greenai.guide

होम › लेख › Jevons विरोधाभास और AI: सिर्फ़ दक्षता काफ़ी क्यों नहीं

लेख

Jevons विरोधाभास और AI: सिर्फ़ दक्षता काफ़ी क्यों नहीं

अपडेट किया गया · 14 मिनट में पढ़ें

संक्षेप में

Jevons विरोधाभास वह निष्कर्ष है, जिसे सबसे पहले William Stanley Jevons ने 1865 में रखा था, कि कोयले को ज़्यादा कुशलता से इस्तेमाल करने से ब्रिटेन ने उसे कम नहीं, बल्कि ज़्यादा जलाया। AI में हर क्वेरी कहीं ज़्यादा सस्ती और कुशल होती जा रही है, फिर भी डेटा सेंटरों की कुल बिजली खपत तेज़ी से बढ़ रही है। डिजिटल तकनीक के जलवायु असर का अध्ययन करने वाले शोधकर्ताओं का तर्क है कि दक्षता उत्सर्जन में असली कटौती तभी करती है जब कुल उत्सर्जन पर सीमा लगी हो।

मुख्य बातें

  • Jevons विरोधाभास: किसी संसाधन का इस्तेमाल सस्ता बनाने से उसका कुल उपयोग बढ़ सकता है। Jevons ने 1865 में कोयले के लिए यह दिखाया।
  • रिबाउंड प्रत्यक्ष (वही काम ज़्यादा), अप्रत्यक्ष (बचत कहीं और खर्च) या पूरी अर्थव्यवस्था के स्तर पर हो सकता है; जब यह बचत से बड़ा हो जाए तो इसे backfire (उलटा असर) कहते हैं।
  • Google ने बताया कि एक साल में उसके मीडियन Gemini टेक्स्ट प्रॉम्प्ट की ऊर्जा 33 गुना घटी, जबकि IEA का अनुमान है कि 2030 तक डेटा सेंटरों की बिजली खपत दोगुनी से ज़्यादा हो जाएगी।
  • Freitag, Berners-Lee और उनके सहयोगियों ने पाया कि ICT के जलवायु फ़ुटप्रिंट को कम आँका जाता है, और उनका तर्क है कि ICT से होने वाली बचत के दावे कमज़ोर प्रमाणों पर टिके हैं।
  • Widdicks और उनके सहयोगी इस निष्कर्ष पर पहुँचते हैं कि उत्सर्जन की सीमाओं के भीतर दक्षता ही वह अकेला तरीक़ा है जिससे दक्षता उत्सर्जन में असली कटौती बनती है।
  • व्यवहार में: कुल आँकड़े मापें, बजट या सीमाएँ तय करें, ख़ाली हुई क्षमता को हटा दें और AI केवल वहीं इस्तेमाल करें जहाँ वह मूल्य जोड़े।

AI बहुत तेज़ी से ज़्यादा कुशल हो रहा है, और उसका कुल ऊर्जा उपयोग बहुत तेज़ी से बढ़ रहा है। ये दोनों तथ्य एक-दूसरे के उलट नहीं हैं। ये 160 साल पुराना एक पैटर्न हैं, जिसे Jevons विरोधाभास कहा जाता है। यह लेख इस विरोधाभास को, इसके AI पर लागू होने के प्रमाणों को, डिजिटल तकनीक को जलवायु का समाधान मानने पर शोधकर्ताओं की चिंताओं को, और उस चीज़ को समझाता है जो सचमुच दक्षता को कम उत्सर्जन में बदलती है। दक्षता और पर्याप्तता की बुनियादी बातों के लिए दक्षता ही पर्याप्तता नहीं है से शुरू करें।

Jevons विरोधाभास क्या है?

Jevons विरोधाभास तब होता है जब किसी संसाधन को ज़्यादा कुशलता से इस्तेमाल करने से उसका उपयोग घटने के बजाय बढ़ जाता है। अर्थशास्त्री William Stanley Jevons ने 1865 में The Coal Question में इसे रखा, जो इस बारे में एक किताब थी कि क्या ब्रिटेन की कोयला खदानें ख़त्म हो जाएँगी।

Jevons इससे असहमत थे। उन्होंने लिखा कि "यह मान लेना पूरी तरह विचारों का भ्रम है कि ईंधन का किफ़ायती उपयोग घटी हुई खपत के बराबर है। सच इसका ठीक उलटा है।" उनका तर्क था कि सस्ती भाप की शक्ति ने कोयले को कहीं ज़्यादा कामों में इस्तेमाल करने लायक़ बना दिया, इसलिए कुल माँग उससे तेज़ी से बढ़ी जितनी तेज़ी से हर इंजन का उपयोग घटा।

सीख यह नहीं है कि दक्षता बुरी है। सीख यह है कि दक्षता किसी काम को करने की क़ीमत बदल देती है, और लोग, व्यवसाय और पूरी अर्थव्यवस्थाएँ क़ीमतों पर प्रतिक्रिया देती हैं।

रिबाउंड प्रभाव क्या है?

रिबाउंड प्रभाव वह अतिरिक्त उपयोग है जो दक्षता का कोई लाभ शुरू कर देता है, और जो बचत को खा जाता है। Jevons विरोधाभास इसका सबसे चरम रूप है। Widdicks और उनके सहयोगी, Patterns जर्नल के 2023 के एक पेपर में, इसके मुख्य प्रकार बताते हैं:

प्रकार क्या होता है AI उदाहरण
प्रत्यक्ष रिबाउंड वही सेवा सस्ती हो जाती है, इसलिए उसका ज़्यादा उपयोग होता है सस्ते प्रॉम्प्ट से ज़्यादा प्रॉम्प्ट, लंबे जवाब और ज़्यादा एजेंट कॉल होते हैं
अप्रत्यक्ष रिबाउंड बचाया गया पैसा या समय दूसरी ऐसी चीज़ों पर खर्च होता है जिनमें भी ऊर्जा लगती है ("आय प्रभाव" और "समय रिबाउंड") AI असिस्टेंट से बचाया गया समय ज़्यादा ऊर्जा वाली गतिविधियों पर खर्च होता है
पूरी अर्थव्यवस्था में रिबाउंड व्यापक अर्थव्यवस्था ढल जाती है: सस्ते इनपुट पर नए प्रोडक्ट, बाज़ार और उद्योग बढ़ते हैं सर्च, फ़ोन और ऑफ़िस सॉफ़्टवेयर में डिफ़ॉल्ट रूप से डाला गया AI

जब रिबाउंड बचत से बड़ा हो, जिससे कुल उपयोग या उत्सर्जन बढ़ जाए, तो इसे backfire (उलटा असर) कहते हैं। वही लेखक बताते हैं कि पूरी वैश्विक अर्थव्यवस्था में ज़्यादातर प्रोडक्टों और सेवाओं में ऊर्जा दक्षता के साथ-साथ 1850 से वैश्विक कार्बन उत्सर्जन में हर साल औसतन 1.8% की बढ़ोतरी हुई है। वे सावधानी से कहते हैं कि इससे यह साबित नहीं होता कि दक्षता ज़्यादा उत्सर्जन का कारण है, केवल यह कि अगर ऐसा न हो, तो दक्षता के बिना उत्सर्जन को कहीं ज़्यादा तेज़ी से बढ़ना पड़ता।

शब्दावली में रिबाउंड प्रभाव और Jevons विरोधाभास देखें।

क्या AI में Jevons विरोधाभास हो रहा है?

प्रमाण इसी ओर इशारा करते हैं: प्रति क्वेरी ऊर्जा तेज़ी से घट रही है, जबकि डेटा सेंटरों की कुल बिजली खपत चढ़ रही है। अलग-अलग स्रोतों के दो बहुत उद्धृत आँकड़े यह पैटर्न दिखाते हैं:

  • प्रति क्वेरी। Google ने 2025 में बताया कि उसका मीडियन Gemini Apps टेक्स्ट प्रॉम्प्ट 0.24 Wh ऊर्जा इस्तेमाल करता है, और 12 महीनों की अवधि में प्रति मीडियन प्रॉम्प्ट ऊर्जा 33 गुना और उसका कार्बन फ़ुटप्रिंट 44 गुना घटा।
  • कुल मिलाकर। International Energy Agency (IEA) का अनुमान है कि डेटा सेंटरों ने 2024 में लगभग 415 TWh इस्तेमाल की, जो दुनिया की बिजली का लगभग 1.5% है, और यह 2017 से हर साल लगभग 12% बढ़ी है। उसका अनुमान है कि 2030 तक उपयोग दोगुने से ज़्यादा होकर लगभग 945 TWh हो जाएगा, और AI "इस बढ़ोतरी का सबसे अहम कारण" होगा।

ये आँकड़े अपने आप में कारण और परिणाम साबित नहीं करते, क्योंकि AI की माँग क़ीमत के अलावा दूसरे कारणों से भी बढ़ती है। लेकिन ये दिखाते हैं कि प्रति क्वेरी बड़े लाभों ने कुल उपयोग को बढ़ने से नहीं रोका है। IEA ख़ुद दक्षता सुधारों की रफ़्तार को अपने अनुमानों की मुख्य अनिश्चितताओं में से एक मानता है: उसके परिदृश्यों में 2035 में डेटा सेंटरों की माँग 700 से 1,700 TWh तक है।

AI में कुछ ऐसी विशेषताएँ हैं जो रिबाउंड को ख़ास तौर पर संभावित बनाती हैं। सस्ता inference (मॉडल चलाना) प्रदाताओं को उन टूल में AI को डिफ़ॉल्ट बनाने देता है जिन्हें लोग पहले से इस्तेमाल करते हैं, और एजेंटों को हर काम के लिए कई मॉडल कॉल करने देता है (देखें एजेंटिक AI और टोकन की बर्बादी)। बचत भी अक्सर बचाकर रखने के बजाय क्षमता पर खर्च कर दी जाती है, जैसे बड़े मॉडल या लंबा कॉन्टेक्स्ट।

Mike Berners-Lee और उनके सहयोगियों ने क्या चिंताएँ उठाई हैं?

उनका तर्क है कि डिजिटल तकनीक के जलवायु असर को कम आँका जाता है, कि उसके दक्षता लाभ माँग से बार-बार बेअसर हो जाते हैं, और कि जलवायु लाभ के दावों के लिए कहीं बेहतर प्रमाण चाहिए। Lancaster University में स्थित Small World Consulting के संस्थापक Mike Berners-Lee कार्बन फ़ुटप्रिंटिंग के विशेषज्ञ हैं और इस सवाल पर Patterns में छपे दो पेपरों के सह-लेखक हैं।

फ़ुटप्रिंट बताए गए से बड़ा है

Freitag, Berners-Lee, Widdicks, Knowles, Blair और Friday ने 2021 में सूचना और संचार प्रौद्योगिकी (ICT) के जलवायु असर के अनुमानों की समीक्षा की। उन्होंने पाया कि समीक्षित अध्ययन ICT को दुनिया के ग्रीनहाउस गैस उत्सर्जन का 1.8–2.8% बताते हैं, लेकिन मानक जीवन-चक्र अध्ययनों से छूट जाने वाली सप्लाई चेन (यानी "truncation error") को गिनने पर यह हिस्सा 2.1–3.9% हो सकता है।

दक्षता ने कुल को नहीं घटाया

उसी समीक्षा में पाया गया कि प्रति व्यक्ति गणना और उपकरणों की माँग दक्षता सुधारों से आगे निकल गई थी, इसलिए ICT का ऊर्जा उपयोग और फ़ुटप्रिंट साल-दर-साल बढ़ता रहा। समीक्षा में शामिल सभी विश्लेषक इस पर सहमत थे कि ICT का उत्सर्जन "व्यापक राजनीतिक और औद्योगिक कार्रवाई वाले बड़े, मिले-जुले प्रयासों के बिना कम नहीं होगा"। लेखकों ने ऐसे कारण दिए जिनसे लगता है कि हस्तक्षेप के बिना उत्सर्जन बढ़ेगा, और माँग के संतृप्त होने से अपने आप आने वाले शिखर को असंभावित माना। निष्पक्षता के लिए, वे शोधकर्ता Jens Malmodin का अलग मत भी बताते हैं, जो उन्हें निजी बातचीत में दिया गया था, कि ICT का उत्सर्जन फ़िलहाल स्थिर हो गया है और 2030 तक आधा हो सकता है।

"जलवायु के लिए AI" के दावों में शुद्ध लाभ के प्रमाण की कमी है

उद्योग की रिपोर्टों ने दावा किया है कि ICT दूसरे क्षेत्रों में अपने उत्सर्जन से कई गुना बचा सकता है। Freitag और उनके सहयोगियों का तर्क है कि ये अनुमान रिबाउंड पर बहुत सीमित ध्यान देते हैं, और कि ICT जितनी संभावना से उत्सर्जन घटाता है, उतनी ही संभावना से कार्बन-गहन उद्योगों समेत विकास को भी बढ़ावा देता है। वे लिखते हैं कि "इस संदिग्ध प्रमाण के बावजूद कि ICT की बढ़ोतरी के रुझान जितना कार्बन उत्सर्जन जोड़ेंगे उससे ज़्यादा बचाएँगे", blockchain, internet of things और AI में निवेश और अपनाना बढ़ रहा है। उनका तर्क है कि ICT दूसरी जगहों पर उत्सर्जन तभी बचाता है जब वह कार्बन-गहन गतिविधि की जगह ले, न कि उसके ऊपर जुड़ जाए।

इसका मतलब यह नहीं कि AI जलवायु की मदद नहीं कर सकता। इसका मतलब है कि हर दावे को AI के अपने फ़ुटप्रिंट और रिबाउंड को गिनकर शुद्ध लाभ दिखाना होगा। देखें ग्रीन AI बनाम AI फ़ॉर ग्रीन।

दक्षता को सीमा चाहिए

Widdicks और उनके सहयोगियों का 2023 का पेपर, 19 विशेषज्ञों की एक वर्कशॉप के आधार पर, इस निष्कर्ष पर पहुँचता है कि "GHG उत्सर्जन की सीमाओं के भीतर दक्षता ही वह अकेला तरीक़ा है जिससे उत्सर्जन में असली कटौती के लिए दक्षता साकार हो सकती है"। 2021 की समीक्षा का तर्क है कि वैश्विक कार्बन सीमा के बिना, ICT के फ़ुटप्रिंट को Paris Agreement के अनुरूप रखने के लिए नए नियमन की ज़रूरत है। दोनों पेपर सीमा को इस क्षेत्र के लिए भी अच्छा बताते हैं: सीमा के भीतर दक्षता कम नहीं, बल्कि ज़्यादा मूल्यवान हो जाती है।

उनके अपने शब्दों में

THINK Digital Partners की एक रिपोर्ट के अनुसार, फ़रवरी 2026 में लंदन में सरकार के डिजिटल नेतृत्व से बात करते हुए Berners-Lee ने रिबाउंड की समस्या को इन शब्दों में समेटा, "यह जितना ज़्यादा कुशल होता है, हम उतना ही ज़्यादा करते हैं", और चेतावनी दी कि "बहुत से लोग हर समस्या पर AI और मशीन लर्निंग का हथौड़ा चला रहे हैं"।

दक्षता को असली बचत में क्या बदलता है?

दक्षता के हर लाभ को कुल पर एक सीमा के साथ जोड़ें, और कुल को मापें। ऊपर का शोध पाँच व्यावहारिक उपायों की ओर इशारा करता है।

बजट या सीमा के भीतर काम करें

किसी प्रोडक्ट, टीम या प्रोजेक्ट के लिए ऊर्जा, उत्सर्जन, कंप्यूटिंग या टोकन का एक निरपेक्ष बजट तय करें, और दक्षता सुधरने पर भी उसे बनाए रखें। तब दक्षता कुल को ऊपर धकेलने के बजाय आपको बजट के भीतर ज़्यादा करने देती है।

केवल प्रति इकाई आँकड़े नहीं, निरपेक्ष असर मापें

यह दावा कि कोई मॉडल "दस गुना ज़्यादा कुशल" है, इस बारे में कुछ नहीं कहता कि कुल उत्सर्जन घटा या नहीं। प्रति काम ऊर्जा के साथ समय के साथ कुल ऊर्जा और उत्सर्जन की रिपोर्ट करें। देखें AI की ऊर्जा कैसे मापें।

पर्याप्तता अपनाएँ

AI वहीं इस्तेमाल करें जहाँ वह असली मूल्य जोड़े, और जब करें तो सबसे छोटा पर्याप्त मॉडल चुनें। कोई फ़ॉर्मूला, खोज या डेटाबेस क्वेरी अक्सर ऊर्जा के छोटे-से हिस्से में काम कर देती है। देखें पर्याप्तता।

बचत को सुरक्षित करें

जब कोई दक्षता प्रोजेक्ट क्षमता ख़ाली करे, तो पहले से तय करें कि उसका क्या होगा। सर्वर, आरक्षित क्लाउड क्षमता या लाइसेंस हटा देने से बचत पक्की हो जाती है; उन्हें चलता छोड़ देना नए उपयोग को उन्हें भरने का न्योता देता है। देखें दक्षता के लाभों को बेअसर होने से कैसे रोकें।

कुल पर असर डालने वाले नीतिगत उपाय इस्तेमाल करें

कार्बन मूल्य निर्धारण, उत्सर्जन की सीमाएँ, ग्रिड कनेक्शन की सीमाएँ और निरपेक्ष ऊर्जा उपयोग की रिपोर्टिंग कुल माँग पर उस तरह असर डालती हैं जैसे अकेले दक्षता मानक नहीं डाल सकते। देखें ग्रीन AI नीति।

आगे क्या करें

  • अपनी नियमित रिपोर्टिंग में प्रति काम आँकड़ों के साथ AI की कुल ऊर्जा या उत्सर्जन जोड़ें।
  • AI कंप्यूटिंग या उत्सर्जन के लिए एक बजट या सीमा तय करें, और दक्षता सुधरने पर भी उसे बनाए रखें।
  • हर दक्षता प्रोजेक्ट से पहले तय करें कि ख़ाली हुई क्षमता हटाई जाएगी या दोबारा इस्तेमाल होगी।
  • पूछें कि क्या हर नया AI फ़ीचर ज़रूरी है, और क्या उसे डिफ़ॉल्ट रूप से चालू होना चाहिए।
  • इस किसी भी दावे को कि AI दूसरी जगहों पर उत्सर्जन घटाएगा, एक परिकल्पना मानें जिसे रिबाउंड गिनकर परखना है।
  • व्यापक तस्वीर के लिए दक्षता ही पर्याप्तता नहीं है और ग्रीन AI बनाम AI फ़ॉर ग्रीन पढ़ें।

अक्सर पूछे जाने वाले सवाल

Jevons विरोधाभास क्या है?

अर्थशास्त्री William Stanley Jevons का, अपनी 1865 की किताब The Coal Question में किया गया, यह अवलोकन कि कोयले के ज़्यादा कुशल उपयोग से ज़्यादा कोयला इस्तेमाल हुआ, क्योंकि दक्षता ने कोयले से चलने वाले काम को सस्ता और इसलिए ज़्यादा व्यापक बना दिया।

क्या ज़्यादा कुशल AI उत्सर्जन घटाता है?

प्रति क्वेरी, हाँ। कुल मिलाकर, ज़रूरी नहीं: सस्ती क्वेरी कहीं ज़्यादा उपयोग को बढ़ावा देती हैं। प्रति प्रॉम्प्ट ऊर्जा घटने के बावजूद डेटा सेंटरों की कुल बिजली खपत अब भी तेज़ी से बढ़ रही है, इसलिए दक्षता कुल उत्सर्जन तभी घटाती है जब कुल उपयोग या उत्सर्जन पर भी सीमा हो।

AI में रिबाउंड प्रभाव क्या है?

AI के सस्ता या आसान होने के बाद होने वाला अतिरिक्त AI उपयोग, जो बचाई गई ऊर्जा को खा जाता है। यह प्रत्यक्ष (ज़्यादा प्रॉम्प्ट), अप्रत्यक्ष (बचाया गया पैसा या समय ऊर्जा इस्तेमाल करने वाली दूसरी चीज़ों पर खर्च होना) या पूरी अर्थव्यवस्था के स्तर पर (सस्ते AI पर बने नए प्रोडक्ट और उद्योग) हो सकता है।

Backfire क्या है?

Backfire ऐसा रिबाउंड प्रभाव है जो इतना बड़ा हो कि कुल खपत या उत्सर्जन दक्षता लाभ से पहले की तुलना में ज़्यादा हो जाए। Jevons विरोधाभास backfire का एक उदाहरण है।

Mike Berners-Lee और उनके सह-लेखक AI और जलवायु के बारे में क्या कहते हैं?

समीक्षित (peer-reviewed) पेपरों में उनका तर्क है कि ICT के फ़ुटप्रिंट को कम आँका जाता है, कि दक्षता के लाभ बढ़ती माँग से आम तौर पर बेअसर हो जाते हैं, कि AI समेत ICT से जलवायु को शुद्ध लाभ के प्रमाण संदिग्ध हैं, और कि दक्षता से असली कटौती के लिए उत्सर्जन पर सीमा ज़रूरी है।

दक्षता के लाभों को बेअसर होने से कैसे रोकें?

प्रति काम ऊर्जा के साथ-साथ कुल ऊर्जा या उत्सर्जन मापें, एक बजट या सीमा तय करें, पहले से तय करें कि ख़ाली हुई क्षमता का क्या होगा, और AI केवल वहीं इस्तेमाल करें जहाँ वह पर्याप्त मूल्य जोड़े।

स्रोत

  1. The Coal Question, W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
  2. Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy, Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
  3. The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
  4. Energy and AI, International Energy Agency (2025)
  5. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  6. "We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate, THINK Digital Partners (2026)
लेख

दक्षता ही पर्याप्तता नहीं है: AI में रिबाउंड प्रभाव

AI को ज़्यादा कुशल बनाना यह गारंटी क्यों नहीं देता कि वह कुल मिलाकर कम ऊर्जा इस्तेमाल करेगा, रिबाउंड या Jevons प्रभाव क्या है, और बचत को असली कैसे बनाए रखें।

लेख

ग्रीन AI बनाम AI फ़ॉर ग्रीन: क्या अंतर है

ग्रीन AI ख़ुद AI का फ़ुटप्रिंट घटाता है; AI फ़ॉर ग्रीन जलवायु और प्रकृति के लिए AI का इस्तेमाल है। दोनों में अंतर, ये साथ क्यों चलते हैं और शुद्ध लाभ कैसे आँकें।

अच्छी प्रैक्टिस

ग्रीन AI नीति कैसे लिखें

किसी संगठन की ग्रीन AI नीति लिखने की चरण-दर-चरण गाइड, एक टेम्पलेट रूपरेखा के साथ: इस्तेमाल, मॉडल, मापन, खरीद, दावे और समीक्षा।

अच्छी प्रैक्टिस

AI की ऊर्जा और कार्बन कैसे मापें

AI के काम की ऊर्जा और कार्बन को मापने या अनुमान लगाने की व्यावहारिक गाइड: टूल, सिस्टम सीमाएँ, प्रति-कार्य पैमाने और अनिश्चितता का ईमानदार हिसाब।

हमसे जुड़ें

धरती पर AI का असर घटाने में मदद करें

नई गाइड, फ़ंडिंग कॉल और निर्देशिका लिस्टिंग ईमेल से पाएँ, लगभग महीने में एक बार। या निर्देशिकाओं में अपना प्रोडक्ट, कोर्स, PhD या शोध जोड़ें।

कोई ट्रैकिंग नहीं। एक क्लिक में सदस्यता छोड़ें। जुड़ने के दूसरे तरीके · गोपनीयता