要点
コスト、速度、リスクの観点から提案しましょう。AI のエネルギー使用を減らす方法(小さなモデル、少ないトークン、無駄な呼び出しの削減)は、請求額と待ち時間も減らすからです。自分の仕事から実測した例をひとつ示し、報告や規制上の理由を加えましょう。相手に合うなら、環境面の利点は、本物ではあるものの二次的な点として位置づけます。
手順
- 利用量の多い AI タスクをひとつ選び、現在のコスト、速度、品質を測ります。
- 小さなモデルや短い出力など、より無駄のない選択肢を、同じ品質基準で試します。
- 削減効果を金額と応答時間で示し、エネルギーも併記します。
- 自分の組織に当てはまる報告、サプライヤー、規制上の理由を加えます。
- 成功の明確な指標と判断の期日を決めた、小規模なパイロットを提案します。
コスト、速度、リスクを前面に出しましょう。エネルギーはあとからついてきます。 AI では計算が少ないほど請求額は下がり、回答は速くなります。そのため、グリーン AI の提案で企業が何かを諦める必要はほとんどありません。
数学者、計算機科学者、産業界が集まった 2026年の英国のグリーン AI サンドピット(集中討議型ワークショップ)も、同じ見方に至りました。購入者はコスト、速度、品質で選ぶので、グリーン AI はそれらと競うのではなく、それらと一緒に届けなければならないということです。
どんな証拠を使えますか?
- 小さなモデル。 UNESCO とユニバーシティ・カレッジ・ロンドンは、適したタスクでは、タスク特化型の小さなモデルによってエネルギー使用を最大 90% 削減でき、プロンプトと応答を短くすれば半分以上削減できることを明らかにしました。
- ルーティング。 RouteLLM の研究は、簡単なリクエストを安いモデルに送ることで、応答の品質を下げずに、場合によってはコストを半分以上削減できたと報告しています。
- 膨らみ続けるコスト。 Gartner は 2025年、エージェント型 AI プロジェクトの 40% 超が 2027年末までに中止されると予測し、その理由のひとつにコストの増大を挙げました。トークンを管理することは、コストを管理することです。
自分で実測した例は、どんな公表数値にも勝ります。実際のタスクで小さなテストをしてみましょう。
ほかにどんな理由がありますか?
- 報告: AI はエネルギーと排出量の一部であり、大口の顧客ほどそれを求めるようになっています。
- 規制: EU の規則は、AI 事業者とデータセンターにエネルギーの文書化義務を加えつつあります。 EU AI 法のエネルギー規則をご覧ください。
- 評判: 根拠のある信頼できる説明は、あいまいな主張より安全です。
よくある間違い
- ベースラインなしに削減を約束すること。
- 再試行が隠れてしまう 1 呼び出しあたりのコストで比べること。成功した 1 タスクあたりのコストで比べましょう。
- 価値ではなく罪悪感から話を始めること。
企業向けガイドをご覧ください。
出典
- Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027, Gartner (2025)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- RouteLLM: learning to route LLMs with preference data, Ong et al., ICLR 2025 (2024)
関連
企業のためのグリーン AI
AI のエネルギー、コスト、炭素を減らすための企業向け実践ガイドです。モデルの選び方、サプライヤー、測定、調達、誠実な主張について解説します。
会社の AI 利用をもっと持続可能にするには?
会社の AI 利用をグリーンにするための実践的な第一歩です。利用状況を把握し、モデルを適正化し、初期設定を決め、供給元に尋ね、作業ごとに測ります。
リクエストを小さな AI モデルに振り分けるには?
定型的なリクエストは小さなモデルに、難しいものだけを大きなモデルに振り分け、やり直しで節約分が消えないようルーターを調整する方法です。
AI プロジェクトが環境負荷に見合うか確かめるには?
AI プロジェクト自体のエネルギー、炭素、ハードウェアと、それがもたらす効果を、構築前と運用後に比べる簡単な方法です。