AI ed energia: perché la transizione dipenderà sempre più dagli algoritmi

AI nel settore energetico: una nuova infrastruttura strategica

La corsa all’AI applicata al settore energetico sta cambiando profondamente. Se fino a pochi anni fa il dibattito riguardava quasi esclusivamente il fabbisogno elettrico dei data center, oggi emerge una prospettiva diversa: l’intelligenza artificiale sta diventando uno degli strumenti indispensabili per gestire la transizione energetica.

L’elettrificazione dei consumi, la crescita delle fonti rinnovabili, la diffusione dei sistemi di accumulo e dei veicoli elettrici stanno aumentando la complessità del sistema energetico a un livello che i tradizionali strumenti di controllo non sono più in grado di gestire da soli. L’intelligenza artificiale può contribuire a colmare questo divario, migliorando la capacità di previsione, l’efficienza operativa e l’utilizzo delle infrastrutture esistenti.

Il fenomeno è destinato a crescere rapidamente. Nell’aggiornare il suo rapporto su Energy and AI, l’IEA ha evidenziato che, nel 2025, gli investimenti delle principali aziende tecnologiche hanno superato i 400 miliardi di dollari, mentre il consumo elettrico globale dei data center è aumentato del 17% in un solo anno.

Parallelamente, la capacità computazionale delle cosiddette AI factories è più che triplicata in appena diciotto mesi. Lo sviluppo dell’intelligenza artificiale richiede quindi sempre più energia, ma allo stesso tempo offre strumenti capaci di rendere il sistema energetico molto più efficiente, sicuro e flessibile. È questo il paradosso che istituzioni, operatori e ricercatori stanno cercando di governare.

La rivoluzione delle rinnovabili rende indispensabile l’AI

L’energia prodotta da impianti fotovoltaici ed eolici dipende da condizioni meteorologiche che cambiano continuamente. A differenza delle centrali termoelettriche, queste fonti non possono essere regolate semplicemente aumentando o riducendo la produzione. Per mantenere stabile la rete elettrica occorre prevedere con precisione quanta energia sarà disponibile nelle ore successive e come varieranno contemporaneamente i consumi.

È proprio in questa attività che l’intelligenza artificiale mostra uno dei suoi maggiori vantaggi. Gli algoritmi di apprendimento automatico elaborano milioni di informazioni provenienti da satelliti, radar meteorologici, sensori installati negli impianti, contatori intelligenti e serie storiche di produzione. L’obiettivo non è soltanto produrre previsioni più accurate, ma consentire agli operatori di prendere decisioni in tempo reale, riducendo il ricorso agli impianti di riserva e aumentando la quota di energia rinnovabile effettivamente utilizzabile.

Anche la Commissione europea individua questo ambito come prioritario. La “Strategic Roadmap on Digitalisation and Artificial Intelligence for the Energy Sector”, presentata nel 2026, prevede lo sviluppo di piattaforme comuni per la condivisione dei dati energetici e nuovi strumenti di AI destinati ai gestori delle reti elettriche. L’obiettivo è costruire un sistema capace di coordinare milioni di dispositivi distribuiti — impianti fotovoltaici, batterie, pompe di calore, veicoli elettrici e comunità energetiche — trasformandoli in risorse attive per la stabilità della rete.

Dai laboratori ai mercati elettrici: l’AI entra in tutta la filiera

La letteratura scientifica conferma che l’intelligenza artificiale non rappresenta più soltanto uno strumento di analisi dei dati. I modelli di machine learning vengano ormai utilizzati lungo l’intera filiera energetica, dalla ricerca di base fino alla gestione operativa degli impianti.

Nel fotovoltaico, reti neurali profonde e modelli Transformer migliorano la previsione della produzione integrando dati meteorologici, immagini satellitari e informazioni raccolte dagli impianti. Nell’eolico, algoritmi dedicati consentono di prevedere il wake effect, cioè le turbolenze generate dalle turbine che riducono la resa degli aerogeneratori posti a valle, permettendo di ottimizzare il funzionamento dei parchi offshore. Altri studi utilizzano l’AI per progettare sistemi ibridi che combinano energia eolica e moto ondoso, oppure per accelerare lo sviluppo di celle fotovoltaiche in perovskite prive di piombo e di nuovi materiali destinati alle celle a combustibile.

Le applicazioni riguardano anche il funzionamento dei mercati elettrici. Alcuni modelli analizzano simultaneamente migliaia di variabili per prevedere l’evoluzione della domanda e dei prezzi dell’energia, mentre altri ottimizzano la gestione delle riserve di rete e dei sistemi di accumulo. Il risultato non è soltanto una maggiore precisione delle previsioni, ma una riduzione dei costi operativi e un utilizzo più efficiente delle infrastrutture energetiche esistenti.

AI nel settore energetico: batterie più efficienti e una seconda vita più lunga

Se le reti elettriche rappresentano il “sistema nervoso” della transizione energetica, le batterie ne costituiscono il principale elemento di flessibilità. La loro diffusione è destinata ad aumentare con la crescita delle rinnovabili e della mobilità elettrica, ma la gestione degli accumulatori resta una delle sfide più complesse del settore.

Proprio su questi aspetti si concentra una parte significativa della più recente letteratura scientifica. In  uno studio pubblicato sulla rivista Energy and AI, un  gruppo di ricercatori della University of California, Berkeley, della Chalmers University of Technology (Svezia) e della Tezpur University (India), affrontano uno dei principali limiti delle batterie al litio-ferro-fosfato (LFP): la difficoltà di stimarne con precisione lo stato di carica (State of Charge, SOC) nelle ampie zone della curva di tensione in cui la variazione di tensione è minima. Combinando modelli elettrochimici, algoritmi adattivi e il principio della Fisher Information, gli autori sviluppano un sistema capace di adattare dinamicamente il peso attribuito alle diverse fonti di informazione disponibili, ottenendo una riduzione dell’errore di stima fino all’80% rispetto al filtro di Kalman Unscented (UKF), uno dei principali metodi oggi utilizzati nei sistemi di gestione delle batterie.

Un altro gruppo di ricercatori della Delft University of Technology, nei Paesi Bassi, sempre sulla stessa rivista, propone un modello basato su reti neurali di tipo encoder-decoder capace di ricostruire l’intera storia operativa della batteria e prevederne con maggiore precisione la capacità residua. Il metodo comprime di oltre il 94% i dati necessari per descrivere il funzionamento dell’accumulatore, mantenendo un errore medio di previsione pari all’1,68%. Un risultato che apre prospettive importanti per la manutenzione predittiva, la gestione delle flotte di veicoli elettrici e il riutilizzo delle batterie nei sistemi di accumulo stazionario.

Dalla manutenzione predittiva alla seconda vita delle batterie

L’intelligenza artificiale sta cambiando anche il modo in cui viene affrontato l’invecchiamento degli accumulatori. Tradizionalmente la capacità residua di una batteria viene stimata attraverso prove periodiche o modelli statistici relativamente semplici. I nuovi approcci descritti nella letteratura scientifica analizzano invece l’intera storia operativa dell’accumulatore, considerando contemporaneamente tensione, corrente, temperatura e sequenza delle condizioni di funzionamento.

Un altro studio proposto dai ricercatori Tushar Desai e Riccardo M.G. Ferrari, sempre della Delft University of Technology,  propone un sistema di codifica delle transizioni operative che conserva le informazioni essenziali sul comportamento della batteria comprimendo del 94,3% i dati rispetto alle serie temporali originali. Il modello, basato su una rete neurale encoder-decoder, raggiunge un errore medio percentuale dell’1,68% nella previsione della capacità residua e riduce di oltre il 50% gli errori peggiori rispetto ai metodi che non considerano la sequenza degli eventi operativi.

Questi risultati hanno implicazioni che vanno oltre la ricerca. Sapere quando una batteria perderà efficienza permette infatti di pianificarne il riutilizzo in applicazioni meno gravose, riducendo il consumo di materie prime e migliorando la sostenibilità complessiva della filiera.

L’AI nel settore energetico accelera anche la ricerca di nuovi materiali

La capacità dell’AI di analizzare enormi quantità di dati non viene utilizzata soltanto per gestire impianti già esistenti. Un numero crescente di studi mostra come gli algoritmi possano ridurre drasticamente i tempi necessari per sviluppare nuove tecnologie energetiche.

L’intelligenza artificiale viene ormai impiegata per ottimizzare la produzione degli elettrodi destinati alle celle a combustibile a ossidi solidi, individuare configurazioni più efficienti per sistemi offshore che integrano energia eolica e moto ondoso e progettare celle fotovoltaiche in perovskite prive di piombo. In questi casi i modelli non sostituiscono la sperimentazione di laboratorio, ma consentono di restringere rapidamente il numero delle soluzioni da testare, individuando quelle con la maggiore probabilità di successo.

Lo stesso approccio viene applicato alla progettazione degli impianti. Algoritmi evoluti valutano migliaia di combinazioni tra materiali, geometrie e condizioni operative, riducendo tempi di sviluppo e costi di ricerca. Secondo l’agenzia di consulenza aziendale globale Deloitte, questa capacità di accelerare l’innovazione rappresenta uno degli effetti economici più rilevanti dell’intelligenza artificiale nel comparto energetico, perché consente di trasferire più rapidamente i risultati della ricerca industriale verso applicazioni commerciali.

Dall’AI predittiva all’AI agentica: sistemi che iniziano a prendere decisioni

L’evoluzione dell’AI nel settore energetico non riguarda soltanto la precisione degli algoritmi, ma anche il loro ruolo operativo. Finora gran parte delle applicazioni si è concentrata sulla cosiddetta AI predittiva, capace di elaborare dati e formulare previsioni. La nuova frontiera potrebbe, invece, essere rappresentata dall’AI agentica, nella quale più agenti software collaborano per analizzare situazioni complesse, proporre strategie operative e coordinare automaticamente diverse attività.

Il progetto Energeea, sviluppato dalla società italiana fabbricadigitale, utilizza un sistema di agenti intelligenti specializzati che cooperano per supportare operatori e imprese nella gestione dei processi energetici. L’obiettivo non è sostituire il decisore umano, ma automatizzare le attività ripetitive, integrare grandi quantità di dati provenienti da fonti diverse e velocizzare decisioni che richiedono l’analisi simultanea di molte variabili.