Un working paper di economisti francesi, tra cui il recente premio Nobel Philippe Aghion, esamina i risparmi generati da un modello predittivo di machine learning applicato al trattamento delle acque reflue. Lo studio analizza un sistema specializzato di controllo dell'aerazione basato sull'IA, distribuito presso gli impianti francesi di trattamento delle acque reflue gestiti da un leader globale dei servizi di approvvigionamento idrico.

L'aerazione — il processo di immissione di aria nelle acque reflue per sostenere i microrganismi che decompongono la materia organica — è in genere il singolo maggior consumatore di elettricità negli impianti di trattamento a fanghi attivi, rappresentando frequentemente il 40–60% del consumo energetico totale di una struttura. L'ottimizzazione di questa fase è da tempo un obiettivo per il miglioramento dell'efficienza, ma i sistemi di controllo convenzionali si basano su programmazioni fisse o regolazioni manuali che non possono rispondere in tempo reale alle fluttuazioni dei volumi in ingresso, dei carichi inquinanti e delle condizioni meteorologiche.

Utilizzando variazioni quasi-sperimentali sia nei tempi di adozione che nelle interruzioni di sistema, i ricercatori stimano l'impatto causale dell'IA sui consumi elettrici, sulle emissioni di carbonio e sulle spese energetiche. Secondo il paper, il controllo IA a tempo pieno riduce i consumi elettrici degli impianti del 5,4% e le emissioni di carbonio del 6%, riducendo al contempo le spese energetiche dell'8,2%. Queste riduzioni determinano quelli che gli autori descrivono come costi di abbattimento negativi, ovvero il sistema si ripaga attraverso i risparmi energetici migliorando simultaneamente la qualità delle acque reflue trattate.

Il paper rileva che la domanda elettrica aggiuntiva generata dai modelli di IA stessi ammonta a meno dell'1% dei risparmi conseguiti. È importante sottolineare che tale cifra non è uno scarto in punti percentuali direttamente paragonabile alle riduzioni del 5,4%, 6% e 8,2% citate sopra; indica piuttosto che il consumo elettrico del sistema di IA è trascurabile rispetto ai risparmi che produce.

Oltre ai vantaggi diretti in termini di efficienza, lo studio constata che gli impianti dotati di IA si rivelano più resilienti agli stress operativi elevati durante eventi meteorologici estremi e picchi di inquinanti chimici. I sistemi migliorano inoltre la gestione dei carichi spostando i consumi elettrici dalle ore di punta a quelle non di punta — una capacità in linea con la crescente necessità degli operatori di rete di flessibilità dal lato della domanda, man mano che le fonti rinnovabili intermittenti assumono una quota maggiore della generazione elettrica.

Per valutare le implicazioni più ampie, gli autori applicano il modello DICE (Dynamic Integrated Climate-Economy) — il quadro di valutazione integrata sviluppato dal premio Nobel 2018 William Nordhaus che collega l'attività economica agli esiti climatici — a tre scenari di diffusione. Concludono che le riduzioni della CO2 associate a questo caso d'uso dell'IA industriale producono sostanziali benefici globali in termini di benessere.

Il paper completo è disponibile presso il National Bureau of Economic Research (NBER).

Commentando il paper su Marginal Revolution, l'autore del blog osserva che i ricercatori presentano i loro risultati in contrasto con le preoccupazioni sull'uso di energia da parte dell'IA e sul suo impatto ambientale. L'autore definisce tali obiezioni "quasi del tutto innumerate e pretestuose" e sostiene che presentare il paper come una confutazione conferisca loro più credibilità di quanto meritino. L'autore rileva inoltre che l'effetto più ampio dell'IA deriverà da numerosi miglioramenti incrementali di questo tipo in una vasta gamma di settori.