

Come l’IA riconfigura l’impronta di carbonio della pubblicità digitale

L’IA si inserisce ormai in ogni livello della filiera pubblicitaria. Ogni integrazione genera valore, ma aggiunge anche compute — e quindi emissioni.

Bidding e ottimizzazione: ogni asta è più energivora

Le piattaforme di acquisto (DSP) e di vendita (SSP) si sono sempre basate su algoritmi di ottimizzazione. Ma la generazione attuale sta migrando verso modelli IA sensibilmente più pesanti:

• Modelli di previsione della conversione, del LTV, del churn, della brand safety e delle frodi, spesso basati su architetture di tipo deep learning.
• Ottimizzazione in quasi tempo reale delle aste, dei budget e delle frequenze, su scala di miliardi di impression.
• Contestualizzazione granulare degli inventari tramite analisi semantica di pagine, video e flussi social.

Un’asta programmatic nel 2026 ha un profilo energetico radicalmente diverso rispetto al 2018. Dove prima si trovava calcolo statistico “classico” su CPU, oggi si incontrano pipeline IA intensive, talvolta eseguite su GPU o ASIC specializzati.

Conseguenza: l’impronta di carbonio di un’impression non si gioca più soltanto a livello di storage della creatività e della sua distribuzione al terminale. Si gioca anche nel compute invisibile che decide se, quando e a chi quell’impression viene servita.

Per approfondire l’integrazione di segnali carbonio nel bidding, consultate il nostro articolo sulle aste a basso impatto carbonio guidate dall’IA.

Creatività pubblicitaria generata dall’IA: dall’asset unico all’iterazione infinita

La produzione creativa pubblicitaria sta vivendo una rivoluzione:

• Generazione di immagini e video tramite IA (Midjourney, DALL·E, Sora e affini).
• Generazione di testi, script e headline tramite LLM.
• Personalizzazione dinamica on the fly: centinaia, persino migliaia di varianti creative generate e testate automaticamente su micro-segmenti.

In termini energetici, gli ordini di grandezza variano considerevolmente in base al tipo di contenuto generato:

• Generare un’immagine tramite IA è diverse decine di volte più energivoro rispetto alla generazione di testo.
• Generare un video di pochi secondi può consumare nell’ordine di un centinaio di Wh, equivalenti a diverse decine di minuti di utilizzo di un laptop.

Il problema non è tanto il singolo prompt, quanto il modello d’uso: l’industria sta passando da pochi asset prodotti a monte a cicli di iterazione permanente — generare, testare, rigenerare, ri-testare — su scala molto ampia.

Search IA e assistenti conversazionali: la pubblicità segue il compute

Con l’arrivo degli “AI Overviews”, delle esperienze di tipo SGE e degli assistenti conversazionali che integrano inserzioni, il search sta subendo una trasformazione profonda:

• Una quota crescente delle query riceve una risposta generata — talvolta arricchita con immagini, tabelle e comparazioni.
• La pubblicità si integra in queste risposte tramite blocchi sponsorizzati, link commerciali contestuali o raccomandazioni conversazionali.

Si passa da un modello “10 link blu + qualche annuncio testuale” a un modello in cui ogni query implica potenzialmente il passaggio attraverso un LLM — e dunque un calcolo intensivo. Anche qualora il volume grezzo di query dovesse stabilizzarsi, il costo carbonio per query monetizzata ha tutte le probabilità di aumentare.

Il paradosso dell’IA: meno spreco media, ma una nuova voce di emissioni

Di fronte a questo quadro, il rischio sarebbe quello di semplificare: IA = necessariamente peggio per il clima. La realtà è più sfumata.

Dove l’IA riduce effettivamente le emissioni

Utilizzata in modo intelligente, l’IA è una leva potente per la riduzione delle emissioni pubblicitarie:

• Meno waste media: migliore qualificazione dei contesti, delle audience e dei momenti di esposizione, con conseguente riduzione delle impression inutili.
• Ottimizzazione multi-obiettivo: anziché ottimizzare unicamente la performance business, è possibile integrare segnali carbonio (device, aree geografiche, formati, percorsi di bidding) nella funzione obiettivo.
• Razionalizzazione della pressione pubblicitaria: limitazione della sovra-frequenza e delle campagne “always-on” non presidiate.

È precisamente l’ambizione di Carbon Intelligence: utilizzare i dati e l’IA per ridurre il volume di emissioni per euro media investito, privilegiando gli inventari e le configurazioni più sobrie.

Dove l’IA crea un punto cieco nel bilancio carbonio

Parallelamente, l’IA introduce una nuova voce di emissioni in gran parte invisibile nelle dashboard attuali:

• Emissioni legate al compute di ottimizzazione (bidding, targeting, orchestrazione) lato AdTech.
• Emissioni legate alla generazione IA delle creatività (testo, immagine, video, personalizzazione dinamica).
• Emissioni legate al layer IA delle piattaforme (search generativo, assistenti pubblicitari, raccomandazioni generate).

Oggi questa componente è raramente misurata e ancor meno attribuita alle singole campagne. Un inserzionista può credere di aver “reso più green” la propria pubblicità riducendo le impression o ottimizzando i formati, sottostimando al contempo la quota IA della propria impronta.

GMSF v1.3: l’urgenza di integrare l’impronta carbonio dell’IA

Il Green Media Sustainability Framework (GMSF) ha permesso di armonizzare la misurazione carbonio delle campagne digitali. Ma è stato concepito prima dell’esplosione dell’IA generativa così come la viviamo nel 2026.

Cosa copre (e cosa non copre) il GMSF v1.2

La versione 1.2 del GMSF propone una metodologia solida per:

• Allocare le emissioni legate a data center, reti, dispositivi e formati, in funzione delle impression, dei pesi dei file e delle catene di distribuzione.
• Ripartire tali emissioni tra i diversi attori dell’ecosistema (inserzionisti, agenzie, concessionarie, piattaforme).

La v1.2, tuttavia, rimane in larga misura silente sull’impronta specifica dell’inferenza IA:

• I modelli di ottimizzazione e raccomandazione utilizzati da DSP e SSP non sono modellizzati come voce di emissione distinta.
• La produzione di creatività tramite IA generativa non è esplicitamente integrata.
• Le esperienze di search generativo + ads e gli assistenti conversazionali pubblicitari non sono inquadrati metodologicamente.

In un contesto in cui l’IA generativa incide già significativamente sul consumo dei data center, questa lacuna diventa un punto cieco critico.

Per comprendere la differenza tra il GMSF e gli approcci basati sulla spesa, consultate la nostra analisi comparata GMSF vs metodo spend-based.

Cannes Lions 2026: un’occasione unica per il GMSF v1.3

La presentazione del GMSF v1.3 ai Cannes Lions di quest’anno arriva in un momento cruciale:

• La maggior parte dei grandi gruppi media e delle piattaforme ha integrato l’IA nei propri stack pubblicitari.
• Gli inserzionisti chiedono bilanci carbonio più granulari, che includano la componente tecnologica a monte delle campagne.
• Il dibattito pubblico sulla sostenibilità energetica dell’IA si intensifica.

La v1.3 ha l’opportunità — e la responsabilità — di aprire un nuovo capitolo: quello della misurazione delle emissioni legate all’inferenza IA nella supply chain pubblicitaria.

Verso un “AI carbon surcharge”: rendere visibile l’IA nei bilanci carbonio

Per evitare che l’IA diventi un punto cieco permanente dell’impronta media, proponiamo un concetto operativo: l’AI carbon surcharge.

Il principio: un coefficiente aggiuntivo per l’IA

L’obiettivo non è penalizzare l’IA, ma renderla visibile nei calcoli carbonio:

1. Identificare gli utilizzi IA nella filiera media:

   • Bidding e ottimizzazione IA (DSP, SSP, piattaforme).
   • Creazione IA (testo, immagine, video, asset dinamici).
   • Search e assistenti IA con inserzioni pubblicitarie.

2. Associare a ciascun utilizzo un fattore di emissione aggiuntivo (per impression, per query o per asset generato), basato su:

   • Il consumo energetico stimato del modello.
   • Il volume di chiamate al modello effettivamente utilizzate per la campagna.

Nella pratica, questo si traduce in un coefficiente IA applicato ai calcoli esistenti del GMSF: un sovraccarico carbonio proporzionale all’intensità IA della campagna.

Tre casi d’uso concreti

1. Bidding & ottimizzazione IA

Per un DSP che utilizza un modello IA in tempo reale, si aggiunge un fattore di emissione per migliaio di impression processate o per migliaio di bid request valutate dal modello.

2. Creazione IA

Quando un inserzionista genera centinaia di varianti creative tramite IA per una campagna, si integra un modulo di emissioni che copre la fase di generazione e le iterazioni nel corso della campagna.

3. Search & assistenti IA con ads

Per le esperienze di search generativo che integrano annunci, si aggiunge un fattore per query sponsorizzata processata dal modello IA, con una differenziazione tra risposte semplici e risposte ricche (immagini, tabelle, video).

Questo meccanismo consente di confrontare oggettivamente due configurazioni:

L’inserzionista può allora decidere con piena consapevolezza, anziché subire un sovracosto carbonio invisibile.

Come Carbon Intelligence si prepara a questo nuovo scenario

In Carbon Intelligence siamo convinti che la prossima tappa di un’AdTech responsabile si giochi a livello degli algoritmi che pilotano le campagne — non soltanto a livello delle impression erogate.

In concreto, questo significa:

• Rilevare e quantificare la componente IA di una campagna: tipologie di modelli utilizzati, frequenza e intensità d’uso.
• Proporre un modulo “AI carbon surcharge” integrabile nei report e negli score GMSF, non appena la v1.3 aprirà la strada a questa dimensione.
• Collaborare con piattaforme, AdTech e agenzie per:
  • Ottenere i dati necessari senza compromettere i segreti industriali.
  • Costruire fattori di emissione realistici per i principali casi d’uso IA.
  • Testare scenari di ottimizzazione multi-criterio: performance business, costi, impronta carbonio IA + non IA.

Questa ambizione tecnologica si inserisce in un contesto normativo che, nonostante le turbolenze politiche, continua ad accelerare negli Stati Uniti e in Europa. Gli inserzionisti soggetti a obblighi di reporting carbonio (SB 253 in California, CSRD in Europa) avranno bisogno di misurare l’insieme delle proprie emissioni — comprese quelle generate dagli algoritmi IA delle loro campagne.

Il nostro obiettivo: costruire un’AdTech sostenibile in cui l’IA contribuisca realmente alla riduzione delle emissioni legate alla pubblicità digitale, invece di spostare il problema in un layer tecnologico opaco.

Punti chiave

Fonti e riferimenti

• Agenzia Internazionale dell’Energia (AIE), Electricity 2024 — Analysis and forecast to 2026, rapporti sul consumo elettrico dei data center, IA e criptovalute — iea.org
• Ligozat, A.-L. & de Vries, A., « IA générative : la consommation énergétique explose », Polytechnique Insights — polytechnique-insights.com
• Bon Pote, « Intelligence artificielle : le vrai coût environnemental de la course à l’IA » — bonpote.com
• IRIS France, « Les nouvelles technologies (IA, data centers) sont-elles compatibles avec les objectifs de durabilité environnementale ? » — iris-france.org
• de Vries, A., « The growing energy footprint of artificial intelligence », Joule (2023) — calcoli basati sui dati di consumo dei chip NVIDIA e AMD
• Alterna Énergie, « Quelle est la consommation énergétique des data centers ? » — alterna-energie.fr
• EX2, « L’IA consommera 50 % de l’énergie des datacenters d’ici 2026 » — ex2.com

Questo articolo riflette lo stato dei dati disponibili al 27 febbraio 2026. Le proiezioni citate si basano su scenari pubblicati dall’AIE e su studi accademici, con le incertezze intrinseche a questo tipo di esercizio.