Il climate scientist Zeke Hausfather ha tracciato il suo uso di Claude Code per otto settimane. Risultato: 1.138 prompt hanno generato oltre 14.000 chiamate al modello e 3,2 miliardi di token, per un consumo stimato di 170 kWh di elettricità del data center. Ogni prompt costa circa 150 Wh, 600 volte più di una chat semplice.

La differenza sta nel modo in cui l’agente lavora. A ogni passo, Claude Code rilegge tutto il contesto accumulato: il 96% dei token processati sono letture dalla cache. Il testo che vedi sullo schermo è lo 0,4% del totale. È lo stesso pattern di cui ci siamo occupati quando il costo della memoria agentica è diventato criterio di design: l’agente è un ciclo che ripassa gli stessi dati migliaia di volte.

Per chi sta schierando agenti, il consumo energetico è una metrica operativa che entra nel conto economico. Una giornata intensa di Claude Code consuma quanto due frigoriferi; il giorno peggiore di Hausfather ha toccato 11 kWh, un terzo del consumo elettrico giornaliero di una casa americana media. Proiettato su un anno, l’uso pesante di agenti produce circa 370 kg di CO₂ equivalenti, poco più di un’asciugatrice elettrica annuale.

Le cifre che Google e OpenAI pubblicano sui costi energetici «per query» descrivono la chat, non gli agenti. Quando il lavoro si sposta dalla singola domanda al ciclo autonomo che gira per ore, il consumo cambia ordine di grandezza. Le aziende che hanno schierato agenti su larga scala lo stanno scoprendo sui propri conti: i non-ingegneri, in particolare, bruciano token convertendo PDF in markdown senza rendersene conto.

Nel dettaglio

I numeri pubblici sui consumi energetici dell’AI finora dipingevano un quadro rassicurante. Google ha dichiarato che un prompt testuale mediano su Gemini consuma 0,24 Wh, meno di nove secondi di televisione. Sam Altman ha stimato una query media di ChatGPT a 0,34 Wh, paragonabile a una ricerca Google del 2009. Entrambi i dati risalgono al 2025 e descrivono un’interazione semplice: una domanda, una risposta, nessun ragionamento esteso, nessuna ricerca sul web, nessun ciclo autonomo.

Hausfather ha misurato qualcosa di diverso. Claude Code è un agente di programmazione che lavora a cicli: riceve un obiettivo, pianifica una serie di passi, chiama il modello a ogni passo, legge i risultati, decide cosa fare dopo. In otto settimane, 1.138 prompt hanno innescato 14.000 chiamate al modello, una media di dodici per prompt. Ogni prompt ha processato in media 2,9 milioni di token, contro le ~1.000 di una chat senza ragionamento.

Il dettaglio più significativo è la composizione dei token. Il 96% sono letture dalla cache: a ognuno dei 14.000 passi, l’agente rilegge l’intero contesto accumulato fino a quel punto. Il testo che l’utente vede come risposta, l’output del modello, è lo 0,4% del totale. Quasi tutta l’energia se ne va a ripassare dati già visti, non a generarne di nuovi.

La conversione da token a kilowattora non è banale, e Hausfather è esplicito sui limiti. Nessuno fuori dai laboratori conosce il consumo reale per token di un modello frontier. Le stime si basano su tre metodi indipendenti con assunzioni diverse, e il range di incertezza è ampio: da 70 a 330 kWh per le otto settimane, contro una stima puntuale di 170 kWh. Il dato su cui c’è più confidenza è il numero di token, perché Claude Code registra i log locali con i conteggi esatti dell’API.

Proiettato su un anno di uso intensivo, il consumo arriva a circa 1,1 MWh (range: 0,4-2,2 MWh), un decimo del consumo elettrico annuo di una casa americana media. In termini di emissioni, sulla base del mix elettrico USA, si parla di 370 kg di CO₂ equivalenti all’anno. Per confronto: un’asciugatrice elettrica annuale produce circa 262 kg, un volo andata e ritorno San Francisco-New York in economy circa 700 kg (solo emissioni dirette).

Un filo parallelo emerge dal versante economico. Le aziende che hanno schierato agenti su larga scala si trovano a gestire consumi di token che non avevano previsto. In Accenture, i dati interni mostrano che i non-ingegneri guidano il consumo di token, e una delle pratiche più costose è la conversione di PDF in markdown: i documenti vengono trasformati in immagini e poi in testo, gonfiando il contesto a ogni passaggio.

Le implicazioni per chi costruisce con gli agenti sono concrete. Primo, il «prompt» smette di essere un’unità di misura utile: conta quanto contesto l’agente processa, quante chiamate fa, quante volte rilegge. Secondo, l’ottimizzazione riguarda l’architettura del flusso, non solo il modello o il singolo prompt: comprimere il contesto, gestire la cache, evitare di passare PDF grezzi quando basta un riassunto strutturato. Terzo, i numeri di oggi sono conservativi: i laboratori stanno già costruendo agenti che girano per giorni o settimane, e il consumo potrebbe crescere in modo esponenziale.

Hausfather indica nello spostamento dei data center verso fonti pulite la leva più importante per le emissioni. Per chi usa gli agenti nel proprio lavoro, la leva immediata è diversa: capire dove i token se ne vanno, e progettare i flussi perché non si brucino a rileggere cose che si sapevano già.