要点
AI のタスク一つひとつを安くしても、AI 全体が使うエネルギーが減るとは限りません。タスクが安くなると、その数が増える傾向があるからです。これがリバウンド効果、またはジェボンズ効果です。グリーン AI には、効率(各タスクをより少ない資源で行うこと)と充足(やる価値のあるタスクだけを行うこと)の両方が必要であり、節約はシステム全体のレベルで測定しなければなりません。
要点
- 効率はタスクあたりのエネルギーを下げますが、エネルギーの総量は、実行されるタスクの数によって決まります。
- 効率によって何かが安くなると需要が増えることが多く、ときには節約分を打ち消すほどになります。これがリバウンド効果、またはジェボンズ効果です。
- コンピューティングは何十年にもわたって飛躍的に効率化してきましたが、その電力使用量の総量は増え続けています。
- 充足とは、そもそもそのタスクに AI が、あるいはこれほど大きなモデルが必要かを問うことです。
- 効率の向上が節約とみなせるのは、総使用量に上限が設けられているか、測定されているか、価格に反映されている場合だけです。
グリーン AI は、効率の問題として語られることがよくあります。モデルを小さくし、チップを改良し、データセンターをクリーンにすれば、環境負荷は下がる、というわけです。効率は重要ですが、それだけでは AI が使うエネルギーが減るとは限りません。この記事では、その理由と、効率と並んで何が必要かを説明します。
効率と充足の違いは何ですか?
効率とは、タスクをより少ない資源で行うことです。充足とは、やる価値のあるタスクだけを行うことです。どちらも環境負荷を減らしますが、答える問いが異なります。
| 効率 | 充足 | |
|---|---|---|
| 問い | どうすればより少ないエネルギーでこれができるか? | この規模で、これをする必要があるか? |
| 例 | 枝刈り、量子化、より良いチップ、冷却 | 検索や数式で済む場面では AI を使わないこと、最先端モデルの代わりに小さなモデルを使うこと |
| 測定の単位 | タスクあたりのエネルギー | エネルギーの総量と、エネルギー 1 単位あたりの価値 |
| 行動する人 | エンジニア、ハードウェアメーカー、データセンター事業者 | 利用者、プロダクトオーナー、購入者、政策立案者 |
この 2 つは対立するものではありません。数学者、コンピューター科学者、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)では、グリーン AI は効率に重点を置くべきか、それとも必要な場面でだけ AI を使うことに重点を置くべきかを投票で尋ねました。最も多かった答えは「両方同じくらい」でした。より広い定義については、グリーン AI とは?をご覧ください。
リバウンド効果とは何ですか?
リバウンド効果とは、何かが安くなったり簡単になったりしたときに生じる、使用量の増加のことです。増えた使用量が節約分を上回るほど大きければ、総消費量は増えます。この極端な場合をジェボンズのパラドックスと呼びます(より穏やかなかたちのものはリバウンド効果とも呼ばれます)。
経済学者ウィリアム・スタンレー・ジェボンズは、1865 年の『石炭問題(The Coal Question)』でこれを説明しました。彼は、蒸気機関の効率が上がっても英国の石炭使用量は減らない、蒸気動力が安くなれば、はるかに多くの用途に使われるからだ、と論じました。彼は正しく、石炭の消費量は増え続けました。
リバウンドにはいくつかの段階があります。
- 直接的なリバウンド:安くなったタスクがより頻繁に行われます。より速く安いチャットボットには、より多くの質問が寄せられます。
- 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別のことに使われます。
- 経済全体のリバウンド:安くなった能力が、まったく新しい製品や産業を生み出します。
コンピューティングでもこれは起きましたか?
はい。Koomey らは 2011 年に、エネルギー 1 単位あたりの計算回数は、1940 年代の最初の電子計算機以来、約 1.57 年ごとに倍増してきたことを明らかにしました。同じ数十年の間に、コンピューティングの電力使用量の総量は増加しました。安くなった計算が、はるかに多くの用途に使われたからです。
Freitag らによる 2021 年の ICT の気候影響に関するレビューは、この分野の排出量を世界の温室効果ガス排出量の 1.8〜2.8%、サプライチェーンを完全に含めると 2.1〜3.9% と見積もりました。彼らは、大幅な効率向上にもかかわらず ICT の環境負荷は増え続けており、効率化を気候面での節約とみなす前に、リバウンド効果を考慮する必要があると論じました。
AI も同じパターンをたどっていますか?
初期の兆候は、そうであることを示しています。AI のタスクあたりのエネルギーは急速に下がっていますが、需要の総量は増えています。
- Google は 2025 年、より良いモデル、ソフトウェア、ハードウェアによって、Gemini のテキストプロンプトの中央値のエネルギーが 12 か月で 33 分の 1 になったと報告しました。
- ほぼ同じ時期に、国際エネルギー機関(IEA)は、データセンターの電力使用量が 2024 年の約 415 TWh から 2030 年には約 945 TWh へと 2 倍以上になり、その増加の最大の要因は AI であると予測しました。
この 2 つは同時に成り立ちます。プロンプトが安くなると、検索結果、文書、スマートフォン、ソフトウェアツールに AI を標準で組み込んだり、1 つのタスクで何度も呼び出しを行うエージェントを動かしたりすることが経済的になります(エージェント型 AI とトークンの無駄をご覧ください)。
Luccioni、Strubell、Crawford は、AI の環境をめぐる二極化した議論についての 2025 年の論文で、この点を検討しました。彼らは、効率の向上は総使用量を増やしうるため、AI の効率化だけでは環境への害が減ることは保証されず、議論はこうした間接的な影響を見落としていると論じました。そして、ライフサイクルアセスメントと、ビジネス上のインセンティブ、市場、ガバナンス、社会規範の分析を組み合わせることを求めています。
効率化が自動的に節約にならないのはなぜですか?
効率化で得をした人は、たいていその得た分を使ってしまうからです。AI でよく見られる仕組みは 3 つあります。
- 価格。提供事業者がコスト低下を価格に反映するため、利用が増えます。
- 能力。ある規模で節約した分が、品質が売りになるため、より大きなモデルやより長いコンテキストに使われます。
- 標準設定。AI を全員に対してオンにできるほど安くなると、頼んでいない人も含めて全員に対してオンにされます。
これは効率化をやめる理由にはなりません。効率化がなければ、需要の総量はさらに大きくなるはずです。これは、総使用量が測定されるまでは、効率の向上を気候面での節約とみなさない理由なのです。
充足は実際にはどのようなものですか?
タスクに合った手段を選び、ときにはまったく AI を使わないことを選ぶことです。実践的なかたちには次のようなものがあります。
- 決定論的な方法があれば、それを使います。電卓、データベースへの問い合わせ、古典的な数値計算法は、通常、言語モデルより安く、信頼性も高いのです。
- モデルを適正規模にします。単純なリクエストは小さなモデルに振り分けます。適切なモデルの選び方をご覧ください。
- 負荷の高い AI は、標準ではなく利用者が選んだときだけ動くようにします。ページが表示されるたびにコンテンツを生成する機能は、エネルギー使用量を何倍にも増やします。
- 試行回数を減らします。画像や動画を、納得がいくまで何度も生成し直すと、1 回ごとのコストが積み重なります。より良いプロンプトの書き方や編集ツールを使えば、試行回数を減らせます。
- 生成し直す代わりに再利用します。生成よりオーケストレーションをご覧ください。
サンドピットでのテーマの一つは、可能な場面では、利用者一人ひとりではなくシステムがこうした選択をすべきだ、というものでした。たとえば、十分な性能を持つ最も小さなモデルに自動で振り分けることです。すべての利用者に、すべてのリクエストのエネルギーコストを判断するよう求めるやり方は、規模が大きくなると成り立たないからです。
リバウンドを抑えるにはどうすればよいですか?
タスクあたりの使用量だけでなく、総使用量を測定し、上限を設け、価格に反映させることです。選択肢には次のものがあります。
- 予算。プロジェクトや製品にエネルギー、トークン、または炭素の予算を設定します。そうすれば、効率の向上は自動的に使用量の拡大につながるのではなく、余裕を生み出すことになります。
- システム全体の測定。タスクあたりのエネルギーとあわせて、エネルギーの総量の推移を報告します。測定こそがボトルネックをご覧ください。
- 誠実な主張。製品が「X 倍効率的」という主張は、全体としての影響については何も語っていません。誠実な環境主張のしかたをご覧ください。
- 政策。炭素価格や電力網の制約は、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 政策をご覧ください。
次にすること
- リクエストあたりの数値だけでなく、AI のエネルギーまたは費用の総量の推移を追跡します。
- AI 機能を追加する前に、AI を使わない方法で済まないか、標準でオンにすべきかを検討します。
- リクエストは、その仕事をこなせる最も小さなモデルに振り分けます。AI を効率よく使うをご覧ください。
- 効率を向上させたときには、それを総使用量の削減に充てるのか、新しい用途の原資にするのかを、事前に決めておきます。
- こうした選択を調達や製品設計に組み込む方法については、企業向けガイドをお読みください。
よくある質問
ジェボンズのパラドックスとは何ですか?
ウィリアム・スタンレー・ジェボンズが 1865 年に石炭について初めて指摘した現象です。資源をより効率的に使えるようになると、それが安くなってより広く使われるため、その資源の総消費量がかえって増えることがある、というものです。
リバウンド効果があるなら、効率化は無意味なのですか?
いいえ。効率化は依然として必要で、それがなければ総使用量はもっと多くなります。要点は、効率化だけでは総使用量の削減が保証されないということです。そのため、充足と測定を組み合わせる必要があります。
グリーン AI における充足とは何ですか?
十分な価値を生む場面でだけ AI を使い、仕事をうまくこなせる最も小さなモデルと最も少ない計算を使うことです。「どうすればもっと安くできるか」だけでなく、「そもそもこれをやるべきか」を問います。
出典
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- 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)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
関連
グリーン AI とは何か?
グリーン AI をわかりやすく定義します。環境のための AI と AI 自体のグリーン化、効率と充足、そしてエネルギー、炭素、水、資材のフットプリントを解説します。
AI を効率よく使う:日々の習慣
AI を使うときのエネルギーを減らす日々の習慣。明確なプロンプト、再生成の繰り返しを減らすこと、画像や動画の慎重な利用、キャッシュ、初期設定をオフにすることを紹介します。
用途に合ったモデルを選ぶ
AI を適正なサイズで使う方法。小型・特化型モデルを使うべき場面、フロンティアモデルがコストに見合う場面、ルーティングの仕組み、AI を使わないほうがよい場面を解説します。
グリーン AI のボトルネックは測定にある
AI のエネルギー数値が信頼しにくく比べにくい理由を解説します。自己申告の数値、実測ではない推計、異なる境界、そしてよい測定のあり方を紹介します。