# ジェボンズのパラドックスと AI：効率化だけでは不十分な理由

> ジェボンズのパラドックスとリバウンド効果とは何か、AI のクエリ 1 回あたりが安くなると AI 全体のエネルギー使用量がなぜ増えうるのか、そして研究者が効率化には上限が必要だと言う理由を解説します。

Source: https://greenai.guide/ja/記事/ジェボンズのパラドックスと-ai-効率化だけでは不十分な理由/  
Updated: 2026-11-20

## 要点

ジェボンズのパラドックスとは、ウィリアム・スタンレー・ジェボンズが 1865 年に初めて示した、石炭をより効率的に使えるようになった結果、英国の石炭消費量が減るどころか増えたという発見です。AI では、クエリ 1 回ごとのコストが大幅に下がり効率も上がっていますが、データセンターの電力使用量の総量は急速に増えています。デジタル技術の気候への影響を研究する研究者は、効率化が本当の排出削減につながるのは、排出量の総量に上限が設けられている場合だけだと論じています。

## 要点

- ジェボンズのパラドックス：資源を安く使えるようにすると、その資源の総使用量が増えることがあります。ジェボンズは 1865 年に石炭についてこれを示しました。
- リバウンドには、直接的なもの（同じタスクが増える）、間接的なもの（節約分がほかに使われる）、経済全体のものがあります。リバウンドが節約分を上回る場合は、バックファイアと呼ばれます。
- Google は、Gemini のテキストプロンプトの中央値のエネルギーが 1 年で 33 分の 1 になったと報告しましたが、IEA はデータセンターの電力使用量が 2030 年までに 2 倍以上になると予測しています。
- Freitag、Berners-Lee らは、ICT の気候への負荷は過小評価されていることを明らかにし、ICT による削減の主張は弱い根拠に基づいていると論じています。
- Widdicks らは、効率化を本当の排出削減に変える唯一の方法は、排出量の制約のもとで効率化を進めることだと結論づけています。
- 実践としては、総量を測定し、予算や上限を設定し、空いた容量を廃止し、価値を生む場面でだけ AI を使うことです。

AI は急速に効率化しており、その総エネルギー使用量も急速に増えています。この 2 つの事実は矛盾していません。これは、ジェボンズのパラドックスとして知られる 160 年前からのパターンです。この記事では、このパラドックスとは何か、それが AI に当てはまることを示す根拠、デジタル技術を気候変動の解決策とみなすことについて研究者が示してきた懸念、そして効率化を実際に排出削減につなげるものは何かを説明します。効率と充足の基本については、まず[効率は充足ではない](/ja/記事/効率は充足ではない-ai-におけるリバウンド効果/)をお読みください。

## ジェボンズのパラドックスとは何ですか？ {#what-is-the-jevons-paradox}

**ジェボンズのパラドックスとは、資源をより効率的に使えるようになると、その資源の使用量が減るどころか増えることです。**経済学者ウィリアム・スタンレー・ジェボンズは、英国の炭鉱が枯渇するかどうかを論じた 1865 年の著書『石炭問題（*The Coal Question*）』でこれを示しました。

ジェボンズは、効率化で石炭の消費が減るという考えに反対しました。彼は「燃料を経済的に使うことが消費の減少に等しいと考えるのは、まったくの考え違いである。真実はまさにその逆である」と書いています。彼の論拠は、蒸気動力が安くなったことで、はるかに多くの仕事に石炭を使う価値が生まれ、その結果、機関 1 台あたりの使用量が減るよりも速く、需要の総量が増えたというものでした。

ここでの洞察は、効率化が悪いということではありません。効率化は何かをするときの価格を変え、人々や企業、そして経済全体がその価格に反応する、ということです。

## リバウンド効果とは何ですか？ {#what-is-the-rebound-effect}

**リバウンド効果とは、効率の向上によって引き起こされる利用の増加のことで、節約分を食いつぶします。**ジェボンズのパラドックスはその最も極端なかたちです。Widdicks らは、2023 年に学術誌 *Patterns* に掲載された論文で、主な種類を次のように説明しています。

| 種類 | 何が起きるか | AI の例 |
|---|---|---|
| 直接的なリバウンド | 同じサービスが安くなるため、より多く使われる | プロンプトが安くなると、プロンプトが増え、回答が長くなり、エージェントの呼び出しが増える |
| 間接的なリバウンド | 節約したお金や時間が、やはりエネルギーを使うほかのことに使われる（「所得効果」と「時間のリバウンド」） | AI アシスタントで節約した時間が、よりエネルギーを多く使う活動に使われる |
| 経済全体のリバウンド | 経済全体が適応し、安くなった投入物の上に新しい製品、市場、産業が育つ | 検索、スマートフォン、オフィスソフトに AI が標準で組み込まれる |

リバウンドが節約分より大きく、総使用量や総排出量が増える場合、これを**バックファイア**と呼びます。同じ著者らは、世界経済全体で見ると、ほとんどの製品やサービスのエネルギー効率化は、1850 年以降、世界の炭素排出量が平均で年 1.8% 増えてきたことと並行して進んできたと指摘しています。ただし、これは効率化が排出量を増やすことを証明するものではなく、効率化が排出量を増やしていないとすれば、効率化がなかった場合に排出量ははるかに速く増えていたはずだ、ということを示すにすぎないと、彼らは慎重に述べています。

用語集の[リバウンド効果](/ja/用語集/#rebound-effect)と[ジェボンズのパラドックス](/ja/用語集/#jevons-paradox)もご覧ください。

## AI でもジェボンズのパラドックスは起きていますか？ {#is-the-jevons-paradox-happening-in-ai}

**根拠はその方向を示しています。クエリ 1 回あたりのエネルギーは急速に下がっている一方で、データセンターの電力使用量の総量は増え続けています。**出典の異なる、広く引用される 2 つの数値がこのパターンを示しています。

- **クエリ 1 回あたり。**Google は 2025 年、Gemini アプリのテキストプロンプトの中央値が 0.24 Wh のエネルギーを使うこと、そして 12 か月の間に、中央値のプロンプトあたりのエネルギーが 33 分の 1、カーボンフットプリントが 44 分の 1 になったことを報告しました。
- **総量。**国際エネルギー機関（IEA）は、データセンターが 2024 年に約 415 TWh、世界の電力の約 1.5% を使い、この量は 2017 年以降、年に約 12% 増えてきたと推定しています。そして 2030 年までに 2 倍以上の約 945 TWh になると予測しており、AI は「この増加の最も重要な要因」だとしています。

これらの数値だけで因果関係が証明されるわけではありません。AI の需要は、価格以外の理由でも増えるからです。しかし、クエリあたりの大きな改善が、総使用量の増加を止めていないことはわかります。IEA 自身も、効率改善の速さを見通しにおける主な不確実性の一つとして扱っています。IEA のシナリオ全体で、2035 年のデータセンターの需要は 700〜1,700 TWh の幅があります。

AI には、リバウンドを特に起こしやすい特徴があります。[推論（inference）](/ja/用語集/#inference)が安くなると、提供事業者は人々がすでに使っているツールに AI を標準で組み込めるようになり、エージェントは 1 つのタスクで何度もモデルを呼び出せるようになります（[エージェント型 AI とトークンの無駄](/ja/記事/エージェント型-ai-とトークンの無駄/)をご覧ください）。また、節約分は蓄えられるのではなく、より大きなモデルやより長いコンテキストといった能力の向上に使われることも多いのです。

## マイク・バーナーズ＝リーらは、どのような懸念を示していますか？ {#what-concerns-have-mike-berners-lee-and-colleagues-raised}

**デジタル技術の気候への影響は過小評価されていること、その効率の向上は需要によっていつも打ち消されていること、そして気候への利益の主張には、はるかに確かな根拠が必要であることを論じています。**ランカスター大学を拠点とする Small World Consulting の創設者マイク・バーナーズ＝リー（Mike Berners-Lee）は、カーボンフットプリント算定の専門家であり、この問題について *Patterns* 誌に掲載された 2 本の論文の共著者です。

### 環境負荷は報告されているより大きい {#the-footprint-is-bigger-than-reported}

Freitag、Berners-Lee、Widdicks、Knowles、Blair、Friday は 2021 年、情報通信技術（ICT）の気候への影響に関する推定をレビューしました。その結果、査読付きの研究では ICT は世界の温室効果ガス排出量の 1.8〜2.8% とされているものの、標準的なライフサイクル研究から漏れているサプライチェーン（「切り捨て誤差」）を数えると、その割合は 2.1〜3.9% になりうることがわかりました。

### 効率化で総量は減っていない {#efficiency-has-not-cut-the-total}

同じレビューでは、1 人あたりの計算と機器の需要が効率改善を上回るペースで増えたため、ICT のエネルギー使用量と環境負荷は年々増え続けたことがわかりました。レビューの対象となったすべてのアナリストが、ICT の排出量は「幅広い政治的・産業的な行動を伴う、大規模で協調した取り組みがなければ減らない」という点で一致していました。著者らは、介入がなければ排出量が増えると予想される理由を示し、需要の飽和によって自然にピークを迎える可能性は低いと判断しました。公平を期すために言えば、彼らは研究者 Jens Malmodin が個人的なやり取りの中で示した、ICT の排出量は当面は横ばいになっており、2030 年までに半減する可能性もあるという対照的な見方も報告しています。

### 「気候のための AI」の主張には正味の利益の根拠が欠けている {#ai-for-climate-claims-lack-evidence-of-net-benefit}

業界の報告書は、ICT はほかの分野で自らの排出量の数倍を削減できると主張してきました。Freitag らは、これらの推定ではリバウンドがごく限られたかたちでしか扱われておらず、ICT は排出を減らすのと同じくらい、炭素集約型の産業を含めて成長を後押しする可能性があると論じています。彼らは「ICT の成長傾向が、それが生み出すよりも多くの炭素排出を削減するという根拠には疑問があるにもかかわらず」、ブロックチェーン、モノのインターネット（IoT）、AI への投資と導入が増えていると書いています。ICT がほかの分野で排出を削減するのは、炭素集約型の活動の上に追加されるのではなく、それを置き換える場合だけだ、と彼らは論じています。

これは、AI が気候の役に立てないという意味ではありません。それぞれの主張が、AI 自身の環境負荷とリバウンドを数えたうえで、正味の利益を示す必要があるという意味です。[グリーン AI と AI for Green の違い](/ja/記事/グリーン-ai-と-ai-for-green-の違いとは/)をご覧ください。

### 効率化には上限が必要 {#efficiency-needs-a-cap}

Widdicks らによる 2023 年の論文は、19 人の専門家によるワークショップをもとに、「温室効果ガス排出の制約のもとでの効率化こそが、本当の排出削減のための効率化を実現できる唯一の方法である」と結論づけています。2021 年のレビューは、世界的な炭素の制約がない中では、ICT の環境負荷をパリ協定に沿ったものにするために新たな規制が必要だと論じています。どちらの論文も、上限はこの業界にとっても良いことだとしています。制約のもとでは、効率化の価値は下がるどころか高まるからです。

### 本人の言葉 {#in-his-own-words}

THINK Digital Partners の報道によると、バーナーズ＝リーは 2026 年 2 月にロンドンで政府のデジタル部門の幹部に向けて講演し、リバウンドの問題を「効率がよくなるほど、私たちはより多くのことをする」とまとめ、「多くの人が、あらゆる問題に AI と機械学習という大槌を振り下ろしている」と警告しました。

## 効率化を本当の節約に変えるものは何ですか？ {#what-turns-efficiency-into-real-savings}

**効率の向上には必ず総量の制限を組み合わせ、その総量を測定することです。**上で紹介した研究は、5 つの実践的な手段を示しています。

### 予算や上限のもとで取り組む {#work-under-a-budget-or-cap}

製品、チーム、プロジェクトごとに、エネルギー、排出量、計算資源、またはトークンの絶対的な予算を設定し、効率が上がってもそれを維持します。そうすれば効率化は、総量を押し上げるのではなく、予算の範囲内でより多くのことをできるようにします。

### 単位あたりの数値だけでなく、絶対的な影響を測定する {#measure-absolute-impact-not-just-per-unit-figures}

モデルが「10 倍効率的」だという主張は、総排出量が減ったかどうかについては何も語っていません。タスクあたりのエネルギーとあわせて、エネルギーと排出量の総量の推移を報告しましょう。[AI のエネルギーの測り方](/ja/グッドプラクティス/ai-のエネルギーと炭素を測る方法/)をご覧ください。

### 充足を実践する {#practise-sufficiency}

AI は本当に価値を生む場面で使い、使うときは十分な性能を持つ最も小さなモデルを使います。数式、検索、データベースへの問い合わせで、わずかなエネルギーで済むことがよくあります。[充足](/ja/用語集/#sufficiency)をご覧ください。

### 節約分を確定させる {#bank-the-savings}

効率化のプロジェクトで容量が空いたら、それをどうするかを事前に決めておきます。サーバー、予約済みのクラウド容量、ライセンスを廃止すれば、節約が確定します。動かしたままにしておくと、それを埋める新たな利用を招きます。[効率の向上が打ち消されないようにする方法](/ja/ハウツー/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/)をご覧ください。

### 総量に働きかける政策手段を使う {#use-policy-levers-that-act-on-totals}

炭素価格、排出量の上限、系統接続の制限、エネルギー使用量の絶対値の報告は、効率基準だけではできないかたちで、需要の総量に働きかけます。[グリーン AI 政策](/ja/グッドプラクティス/グリーン-ai-ポリシーの書き方/)をご覧ください。

## 次にすること {#what-to-do-next}

- 定期的な報告に、タスクあたりの数値とあわせて、AI のエネルギーや排出量の総量を加えましょう。
- AI の計算資源や排出量に予算や上限を設定し、効率が上がってもそれを維持しましょう。
- 効率化のプロジェクトごとに、空いた容量を廃止するのか再利用するのかを事前に決めましょう。
- 新しい AI 機能ごとに、それが必要か、標準でオンにすべきかを問いましょう。
- AI がほかの分野の排出を減らすという主張は、リバウンドを数えたうえで検証すべき仮説として扱いましょう。
- より広い視点については、[効率は充足ではない](/ja/記事/効率は充足ではない-ai-におけるリバウンド効果/)と[グリーン AI と AI for Green の違い](/ja/記事/グリーン-ai-と-ai-for-green-の違いとは/)をお読みください。

## よくある質問

### ジェボンズのパラドックスとは何ですか？

経済学者ウィリアム・スタンレー・ジェボンズが 1865 年の著書『石炭問題（The Coal Question）』で示した観察です。石炭をより効率的に使えるようになると、石炭を使う仕事が安くなって広まるため、かえって石炭の使用量が増えた、というものです。

### AI の効率が上がれば排出は減りますか？

クエリ 1 回あたりでは減ります。総量では、必ずしも減りません。クエリが安くなると、利用がはるかに増えるからです。プロンプトあたりのエネルギーが下がっても、データセンターの電力使用量の総量は今も急速に増えています。そのため、効率化が全体の排出を減らすのは、総使用量や排出量にも制限がある場合だけです。

### AI におけるリバウンド効果とは何ですか？

AI が安く、あるいは簡単になったときに生じる AI の利用の増加のことで、節約したエネルギーを食いつぶします。直接的なもの（プロンプトが増える）、間接的なもの（節約したお金や時間が、エネルギーを使うほかのことに使われる）、経済全体のもの（安い AI の上に新しい製品や産業が生まれる）があります。

### バックファイアとは何ですか？

バックファイアとは、リバウンド効果があまりに大きく、総消費量や総排出量が効率化の前より多くなってしまうことです。ジェボンズのパラドックスはバックファイアの一例です。

### マイク・バーナーズ＝リーらは、AI と気候について何と言っていますか？

査読付き論文で、ICT の環境負荷は過小評価されていること、効率の向上は需要の増加によって打ち消されがちであること、AI を含む ICT が気候に正味の利益をもたらすという根拠には疑問があること、そして効率化が本当の削減につながるには排出量の上限が必要であることを論じています。

### 効率の向上が打ち消されないようにするにはどうすればよいですか？

タスクあたりのエネルギーに加えてエネルギーや排出量の総量を測定し、予算や上限を設定し、空いた容量をどうするかを事前に決め、十分な価値を生む場面でだけ AI を使うことです。

## 出典

- [The Coal Question](https://archive.org/details/in.ernet.dli.2015.224624), W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
- [Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy](https://doi.org/10.1016/j.patter.2023.100679), 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)
- [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)
- [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)
- ["We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate](https://www.thinkdigitalpartners.com/news/2026/02/26/were-heading-for-something-pretty-grim-mike-berners-lee-warns-digital-leaders-on-climate/), THINK Digital Partners (2026)
