# AI의 탄소 발자국이란 무엇인가?

> AI 탄소 발자국을 알기 쉽게 설명합니다. 프롬프트당 탄소 배출량, 모델 카드에 나온 훈련 배출량, 내재 탄소, 전력망의 영향, 빅테크 배출량 추세를 다룹니다.

Source: https://greenai.guide/ko/기사/ai의-탄소-발자국이란-무엇인가/  
Updated: 2026-11-20

## 요약

AI의 탄소 발자국은 AI가 돌아가는 하드웨어와 건물을 만드는 데(내재 탄소), 그리고 모델을 훈련하고 돌리는 전기를 생산하는 데(운영 탄소) 배출되는 온실가스입니다. 텍스트 프롬프트 하나당으로는 작습니다. Google은 Gemini 프롬프트 중앙값을 CO₂ 환산량 0.03 g으로 보고합니다. 그러나 AI 배출량은 쌓입니다. GPT-3 훈련은 552톤으로 추정되었고, Microsoft의 총배출량은 AI를 확충하면서 2020년부터 2025년 사이 약 1,290만 톤에서 2,030만 톤으로 늘었습니다. 전기를 얼마나 쓰느냐만큼 그 전기가 어디서 오느냐도 중요합니다.

## 핵심 내용

- Google은 2025년 5월 Gemini 텍스트 프롬프트 중앙값을 시장 기준 0.03 g CO₂e로 보고합니다. 1년 만에 44분의 1로 줄어든 것이며, 그중 약 3분의 1은 하드웨어와 전기 외 배출에서 나옵니다.
- Mistral AI의 전과정평가(LCA)는 400 token짜리 Le Chat 응답을 1.14 g CO₂e로, Mistral Large 2의 훈련과 18개월 사용을 20,400톤으로 산정했습니다.
- GPT-3 훈련은 552톤 CO₂e로 추정되었습니다. Meta는 Llama 3.1 모델군을 지역 기준 11,390톤, 시장 기준 0톤으로 보고합니다.
- Microsoft의 배출량은 2020 회계연도 약 1,290만 톤에서 2025년 약 2,030만 톤으로 늘었습니다.
- Patterson 연구진에 따르면 모델, 데이터 센터, 프로세서를 고르는 것만으로 훈련의 탄소를 약 100~1,000분의 1로 줄일 수 있습니다.
- Lawrence Berkeley National Laboratory에 따르면 2023년 미국 데이터 센터의 전기는 약 7,400만 톤 CO₂e, kWh당 평균 0.34 kg과 관련되었습니다.

AI의 탄소 발자국이란 무엇일까요? AI가 돌아가는 하드웨어와 건물을 짓는 데, 그리고 모델을 훈련하고 돌리는 전기를
생산하는 데 배출되는 온실가스입니다. 프롬프트 하나당 AI 탄소 발자국은 작지만, 전체로 보면 AI 배출량은 빠르게
늘고 있습니다. 데이터 센터의 전기 사용과 건설이 빠르게 늘고 있기 때문입니다. 이 페이지는 공개된 수치와 그
수치들이 서로 다른 이유, 그리고 자신의 발자국을 추정하는 방법을 정리합니다.

## 프롬프트 하나당 AI의 탄소 발자국은 얼마나 되나요? {#how-big-is-ai-s-carbon-footprint-per-prompt}

**제공업체 자체 산정으로는 짧은 텍스트 프롬프트 하나에 CO₂ 환산량 1그램에도 못 미치며, 전과정을 다 세면 더
많아집니다.** CO₂ 환산량(CO₂e)은 이산화탄소에 다른 온실가스를 온난화 효과에 따라 가중해 더한 것입니다.

| 수치 | 포함 범위 | 출처 |
|---|---|---|
| Gemini 텍스트 프롬프트 중앙값당 0.03 g CO₂e | 전기(시장 기준)와 하드웨어 및 기타 배출, 2025년 5월 | Google, 2025 |
| 400 token짜리 Le Chat 응답당 1.14 g CO₂e | 추론의 전과정평가, 사용자 기기 제외 | Mistral AI, 2025 |
| ChatGPT 질의 평균당 약 0.34 Wh | 에너지만, 탄소 수치는 미공개 | OpenAI 최고경영자, 2025 |

ChatGPT의 질의당 공식 탄소 발자국은 없습니다. OpenAI는 에너지 수치는 내놓았지만 탄소 수치는 내놓지 않았으며,
탄소는 데이터 센터가 전기를 끌어오는 전력망에 따라 달라집니다.

Google의 수치는 전기에서 나오는 0.023 g과, 하드웨어 제조를 포함한 Scope 1 및 Scope 3 배출에서 나오는 0.010 g으로
나뉩니다. Google은 또 1년 사이 프롬프트 중앙값당 탄소가 44분의 1로 줄었다고 보고합니다. Mistral의 수치가 더 큰
것은 일부는 전과정을 더 많이 세고 다른 방법을 쓰기 때문이며, 두 수치는 직접 비교할 수 없습니다.

많이 쓰면 그림이 달라집니다. Zeke Hausfather는 자신이 AI 코딩 에이전트를 집중적으로 쓰는 데 드는 연간 약 1.1 MWh의
전기가 연간 약 370 kg CO₂e를 배출할 것으로 추정했습니다.
[AI는 에너지를 얼마나 쓸까?](/ko/기사/ai-전력-소비량-ai는-에너지를-얼마나-쓸까/)를 참고하십시오.

## 운영 탄소와 내재 탄소는 어떻게 다른가요? {#what-is-the-difference-between-operational-and-embodied-carbon}

**운영 탄소는 AI를 돌리는 데 쓰는 전기에서 나오고, 내재 탄소는 하드웨어와 건물을 만들고, 운송하고, 폐기하는
데서 나옵니다.** 정직한 발자국에는 둘 다 들어가야 합니다.

- **운영 탄소**는 작업에 에너지가 얼마나 드는지, 그리고 전기가 얼마나 깨끗한지에 따라 달라집니다.
- **[내재 탄소](/ko/용어집/#embodied-carbon)**는 칩 제조, 서버 생산, 데이터 센터 건설, 수명이 다한 뒤의 폐기에서
  나옵니다. 하드웨어가 수명 동안 수행하는 모든 작업에 나누어 배분됩니다.

내재 탄소의 비중은 큽니다. Meta의 Wu 연구진은 2022년 내재 탄소가 Meta 대규모 머신러닝 발자국의 약 30%를
차지한다고 보고했습니다. Luccioni, Viguier, Ligozat은 BLOOM 훈련을 훈련 중 쓰인 동적 전력만 세면 약 24.7톤 CO₂e,
장비 제조부터 운영 에너지까지 모두 포함하면 약 50.5톤으로 추정했습니다. 전기가 깨끗해질수록 내재 탄소의 비중이
커지므로, 하드웨어를 더 오래 쓰고 쉬지 않게 활용하는 것이 더 중요해집니다.
[AI 하드웨어의 내재 탄소 반영하기](/ko/방법/ai-하드웨어의-내재-탄소는-어떻게-계산에-넣어야-하나요/)를 참고하십시오.

## AI 모델을 훈련하면 탄소가 얼마나 배출되나요? {#how-much-carbon-does-training-an-ai-model-emit}

**지금까지 공개된 대형 모델의 훈련 배출량은 수십 톤에서 수만 톤 CO₂e까지 다양합니다.** 주로 모델 카드(모델과
함께 공개되는 문서)에서 찾을 수 있지만, 많은 프런티어 모델은 아무것도 공개하지 않습니다.

| 모델 | 훈련 배출량 | 근거 | 출처 |
|---|---|---|---|
| BLOOM(1,760억 매개변수, 2022) | 약 24.7 t CO₂e, 제조와 모든 운영 에너지 포함 시 50.5 t | 독립 전과정 추정 | Luccioni, Viguier and Ligozat, 2022 |
| GPT-3(1,750억 매개변수, 2020) | 552 t CO₂e, 1,287 MWh | Google 연구진의 추정 | Patterson et al., 2021 |
| Llama 3.1 모델군(8B, 70B, 405B, 2024) | 지역 기준 11,390 t CO₂e, 시장 기준 0 t | 모델 카드, 3,930만 GPU 시간 | Meta, 2024 |
| Llama 3.1 405B 단독 | 지역 기준 8,930 t CO₂e | 모델 카드 | Meta, 2024 |
| Mistral Large 2(훈련과 18개월 사용) | 20,400 t CO₂e, 물 281,000 m³ | 전과정평가 | Mistral AI, 2025 |

이는 일회성 비용이지만 전부는 아닙니다. Patterson 연구진은 머신러닝 작업량의 80–90%가 추론이라는 업계 추정을
인용하므로, 인기 있는 모델은 수명 동안 돌리는 비용이 훈련 비용보다 클 수 있습니다. EU AI Act는 이제 범용 AI 모델
제공자에게 알려진 또는 추정된 에너지 사용량을 규제 당국을 위해 문서화하도록 요구합니다.
[모델 훈련의 탄소 발자국 측정하기](/ko/방법/모델-학습의-탄소-발자국은-어떻게-측정하나요/)를 참고하십시오.

## 전력망은 AI의 배출량을 어떻게 바꾸나요? {#how-does-the-electricity-grid-change-ai-s-emissions}

**같은 1킬로와트시라도 어디서, 언제 쓰느냐에 따라 탄소가 크게 다를 수 있습니다.** [탄소
집약도](/ko/용어집/#carbon-intensity)는 생산된 전기 1킬로와트시당 배출되는 CO₂e입니다. 주로 수력, 원자력, 풍력,
태양광으로 돌아가는 전력망은 집약도가 낮고, 석탄이나 가스로 돌아가는 전력망은 높습니다.

- Lawrence Berkeley National Laboratory는 미국 데이터 센터가 위치한 전력망을 감안할 때, 2023년 이들의 전기가 약
  7,400만 톤 CO₂e, kWh당 평균 0.34 kg CO₂e와 관련되었다고 추정했습니다.
- Patterson 연구진은 모델, 데이터 센터, 프로세서를 고르는 것으로 훈련의 탄소 발자국을 약 100~1,000분의 1로
  줄일 수 있음을 발견했습니다. 위치는 그 수단 가운데 가장 큰 것 중 하나입니다.

그래서 AI를 어디서, 언제 돌리느냐가 중요합니다. 기다릴 수 있는 훈련 작업은 전력망이 더 깨끗한 시간대에 맞춰
예약할 수 있습니다. [저탄소 클라우드 리전 고르기](/ko/방법/탄소-배출이-적은-클라우드-지역은-어떻게-고르나요/),
[전력망이 더 친환경적일 때 훈련 예약하기](/ko/방법/전력망이-더-깨끗할-때-학습을-실행하도록-일정을-잡으려면-어떻게-하나요/),
[전력망 탄소 집약도 데이터 찾기](/ko/방법/우리-지역-전력망의-탄소-집약도는-어디서-찾을-수-있나요/)를 참고하십시오.

### 지역 기준과 시장 기준, 어느 수치가 맞나요? {#location-based-or-market-based-which-number-is-right}

**둘 다 정당하지만 서로 다른 질문에 답하며, 그 차이는 매우 클 수 있습니다.** 온실가스 프로토콜(Greenhouse Gas
Protocol)에 따라 회사는 전기에서 나오는 [Scope 2 배출량](/ko/용어집/#scope-1-2-and-3-emissions)을 두 가지 방식으로
보고합니다.

- **지역 기준(location-based)**은 실제로 전기를 끌어오는 전력망의 평균 탄소 집약도를 씁니다.
- **시장 기준(market-based)**은 회사가 사는 청정에너지 계약과 인증서를 반영합니다.

Meta는 Llama 3.1 훈련을 지역 기준 11,390톤, 시장 기준 0톤으로 보고합니다. Microsoft의 2025 회계연도 Scope 2
배출량은 지역 기준 약 1,200만 톤, 시장 기준 270만 톤입니다. Alphabet은 2025년을 지역 기준 1,510만 톤, 시장 기준
280만 톤으로 보고했습니다. 어떤 회사가 자사 AI를 "탄소 중립" 또는 "100% 재생에너지"라고 하면 어느 방법을 쓰는지
확인하십시오. [내 AI가 재생에너지로 돌아가는지 확인하기](/ko/방법/제가-쓰는-ai가-재생에너지로-돌아가는지-어떻게-확인하나요/)와
[정직한 친환경 주장](/ko/모범-사례/ai에-관한-정직한-친환경-주장/)을 참고하십시오.

## AI 때문에 기술 기업의 배출량이 늘고 있나요? {#are-tech-companies-emissions-rising-because-of-ai}

**그렇습니다. 가장 큰 AI 제공업체들은 주로 데이터 센터를 짓고 전력을 공급하는 데서 총배출량이 늘고 있다고
보고합니다.** 매년 내는 지속가능성 보고서가 그 추세를 보여 줍니다.

- **Microsoft**는 2030년까지 탄소 네거티브를 달성한다는 목표의 기준 연도인 2020 회계연도 총배출량을 약 1,290만 톤
  CO₂e로, 2025년을 약 2,030만 톤(경영 기준 적용)으로 보고합니다. 같은 기간 전기 사용량은 약 10.8 TWh에서
  37.0 TWh로 세 배 넘게 늘었습니다.
- **Google**은 2025년 운영 배출량(Scope 1과 시장 기준 Scope 2)이 2% 줄었지만, 전력 수요는 37%, 공급망 배출량은
  25% 늘었다고 보고했습니다. 검증을 받은 Alphabet의 2025년 수치에 따르면 Scope 3(공급망) 배출량은 약 1,590만
  톤으로, 운영 배출량 290만 톤의 다섯 배가 넘습니다.

두 회사의 양상은 같습니다. 청정 전기를 사들여 운영 배출량은 억누르고 있지만, 새 AI 용량을 위한 제조와 건설이
공급망 배출량을 밀어 올리고 있습니다.

국가 차원에서는 UK Compute Roadmap의 증거 부록이 2025년부터 2035년까지 AI 컴퓨팅에서 나오는 배출량을 3,400만~1억
2,300만 톤 CO₂, 이 기간 영국 예상 배출량의 약 0.9–3.4%로 추정했습니다. 범위가 넓은 것은 컴퓨팅이 얼마나 많이
구축될지, 전력망이 얼마나 깨끗해질지가 불확실하기 때문입니다.

## AI 탄소 추정치는 왜 서로 다른가요? {#why-do-ai-carbon-estimates-disagree}

**서로 다른 것을 세고, 서로 다른 전력망 수치를 쓰며, 금방 낡기 때문입니다.** 차이의 주된 원인은 다음과 같습니다.

1. **경계.** 칩만 세는지, 서버 전체와 냉각, 유휴 용량까지 세는지, 하드웨어 제조를 포함하는지, 훈련을 여러 용도에
   나누어 배분하는지에 따라 달라집니다.
2. **회계 방법.** 앞서 본 것처럼 전기를 지역 기준으로 세는지, 시장 기준으로 세는지에 따라 달라집니다.
3. **전력망과 시기.** 같은 모델이라도 다른 리전에서, 또는 1년 뒤에 돌리면 발자국이 크게 다를 수 있습니다.
4. **작업량.** 짧은 프롬프트, 긴 추론 답변, 에이전트 세션은 에너지가 천 배나 차이 납니다.

수치는 경계, 방법, 위치, 날짜가 함께 있어야 의미가 있습니다.
[측정이 병목이다](/ko/기사/측정이-그린-ai의-병목입니다/)를 참고하십시오.

## 내 AI 사용의 탄소 발자국은 어떻게 추정하나요? {#how-can-i-estimate-the-carbon-footprint-of-my-own-ai-use}

**에너지에 전력망 탄소 집약도를 곱한 다음, 내재 배출량의 몫을 더하십시오.** 이는 Software Carbon Intensity(SCI)
표준인 ISO/IEC 21031:2024의 구조로, 결과를 요청 하나당이나 사용자 한 명당처럼 유용한 작업 단위당으로 나타냅니다.

1. AI 작업의 **에너지를 킬로와트시로 추정하십시오.** 직접 돌린다면 계량기나 도구로, 호스팅 서비스라면 작업당
   수치로 추정합니다.
2. 작업이 돌아가는 곳의 **전력망 탄소 집약도를 찾으십시오.** kWh당 kg CO₂e로, 가능하면 작업이 돌아간 시간대의
   값을 씁니다.
3. 운영 배출량을 구하려면 **둘을 곱하십시오.**
4. **내재 배출량을 더하십시오.** 하드웨어 제조 발자국을 사용 수명에 걸쳐 나눈 값입니다.
5. **경계와 방법(지역 기준 또는 시장 기준)을 밝히고**, 숫자 하나가 아니라 범위로 제시하십시오.

도구가 도움이 됩니다. CodeCarbon과 Green Algorithms는 직접 돌리는 코드의 배출량을 추정하고, EcoLogits는 호스팅된
AI 모델 호출의 영향을 추정합니다. 이들은 계량기가 아니라 추정 도구입니다. 단계별 안내:
[내 개인 AI 탄소 발자국 계산하기](/ko/방법/내-ai-사용의-탄소-발자국은-어떻게-계산하나요/),
[AI 기능의 SCI 점수 계산하기](/ko/방법/ai-기능의-소프트웨어-탄소-집약도-sci-점수는-어떻게-계산하나요/),
[내 클라우드 제공업체의 탄소 데이터 찾기](/ko/방법/사용-중인-클라우드-업체의-탄소-데이터는-어디서-찾나요/).

## 다음에 할 일 {#what-to-do-next}

- 먼저 에너지를 줄이십시오. [AI를 효율적으로 쓰기](/ko/모범-사례/ai를-효율적으로-쓰기-일상-습관/)와
  [알맞은 모델 고르기](/ko/모범-사례/작업에-맞는-모델-고르기/)를 참고하십시오.
- 전력망이 깨끗한 곳에서 AI를 돌리십시오. [호스팅과 데이터 센터](/ko/모범-사례/그린-ai-호스팅과-데이터센터/)를 참고하십시오.
- 공급업체에 작업당 에너지와 탄소 수치를 방법과 함께 요청하십시오.
  [지속 가능한 AI 조달](/ko/모범-사례/지속-가능한-ai-조달/)을 참고하십시오.
- 경계와 방법을 밝히며 정직하게 보고하십시오. [정직한 친환경 주장](/ko/모범-사례/ai에-관한-정직한-친환경-주장/)을 참고하십시오.
- 상쇄하기 전에 먼저 생각하십시오. [내 AI 사용의 탄소 상쇄하기](/ko/방법/내-ai-사용으로-생긴-탄소를-상쇄하려면-어떻게-해야-하나요/)를 참고하십시오.
- 발자국의 나머지 절반은 [AI는 물을 얼마나 쓸까?](/ko/기사/ai는-물을-얼마나-쓸까-ai-물-사용량/)를 읽어 보십시오.

## 자주 묻는 질문

### ChatGPT의 탄소 발자국은 얼마인가요?

OpenAI는 질의당 탄소 수치를 공개하지 않았습니다. 최고경영자는 질의 평균 에너지를 약 0.34 Wh로 제시했으며, 탄소는 데이터 센터에 전기를 공급하는 전력망에 따라 달라집니다. Google은 자체 시장 기준 회계로 Gemini 텍스트 프롬프트 중앙값을 0.03 g CO₂e로 보고합니다.

### AI 모델을 훈련하면 CO₂가 얼마나 나오나요?

수십 톤에서 수천 톤까지 다양합니다. BLOOM 훈련은 약 24.7톤 CO₂e(제조와 모든 운영 에너지를 포함하면 50.5톤), GPT-3는 552톤으로 추정되었고, Meta는 Llama 3.1 모델 세 개를 지역 기준 11,390톤으로 보고합니다.

### AI 배출량은 늘고 있나요?

가장 큰 제공업체들은 그렇습니다. Microsoft의 총배출량은 2020 회계연도 약 1,290만 톤에서 2025년 2,030만 톤으로 늘었습니다. Google은 2025년 운영 배출량이 2% 줄었지만, 데이터 센터를 지으면서 공급망 배출량은 25% 늘었다고 보고했습니다.

### AI의 내재 탄소란 무엇인가요?

칩, 서버, 데이터 센터 건물을 만들고, 운송하고, 폐기하는 데서 나오는 배출입니다. Meta의 Wu 연구진은 이를 Meta 대규모 머신러닝 발자국의 약 30%로 추정했으며, 전기가 깨끗할수록 그 비중이 커집니다.

### 재생에너지로 돌아가는 AI는 배출량이 0인가요?

실제로는 그렇지 않습니다. 시장 기준 회계에서는 회사가 재생에너지 인증서를 사면 전기 배출량을 낮게 또는 0으로 보고할 수 있지만, 실제로 전기를 끌어오는 전력망은 여전히 화석 연료를 태우고 있을 수 있습니다. Meta는 Llama 3.1 훈련을 지역 기준 11,390톤, 시장 기준 0톤으로 보고합니다.

### 내 AI 사용의 탄소 발자국은 어떻게 계산하나요?

사용한 에너지(킬로와트시)에 전기를 공급하는 전력망의 탄소 집약도(kWh당 kg CO₂e)를 곱한 다음, 하드웨어 내재 배출량의 몫을 더하십시오. CodeCarbon, Green Algorithms, EcoLogits 같은 도구가 각 부분을 추정하는 데 도움이 됩니다.

### AI는 기후에 나쁜가요?

AI는 주로 데이터 센터 전기와 건설의 빠른 증가를 통해 배출량을 늘립니다. 얼마나 늘리는지는 AI를 어떻게 쓰는지, 얼마나 효율적으로 돌아가는지, 전력망이 얼마나 깨끗한지에 달려 있습니다. AI는 다른 곳의 배출을 줄이는 데도 도움이 될 수 있지만, 그 이점은 저절로 생기지 않으며 측정하기도 더 어렵습니다.

## 출처

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [Our contribution to a global environmental standard for AI](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai), Mistral AI (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (arXiv 2104.10350) (2021)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Estimating the carbon footprint of BLOOM, a 176B parameter language model](https://arxiv.org/abs/2211.02001), Luccioni, Viguier and Ligozat (arXiv 2211.02001) (2022)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [2026 environmental data fact sheet](https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf), Microsoft (2026)
- [Read our 11th annual Environmental Report](https://blog.google/company-news/outreach-and-initiatives/sustainability/2026-environmental-report/), Google (2026)
- [Alphabet FY2025 environmental indicators assurance letter (Schedule of select environmental metrics)](https://sustainability.google/files/6b09a7cbecbf228f4d30ad089301578eb599425e/alphabet-fy2025-environmental-indicators-assurance-letter.pdf), Alphabet (2026)
- [2024 United States Data Center Energy Usage Report](https://eta-publications.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report), Lawrence Berkeley National Laboratory (2024)
- [Scope 2 guidance](https://ghgprotocol.org/scope-2-guidance), Greenhouse Gas Protocol (2015)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
- [UK Compute Roadmap: evidence annex](https://assets.publishing.service.gov.uk/media/69d8dae9d3e08b8871b66599/compute-evidence-annex-final.pdf), Department for Science, Innovation and Technology (2025)
- [The real energy use of agentic AI](https://www.theclimatebrink.com/p/the-real-energy-use-of-agentic-ai), Zeke Hausfather, The Climate Brink (2026)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [EcoLogits](https://ecologits.ai/), GenAI Impact (2025)
