# 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।

Source: https://greenai.guide/hi/लेख/दक्षता-ही-पर्याप्तता-नहीं-है-ai-में-रिबाउंड-प्रभाव/  
Updated: 2026-11-19

## संक्षेप में

हर AI काम को सस्ता बनाने का मतलब यह नहीं कि पूरा AI कम ऊर्जा इस्तेमाल करेगा, क्योंकि सस्ते काम आम तौर पर और ज़्यादा कामों की ओर ले जाते हैं। इसे रिबाउंड या Jevons प्रभाव कहते हैं। ग्रीन AI को दक्षता (हर काम कम में करना) और पर्याप्तता (केवल वही काम करना जो करने लायक़ हों), दोनों की ज़रूरत है, और बचत को पूरे सिस्टम के स्तर पर मापना होगा।

## मुख्य बातें

- दक्षता प्रति काम ऊर्जा घटाती है; कुल ऊर्जा इस पर निर्भर करती है कि कितने काम चलाए जाते हैं।
- जब दक्षता किसी चीज़ को सस्ता बनाती है, तो माँग अक्सर बढ़ जाती है, कभी-कभी इतनी कि बचत ख़त्म हो जाए। इसे रिबाउंड या Jevons प्रभाव कहते हैं।
- दशकों से कंप्यूटिंग बहुत ज़्यादा कुशल होती गई है, फिर भी उसकी कुल बिजली खपत बढ़ती रही है।
- पर्याप्तता पूछती है कि क्या किसी काम के लिए AI, या इतने बड़े मॉडल, की ज़रूरत है भी।
- दक्षता से हुए लाभ तभी बचत गिने जाते हैं जब कुल उपयोग पर सीमा हो, उसे मापा जाए या उसकी क़ीमत तय हो।

ग्रीन AI को अक्सर दक्षता की समस्या के रूप में पेश किया जाता है: मॉडल छोटे, चिप बेहतर और डेटा सेंटर साफ़ बनाइए, और फ़ुटप्रिंट
घट जाएगा। दक्षता मायने रखती है, लेकिन अकेले वह इस बात की गारंटी नहीं देती कि AI कम ऊर्जा इस्तेमाल करेगा। यह लेख बताता है कि
ऐसा क्यों है, और उसके साथ और क्या होना ज़रूरी है।

## दक्षता और पर्याप्तता में क्या अंतर है? {#what-is-the-difference-between-efficiency-and-sufficiency}

**दक्षता का मतलब है किसी काम को कम में करना; पर्याप्तता का मतलब है केवल वही काम करना जो करने लायक़ हों।** दोनों पर्यावरणीय
असर घटाते हैं, लेकिन अलग-अलग सवालों का जवाब देते हैं।

| | दक्षता | पर्याप्तता |
|---|---|---|
| सवाल | हम इसे कम ऊर्जा में कैसे करें? | क्या हमें यह, इस पैमाने पर, करने की ज़रूरत है? |
| उदाहरण | Pruning, quantisation, बेहतर चिप, कूलिंग | जहाँ कोई खोज या फ़ॉर्मूला काम कर दे वहाँ AI न इस्तेमाल करना; फ़्रंटियर मॉडल की जगह छोटा मॉडल इस्तेमाल करना |
| कैसे मापा जाता है | प्रति काम ऊर्जा | कुल ऊर्जा, और प्रति इकाई ऊर्जा मूल्य |
| कौन क़दम उठाता है | इंजीनियर, हार्डवेयर निर्माता, डेटा सेंटर ऑपरेटर | उपयोगकर्ता, प्रोडक्ट के मालिक, ख़रीदार, नीति निर्माता |

ये दोनों प्रतिद्वंद्वी नहीं हैं। गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के 2026 के एक UK ग्रीन AI सैंडपिट (गहन चर्चा
कार्यशाला) ने एक पोल किया कि ग्रीन AI को दक्षता पर ध्यान देना चाहिए या केवल ज़रूरत की जगह AI इस्तेमाल करने पर; सबसे
लोकप्रिय जवाब था "दोनों पर बराबर"। व्यापक परिभाषाओं के लिए देखें [ग्रीन AI क्या है?](/hi/लेख/ग्रीन-ai-क्या-है/)।

## रिबाउंड प्रभाव क्या है? {#what-is-the-rebound-effect}

**रिबाउंड प्रभाव वह अतिरिक्त उपयोग है जो किसी चीज़ के सस्ता या आसान होने के बाद होता है।** अगर अतिरिक्त उपयोग इतना बड़ा हो
कि बचत पर भारी पड़े, तो कुल खपत बढ़ जाती है। इस चरम स्थिति को Jevons विरोधाभास कहते हैं (और अपने हल्के रूपों में इसे
[रिबाउंड प्रभाव](/hi/शब्दावली/#rebound-effect) भी कहा जाता है)।

अर्थशास्त्री William Stanley Jevons ने 1865 में *The Coal Question* में इसका वर्णन किया। उनका तर्क था कि ज़्यादा कुशल भाप
इंजन ब्रिटेन में कोयले की खपत नहीं घटाएँगे, क्योंकि सस्ती भाप की शक्ति को कहीं ज़्यादा कामों में लगाया जाएगा। वे सही थे:
कोयले की खपत बढ़ती रही।

रिबाउंड अलग-अलग मात्रा में होता है:

- **प्रत्यक्ष रिबाउंड:** सस्ता काम ज़्यादा बार किया जाता है। तेज़, सस्ते चैटबॉट से ज़्यादा सवाल पूछे जाते हैं।
- **अप्रत्यक्ष रिबाउंड:** बचाया गया पैसा या समय किसी ऐसी दूसरी चीज़ पर खर्च होता है जिसमें भी ऊर्जा लगती है।
- **पूरी अर्थव्यवस्था में रिबाउंड:** सस्ती क्षमता पूरे नए प्रोडक्ट और उद्योग संभव बना देती है।

## क्या कंप्यूटिंग में ऐसा हुआ है? {#has-this-happened-in-computing}

**हाँ।** Koomey और उनके सहयोगियों ने 2011 में पाया कि 1940 के दशक के पहले इलेक्ट्रॉनिक कंप्यूटरों के बाद से प्रति इकाई ऊर्जा
होने वाली गणनाओं की संख्या लगभग हर 1.57 साल में दोगुनी हुई थी। उन्हीं दशकों में कंप्यूटिंग की कुल बिजली खपत बढ़ी, क्योंकि
सस्ती गणना को कहीं ज़्यादा कामों में लगाया गया।

Freitag और उनके सहयोगियों की 2021 की ICT के जलवायु असर की समीक्षा ने इस क्षेत्र को दुनिया के ग्रीनहाउस गैस उत्सर्जन का 1.8–2.8%
बताया, या सप्लाई चेन को पूरी तरह गिनने पर 2.1–3.9%। उनका तर्क था कि दक्षता में बड़े सुधारों के बावजूद ICT का फ़ुटप्रिंट बढ़ता
रहा है, और दक्षता को जलवायु बचत गिनने से पहले रिबाउंड प्रभावों का हिसाब रखना ज़रूरी है।

## क्या AI भी इसी पैटर्न पर चल रहा है? {#is-ai-following-the-same-pattern}

**शुरुआती संकेत बताते हैं कि हाँ।** प्रति AI काम ऊर्जा तेज़ी से घट रही है, जबकि कुल माँग बढ़ रही है।

- Google ने 2025 में बताया कि बेहतर मॉडलों, सॉफ़्टवेयर और हार्डवेयर के ज़रिए उसके मीडियन Gemini टेक्स्ट प्रॉम्प्ट की ऊर्जा
  बारह महीनों में 33 गुना घट गई।
- लगभग इसी अवधि में International Energy Agency ने अनुमान लगाया कि 2030 तक डेटा सेंटरों की बिजली खपत दोगुनी से ज़्यादा हो
  जाएगी, 2024 के लगभग 415 TWh से बढ़कर लगभग 945 TWh, और इस बढ़ोतरी का सबसे अहम कारण AI होगा।

दोनों बातें एक साथ सच हो सकती हैं। सस्ते प्रॉम्प्ट सर्च नतीजों, दस्तावेज़ों, फ़ोन और सॉफ़्टवेयर टूल में डिफ़ॉल्ट रूप से AI डालना
किफ़ायती बना देते हैं, और ऐसे एजेंट चलाना भी जो हर काम के लिए कई कॉल करते हैं (देखें
[एजेंटिक AI और टोकन की बर्बादी](/hi/लेख/एजेंटिक-ai-और-टोकन-की-बर्बादी/))।

Luccioni, Strubell और Crawford ने AI की ध्रुवीकृत पर्यावरणीय बहस पर 2025 के एक पेपर में इसकी जाँच की। उनका तर्क था कि AI को
ज़्यादा कुशल बनाना अपने आप में कम पर्यावरणीय नुक़सान की गारंटी नहीं देगा, क्योंकि दक्षता के लाभ कुल उपयोग बढ़ा सकते हैं, और यह
बहस इन अप्रत्यक्ष प्रभावों को नज़रअंदाज़ करती है। वे व्यावसायिक प्रोत्साहनों, बाज़ारों, शासन और सामाजिक मानदंडों के विश्लेषण के
साथ जीवन-चक्र आकलन की माँग करते हैं।

## दक्षता अपने आप बचत क्यों नहीं बनती? {#why-doesn-t-efficiency-automatically-become-a-saving}

**क्योंकि दक्षता से फ़ायदा पाने वाला आम तौर पर उस फ़ायदे को खर्च कर देता है।** AI में तीन तंत्र आम हैं:

- **क़ीमत।** प्रदाता कम लागत का फ़ायदा आगे देते हैं, इसलिए उपयोग बढ़ता है।
- **क्षमता।** एक आकार पर हुई बचत किसी बड़े मॉडल या लंबे कॉन्टेक्स्ट पर खर्च कर दी जाती है, क्योंकि गुणवत्ता बिकती है।
- **डिफ़ॉल्ट।** जब AI इतना सस्ता हो कि सबके लिए चालू किया जा सके, तो वह सबके लिए चालू कर दिया जाता है, उन लोगों के लिए भी
  जिन्होंने इसे माँगा नहीं था।

इनमें से कुछ भी दक्षता सुधारना बंद करने का कारण नहीं है। उसके बिना कुल माँग और भी ज़्यादा होती। यह इस बात का कारण है कि जब
तक कुल उपयोग मापा न जाए, दक्षता के लाभों को जलवायु बचत न गिना जाए।

## व्यवहार में पर्याप्तता कैसी दिखती है? {#what-does-sufficiency-look-like-in-practice}

**इसका मतलब है टूल को काम से मिलाना, और कभी-कभी बिल्कुल AI न चुनना।** इसके व्यावहारिक रूप ये हैं:

- **जब कोई निश्चित (deterministic) तरीक़ा मौजूद हो, तो उसे इस्तेमाल करें।** कैलकुलेटर, डेटाबेस क्वेरी या कोई पारंपरिक
  संख्यात्मक तरीक़ा आम तौर पर भाषा मॉडल से सस्ता और ज़्यादा भरोसेमंद होता है।
- **मॉडल को सही आकार दें।** सरल अनुरोधों को छोटे मॉडलों की ओर भेजें। देखें [सही मॉडल चुनना](/hi/अच्छी-प्रथाएँ/काम-के-हिसाब-से-सही-मॉडल-चुनें/)।
- **भारी AI को डिफ़ॉल्ट नहीं, बल्कि अपनी मर्ज़ी से चालू होने वाला बनाएँ।** ऐसे फ़ीचर जो हर पेज व्यू पर सामग्री जनरेट करते
  हैं, ऊर्जा उपयोग को कई गुना कर देते हैं।
- **कम दोहराएँ।** किसी इमेज या वीडियो को सही दिखने तक बार-बार दोबारा जनरेट करना हर कोशिश की लागत को कई गुना कर देता है।
  बेहतर प्रॉम्प्ट और एडिटिंग टूल कोशिशों की संख्या घटाते हैं।
- **दोबारा जनरेट करने के बजाय फिर से इस्तेमाल करें।** देखें [जनरेशन से ज़्यादा ऑर्केस्ट्रेशन](/hi/लेख/जनरेशन-से-पहले-ऑर्केस्ट्रेशन/)।

सैंडपिट में एक विषय यह था कि जहाँ संभव हो, ये चुनाव हर उपयोगकर्ता के बजाय सिस्टम को करने चाहिए, उदाहरण के लिए अपने आप सबसे
छोटे पर्याप्त मॉडल की ओर रूटिंग करके, क्योंकि हर उपयोगकर्ता से हर अनुरोध की ऊर्जा लागत आँकने को कहना बड़े पैमाने पर नहीं चल
सकता।

## रिबाउंड को क़ाबू में कैसे रखा जा सकता है? {#how-can-rebound-be-kept-in-check}

**केवल प्रति काम उपयोग नहीं, बल्कि कुल उपयोग को मापकर, सीमित करके या उसकी क़ीमत तय करके।** विकल्प ये हैं:

- **बजट।** किसी प्रोजेक्ट या प्रोडक्ट के लिए ऊर्जा, टोकन या कार्बन बजट तय करें, ताकि दक्षता के लाभ अपने आप उपयोग बढ़ाने के
  बजाय गुंजाइश बनाएँ।
- **पूरे सिस्टम का माप।** प्रति काम ऊर्जा के साथ-साथ समय के साथ कुल ऊर्जा की रिपोर्ट करें। देखें
  [माप ही असली रुकावट है](/hi/लेख/ग्रीन-ai-की-सबसे-बड़ी-रुकावट-माप/)।
- **ईमानदार दावे।** यह दावा कि कोई प्रोडक्ट "X गुना ज़्यादा कुशल" है, कुल असर के बारे में कुछ नहीं कहता। देखें
  [ईमानदार हरित दावे करना](/hi/अच्छी-प्रथाएँ/ai-के-बारे-में-ईमानदार-ग्रीन-दावे/)।
- **नीति।** कार्बन मूल्य निर्धारण और ग्रिड की सीमाएँ कुल माँग पर उस तरह असर डालती हैं जैसे अकेले दक्षता मानक नहीं डालते। देखें
  [ग्रीन AI नीति](/hi/अच्छी-प्रथाएँ/ग्रीन-ai-नीति-कैसे-लिखें/)।

## आगे क्या करें {#what-to-do-next}

- केवल प्रति-अनुरोध आँकड़े नहीं, समय के साथ AI की कुल ऊर्जा या खर्च पर नज़र रखें।
- कोई AI फ़ीचर जोड़ने से पहले पूछें कि क्या कोई बिना-AI तरीक़ा काम कर देगा, और क्या उसे डिफ़ॉल्ट रूप से चालू होना चाहिए।
- अनुरोधों को उस सबसे छोटे मॉडल की ओर भेजें जो काम कर दे: देखें [AI का कुशलता से उपयोग करें](/hi/अच्छी-प्रथाएँ/ai-का-कुशल-उपयोग-रोज़-की-आदतें/)।
- जब आप दक्षता में कोई लाभ हासिल करें, तो पहले से तय करें कि वह कुल उपयोग घटाएगा या नए उपयोग का ख़र्च उठाएगा।
- ख़रीद और प्रोडक्ट डिज़ाइन में इन चुनावों को कैसे शामिल करें, इसके लिए [व्यवसाय गाइड](/hi/गाइड/व्यवसायों-के-लिए-ग्रीन-ai/) पढ़ें।

## अक्सर पूछे जाने वाले सवाल

### Jevons विरोधाभास क्या है?

यह अवलोकन, जो सबसे पहले William Stanley Jevons ने 1865 में कोयले के बारे में किया था, कि किसी संसाधन को ज़्यादा कुशलता से इस्तेमाल करने से उसकी कुल खपत बढ़ सकती है, क्योंकि दक्षता उसे सस्ता बनाती है और इसलिए उसका इस्तेमाल ज़्यादा फैलता है।

### क्या रिबाउंड प्रभाव का मतलब है कि दक्षता बेकार है?

नहीं। दक्षता अब भी ज़रूरी है, और उसके बिना कुल उपयोग और ज़्यादा होता। बात यह है कि अकेली दक्षता कम कुल उपयोग की गारंटी नहीं देती, इसलिए उसे पर्याप्तता और माप के साथ जोड़ना होगा।

### ग्रीन AI में पर्याप्तता क्या है?

AI को केवल वहीं इस्तेमाल करना जहाँ वह पर्याप्त मूल्य जोड़े, और वह सबसे छोटा मॉडल और सबसे कम कंप्यूटिंग इस्तेमाल करना जो काम अच्छी तरह कर दे। यह "इसे और सस्ते में कैसे करें?" के साथ-साथ "क्या हमें यह करना चाहिए?" भी पूछती है।

## स्रोत

- [The Coal Question](https://oll.libertyfund.org/titles/317), W. Stanley Jevons, Macmillan (1865)
- [From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate](https://arxiv.org/abs/2501.16548), Luccioni, Strubell and Crawford, ACM FAccT (2025)
- [The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations](https://doi.org/10.1016/j.patter.2021.100340), Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
