# Ile energii zużywa AI?

> Ile prądu zużywa sztuczna inteligencja? Dane na jedno zapytanie do ChatGPT i Gemini, rozumowanie, obrazy, wideo, agenci i centra danych, ze źródłami.

Source: https://greenai.guide/pl/artykuly/ile-energii-zuzywa-ai/  
Updated: 2026-11-20

## 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? {#how-much-energy-does-a-chatgpt-or-gemini-prompt-use}

**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 {#energy-per-task-the-figures-compared}

**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](/pl/slowniczek/#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? {#why-do-reasoning-models-images-and-agents-use-more}

**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? {#how-much-energy-does-an-ai-coding-agent-use}

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

## Co kosztuje więcej, trenowanie czy inferencja? {#is-training-or-inference-the-bigger-cost}

**W przypadku powszechnie używanego modelu jego uruchamianie (inferencja) zwykle przeważa nad trenowaniem.**
Trenowanie to duży, jednorazowy koszt; [inferencja](/pl/slowniczek/#inference) 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](/pl/artykuly/efektywnosc-to-nie-wystarczalnosc-efekt-odbicia-w-ai/).

## Ile energii elektrycznej zużywają łącznie centra danych i AI? {#how-much-electricity-do-data-centres-and-ai-use-in-total}

**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](/pl/artykuly/dlaczego-zielona-ai-ma-znaczenie-wlasnie-teraz/).

## Dlaczego dane o zużyciu energii przez AI tak bardzo się różnią? {#why-do-ai-energy-figures-vary-so-much}

**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](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).
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](/pl/jak/jak-sprawdzic-twierdzenie-o-zuzyciu-energii-przez-ai/).

## Jak zużycie energii przez AI wypada na tle codziennych czynności? {#how-does-ai-energy-compare-with-everyday-things}

**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](/pl/jak/jak-ocenic-moje-zuzycie-energii-przez-ai-we-wlasciwej-perspektywie/).

## Co można zrobić, aby ograniczyć zużycie energii przez AI? {#what-can-you-do-to-cut-ai-energy-use}

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

- **Zdecydować, czy zadanie wymaga AI:** zob. [jak zdecydować, czy potrzebuję AI do zadania](/pl/jak/jak-sprawdzic-czy-do-danego-zadania-w-ogole-potrzebuje-ai/).
- **Wybrać mniejszy lub szybszy model** do codziennych pytań: zob. [jak wybrać mniejszy model AI](/pl/jak/jak-wybrac-mniejszy-model-ai/)
  oraz [wybór właściwego modelu](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/).
- **Wyłączyć rozumowanie**, gdy nie jest potrzebne: zob. [używaj trybów rozumowania tylko wtedy, gdy są potrzebne](/pl/jak/kiedy-uzywac-trybu-myslenia-lub-rozumowania-w-ai/).
- **Prowadzić krótkie rozmowy** i zaczynać nowy czat przy nowym temacie: zob. [jak zachować efektywność długich czatów z AI](/pl/jak/jak-sprawic-by-dlugie-czaty-z-ai-nie-marnowaly-energii/).
- **Generować mniej obrazów i filmów:** zob. [jak ograniczyć wpływ generowania obrazów i wideo przez AI](/pl/jak/jak-zmniejszyc-wplyw-generowania-obrazow-i-wideo-przez-ai/).
- **Ustalić limity dla agentów:** zob. [jak powstrzymać agentów AI przed marnowaniem tokenów](/pl/jak/jak-sprawic-by-agenci-ai-nie-marnowali-tokenow/) oraz
  [jak korzystać z asystenta programistycznego AI o mniejszym śladzie](/pl/jak/jak-korzystac-z-asystenta-ai-do-programowania-bez-duzego-sladu/).

W przypadku organizacji punktem wyjścia jest pomiar: zob. [pomiar zużycia energii przez AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/),
[jak oszacować energię wywołań API modeli AI](/pl/jak/jak-oszacowac-zuzycie-energii-przez-moje-wywolania-api-ai/) oraz
[efektywne korzystanie z AI](/pl/dobre-praktyki/efektywne-korzystanie-z-ai-codzienne-nawyki/).

## Co dalej {#what-to-do-next}

- Aby przeliczyć energię na emisje, warto przeczytać [jaki jest ślad węglowy AI?](/pl/artykuly/jaki-jest-slad-weglowy-ai/).
- O wodzie więcej w tekście [ile wody zużywa AI?](/pl/artykuly/ile-wody-zuzywa-ai/).
- Codzienne nawyki: [jak zmniejszyć zużycie energii przy korzystaniu z ChatGPT](/pl/jak/jak-zmniejszyc-zuzycie-energii-przy-korzystaniu-z-chatgpt/).
- Warto poprosić dostawcę AI o dane o energii na jedno zadanie: zob. [jak poprosić firmę AI o dane o zużyciu energii](/pl/jak/jak-zapytac-firme-ai-o-dane-o-zuzyciu-energii/).
- Modele otwarte można porównać pod względem zmierzonego zużycia energii za pomocą [AI Energy Score](/pl/jak/jak-odczytac-ocene-ai-energy-score/).

## 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

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference](https://arxiv.org/abs/2505.09598), Jegham et al. (arXiv 2505.09598, v6) (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Luccioni and Gamazaychikov, Hugging Face (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (arXiv 2509.19222) (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)
- [Electricity use of AI coding agents](https://www.simonpcouch.com/blog/2026-01-20-cc-impact/), Simon P. Couch (2026)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (arXiv 2104.10350) (2021)
- [Powering a Google search (Italian edition: Dare energia alle ricerche su Google)](https://blog.google/intl/it-it/notizie-aziendali/iniziative/dare-energia-alle-ricerche-su-google/), Google (2009)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai), International Energy Agency (2025)
- [Key questions on energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary), International Energy Agency (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)
- [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)
