Progettare un impianto fotovoltaico con l’AI

Quanti token costa progettare un impianto fotovoltaico con un’AI? E perché dovrebbe interessarci. Articolo di Roberto Bissanti.

La transizione energetica viaggia, in Italia e in Europa, alla velocità che gli installatori e i progettisti riescono a tenere. Ogni nuovo impianto fotovoltaico, prima di diventare pannelli sul tetto o moduli nei campi, passa da uno studio tecnico: dimensionamenti, simulazioni di producibilità, analisi della radiazione solare disponibile, scelta dei moduli e degli inverter, layout, ombre. Sono ore, spesso giornate, di lavoro ingegneristico, e sono uno dei colli di bottiglia silenziosi della corsa alle rinnovabili. Più velocemente progettiamo, prima accendiamo gli impianti.

È in questo punto preciso che le nuove intelligenze artificiali stanno cominciando a fare la loro comparsa. Non parlo di ChatGPT che usiamo per scrivere mail o riassumerci un articolo, ma di sistemi un po’ più recenti, chiamati “agenti AI”, che non si limitano a rispondere a una domanda: sono specializzati in pochi compiti precisi e su questi ragionano, agiscono, eseguono calcoli, consultano database e producono un risultato concreto. Da qualche mese, mentre progetto impianti fotovoltaici, sto sperimentando l’integrazione di questi agenti nei flussi di lavoro quotidiani. La promessa è semplice: delegare la parte ripetitiva del lavoro tecnico a un sistema che la svolga in pochi minuti invece che in ore.

Allora, se le AI possono accelerare i nostri calcoli, perché non usarle? La risposta è: si può, ma a un costo.

Queste AI agentiche, che utilizzano anche più agenti che eseguono compiti diversi, hanno un costo nascosto, ed è qui che entra in scena una parola che pochi conoscono al di fuori del settore: token. Un token è l’unità minima con cui un modello di intelligenza artificiale legge e produce testo, ogni parola, ogni segno di punteggiatura, ogni numero che l’AI deve elaborare costa token. E i token, a loro volta, costano due cose: soldi e, meno noto, energia. Ogni interrogazione di un modello AI gira dentro un data center che consuma elettricità, raffreddamento, acqua.

Più token bruci, più energia stai chiedendo a un’infrastruttura che, secondo l’Agenzia Internazionale dell’Energia, vedrà raddoppiare il proprio consumo elettrico globale entro il 2030, con i data center dedicati all’AI cresciuti del 50% nel solo 2025. Sempre l’IEA stima che, entro il 2030, l’insieme dei data center potrebbe consumare elettricità in quantità paragonabile al fabbisogno totale del Giappone.

È, in fondo, un paradosso non da poco. Stiamo usando uno strumento ad alto consumo energetico per progettare impianti che producono energia pulita. E ogni token sprecato in più, in questa equazione, è un piccolo gesto incoerente con la missione stessa della transizione. Questo spreco non è solo energetico, se elaboro troppi token per estrarre poche informazioni cruciali è possibile che il nostro agente possa “allucinare”, cioè produrre risultati errati!

Per capire perché si bruciano così tanti token nei flussi agentici, vale la pena fare un esempio concreto e familiare a chi lavora nel fotovoltaico. Quando un agente AI ha bisogno di stimare la radiazione solare di un sito, un’operazione che noi progettisti facciamo quotidianamente, interroga di solito PVGIS, il database europeo gestito dal Joint Research Centre della Commissione Europea, che è la fonte di riferimento per la radiazione solare in tutta Europa. PVGIS risponde, come fanno quasi tutti i database scientifici online, con un pacchetto di dati ricco e dettagliato: pagine di tabelle, centinaia di righe in un formato chiamato JSON. L’AI deve leggere tutto, capire cosa è importante e cosa no, scartare il rumore, e infine produrre la sua risposta.

In altre parole, è come chiedere l’ora a un orologiaio, e ricevere in risposta una spiegazione completa del funzionamento del meccanismo: tu volevi sapere l’ora, lui ti racconta la storia dell’orologio. Tu hai chiesto la radiazione media annuale, l’AI riceve un dizionario tecnico, e brucia token per capirlo.

Da questa contraddizione sta nascendo una nuova generazione di strumenti, pensati apposta per le AI agentiche. Una delle voci più interessanti in questo campo è quella di Peter Steinberger, autore di OpenClaw e ricercatore di OpenAI specializzato in agenti AI, che da mesi sostiene una tesi semplice: gli strumenti che diamo in pasto alle AI devono essere costruiti per loro, non riadattati da interfacce nate per essere usate da esseri umani. Da questa idea è nato PrintingPress.dev, un progetto open source che produce piccoli strumenti dedicati, leggeri, specializzati, capaci di restituire all’agente esattamente i dati che gli servono e niente più.

Io stesso ho contribuito al progetto pubblicando recentemente uno strumento chiamato pp-pvgis: una versione “essenziale” dell’accesso al database europeo della radiazione solare, costruita perché un agente AI possa interrogarlo consumando una frazione dei token che servirebbero altrimenti, e quindi una frazione dell’energia.

È importante essere onesti su una cosa: questa non è la soluzione definitiva. È una direzione, un piccolo mattone in un campo dove tutti, ricercatori, ingegneri, sviluppatori, stanno ancora sperimentando senza certezze consolidate. E soprattutto: per quanto efficiente uno strumento AI possa diventare, non sostituisce mai il progettista. Un impianto fotovoltaico dimensionato male si paga in energia mancata, in costi gonfiati, in fiducia bruciata. Le AI accelerano, ma sbagliano, e gli errori vanno trovati. L’ingegnere che usa l’AI non diventa meno importante: diventa il supervisore, quello che riconosce quando l’automazione sta andando da una parte sbagliata. La sperimentazione, per essere seria, ha bisogno di questa supervisione costante, è proprio l’opposto della delega cieca.

Resta una considerazione più ampia, che credo riguardi tutti noi che lavoriamo nella transizione. Quando parliamo di transizione energetica pensiamo, giustamente, ai pannelli, alle turbine eoliche, alle pompe di calore. Ma la transizione è fatta anche di processi, di strumenti digitali, di infrastrutture computazionali. Se per progettare il fotovoltaico del futuro consumiamo data center come pozzi senza fondo, qualcosa non torna. Costruire un’AI sostenibile, economicamente ed energeticamente, è parte integrante del lavoro che stiamo facendo, anche se per ora pochi se ne accorgono. Il piccolo strumento che ho pubblicato è un contributo modesto, certo. Ma se anche la progettazione degli impianti diventa una pratica energeticamente leggera, allora la transizione comincia davvero a essere coerente con sé stessa.

Per approfondire

• Il progetto PrintingPress.dev: printingpress.dev
• Il codice di pp-pvgis su GitHub: github.com/mvanhorn/printing-press-library
• Il database PVGIS della Commissione Europea: re.jrc.ec.europa.eu/pvg_tools
• Il report IEA “Key Questions on Energy and AI” (aprile 2026): iea.org

Roberto Bissanti è ingegnere aerospaziale progettista di turbine eoliche impianti da fonti rinnovabili. Oggi sperimenta l’integrazione di agenti AI nei flussi di progettazione tecnica per le rinnovabili. https://www.linkedin.com/in/roberto-bissanti/

Leggi anche: Previsioni climatiche, l’era dell’intelligenza artificiale