Agentic AI per la sostenibilità energetica: ottimizzare i data center italiani con agenti autonomi

Negli ultimi anni, la diffusione di modelli linguistici di grandi dimensioni ha spinto le aziende a sperimentare sistemi agentici capaci di pianificare, eseguire e adattare attività complesse senza intervento umano continuo. Sebbene gran parte dell'attenzione si sia concentrata su aspetti come la collaborazione uomo‑agente, la sicurezza fisica o la personalizzazione della privacy, un filone altrettanto strategico riguarda l'impatto energetico di questi sistemi. I data center, responsabili di una quota significativa del consumo elettrico nazionale, possono beneficiare notevolmente dagli agenti che ottimizzano l'uso delle risorse, evitano rielaborazioni inutili e mantengono i processi entro limiti di efficienza prevedibili.

L'efficienza computazionale attraverso gli FEE (Feedback‑Enriched Environments)

Uno dei principali ostacoli nell'addestramento di agenti per compiti a lungo orizzonte è la scarsità di segnali di ricompensa, che porta a numerosi tentativi falliti e a un consumo inutile di cicli di CPU/GPU. La ricerca sugli Feedback‑Enriched Environments (FEEs) propone di spostare il focus dal miglioramento dell'agente all'arricchimento dell'ambiente stesso, fornendo osservazioni più informative durante le fasi di esplorazione intra‑episodio e inter‑episodio (Environments as Scaffold). Gli esperimenti su benchmark quali SciWorld e BFCL, condotti con diverse scale dei modelli Qwen3 e algoritmi di reinforcement learning (GRPO, GSPO, DAPO), mostrano un miglioramento costante delle prestazioni rispetto alle impostazioni standard. Inoltre, l'uso di FEEs:

• riduce la volatilità dell'entropia, stabilizzando la dinamica di addestramento;
• favorisce un'esplorazione proattiva dello spazio degli stati in compiti difficili;
• internalizza le indicazioni ambientali nei pesi della policy, anziché trattarle come semplice priorità di inferenza.

Queste proprietà si traducono direttamente in un minor numero di iterazioni di training necessarie per raggiungere un livello di prestazioni target, con conseguente riduzione del consumo energetico associato ai cicli di addestramento. Per un data center che esegue regolarmente addestramenti di modelli agentici, anche una diminuzione del 10‑15 % del tempo di training può significare risparmi di diverse centinaia di kWh al mese.

Robustezza e interpretabilità con il Data‑Centric Anchoring

Un agente che opera in modo imprevedibile o che produce spiegazioni fuorvianti tende a generare ritardi di lavoro, ripetizioni di task e, quindi, sprechi di risorse. Il framework Data‑Centric Anchoring affronta questi problemi integrando robustezza e interpretabilità direttamente nel ciclo di vita dei dati, piuttosto che cercare di estrarli dal modello dopo l'addestramento (Vision: Data-Centric Anchoring for Robust and Interpretable Agentic AI). Il modello proposto, il Data‑Centric Agentic Loop, si articola in quattro fasi – Curate, Augment, Constrain, Attribute – ciascuna delle quali crea le condizioni per la successiva, rendendo il processo auto‑correttivo.

Applicato al contesto dei data center, questo approccio permette di:

• individuare e rimuovere caratteristiche spurie che portano a decisioni non ottimali sull'allocazione di carichi;
• migliorare la calibrazione dell'incertezza, riducendo il rischio di over‑provisioning di risorse per far fronte a previsioni troppo pessimistiche;
• produrre spiegazioni fedeli delle scelte di scheduling, facilitando l'audit energetico e l'ottimizzazione basata su evidenze.

In pratica, un agente più robusto richiede meno interventi umani di correzione e meno riesecuzioni di workflow, traducendosi in un consumo energetico più lineare e prevedibile.

Rilevamento di anomalie a livello di workflow con Skynet

Anche quando gli agenti sono ben addestrati e robusti, un singolo passo errato – ad esempio un prompt malevolo o un piano difettoso – può propagarsi attraverso una catena di azioni, moltiplicando il consumo di risorse e potenzialmente causando interruzioni di servizio. Skynet propone un rilevamento di anomalie a livello di workflow, modellando l'esecuzione multi‑agente come un grafo diretto che cattura sia il contesto semantico che le dipendenze strutturali di delega, invocazione di tool e flusso di dati (Skynet: Workflow-Level Anomaly Detection for Agentic AI via Semantic and Structural Modeling). Addestrato esclusivamente su workflow benigni, Skynet è in grado di identificare esecuzioni che si discostano dalle normali regole di comportamento, come geometria fuori‑varietà, attivando un allarme con un tasso di falsi positivi inferiore all'1 % e un recall elevato.

Nel contesto di un data center, l'applicazione di Skynet permette di:

• arrestare tempestivamente catene di azioni che avrebbero consumato cicli di calcolo inutili (ad esempio loop di retry infiniti o chiamate ripetute a servizi esterni non necessari);
• limitare l'impatto di attacchi zero‑day che cercano di sfruttare la complessità dei workflow agentici;
• mantenere l'utilizzo medio delle risorse entro soglie di efficienza, evitando picchi di consumo che aumentano il costo energetico e richiedono provisioning extra.

Governance e compliance per evitare sprechi operativi

Infine, la sostenibilità energetica non dipende solo dalla tecnologia, ma anche dalle pratiche di governance che guidano l'uso degli agenti. Studi su piccole imprese regolamentate mostrano che l'Intent Drift – la deviazione dallo scopo dichiarato di un agente – è spesso determinata da lacune nella definizione di scopo, piuttosto che da limitazioni del modello stesso (Intent Drift at SME Scale: Deployment Practice, Not Model Capability, Determines Agentic Compliance). Il framework Chain of Intent propone quattro controlli leggeri – uno scopo leggibile da macchina, accesso limitato agli strumenti, un registro di ambito e un controllo pre‑azione – che eliminano comportamenti non autorizzati senza richiedere ingegneria di sicurezza complessa.

Traslando questi principi ai data center italiani, si possono ottenere:

• una chiara definizione dello scopo di ogni agente (es. "ottimizzare la distribuzione di carichi sui nodi X entro un limite di potenza Y");
• restrizioni sull'uso di tool che potrebbero avviare processi ad alto consumo energetico senza giustificazione;
• un registro che traccia le decisioni prese dagli agenti, facilitando l'analisi post‑mortem di eventuali sprechi;
• un controllo pre‑azione che verifica la conformità rispetto a budget energetici prima di avviare un workflow.

Queste misure riducono la probabilità che gli agenti intraprendano azioni non necessarie o fuori policy, contribuendo a un utilizzo più efficiente dell'infrastruttura.

Implicazioni per le aziende italiane

Le tecniche descritte – FEEs, Data‑Centric Anchoring, Skynet e Chain of Intent – non sono concetti teorici isolati; rappresentano componenti praticabili che possono essere integrate nei pipeline di sviluppo e deployment di sistemi agentici già presenti in molte imprese italiane. I benefici energetici si manifestano su più fronti:

• Riduzione del consumo di addestramento: grazie a FEEs, i cicli di training diventano più stabili e richiedono meno iterazioni.
• Minore spreco di inferenza: agenti più robusti e interpretabili riducono la necessità di riesecuzioni e di over‑provisioning.
• Prevenzione di runaway workflow: il rilevamento di anomalie a livello di workflow blocca consumi energetici improvvisi prima che impattino sulla bolletta elettrica.
• Allineamento con obiettivi di sostenibilità: una governance basata su intenti chiari limita azioni non autorizzate che avrebbero un impatto energetico negativo.

Per le aziende che operano data center propri o che affidano il proprio carico di lavoro a fornitori di cloud, adottare queste strategie può tradursi in risparmi diretti sulla bolletta energetica, nonché in un miglioramento della reputazione legata alla responsabilità ambientale. Inoltre, l'approccio basato su dati e su controlli leggeri si sposa bene con le normative europee sull'efficienza energetica e sulla trasparenza, facilitando la compliance con direttive come l'Energy Efficiency Directive (EED) e il prossimo Regolamento sull'Intelligenza Artificiale (AI Act) che prevede requisiti di trasparenza e di monitoraggio del consumo energetico per sistemi AI ad alto rischio.

In sintesi, l'AI agentica non è soltanto una questione di autonomia e capacità decisionale; quando viene guidata da metodologie che migliorano l'efficienza del training, la robustezza operativa, il rilevamento di anomalie e la governance degli intenti, diventa una leva concreta per ridurre l'impronta energetica dei data center italiani. Le imprese che sapranno combinare questi elementi otterranno non solo vantaggi competitivi in termini di performance, ma anche contributi misurabili agli obiettivi di sostenibilità nazionale