Scritti

Quanto inquina davvero l’AI? I conti, hamburger alla mano

I numeri virali sull’intelligenza artificiale energivora sono vecchi di un ordine di grandezza. Quelli veri raccontano una storia diversa: scomoda per la carne a livello individuale, scomoda per i data center a livello di sistema.

Daniele Bianchini · Giugno 2026 · Italiano · ~15 minuti

Work in progress — il pezzo è ancora in revisione. Ricercato e scritto con l’aiuto di Claude Fable 5 (giugno 2026). Read it in English →

Sviluppo videogiochi per mestiere e tengo agenti di intelligenza artificiale al lavoro per buona parte della giornata: scrivono codice, analizzano dati di vendita, macinano milioni di token mentre io faccio altro. In tutte le tabelle di consumo che leggerete in questo articolo, io sto nella casella peggiore. Quindi quando mi sono chiesto quanto inquina davvero l’AI, non era una domanda retorica: volevo sapere se il mio lavoro quotidiano è un problema ambientale.

Allo stesso tempo, non mangio carne da anni. Il confronto che state per leggere non è quindi una difesa della mia bistecca: la bistecca l’ho tolta dal piatto da un pezzo. Ho conflitti di interesse in entrambe le direzioni, ed è esattamente per questo che l’unica cosa di cui mi fido, qui, sono i numeri.

Così sono andato a cercarli. Non quelli virali: quelli pubblicati. I report tecnici di Google e Mistral, le proiezioni dell’Agenzia Internazionale dell’Energia, la più grande meta-analisi mai condotta sull’impronta del cibo. E ho scelto un termine di paragone concreto, qualcosa che quasi tutti facciamo senza pensarci: mangiare carne bovina.

Due anticipazioni, giusto per fissare gli ordini di grandezza. Per pareggiare l’impronta idrica di un singolo hamburger, dovreste usare un chatbot ogni giorno per più di sei secoli. E per pareggiare la CO2 della carne bovina che un americano medio consuma in un anno, dovrei inviare circa 237.000 richieste al giorno. Tutti i giorni, per dodici mesi.

Ma attenzione: questo non è un articolo che assolve l’AI. È un articolo che dichiara le proprie lenti. E con la lente giusta, anche l’AI ha un problema vero. Solo che non è quello di cui parlano tutti.

Perché quasi tutti i confronti che avete letto sono rotti

Due difetti guastano la maggior parte del dibattito.

Il primo: i numeri virali sono vecchi. La stima che circola ancora oggi (“una richiesta a ChatGPT consuma dieci volte una ricerca Google, circa 3 wattora”) risale al 2023. Nell’agosto 2025 Google ha pubblicato il primo report tecnico dettagliato di un grande provider sui costi per richiesta in produzione, e il numero è 0,24 wattora: dodici volte in meno [1]. Non solo: l’energia per prompt è scesa di 33 volte in un solo anno, tra maggio 2024 e maggio 2025 [1]. Citare le stime del 2023 per descrivere l’AI del 2026 è come recensire uno smartphone con la scheda tecnica di tre generazioni fa.

Il secondo difetto è più subdolo: mescolare le scale. “L’AI consuma quanto un piccolo paese” e “una query consuma quanto un secondo di microonde” sono entrambe affermazioni vere, e chi vuole convincervi di qualcosa sceglie quella che gli conviene. La singola azione e il sistema globale danno risposte diverse, ed entrambe sono corrette nel loro dominio. Qualunque articolo che non vi dice quale lente sta usando vi sta, consapevolmente o meno, orientando.

Questo pezzo usa entrambe le lenti, una alla volta. Tutte le assunzioni sono raccolte nella nota metodologica in fondo, con i conti rifattibili a mano.

Lente 1: il singolo gesto

Quanto pesa una richiesta

Il prompt testuale mediano di Gemini consuma 0,24 wattora di elettricità, emette 0,03 grammi di CO2 equivalente e consuma 0,26 millilitri d’acqua [1]. Il dato include non solo i chip che calcolano, ma anche CPU, memoria, macchine inattive, raffreddamento e conversione elettrica. OpenAI dichiara un valore simile per ChatGPT: 0,34 Wh per richiesta [2]. Tradotto in esperienza quotidiana: un secondo di forno a microonde.

Onestà d’obbligo: quella è la mediana. Una sessione di deep research, una catena di ragionamento lunga o un agente che lavora per ore stanno uno o due ordini di grandezza sopra. Per questo nei conti che seguono uso anche una “query pesante” da 5 grammi di CO2, cioè 165 volte la mediana, come margine di sicurezza a sfavore della mia tesi.

Quanto pesa una porzione di carne

Il riferimento è la meta-analisi di Poore e Nemecek pubblicata su Science nel 2018, costruita su 38.000 aziende agricole in 119 paesi [3]. La carne bovina da mandria da carne (la bistecca, l’hamburger di manzo) emette in media circa 100 kg di CO2 equivalente per chilogrammo; quella proveniente da mandrie da latte circa un terzo. Una porzione da 100 grammi vale quindi circa 1.000 grammi di CO2e.

La divisione

1.000 diviso 0,03: una porzione di carne bovina equivale a circa 33.000 richieste mediane a un chatbot. Anche contando solo query pesanti da agente, ne servono 200 per pareggiare un hamburger.

E su base annua? Un americano medio consuma circa 26 kg di carne bovina l’anno a peso di vendita [12], pari a circa 2,6 tonnellate di CO2e. Ecco il confronto con quattro profili d’uso dell’AI, dal più comune al più estremo:

Lo scenario “dev agentico estremo” è, ripeto, il mio: agenti al lavoro tutto il giorno, tutti i giorni. Anche così, la mia impronta AI annua resta dodici volte sotto la sola carne bovina di un americano medio. Per un utente normale il rapporto è di migliaia a uno. E vale anche da noi: in Italia il consumo reale di bovino è circa 10,5 kg l’anno a testa, ovvero circa una tonnellata di CO2e, comunque cinque volte il mio scenario peggiore.

A livello della singola persona, la conclusione non è ambigua: la dieta domina il chatbot di ordini di grandezza.

Il carbonio è la parte facile

Se il confronto si fermasse alla CO2, starei sottovalutando il divario. È sulle altre dimensioni che la carne bovina ha lo svantaggio più estremo.

Acqua. Un chilo di carne bovina ha un’impronta idrica complessiva di circa 15.000 litri [4]; una query ne consuma 0,26 millilitri. Fa 58 milioni di richieste per chilo di carne. Un’analisi di SemiAnalysis ha calcolato che la sola acqua “blu” (quella prelevata da falde e fiumi) di un singolo hamburger equivale a 668 anni di uso quotidiano di un chatbot [4].

Qui però serve il caveat più importante dell’articolo a favore dei critici dell’AI: l’acqua dei data center è un problema locale vero. L’IEA stima il consumo idrico globale dei data center intorno ai 560 miliardi di litri nel 2023, in possibile raddoppio entro il 2030 [5]. È poco rispetto all’agricoltura, ma si concentra in poche aree, a volte già in stress idrico, e l’evaporazione nelle torri di raffreddamento sottrae acqua dolce alla comunità che la circonda. Le tecnologie per ridurlo esistono (il raffreddamento a immersione o diretto su chip taglia il fabbisogno fino al 95%), ma vanno pretese. Il punto non è che i data center non consumino acqua: è che per unità di servizio il confronto è impari, e che il problema si gestisce con regole locali, non rinunciando alle query.

Suolo. Forse l’asimmetria più netta di tutte. Produrre 100 grammi di proteine da carne bovina richiede in mediana 104 metri quadrati di terra; le proteine vegetali ne richiedono da 1 a 7 [3]. La carne annua di un americano occupa tra i 4.000 e i 5.000 metri quadrati, quasi mezzo ettaro a persona, ogni anno. A livello globale, il bestiame usa l’83% dei terreni agricoli del pianeta pur fornendo solo il 18% delle calorie e il 37% delle proteine [6]; secondo gli stessi autori, una dieta senza prodotti animali libererebbe il 76% del suolo agricolo mondiale, un’area pari a Stati Uniti, Cina, Unione Europea e Australia messe insieme. L’impronta di suolo di un data center, per utente servito, si misura in centimetri quadrati.

Deforestazione. L’allevamento bovino è il primo motore singolo della deforestazione tropicale: circa il 41% a livello globale, il 72% in Brasile [7], fino all’80% della deforestazione nei paesi amazzonici. Due precisazioni di onestà. Primo: parte di queste emissioni è già inclusa nel fattore dei 100 kg/kg, quindi non va contata due volte. Secondo: i data center non hanno legami diretti con la deforestazione (semmai impatti indiretti via filiera di minerali e hardware). Ma resta il fatto che questa colonna di costo pesa quasi interamente da un lato solo del confronto.

“Sì, ma il training”

L’obiezione classica: va bene la singola query, ma addestrare i modelli costa un’enormità. Vediamo.

Il numero che gira da anni, le circa 500 tonnellate di CO2e per addestrare GPT-3, è del 2020 ed è ormai un meme più che un dato. I modelli recenti costano molto di più: l’addestramento di Llama 3.1 405B è dichiarato da Meta in circa 11.400 tonnellate [13], e l’analisi del ciclo di vita completa di Mistral Large 2 (addestramento, più 18 mesi di utilizzo, più la produzione dell’hardware) arriva a circa 20.400 tonnellate [8].

Sembrano cifre enormi, finché non si fa la divisione. ChatGPT elabora circa 2,5 miliardi di prompt al giorno [8], oltre 900 miliardi l’anno. Spalmando le 11.400 tonnellate di Llama su un anno di traffico a quella scala si ottengono 0,012 grammi di CO2e per richiesta: meno della metà del costo dell’inferenza stessa. Su modelli usati da centinaia di milioni di persone, l’addestramento è la voce minore dell’impronta per richiesta.

Già che ci siamo, aggiorniamo anche il meme delle “5 automobili”: quel paragone veniva da un esperimento del 2019 da circa 284 tonnellate, non da GPT-3. Con un ciclo di vita realistico di 57 tonnellate per auto, GPT-3 vale circa 9 vite-auto e Llama 405B circa 200. I numeri corretti vanno usati anche quando sono più scomodi per la propria tesi.

Lente 2: il sistema. Dove la storia si ribalta

Cambiamo lente e guardiamo i bilanci planetari.

La zootecnia mondiale emette 6,2 miliardi di tonnellate di CO2e l’anno, circa il 12% del totale antropico; i soli bovini, tra carne e latte, valgono 3,8 miliardi di tonnellate, circa il 7% [9]. I data center consumano 415 TWh, l’1,5% dell’elettricità mondiale [10]; in termini di emissioni siamo tra lo 0,5 e l’1,5% a seconda dei confini di calcolo. Diffidate di chi cita il 3,7%: quella cifra riguarda l’intero settore ICT, dispositivi e reti compresi, non i data center. Oggi, in emissioni, i bovini pesano circa 14 volte i data center.

Ma il presente non è il punto. L’IEA proietta i data center a circa 945 TWh nel 2030: una crescita del 15% l’anno, quattro volte più rapida del resto dei consumi elettrici mondiali [10]. La zootecnia cresce di circa l’1% l’anno e nei paesi ricchi il consumo di carne cala. Le due curve vanno in direzioni opposte: il problema della carne è enorme ma fermo, quello dei data center è piccolo ma corre.

E corre, per ora, a gas. Nel mix elettrico dei data center americani del 2024 il gas naturale pesa oltre il 40%, le rinnovabili il 24%, il nucleare il 20%, il carbone il 15% [11]. Il motivo è prosaico: collegare alla rete una centrale a gas costa circa un decimo rispetto a un parco solare o eolico [11]. Eccola, la preoccupazione legittima sull’AI: non la vostra chat, ma una corsa infrastrutturale che nel breve periodo viene alimentata da fonti fossili, in uno dei pochi settori al mondo con emissioni in crescita.

Il bersaglio mobile (e la mucca che non si può decarbonizzare)

Qui sta l’asimmetria che decide il confronto sul lungo periodo, ed è il concetto che mi porto a casa da tutta questa ricerca.

Il carbonio per query dell’AI è un bersaglio mobile verso il basso, spinto da due motori indipendenti. Il primo è la rete che si pulisce: nello scenario base IEA le rinnovabili coprono circa metà della nuova domanda dei data center al 2030 [10], e i grandi gruppi tech stanno firmando accordi sul nucleare, inclusa la riattivazione di centrali dismesse. Il secondo è l’efficienza dei modelli: 33 volte in dodici mesi, come visto. In più, l’AI lavora attivamente sulla rete elettrica: secondo l’IEA può ridurre la durata dei blackout del 30-50% con il rilevamento automatico dei guasti, e sbloccare fino a 175 GW di capacità di trasmissione esistente tramite sensori e gestione intelligente [10], più dell’intero aumento di carico dei data center previsto al 2030.

Il carbonio per chilo della carne bovina, invece, ha un pavimento biologico: il metano enterico è un sottoprodotto della digestione del ruminante. Si può mitigare con additivi nei mangimi e selezione genetica, non azzerare. Non si può decarbonizzare una mucca come si decarbonizza una rete elettrica.

Onestà anche verso l’altra parte: esiste un dibattito scientifico serio, attorno alla metrica GWP*, secondo cui per una mandria di dimensioni stabili il metano, essendo un gas a vita breve, scalda meno di quanto suggerisca la metrica standard usata in questi calcoli. È un punto vero e i difensori della zootecnia fanno bene a sollevarlo. Restano però veri anche i suoi limiti: la crescita delle mandrie aggiunge riscaldamento netto, e la CO2 da deforestazione e coltivazione dei mangimi non è biogenica e non si ricicla.

In sintesi: le due impronte non hanno lo stesso destino nel tempo. Quella dell’AI può solo scendere, per unità di servizio. Quella della carne, dove resta, resta.

Cosa finanzia, senza saperlo, l’uso di massa

C’è un ultimo ingranaggio del lato AI che merita di entrare nel quadro, e che conosco bene per ragioni di mestiere.

Le GPU che oggi addestrano i modelli di frontiera non sono nate per la scienza: sono nate per i videogiochi. Per vent’anni milioni di giocatori, comprando schede grafiche per far girare meglio i loro titoli preferiti, hanno finanziato senza saperlo lo sviluppo del calcolo parallelo. Nel 2012 AlexNet, la rete neurale che ha inaugurato l’era moderna del deep learning, è stata addestrata su due schede video da gamer. La domanda “frivola” di massa ha costruito l’infrastruttura su cui oggi corre la ricerca.

Con l’AI sta accadendo di nuovo, su scala più grande. I miliardi di richieste quotidiane [8] finanziano i modelli di frontiera, e quei modelli stanno già accelerando la ricerca in modo documentabile: AlphaFold ha risolto la predizione delle strutture proteiche ed è valso il Nobel per la Chimica 2024, GNoME ha proposto centinaia di migliaia di nuovi materiali stabili, i modelli meteo di nuova generazione battono i sistemi tradizionali a una frazione del costo di calcolo, e il controllo del plasma nei reattori sperimentali a fusione è già stato dimostrato con agenti di reinforcement learning. Ray Kurzweil la chiamerebbe legge dei ritorni accelerati; io preferisco la lista dei casi concreti.

Attenzione però a come si maneggia questo argomento, perché è il più facile da usare male. Non è una partita di giro contabile (“le mie query di oggi sono compensate dalla scienza di domani”): è un valore di opzione, reale ma condizionale, che dipende da dove la capacità di calcolo viene indirizzata. Si può dire che la domanda di massa sta finanziando una tecnologia general purpose con ritorni scientifici già misurabili. Non si può dire che questo azzeri il costo ambientale di oggi. La prima affermazione è un fatto; la seconda è marketing.

L’asimmetria che conta davvero

C’è un argomento che circola dalla parte pro-AI e che vi sconsiglio di usare: “le emissioni dell’AI sono un investimento nel futuro, quelle della carne un consumo a fondo perduto”. È un giudizio di valore travestito da contabilità: il cibo produce nutrizione e piacere, come quasi ogni consumo umano. Un lettore attento lo smonta in due righe.

L’asimmetria difendibile è un’altra: la sostituibilità. La carne bovina ha sostituti funzionali (legumi, pollame, altre proteine) con un’impronta per grammo di proteina da 10 a 50 volte più bassa: gran parte delle sue emissioni è evitabile oggi, a parità di valore nutrizionale, cambiando piatto. Un compito cognitivo utile, invece, va comunque svolto: l’alternativa all’AI non è “niente”, è tempo umano più un computer acceso.

Attenzione però anche all’errore simmetrico, quello pro-AI: i confronti del tipo “l’AI fa in 30 secondi ciò che a un umano costa 4 ore di ufficio, risparmiando il 90% di energia” sono rotti alla radice, perché l’ufficio e il lavoratore non si spengono quando l’AI lavora (è la critica che ha affondato un noto studio del 2024 sull’AI e gli scrittori umani). La versione onesta del conto è marginale, considera solo i consumi aggiuntivi, e dà all’AI un vantaggio di 5-20 volte sul singolo task. Vantaggio che vale solo finché il volume totale di task non esplode. Perché il paradosso di Jevons, l’efficienza che abbassa i costi e moltiplica la domanda, non è una nota a margine di questa storia: è esattamente ciò che sta accadendo. Query 33 volte più efficienti, consumo complessivo in raddoppio. Le due cose insieme, senza contraddizione.

La cannuccia di plastica del 2026

Qualche anno fa il mondo dichiarò guerra alle cannucce di plastica. Erano visibili, simboliche, perfette da moralizzare; pesavano una frazione minuscola della plastica che finisce negli oceani. Per un paio d’anni assorbirono una quota sproporzionata dell’attenzione ambientale collettiva, mentre i flussi che contavano davvero restavano comodi e inosservati.

La query AI rischia di diventare la cannuccia del 2026: il gesto nuovo e visibile su cui concentrare la colpa, due o tre ordini di grandezza sotto i comportamenti che la nostra attenzione preferisce non guardare. Il senso di colpa è una risorsa scarsa: spenderlo su 0,03 grammi mentre nel piatto ce ne sono mille è, prima ancora che ingiusto, una cattiva allocazione.

Vorrei essere preciso su un punto, perché qui è facile scivolare nel moralismo. Non chiamo ipocrisia questa asimmetria: l’ipocrisia presuppone di conoscere i numeri, e quasi nessuno li conosce, visto che il dibattito pubblico li racconta al contrario. È il motivo per cui questo articolo esiste. Ma una volta visti i numeri, l’asimmetria smette di essere ignoranza e diventa una scelta. Informarsi, essere consapevoli e aggiustare un po’ le proprie abitudini, senza estremismi e senza prediche: non mi sembra una richiesta irragionevole.

Quattro cose che non sto dicendo

Per evitare che questo articolo venga letto come ciò che non è:

1. Non sto dicendo che l’AI sia a impatto zero. La corsa dei data center è reale, oggi è alimentata in gran parte a gas, ed è uno dei pochi settori con emissioni in crescita mentre il resto dell’economia prova a decarbonizzare.
2. Non sto dicendo di smettere di mangiare carne. Io non ne mangio da anni, ma resta una scelta personale e questo non è un articolo di proselitismo alimentare. Sto dicendo che chi si preoccupa della propria impronta dovrebbe sapere dove stanno gli ordini di grandezza, e oggi il dibattito pubblico li racconta al contrario.
3. Non sto dicendo che l’acqua dei data center non conti. È un problema locale serio, che merita trasparenza obbligatoria sui consumi e regole severe nelle aree in stress idrico.
4. Non sto dicendo che l’AI salverà il clima. Il suo valore abilitante è reale e documentato, ne ho scritto sopra, ma condizionale: oggi la gran parte dell’inferenza serve chat, codice e pubblicità, non AlphaFold. Presentarlo come compensazione automatica sarebbe disonesto quanto i numeri virali del 2023.

Le due risposte, dichiarate

Se la domanda è personale (“il mio uso dell’AI è un problema ambientale?”), la risposta è no, con margini enormi: la vostra dieta domina il vostro chatbot di due, tre, quattro ordini di grandezza su ogni dimensione misurabile, carbonio, acqua, suolo. Saltare un hamburger a settimana “compra” più di qualunque astinenza digitale possiate praticare. Io continuerò a far girare i miei agenti senza sensi di colpa.

Se la domanda è sistemica (“l’AI è un problema ambientale?”), la risposta onesta è: non ancora, ma la traiettoria va sorvegliata. Un punto percentuale delle emissioni globali al 2030 non è una catastrofe; un +15% annuo alimentato a gas è però il tipo di curva che merita politiche pubbliche, obblighi di trasparenza sui consumi e pressione perché la nuova domanda nasca pulita.

Sono due problemi di natura diversa: uno piccolo che corre, ma sa come decarbonizzarsi; uno enorme che sta fermo, e non può. Il confronto regge senza bisogno di retorica. Basta usare i numeri del 2025 invece di quelli del 2023, dichiarare la lente, e riconoscere i costi di entrambi i lati.

Che poi sarebbe un buon test di onestà per qualunque dibattito, non solo per questo.

Nota metodologica

Tutti i conti dell’articolo sono rifattibili a mano con queste assunzioni, scelte dove possibile a sfavore della tesi principale:

• Energia e carbonio per query: 0,24 Wh e 0,03 gCO2e (mediana Gemini, dato Google [1]); per gli scenari annuali il carbonio è ricalcolato a 250 gCO2e/kWh, un’intensità di rete più realistica e doppia rispetto a quella implicita nei dati Google (~125 g/kWh).
• Query “pesante”: 5 gCO2e, pari a circa 165 volte la mediana, per rappresentare reasoning, deep research e workload agentici.
• Carne bovina: 100 kg CO2e/kg, media globale per mandrie da carne (Poore & Nemecek 2018 [3]); la carne di origine latte scende a ~33. Range completo tra produttori: 9-105 kg/kg.
• Consumo USA: 26 kg/anno a peso di vendita (USDA [12]); la disponibilità è ~38 kg. Consumo reale italiano: ~10,5 kg (metà dell’apparente, metodo della detrazione preventiva delle perdite).
• Acqua: 15.000 L/kg è l’impronta idrica totale (verde + blu + grigia); la sola acqua blu è molto inferiore ma il confronto per hamburger di SemiAnalysis [4] usa proprio quella, e il risultato resta di sei secoli.
• Training ammortizzato: 11.390 t (Llama 3.1 405B [13]) divise per un anno di traffico a scala ChatGPT (~900 miliardi di prompt [8]).
• Vita-auto: 57 tonnellate CO2e per auto americana, produzione e carburante inclusi.

Fonti

1. Google (2025), report tecnico sull’impatto ambientale dell’inferenza Gemini: 0,24 Wh, 0,03 gCO2e, 0,26 mL per prompt mediano; miglioramento di 33x in 12 mesi. blog.google
2. OpenAI / S. Altman (2025), consumo medio per query ChatGPT ~0,34 Wh. adnkronos.com
3. Poore, J. & Nemecek, T. (2018), “Reducing food’s environmental impacts through producers and consumers”, Science 360(6392). Dati via Our World in Data. ourworldindata.org
4. SemiAnalysis (2026), “From Tokens to Burgers: A Water Footprint Face-Off”; impronta idrica carne ~15.000 L/kg (Mekonnen & Hoekstra). semianalysis.com
5. IEA (2025), “Energy and AI”: consumo idrico data center ~560 mld litri (2023), possibile raddoppio al 2030. iea.org
6. Oxford LEAP (2018): bestiame = 83% dei terreni agricoli, 18% delle calorie, 37% delle proteine; dieta vegetale = -76% suolo agricolo. leap.ox.ac.uk
7. Sentient Media / Greenpeace (2022): allevamento bovino = 41% della deforestazione tropicale, 72% in Brasile; Yale Global Forest Atlas: ~80% nei paesi amazzonici. sentientmedia.org
8. Mistral AI, ADEME, Carbone 4 (2025), LCA di Mistral Large 2: 20,4 ktCO2e; ChatGPT ~2,5 mld prompt/giorno (Chatterji et al. 2025). Sintesi in arXiv 2512.11863. arxiv.org
9. FAO (2023), “Pathways towards lower emissions” (GLEAM): bestiame 6,2 GtCO2e/anno (~12%); bovini 3,8 Gt (62% del totale zootecnico). fao.org
10. IEA (2025-2026), “Energy and AI”: data center 415 TWh (2024) verso ~945 TWh (2030), +15%/anno; rinnovabili ~50% della crescita; AI sblocca fino a 175 GW di trasmissione e riduce i blackout del 30-50%. iea.org
11. Pew Research / IEA (2025): mix data center USA 2024 (gas >40%, rinnovabili ~24%, nucleare ~20%, carbone ~15%); American Action Forum: costi di connessione del gas ~10x inferiori. pewresearch.org
12. USDA ERS / World Population Review: consumo carne bovina USA ~57,6 lb (~26 kg) retail, ~38 kg disponibilità; Italia ~21 kg apparente (Ismea). worldpopulationreview.com
13. Meta (2024), Llama 3.1 model card: 11.390 tCO2e location-based, 30,84M GPU-ora. huggingface.co