greenai.guide

Strona główna › Artykuły › Efektywność to nie wystarczalność: efekt odbicia w AI

Artykuł

Efektywność to nie wystarczalność: efekt odbicia w AI

Aktualizacja · Czas czytania: 5 min

W skrócie

To, że każde zadanie AI staje się tańsze, nie oznacza, że AI jako całość zużywa mniej energii, bo tańsze zadania zwykle prowadzą do wykonywania ich w większej liczbie. To efekt odbicia (rebound effect), czyli paradoks Jevonsa. Zielona AI potrzebuje efektywności (wykonywania każdego zadania mniejszym nakładem) i wystarczalności (sufficiency, czyli wykonywania tylko zadań, które warto wykonać), a oszczędności trzeba mierzyć na poziomie całego systemu.

Najważniejsze punkty

  • Efektywność obniża zużycie energii na zadanie; łączne zużycie zależy od tego, ile zadań się wykonuje.
  • Gdy efektywność sprawia, że coś tanieje, popyt często rośnie, czasem na tyle, że znosi oszczędność. To efekt odbicia (rebound effect), czyli paradoks Jevonsa.
  • Od dziesięcioleci obliczenia stają się nieporównanie bardziej efektywne, a mimo to ich łączne zużycie energii elektrycznej wciąż rośnie.
  • Wystarczalność każe zapytać, czy zadanie w ogóle wymaga AI albo modelu tej wielkości.
  • Zyski z efektywności liczą się jako oszczędności tylko wtedy, gdy łączne zużycie jest ograniczone, mierzone lub wycenione.

Zieloną AI często przedstawia się jako problem efektywności: wystarczy zmniejszyć modele, ulepszyć układy scalone i uczynić centra danych czystszymi, a ślad środowiskowy spadnie. Efektywność ma znaczenie, ale sama w sobie nie gwarantuje, że sztuczna inteligencja (AI) będzie zużywać mniej energii. Ten artykuł wyjaśnia dlaczego i co musi jej towarzyszyć.

Czym różni się efektywność od wystarczalności?

Efektywność to wykonywanie zadania mniejszym nakładem; wystarczalność (sufficiency) to wykonywanie tylko zadań, które warto wykonać. Obie zmniejszają wpływ na środowisko, ale odpowiadają na różne pytania.

Efektywność Wystarczalność
Pytanie Jak zrobić to przy mniejszym zużyciu energii? Czy musimy to robić, i to w tej skali?
Przykłady Przycinanie (pruning), kwantyzacja, lepsze układy scalone, chłodzenie Rezygnacja z AI tam, gdzie wystarczy wyszukiwarka lub wzór; użycie małego modelu zamiast czołowego
Miara Energia na zadanie Łączne zużycie energii oraz wartość na jednostkę energii
Kto działa Inżynierowie, producenci sprzętu, operatorzy centrów danych Użytkownicy, właściciele produktów, kupujący, decydenci

Te dwa podejścia nie konkurują ze sobą. Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przedstawicieli przemysłu, przeprowadził ankietę, czy zielona AI powinna skupiać się na efektywności, czy na korzystaniu z AI tylko tam, gdzie jest potrzebna; najczęściej wybierano odpowiedź „na obu w równym stopniu”. Szersze definicje można znaleźć w tekście czym jest zielona AI?.

Czym jest efekt odbicia?

Efekt odbicia to dodatkowe zużycie, które pojawia się, gdy coś staje się tańsze lub łatwiejsze. Jeśli dodatkowe zużycie jest na tyle duże, że przeważa oszczędność, łączna konsumpcja rośnie. Ten skrajny przypadek nazywa się paradoksem Jevonsa (w łagodniejszych formach mówi się o efekcie odbicia).

Ekonomista William Stanley Jevons opisał go w 1865 roku w książce The Coal Question. Twierdził, że bardziej efektywne maszyny parowe nie zmniejszą zużycia węgla w Wielkiej Brytanii, bo tańsza energia pary znajdzie znacznie więcej zastosowań. Miał rację: zużycie węgla dalej rosło.

Efekt odbicia ma różne stopnie:

  • Bezpośredni efekt odbicia: tańsze zadanie wykonuje się częściej. Szybszy, tańszy chatbot dostaje więcej pytań.
  • Pośredni efekt odbicia: zaoszczędzone pieniądze lub czas wydaje się na coś innego, co także zużywa energię.
  • Efekt odbicia w skali całej gospodarki: tańsze możliwości umożliwiają powstanie zupełnie nowych produktów i branż.

Czy tak było już w informatyce?

Tak. Koomey i współpracownicy ustalili w 2011 roku, że liczba obliczeń na jednostkę energii podwajała się mniej więcej co 1,57 roku od pierwszych komputerów elektronicznych z lat 40. XX wieku. W tych samych dziesięcioleciach łączne zużycie energii elektrycznej przez informatykę rosło, bo tańsze obliczenia znajdowały znacznie więcej zastosowań.

Przegląd wpływu ICT na klimat autorstwa Freitag i współpracowników z 2021 roku szacował udział sektora na 1,8–2,8% światowych emisji gazów cieplarnianych, a po pełnym uwzględnieniu łańcuchów dostaw na 2,1–3,9%. Autorzy argumentowali, że ślad ICT rośnie mimo dużych zysków z efektywności i że efekty odbicia trzeba uwzględnić, zanim uzna się efektywność za oszczędność dla klimatu.

Czy AI podąża tym samym wzorcem?

Wczesne sygnały na to wskazują. Zużycie energii na zadanie AI szybko spada, a łączny popyt rośnie.

  • Google podał w 2025 roku, że zużycie energii przez medianowy tekstowy prompt Gemini spadło w ciągu dwunastu miesięcy 33-krotnie dzięki lepszym modelom, oprogramowaniu i sprzętowi.
  • W podobnym okresie Międzynarodowa Agencja Energetyczna (IEA) prognozowała, że zużycie energii elektrycznej przez centra danych do 2030 roku wzrośnie ponad dwukrotnie, z około 415 TWh w 2024 roku do około 945 TWh, a AI będzie najważniejszym motorem tego wzrostu.

Oba stwierdzenia mogą być prawdziwe jednocześnie. Tańsze prompty sprawiają, że opłaca się domyślnie wbudowywać AI w wyniki wyszukiwania, dokumenty, telefony i narzędzia programowe oraz uruchamiać agentów, którzy wykonują wiele wywołań na jedno zadanie (zob. agentowa AI i marnowanie tokenów).

Luccioni, Strubell i Crawford zbadali to w artykule z 2025 roku o spolaryzowanej debacie na temat wpływu AI na środowisko. Argumentowali, że większa efektywność AI sama w sobie nie zagwarantuje mniejszych szkód dla środowiska, bo zyski z efektywności mogą zwiększać łączne zużycie, a debata pomija te efekty pośrednie. Postulują ocenę cyklu życia połączoną z analizą bodźców biznesowych, rynków, zarządzania i norm społecznych.

Dlaczego efektywność nie zamienia się automatycznie w oszczędność?

Bo ten, kto zyskuje na efektywności, zwykle wydaje ten zysk. W AI powszechne są trzy mechanizmy:

  • Cena. Dostawcy przenoszą niższe koszty na klientów, więc korzystanie rośnie.
  • Możliwości. Oszczędność przy danym rozmiarze zostaje wydana na większy model lub dłuższy kontekst, bo jakość się sprzedaje.
  • Ustawienia domyślne. Gdy AI jest na tyle tania, że można ją włączyć wszystkim, zostaje włączona wszystkim, także osobom, które o to nie prosiły.

Nic z tego nie jest powodem, by przestać poprawiać efektywność. Bez niej łączny popyt byłby jeszcze wyższy. Jest to natomiast powód, by nie liczyć zysków z efektywności jako oszczędności dla klimatu, dopóki nie zmierzy się łącznego zużycia.

Jak wystarczalność wygląda w praktyce?

Oznacza dopasowanie narzędzia do zadania, a czasem rezygnację z AI. W praktyce przybiera takie formy:

  • Stosowanie metody deterministycznej, jeśli istnieje. Kalkulator, zapytanie do bazy danych czy klasyczna metoda numeryczna są zwykle tańsze i bardziej niezawodne niż model językowy.
  • Dobór wielkości modelu. Proste zapytania warto kierować do małych modeli. Więcej w tekście wybór właściwego modelu.
  • Ciężka AI jako opcja do włączenia, a nie ustawienie domyślne. Funkcje generujące treści przy każdym wyświetleniu strony mnożą zużycie energii.
  • Mniej iteracji. Wielokrotne generowanie obrazu czy wideo od nowa, aż wynik będzie wyglądał dobrze, mnoży koszt każdej próby. Lepsze prompty i narzędzia do edycji zmniejszają liczbę prób.
  • Ponowne wykorzystanie zamiast generowania od nowa. Więcej w tekście orkiestracja zamiast generowania.

Na sandpicie jednym z wątków było to, że tam, gdzie to możliwe, te wybory powinien podejmować system, a nie każdy użytkownik, na przykład przez automatyczne kierowanie zapytań do najmniejszego wystarczającego modelu, bo proszenie każdego użytkownika o ocenę kosztu energetycznego każdego zapytania nie sprawdza się na dużą skalę.

Jak trzymać efekt odbicia w ryzach?

Mierząc, ograniczając lub wyceniając łączne zużycie, a nie tylko zużycie na zadanie. Możliwości obejmują:

  • Budżety. Ustalenie budżetu energii, tokenów lub emisji dla projektu czy produktu, tak aby zyski z efektywności dawały zapas, a nie automatycznie zwiększały zużycie.
  • Pomiar całego systemu. Raportowanie łącznego zużycia energii w czasie, obok zużycia na zadanie. Więcej w tekście pomiar jest wąskim gardłem.
  • Uczciwe deklaracje. Twierdzenie, że produkt jest „X razy bardziej efektywny”, nic nie mówi o łącznym wpływie. Więcej w tekście uczciwe deklaracje ekologiczne.
  • Polityka publiczna. Opłaty za emisje CO2 i ograniczenia sieci elektroenergetycznej działają na łączny popyt w sposób, w jaki same normy efektywności nie działają. Więcej w tekście polityka wobec zielonej AI.

Co zrobić dalej

  • Śledzić łączne zużycie energii lub wydatki na AI w czasie, a nie tylko dane w przeliczeniu na zapytanie.
  • Przed dodaniem funkcji AI zastanowić się, czy wystarczyłaby metoda bez AI i czy funkcja powinna być domyślnie włączona.
  • Kierować zapytania do najmniejszego modelu, który wykona zadanie: zob. efektywne korzystanie z AI.
  • Po osiągnięciu zysku z efektywności z góry zdecydować, czy ma on zmniejszyć łączne zużycie, czy sfinansować nowe zastosowania.
  • W przewodniku dla biznesu opisano, jak wbudować te wybory w zamówienia i projektowanie produktów.

Najczęściej zadawane pytania

Czym jest paradoks Jevonsa?

To spostrzeżenie, które William Stanley Jevons poczynił po raz pierwszy w 1865 roku w odniesieniu do węgla: efektywniejsze wykorzystanie zasobu może zwiększyć jego łączne zużycie, bo efektywność czyni go tańszym, a więc szerzej używanym.

Czy efekt odbicia oznacza, że efektywność nie ma sensu?

Nie. Efektywność jest nadal potrzebna, a bez niej łączne zużycie byłoby wyższe. Chodzi o to, że sama efektywność nie gwarantuje niższego łącznego zużycia, więc musi iść w parze z wystarczalnością i pomiarem.

Czym jest wystarczalność w zielonej AI?

To korzystanie z AI tylko tam, gdzie wnosi wystarczającą wartość, oraz używanie najmniejszego modelu i najmniejszej ilości obliczeń, które dobrze wykonują zadanie. Zadaje pytanie „czy powinniśmy to robić?”, a nie tylko „jak zrobić to taniej?”.

Źródła

  1. The Coal Question, W. Stanley Jevons, Macmillan (1865)
  2. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
  3. 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)
  4. Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
  5. Energy and AI, International Energy Agency (2025)
  6. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)

Dołącz do nas

Pomóżmy zmniejszyć wpływ AI na planetę

Nowe przewodniki, nabory wniosków i wpisy w katalogach e-mailem, mniej więcej raz w miesiącu. Można też dodać do katalogów swój produkt, kurs, ofertę studiów doktoranckich lub badania.

Bez śledzenia. Rezygnacja jednym kliknięciem. Inne sposoby dołączenia · Prywatność