greenai.guide

Strona główna › Artykuły › Ile energii zużywa AI?

Artykuł

Ile energii zużywa AI?

Aktualizacja · Czas czytania: 9 min

W skrócie

Typowe krótkie zapytanie tekstowe do chatbota, takiego jak ChatGPT czy Gemini, zużywa według danych samych dostawców i niezależnych szacunków około 0,2–0,4 watogodziny energii elektrycznej, czyli mniej więcej tyle, ile telewizor w kilka sekund. Zużycie energii przez AI gwałtownie rośnie przy długich danych wejściowych, modelach rozumujących, obrazach, wideo i agentach programistycznych, które na jedno zadanie mogą zużywać od kilkudziesięciu do kilku tysięcy razy więcej. Według IEA centra danych zużyły łącznie w 2025 roku około 485 TWh energii elektrycznej, a AI jest głównym powodem wzrostu tej liczby.

Najważniejsze punkty

  • Google podaje 0,24 Wh dla mediany zapytania tekstowego do Gemini w maju 2025 roku; prezes OpenAI podał około 0,34 Wh dla przeciętnego zapytania do ChatGPT. Obie wartości pochodzą od samych firm.
  • Epoch AI szacuje typowe zapytanie do GPT-4o na około 0,3 Wh, przy czym wartość ta rośnie do około 2,5 Wh przy danych wejściowych o długości 10 000 tokenów i do prawie 40 Wh przy 100 000 tokenów.
  • Testy AI Energy Score przeprowadzone przez Hugging Face wykazały, że modele rozumujące zużywały średnio 30 razy więcej energii niż modele standardowe.
  • W testach modeli otwartych wygenerowanie jednego obrazu zużywało średnio około 2,9 Wh, a jednego krótkiego wideo AI około 90 Wh.
  • Jedna z analiz intensywnego korzystania z agenta programistycznego AI oszacowała zużycie na około 150 Wh na każde wpisane polecenie, czyli mniej więcej 600 razy więcej niż mediana zapytania do czatu.
  • IEA szacuje, że centra danych zużyły w 2025 roku około 485 TWh, o 17% więcej niż rok wcześniej, i spodziewa się około 950 TWh do 2030 roku.

Ile energii zużywa AI? Na jedno krótkie pytanie do chatbota bardzo mało: ułamek watogodziny. Na długie dokumenty, tryby rozumowania, obrazy, wideo i agentów programistycznych znacznie więcej. A przy miliardach zapytań dziennie zużycie energii przez AI jest już na tyle duże, że wpływa na planowanie systemów elektroenergetycznych. Ta strona zbiera najlepsze publicznie dostępne dane, podaje, skąd pochodzi każda z nich, i wyjaśnia, dlaczego się różnią.

Ile energii zużywa zapytanie do ChatGPT lub Gemini?

Według najlepszych obecnie dostępnych danych krótkie zapytanie tekstowe do dużego chatbota zużywa około 0,2–0,4 watogodziny (Wh). Watogodzina to energia, jaką urządzenie o mocy 1 wata zużywa w ciągu godziny.

Najczęściej cytowane liczby pochodzą od samych dostawców:

  • Google podało w 2025 roku, że mediana zapytania tekstowego w aplikacjach Gemini zużywała 0,24 Wh. Jego publikacja porównuje to z oglądaniem telewizji przez niecałe dziewięć sekund.
  • Prezes OpenAI napisał w 2025 roku, że przeciętne zapytanie do ChatGPT zużywa około 0,34 Wh. Metody nie opublikowano.
  • Epoch AI, niezależna grupa badawcza, oszacowała około 0,3 Wh dla typowego zapytania do GPT-4o na podstawie publicznych informacji o sprzęcie i wielkości modelu.

Wartości te są zbliżone, ale nie w pełni porównywalne: mediana to nie średnia, a każde źródło inaczej wyznacza granicę tego, co jest liczone. Dotyczą też wyłącznie krótkich zapytań tekstowych.

Energia na zadanie: porównanie danych

Energia na jedno zadanie AI różni się ponad tysiąckrotnie: od poniżej watogodziny przy krótkim zapytaniu do setek watogodzin przy sesji z agentem. Tabela zawiera najważniejsze opublikowane dane. Dane deklarowane pochodzą od firmy, która prowadzi usługę; szacunki i pomiary pochodzą od niezależnych badaczy.

Zadanie Energia Źródło i rok Rodzaj
Mediana zapytania tekstowego do Gemini 0,24 Wh Google, 2025 Deklarowane, opublikowana metoda
Przeciętne zapytanie do ChatGPT około 0,34 Wh Prezes OpenAI, 2025 Deklarowane, bez metody
Typowe zapytanie do GPT-4o około 0,3 Wh Epoch AI, 2025 Niezależny szacunek
GPT-4o, krótkie zapytanie (100 tokenów na wejściu, 300 na wyjściu) 0,42 Wh Jegham i in., 2025 Niezależny szacunek
Zapytanie do modelu klasy GPT-4o z danymi wejściowymi o długości 10 000 tokenów około 2,5 Wh Epoch AI, 2025 Niezależny szacunek
Zapytanie do modelu klasy GPT-4o z danymi wejściowymi o długości 100 000 tokenów prawie 40 Wh Epoch AI, 2025 Niezależny szacunek
Długie zapytanie (10 000 na wejściu, 1500 na wyjściu): Llama 3.1 8B a DeepSeek-R1 około 0,44 Wh wobec około 29 Wh Jegham i in., 2025 Niezależny szacunek
Modele rozumujące a modele standardowe średnio 30 razy więcej Hugging Face AI Energy Score, 2025 Pomiar, modele otwarte
Jeden wygenerowany obraz około 2,9 Wh (2,9 kWh na 1000) Luccioni, Jernite i Strubell, 2024 Pomiar, modele otwarte
Jedno krótkie wygenerowane wideo około 90 Wh dla jednego modelu; od 0,14 Wh do ponad 415 Wh w zależności od modelu Delavande, Pierrard i Luccioni, 2025 Pomiar, modele otwarte
Mediana sesji z agentem programistycznym około 41 Wh Couch, 2026 Niezależny szacunek
Agent programistyczny, na jedno wpisane polecenie (intensywne użycie) około 150 Wh (zakres 60–290 Wh) Hausfather, 2026 Niezależny szacunek

Token to fragment tekstu, mniej więcej trzy czwarte angielskiego słowa. Dane dla obrazów i wideo pochodzą z modeli otwartych uruchamianych na sprzęcie badawczym; usługi komercyjne mogą być bardziej lub mniej efektywne, a większość z nich nie publikuje danych.

Dlaczego modele rozumujące, obrazy i agenci zużywają więcej?

Ponieważ na jedno zapytanie wykonują znacznie więcej obliczeń. Zużycie energii rośnie wraz z liczbą tokenów, które model czyta i pisze, oraz z wielkością modelu.

  • Modele rozumujące przed udzieleniem odpowiedzi zapisują długie, ukryte ciągi rozumowania. Zespół AI Energy Score w Hugging Face ustalił, że ten sam model z włączonym rozumowaniem zużywał od 150 do 700 razy więcej energii niż z wyłączonym i pisał od 300 do 800 razy więcej tokenów.
  • Długie dane wejściowe muszą zostać przetworzone w całości. Szacunki Epoch AI rosną z około 0,3 Wh do prawie 40 Wh, gdy dane wejściowe zwiększają się do 100 000 tokenów, czyli rozmiaru bardzo długiego wklejonego dokumentu.
  • Obrazy i wideo są generowane w wielu krokach na wielu pikselach. Delavande, Pierrard i Luccioni ustalili, że energia potrzebna do wygenerowania wideo rośnie kwadratowo wraz z rozdzielczością i długością, a jeden krótki klip oszacowali na mniej więcej 2000 razy więcej niż odpowiedź tekstowa.
  • Agenci wywołują model raz za razem, za każdym razem ponownie czytając swój rosnący kontekst. Anthropic podał, że jego agenci zużywali zwykle około czterech razy więcej tokenów niż czat, a systemy wieloagentowe około piętnastu razy więcej.

Ile energii zużywa agent programistyczny AI?

Szacunki wahają się od kilkudziesięciu watogodzin na typową sesję do ponad kilowatogodziny na dzień intensywnej pracy. Żadna firma AI nie publikuje danych o zużyciu energii przez swoich agentów programistycznych, więc najlepszymi dostępnymi liczbami są staranne niezależne szacunki oparte na liczbie tokenów.

Simon Couch oszacował medianę sesji z Claude Code, obejmującej 24 wywołania modelu i około 590 000 tokenów, na około 41 Wh. Klimatolog Zeke Hausfather rejestrował przez osiem tygodni własne intensywne użycie: 1138 wpisanych poleceń uruchomiło ponad 14 000 wywołań modelu i 3,2 miliarda tokenów, z czego 96% stanowiło ponowne czytanie kontekstu z pamięci podręcznej. Oszacował łączne zużycie na około 170 kWh (zakres 70–330 kWh), czyli około 150 Wh na polecenie, a medianę sesji na około 0,6 kWh, co porównuje do naładowania telefonu około 50 razy. Zob. AI agentowa i marnowanie tokenów.

Co kosztuje więcej, trenowanie czy inferencja?

W przypadku powszechnie używanego modelu jego uruchamianie (inferencja) zwykle przeważa nad trenowaniem. Trenowanie to duży, jednorazowy koszt; inferencja jest niewielkie na jedno zapytanie, ale powtarzane miliardy razy.

Opublikowane dane o trenowaniu pokazują skalę:

  • GPT-3 (2020): Patterson i współpracownicy z Google oszacowali, że trenowanie zużyło 1287 MWh energii elektrycznej.
  • Llama 3.1 (2024): karta modelu Meta podaje 39,3 miliona godzin pracy GPU na układach H100 dla trzech rozmiarów modelu, z czego 30,84 miliona przypadło na największy model, liczący 405 miliardów parametrów.

Z drugiej strony Patterson i współpracownicy cytują szacunki NVIDIA, według których 80–90% obciążeń uczenia maszynowego to inferencja, oraz stwierdzenie Amazon Web Services, że 90% zapotrzebowania na uczenie maszynowe w jego chmurze to inferencja. Ta proporcja wyjaśnia, dlaczego spadek energii na jedno zapytanie ma tak duże znaczenie, a także dlaczego sam w sobie nie wystarcza: korzystanie z AI rośnie szybciej. Zob. efektywność to nie wystarczalność.

Ile energii elektrycznej zużywają łącznie centra danych i AI?

Międzynarodowa Agencja Energetyczna (IEA) szacuje, że centra danych zużyły w 2025 roku około 485 TWh, i spodziewa się około 950 TWh do 2030 roku, czyli około 3% światowej energii elektrycznej. Terawatogodzina (TWh) to miliard kilowatogodzin.

  • IEA oszacowała zużycie centrów danych w 2024 roku na około 415 TWh, czyli około 1,5% światowej energii elektrycznej. W aktualizacji z kwietnia 2026 roku podała 485 TWh w 2025 roku, o 17% więcej niż rok wcześniej, przy czym energia elektryczna zużywana przez centra danych nastawione na AI wzrosła o 50%.
  • Spodziewa się, że Stany Zjednoczone i Chiny odpowiadać będą za prawie 80% wzrostu do 2030 roku, a serwery z akceleratorami, głównie do AI, za prawie połowę przyrostu.
  • W Stanach Zjednoczonych Lawrence Berkeley National Laboratory oszacowało, że centra danych zużyły w 2023 roku około 178 TWh, czyli 4,4% krajowej energii elektrycznej, a do 2028 roku ich udział może sięgnąć 6,7–12%.

Nie ma wiarygodnej globalnej liczby dla samej AI, ponieważ centra danych nie opomiarowują pracy AI osobno. Raporty firm pokazują trend: zużycie energii elektrycznej przez Microsoft wzrosło z około 10,8 TWh w roku obrotowym 2020 do około 37,0 TWh w 2025 roku, a Google podało wzrost zapotrzebowania na energię elektryczną w 2025 roku o 37%, największy w swojej historii. Zob. dlaczego zielona AI ma znaczenie właśnie teraz.

Dlaczego dane o zużyciu energii przez AI tak bardzo się różnią?

Ponieważ badania liczą różne rzeczy, na różnym sprzęcie, dla różnych modeli i zadań. Większość rozrzutu wyjaśniają cztery czynniki.

  1. Granica systemu. Własna publikacja Google pokazuje, że uwzględnienie tylko aktywnych układów AI daje 0,10 Wh na medianę zapytania; dodanie procesorów i pamięci hosta, bezczynnej mocy utrzymywanej w gotowości na wypadek zapotrzebowania oraz chłodzenia centrum danych daje 0,24 Wh, ponad dwa razy więcej. Zob. pomiar jest wąskim gardłem.
  2. Sprzęt i wykorzystanie. Nowsze układy wykonują więcej pracy na wat, a obciążony serwer rozkłada swoje koszty stałe na więcej zapytań niż mało używany.
  3. Wielkość modelu. W szacunkach Jeghama i współpracowników długie zapytanie kosztowało około 0,44 Wh na małym modelu Llama 3.1 8B i około 29 Wh na DeepSeek-R1, dużym modelu rozumującym.
  4. Tokeny. Dłuższe dane wejściowe, dłuższe odpowiedzi, ukryte rozumowanie i powtarzane kroki agenta dodają tokeny, a energia rośnie razem z nimi.

Dwie dodatkowe przestrogi. Dane szybko się dezaktualizują: Google podało 33-krotny spadek energii na medianę zapytania w ciągu jednego roku. A danych deklarowanych przez firmy nie da się niezależnie sprawdzić. Widząc jakąś liczbę, warto zapytać, co zmierzono, w jakich granicach i kiedy. Zob. jak sprawdzić twierdzenie o zużyciu energii przez AI.

Jak zużycie energii przez AI wypada na tle codziennych czynności?

Krótkie zapytanie tekstowe jest małe w porównaniu z większością domowych zastosowań energii elektrycznej; intensywne korzystanie z agentów czy wideo już nie. Poniższe porównania pochodzą od samych źródeł:

  • Google porównuje swoją medianę zapytania do Gemini, 0,24 Wh, z oglądaniem telewizji przez niecałe dziewięć sekund.
  • Hausfather porównuje medianę sesji z agentem programistycznym przy swoim intensywnym użyciu (około 0,6 kWh) z naładowaniem telefonu około 50 razy, a przeciętny dzień takiego użycia (około 3 kWh) z pracą ponad dwóch lodówek.
  • Couch porównuje medianę dnia swojego korzystania z agenta programistycznego (około 1300 Wh) z uruchamianiem zmywarki jeden dodatkowy raz dziennie.
  • Google podało w 2009 roku, że przeciętne wyszukiwanie w sieci zużywało około 0,3 Wh, czyli podobny rząd wielkości jak dzisiejsze krótkie zapytania tekstowe. Dane dzieli jednak duży odstęp czasu i różnica metod.

Nie chodzi o to, że pojedyncze zapytanie jest duże. Chodzi o to, że nawyki mają znaczenie: wybór modelu rozumującego, wklejanie długich dokumentów, generowanie serii obrazów czy pozostawienie działającego agenta mogą każde z osobna wielokrotnie zwiększyć energię potrzebną do zadania. Zob. jak spojrzeć z dystansu na moje zużycie energii przez AI.

Co można zrobić, aby ograniczyć zużycie energii przez AI?

Warto używać najmniejszego narzędzia, które wykona zadanie, i wymagać od niego mniej. Największe oszczędności daje unikanie zbędnej pracy, a nie zmiana dostawcy.

W przypadku organizacji punktem wyjścia jest pomiar: zob. pomiar zużycia energii przez AI, jak oszacować energię wywołań API modeli AI oraz efektywne korzystanie z AI.

Co dalej

Najczęściej zadawane pytania

Ile energii zużywa jedno zapytanie do ChatGPT?

Prezes OpenAI poinformował w 2025 roku, że przeciętne zapytanie do ChatGPT zużywa około 0,34 watogodziny, a Epoch AI niezależnie oszacowało około 0,3 Wh dla typowego zapytania do GPT-4o. Długie dane wejściowe, tryby rozumowania i generowanie obrazów zużywają znacznie więcej.

Ile energii zużywa AI na jedno zapytanie?

Dla krótkiego zapytania tekstowego opublikowane dane skupiają się wokół 0,2–0,4 Wh: Google podaje 0,24 Wh dla mediany zapytania do Gemini. Niezależne szacunki dla dużych modeli z długimi zapytaniami sięgają około 29 Wh, a sesje z agentami programistycznymi mogą zużywać setki watogodzin.

Czy AI zużywa więcej energii niż wyszukiwarka Google?

Według opublikowanych danych nie w przypadku krótkiego zapytania tekstowego. Google podało w 2009 roku, że przeciętne wyszukiwanie zużywało około 0,3 Wh; dziś podaje 0,24 Wh dla mediany zapytania tekstowego do Gemini. Dane dzieli 16 lat i były mierzone inaczej, więc należy traktować to jako przybliżenie. Długie zadania, rozumowanie, obrazy i agenci zużywają znacznie więcej.

Ile energii elektrycznej zużywa AI łącznie?

Nie ma wiarygodnej liczby dla samej AI. Międzynarodowa Agencja Energetyczna szacuje, że wszystkie centra danych zużyły w 2025 roku około 485 TWh, o 17% więcej niż rok wcześniej, że zużycie centrów danych nastawionych na AI wzrosło o 50% i że łączne zużycie osiągnie do 2030 roku około 950 TWh, czyli około 3% światowej energii elektrycznej.

Co jest bardziej energochłonne, trenowanie czy używanie AI?

Trenowanie jednego dużego modelu to duży, jednorazowy koszt, na przykład szacowane 1287 MWh dla GPT-3. Popularny model jest jednak używany miliardy razy, a szacunki branżowe cytowane przez badaczy Google przypisują inferencji 80–90% obciążeń uczenia maszynowego.

Dlaczego szacunki zużycia energii przez AI tak bardzo się różnią?

Bo liczą różne rzeczy. Uwzględnienie chłodzenia centrum danych, bezczynnych serwerów i komputerów hostujących ponad dwukrotnie zwiększyło własną wartość Google, z 0,10 Wh do 0,24 Wh. Wynik zmieniają też wielkość modelu, sprzęt, długość zapytania i liczba wygenerowanych tokenów.

Ile energii zużywa generowanie obrazów przez AI?

W testach modeli otwartych przeprowadzonych przez Luccioni, Jernite’a i Strubell generowanie obrazów zużywało średnio około 2,9 kWh na 1000 obrazów, czyli około 2,9 Wh na obraz, ponad tysiąc razy więcej niż klasyfikacja fragmentu tekstu.

Jak mogę zmniejszyć zużycie energii przez moje korzystanie z AI?

Do prostych zadań warto używać mniejszego lub szybszego modelu, pisać krótkie zapytania i prowadzić krótkie rozmowy, wyłączać tryby rozumowania, gdy nie są potrzebne, oraz generować mniej obrazów i filmów. Najwięcej oszczędza pytanie, czy do danego zadania w ogóle potrzebna jest AI.

Źródła

  1. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  2. The gentle singularity, Sam Altman (OpenAI) (2025)
  3. How much energy does ChatGPT use?, Epoch AI (2025)
  4. How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference, Jegham et al. (arXiv 2505.09598, v6) (2025)
  5. AI Energy Score v2: refreshed leaderboard, now with reasoning, Luccioni and Gamazaychikov, Hugging Face (2025)
  6. Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
  7. Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (arXiv 2509.19222) (2025)
  8. The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
  9. Electricity use of AI coding agents, Simon P. Couch (2026)
  10. How we built our multi-agent research system, Anthropic (2025)
  11. Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
  12. Powering a Google search (Italian edition: Dare energia alle ricerche su Google), Google (2009)
  13. Llama 3.1 8B model card, Meta (2024)
  14. Energy and AI, International Energy Agency (2025)
  15. Key questions on energy and AI, International Energy Agency (2026)
  16. 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
  17. 2026 environmental data fact sheet, Microsoft (2026)
  18. Read our 11th annual Environmental Report, Google (2026)

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