要点
AI 自体のフットプリント(学習またはファインチューニングと、想定される運用期間中の稼働分)を見積もり、同じ期間で測った効果と比べましょう。比較の相手は「何もしないこと」ではなく、最も簡単な AI 以外の方法です。エネルギーや排出量の削減を目的とするプロジェクトなら、その削減量が AI 自体のコストをはっきり上回らなければ、差し引きでは損失になります。
手順
- 期待する効果と、その測り方を書き出します。
- 学習、推論、再試行を含め、想定される運用期間全体での AI のフットプリントを見積もります。
- 同じ仕事ができる最も簡単な AI 以外の方法と比べます。
- どんな結果なら中止または縮小するかを事前に決めておきます。
- システムが稼働したら、実測値で改めて確認します。
AI 自体のフットプリントを数え、同じ期間の効果と比べましょう。 AI を使って何かを最適化するプロジェクトは、「グリーンのための AI」プロジェクトも含め、AI 自体のエネルギーを数えることはまれです。その数値がなければ、プロジェクトが差し引きでマイナスになることもあります。
AI 側はどう見積もればよいですか?
- 学習またはファインチューニング(行う場合)。
- 推論:1日あたりのリクエスト数 × リクエストあたりのエネルギー × 稼働日数。一般的な ChatGPT への質問 1 回あたり約 0.3 Wh という Epoch AI の推定は、テキストの出発点になります。ただし入力が長いと大きく増えるので、自分のトークン数を使いましょう。AI の API 呼び出しのエネルギーを見積もるをご覧ください。
- 再試行と失敗した実行。これらは忘れがちです。
何と比べればよいですか?
「何もしないこと」ではなく、最も簡単な AI 以外の方法です。時間を節約できても、AI は無料ではありません。12 のプログラミング課題で手作業と AI 支援のコーディングを比べた 2025年の研究では、AI 支援の方法のカーボンフットプリントは平均で手作業の約 33 倍でした。これは AI を決して使うなという意味ではなく、元が取れるか確かめるべきだという意味です。
ITEA の研究プロジェクトである GreenCode は、自らの AI のフットプリントを、目指すエネルギー削減量と比べた気候面の評価を公開しています。手本として参考になります。
最も効果が大きいこと
始める前に中止の条件を決めておくことです。縮小に踏み切る結果を書き出しておけば、惰性で判断が下されることを防げます。
よくある間違い
- 効果は 10 年分で数え、AI のコストは 1 か月分で数えること。
- ツールが人気になったあとの利用の増加を無視すること。
- 不確かさをゼロとして扱うこと。幅を持たせて示しましょう。
全体像については、効率は充足ではないをお読みください。
出典
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
関連
この作業にそもそも AI は必要?
その作業に生成 AI が必要か、それとも検索、電卓、テンプレート、簡単なルールのほうが速く、少ないエネルギーで済むかを判断する簡単なテストです。
AI の効率化の成果が利用増加で相殺されないようにするには?
AI の効率化による削減分が利用の増加に飲み込まれないようにする方法です。総量を追跡し、上限や予算を設け、空いた容量を廃止し、必要性を問います。
AI API の呼び出しで使うエネルギーを推計するには?
ホスト型の AI API は計測できませんが、EcoLogits でトークン数とモデルの仮定から 1 回あたりのエネルギーを推計し、コストと並べて記録できます。
効率は充足ではない:AI におけるリバウンド効果
AI の効率を高めても全体のエネルギー使用量が減るとは限らない理由、リバウンド効果(ジェボンズ効果)とは何か、そして節約を本物にするための方法を説明します。