# Efektywność to nie wystarczalność: efekt odbicia w AI

> Dlaczego większa efektywność AI nie gwarantuje mniejszego łącznego zużycia energii, czym jest efekt odbicia (paradoks Jevonsa) i co pomaga utrzymać realne oszczędności.

Source: https://greenai.guide/pl/artykuly/efektywnosc-to-nie-wystarczalnosc-efekt-odbicia-w-ai/  
Updated: 2026-11-19

## 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? {#what-is-the-difference-between-efficiency-and-sufficiency}

**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?](/pl/artykuly/czym-jest-zielona-ai/).

## Czym jest efekt odbicia? {#what-is-the-rebound-effect}

**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](/pl/slowniczek/#rebound-effect)).

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? {#has-this-happened-in-computing}

**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? {#is-ai-following-the-same-pattern}

**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](/pl/artykuly/agentowa-ai-i-marnowanie-tokenow/)).

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? {#why-doesn-t-efficiency-automatically-become-a-saving}

**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? {#what-does-sufficiency-look-like-in-practice}

**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](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/).
- **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](/pl/artykuly/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? {#how-can-rebound-be-kept-in-check}

**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](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).
- **Uczciwe deklaracje.** Twierdzenie, że produkt jest „X razy bardziej efektywny”, nic nie mówi o łącznym wpływie.
  Więcej w tekście [uczciwe deklaracje ekologiczne](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/).
- **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](/pl/dobre-praktyki/jak-napisac-polityke-zielonej-ai/).

## Co zrobić dalej {#what-to-do-next}

- 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](/pl/dobre-praktyki/efektywne-korzystanie-z-ai-codzienne-nawyki/).
- Po osiągnięciu zysku z efektywności z góry zdecydować, czy ma on zmniejszyć łączne zużycie, czy sfinansować nowe
  zastosowania.
- W [przewodniku dla biznesu](/pl/poradniki/zielona-ai-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

- [The Coal Question](https://oll.libertyfund.org/titles/317), W. Stanley Jevons, Macmillan (1865)
- [From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate](https://arxiv.org/abs/2501.16548), Luccioni, Strubell and Crawford, ACM FAccT (2025)
- [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)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [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)
