# Jaki jest ślad węglowy AI?

> Ślad węglowy AI: emisje CO₂ na jedno zapytanie, emisje z trenowania według kart modeli, emisje wbudowane, wpływ sieci i rosnące emisje big techów.

Source: https://greenai.guide/pl/artykuly/jaki-jest-slad-weglowy-ai/  
Updated: 2026-11-20

## W skrócie

Ślad węglowy AI to gazy cieplarniane emitowane przy wytwarzaniu sprzętu i budynków, na których działa AI (emisje wbudowane), oraz przy wytwarzaniu energii elektrycznej, która służy do trenowania i uruchamiania jej modeli (emisje operacyjne). Na jedno zapytanie tekstowe jest niewielki: Google podaje 0,03 g ekwiwalentu CO₂ dla mediany zapytania do Gemini. Emisje AI jednak się sumują: trenowanie GPT-3 oszacowano na 552 tony, a całkowite emisje Microsoftu wzrosły w latach 2020–2025 z około 12,9 do 20,3 miliona ton wraz z rozbudową infrastruktury AI. Źródło energii elektrycznej ma równie duże znaczenie jak ilość zużytej energii.

## Najważniejsze punkty

- Google podaje 0,03 g CO₂e dla mediany zapytania tekstowego do Gemini w maju 2025 roku, metodą rynkową, czyli 44-krotny spadek w ciągu roku; około jednej trzeciej tej wartości to emisje ze sprzętu i inne emisje niezwiązane z energią elektryczną.
- Ocena cyklu życia przeprowadzona przez Mistral AI wykazała 1,14 g CO₂e dla odpowiedzi Le Chat o długości 400 tokenów, a dla trenowania i 18 miesięcy użytkowania modelu Mistral Large 2 20 400 ton.
- Trenowanie GPT-3 oszacowano na 552 tony CO₂e; Meta podaje dla rodziny Llama 3.1 11 390 ton metodą lokalizacyjną i zero metodą rynkową.
- Emisje Microsoftu wzrosły z około 12,9 miliona ton w roku obrotowym 2020 do około 20,3 miliona w 2025 roku.
- Według Pattersona i współpracowników wybór modelu, centrum danych i procesora może zmniejszyć emisje z trenowania mniej więcej 100–1000 razy.
- Według Lawrence Berkeley National Laboratory z energią elektryczną zużytą przez amerykańskie centra danych w 2023 roku wiązało się około 74 milionów ton CO₂e, średnio 0,34 kg na kWh.

Jaki jest ślad węglowy AI? To gazy cieplarniane uwalniane przy budowie sprzętu i budynków, na których działa AI, oraz
przy wytwarzaniu energii elektrycznej, która służy do trenowania i uruchamiania jej modeli. Na jedno zapytanie ślad
węglowy AI jest niewielki; łącznie emisje AI szybko rosną, ponieważ szybko rośnie zużycie energii elektrycznej przez
centra danych i ich budowa. Ta strona przedstawia opublikowane dane, wyjaśnia, dlaczego się różnią, i pokazuje, jak
oszacować własny ślad.

## Jak duży jest ślad węglowy AI na jedno zapytanie? {#how-big-is-ai-s-carbon-footprint-per-prompt}

**Przy krótkim zapytaniu tekstowym według danych samych dostawców to ułamek grama ekwiwalentu CO₂; więcej, gdy
uwzględni się cały cykl życia.** Ekwiwalent CO₂ (CO₂e) dodaje do dwutlenku węgla inne gazy cieplarniane, ważone ich
wpływem na ocieplenie.

| Wartość | Zakres | Źródło |
|---|---|---|
| 0,03 g CO₂e na medianę zapytania tekstowego do Gemini | Energia elektryczna (metoda rynkowa) oraz sprzęt i inne emisje; maj 2025 | Google, 2025 |
| 1,14 g CO₂e na odpowiedź Le Chat o długości 400 tokenów | Ocena cyklu życia inferencji, bez urządzenia użytkownika | Mistral AI, 2025 |
| około 0,34 Wh na przeciętne zapytanie do ChatGPT | Tylko energia; nie opublikowano danych o emisjach | Prezes OpenAI, 2025 |

Nie ma oficjalnego śladu węglowego ChatGPT na jedno zapytanie: OpenAI podało dane o energii, ale nie o emisjach, a
emisje zależą od sieci, z których korzystają jego centra danych.

Wartość Google dzieli się na 0,023 g z energii elektrycznej i 0,010 g z emisji z zakresów 1 i 3, które obejmują
produkcję sprzętu. Google podaje też 44-krotny spadek emisji na medianę zapytania w ciągu jednego roku. Wartość
Mistrala jest większa częściowo dlatego, że obejmuje większą część cyklu życia i opiera się na innej metodzie; obu
wartości nie można bezpośrednio porównywać.

Intensywne korzystanie zmienia obraz. Zeke Hausfather oszacował, że jego własne intensywne korzystanie z agenta
programistycznego AI, około 1,1 MWh energii elektrycznej rocznie, oznaczałoby emisje około 370 kg CO₂e rocznie. Zob.
[ile energii zużywa AI?](/pl/artykuly/ile-energii-zuzywa-ai/)

## Czym różnią się emisje operacyjne od wbudowanych? {#what-is-the-difference-between-operational-and-embodied-carbon}

**Emisje operacyjne pochodzą z energii elektrycznej zużywanej do działania AI; emisje wbudowane pochodzą z produkcji,
transportu i utylizacji sprzętu i budynków.** Rzetelny ślad obejmuje oba rodzaje.

- **Emisje operacyjne** zależą od tego, ile energii zużywa praca i jak czysta jest energia elektryczna.
- **[Emisje wbudowane](/pl/slowniczek/#embodied-carbon)** pochodzą z wytwarzania układów scalonych, produkcji serwerów,
  budowy centrów danych i utylizacji po zakończeniu eksploatacji. Rozkładają się na wszystkie zadania, które sprzęt
  wykona w ciągu swojego życia.

Emisje wbudowane stanowią duży udział. Wu i współpracownicy z Meta podali w 2022 roku, że odpowiadały one za mniej
więcej 30% śladu uczenia maszynowego na dużą skalę w Meta. Luccioni, Viguier i Ligozat oszacowali emisje z
trenowania modelu BLOOM na około 24,7 tony CO₂e przy uwzględnieniu wyłącznie mocy dynamicznej zużywanej podczas
trenowania i na około 50,5 tony po uwzględnieniu wszystkiego, od produkcji sprzętu po energię operacyjną. W miarę
jak energia elektryczna staje się czystsza, udział emisji wbudowanych rośnie, przez co dłuższe używanie sprzętu i
pełne jego wykorzystanie zyskują na znaczeniu. Zob.
[jak uwzględnić emisje wbudowane sprzętu AI](/pl/jak/jak-uwzglednic-slad-weglowy-wbudowany-w-sprzet-ai/).

## Ile emisji powstaje przy trenowaniu modelu AI? {#how-much-carbon-does-training-an-ai-model-emit}

**Opublikowane dotąd emisje z trenowania dużych modeli wynoszą od kilkudziesięciu do kilkudziesięciu tysięcy ton
CO₂e.** Głównym miejscem, w którym można je znaleźć, są karty modeli (dokumentacja publikowana wraz z modelem), choć
wiele czołowych modeli nie publikuje żadnych danych.

| Model | Emisje z trenowania | Podstawa | Źródło |
|---|---|---|---|
| BLOOM (176 miliardów parametrów, 2022) | około 24,7 t CO₂e; 50,5 t z uwzględnieniem produkcji sprzętu i całej energii operacyjnej | Niezależny szacunek cyklu życia | Luccioni, Viguier i Ligozat, 2022 |
| GPT-3 (175 miliardów parametrów, 2020) | 552 t CO₂e; 1287 MWh | Szacunek badaczy Google | Patterson i in., 2021 |
| Rodzina Llama 3.1 (8B, 70B, 405B, 2024) | 11 390 t CO₂e metodą lokalizacyjną; 0 t metodą rynkową | Karta modelu, 39,3 miliona godzin GPU | Meta, 2024 |
| Sam model Llama 3.1 405B | 8930 t CO₂e metodą lokalizacyjną | Karta modelu | Meta, 2024 |
| Mistral Large 2 (trenowanie i 18 miesięcy użytkowania) | 20 400 t CO₂e; 281 000 m³ wody | Ocena cyklu życia | Mistral AI, 2025 |

To koszty jednorazowe, ale nie cała historia. Patterson i współpracownicy cytują szacunki branżowe, według których
80–90% obciążeń uczenia maszynowego to inferencja, więc w przypadku popularnego modelu jego działanie przez cały
okres użytkowania może przeważyć nad trenowaniem. Unijny akt w sprawie sztucznej inteligencji (AI Act) wymaga teraz
od dostawców modeli AI ogólnego przeznaczenia dokumentowania znanego lub szacowanego zużycia energii na potrzeby
organów regulacyjnych. Zob. [jak zmierzyć ślad węglowy trenowania modelu](/pl/jak/jak-zmierzyc-slad-weglowy-trenowania-modelu/).

## Jak sieć elektroenergetyczna wpływa na emisje AI? {#how-does-the-electricity-grid-change-ai-s-emissions}

**Ta sama kilowatogodzina może oznaczać bardzo różne emisje w zależności od tego, gdzie i kiedy zostanie zużyta.**
[Emisyjność](/pl/slowniczek/#carbon-intensity) to ilość CO₂e emitowana na kilowatogodzinę wytworzonej energii
elektrycznej. Sieć opierająca się głównie na energii wodnej, jądrowej, wiatrowej lub słonecznej ma niską emisyjność;
sieć opierająca się na węglu lub gazie wysoką.

- Lawrence Berkeley National Laboratory oszacowało, że z energią elektryczną zużytą przez amerykańskie centra danych
  w 2023 roku wiązało się około 74 milionów ton CO₂e, średnio 0,34 kg CO₂e na kWh, biorąc pod uwagę sieci w
  miejscach, w których się znajdują.
- Patterson i współpracownicy ustalili, że wybór modelu, centrum danych i procesora może zmniejszyć ślad węglowy
  trenowania mniej więcej 100–1000 razy. Lokalizacja to jedna z najważniejszych z tych dźwigni.

Dlatego ma znaczenie, gdzie i kiedy uruchamia się AI. Zadanie trenowania, które może poczekać, można zaplanować na
godziny, w których sieć jest czystsza. Zob. [jak wybrać niskoemisyjny region chmury](/pl/jak/jak-wybrac-region-chmury-o-niskiej-emisyjnosci/),
[jak planować trenowanie na czas, gdy sieć jest bardziej zielona](/pl/jak/jak-planowac-trenowanie-na-czas-gdy-siec-energetyczna-jest-czystsza/) oraz
[gdzie znaleźć dane o emisyjności sieci](/pl/jak/jak-sprawdzic-emisyjnosc-mojej-sieci-elektroenergetycznej/).

### Metoda lokalizacyjna czy rynkowa: która liczba jest właściwa? {#location-based-or-market-based-which-number-is-right}

**Obie są uprawnione, ale odpowiadają na różne pytania, a różnica może być ogromna.** Zgodnie z Greenhouse Gas
Protocol firma raportuje [emisje z zakresu 2](/pl/slowniczek/#scope-1-2-and-3-emissions) z energii elektrycznej na dwa
sposoby:

- **Metoda lokalizacyjna** wykorzystuje średnią emisyjność sieci, z których firma faktycznie pobiera energię.
- **Metoda rynkowa** odzwierciedla umowy na czystą energię i certyfikaty, które firma kupuje.

Meta podaje emisje z trenowania Llama 3.1 jako 11 390 ton metodą lokalizacyjną i zero metodą rynkową. W roku
obrotowym 2025 Microsoft wykazuje emisje z zakresu 2 na poziomie około 12,0 miliona ton metodą lokalizacyjną wobec
2,7 miliona metodą rynkową. Alphabet podał za 2025 rok 15,1 miliona ton metodą lokalizacyjną wobec 2,8 miliona
metodą rynkową. Gdy firma nazywa swoją AI „neutralną pod względem emisji” lub zasilaną „w 100% energią odnawialną”,
warto sprawdzić, której metody używa. Zob.
[jak sprawdzić, czy moja AI działa na energii odnawialnej](/pl/jak/jak-sprawdzic-czy-moja-ai-dziala-na-energii-odnawialnej/) oraz
[uczciwe deklaracje ekologiczne](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/).

## Czy emisje firm technologicznych rosną z powodu AI? {#are-tech-companies-emissions-rising-because-of-ai}

**Tak: najwięksi dostawcy AI wykazują rosnące emisje całkowite, głównie z budowy i zasilania centrów danych.** Trend
widać w ich rocznych raportach zrównoważonego rozwoju.

- **Microsoft** podaje całkowite emisje na poziomie około 12,9 miliona ton CO₂e w roku obrotowym 2020, który jest
  punktem odniesienia dla jego celu osiągnięcia ujemnego bilansu emisji do 2030 roku, i około 20,3 miliona ton w
  2025 roku (według jego kryteriów zarządczych). Jego zużycie energii elektrycznej w tym samym okresie wzrosło ponad
  trzykrotnie, z około 10,8 TWh do 37,0 TWh.
- **Google** podało, że jego emisje operacyjne (zakres 1 i zakres 2 metodą rynkową) spadły w 2025 roku o 2%, podczas
  gdy zapotrzebowanie na energię elektryczną wzrosło o 37%, a emisje w łańcuchu dostaw o 25%. Zweryfikowane dane
  Alphabetu za 2025 rok pokazują około 15,9 miliona ton emisji z zakresu 3 (łańcuch dostaw), ponad pięć razy więcej
  niż 2,9 miliona ton emisji operacyjnych.

W obu przypadkach wzór jest ten sam: zakup czystej energii elektrycznej powstrzymuje wzrost emisji operacyjnych, ale
produkcja i budowa stojące za nowymi mocami AI podnoszą emisje w łańcuchu dostaw.

Na poziomie krajowym aneks dowodowy do brytyjskiego UK Compute Roadmap oszacował, że emisje z mocy obliczeniowej AI w
latach 2025–2035 mogą wynieść 34–123 milionów ton CO₂, czyli około 0,9–3,4% prognozowanych emisji Wielkiej Brytanii w
tym okresie. Szeroki zakres odzwierciedla niepewność co do tego, ile mocy obliczeniowej powstanie i jak czysta będzie
sieć.

## Dlaczego szacunki emisji AI się różnią? {#why-do-ai-carbon-estimates-disagree}

**Ponieważ liczą różne rzeczy, korzystają z różnych danych o sieci i szybko się dezaktualizują.** Główne źródła
różnic:

1. **Granica.** Tylko układy scalone czy cały serwer, chłodzenie i bezczynna moc? Produkcja sprzętu? Trenowanie
   rozłożone na różne zastosowania?
2. **Metoda rozliczania.** Energia elektryczna liczona metodą lokalizacyjną lub rynkową, jak wyżej.
3. **Sieć i czas.** Ten sam model uruchomiony w innym regionie lub rok później może mieć zupełnie inny ślad.
4. **Obciążenie.** Krótkie zapytanie, długa odpowiedź z rozumowaniem i sesja z agentem różnią się zużyciem energii
   tysiąckrotnie.

Wartość ma sens tylko wraz z granicą, metodą, lokalizacją i datą. Zob.
[pomiar jest wąskim gardłem](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).

## Jak oszacować ślad węglowy własnego korzystania z AI? {#how-can-i-estimate-the-carbon-footprint-of-my-own-ai-use}

**Należy pomnożyć energię przez emisyjność sieci, a następnie dodać część emisji wbudowanych.** Taką strukturę ma
norma Software Carbon Intensity (SCI), ISO/IEC 21031:2024, która wyraża wynik na jednostkę użytecznej pracy, na
przykład na zapytanie lub na użytkownika.

1. **Oszacować energię** pracy AI w kilowatogodzinach: z licznika lub narzędzia, jeśli uruchamia się ją samodzielnie,
   albo z danych na zadanie w przypadku usługi hostowanej.
2. **Znaleźć emisyjność sieci** w miejscu, w którym wykonywana jest praca, w kg CO₂e na kWh, najlepiej dla godziny,
   w której ją wykonano.
3. **Pomnożyć obie wartości**, aby uzyskać emisje operacyjne.
4. **Dodać emisje wbudowane**: ślad produkcji sprzętu rozłożony na okres jego użytkowania.
5. **Podać granicę**, metodę (lokalizacyjną lub rynkową) i zakres zamiast jednej liczby.

Pomagają w tym narzędzia. CodeCarbon i Green Algorithms szacują emisje uruchamianego kodu; EcoLogits szacuje wpływ
wywołań hostowanych modeli AI. To narzędzia szacunkowe, a nie liczniki. Instrukcje krok po kroku:
[jak obliczyć mój osobisty ślad węglowy AI](/pl/jak/jak-obliczyc-moj-osobisty-slad-weglowy-korzystania-z-ai/),
[jak obliczyć wskaźnik SCI dla funkcji AI](/pl/jak/jak-obliczyc-wskaznik-software-carbon-intensity-dla-funkcji-ai/) oraz
[gdzie znaleźć dane o emisjach mojego dostawcy chmury](/pl/jak/gdzie-znalezc-dane-o-emisjach-mojego-dostawcy-chmury/).

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

- Najpierw ograniczyć zużycie energii: zob. [efektywne korzystanie z AI](/pl/dobre-praktyki/efektywne-korzystanie-z-ai-codzienne-nawyki/) oraz
  [wybór właściwego modelu](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/).
- Uruchamiać AI tam, gdzie sieć jest czysta: zob. [hosting i centra danych](/pl/dobre-praktyki/hosting-zielonej-ai-i-centra-danych/).
- Prosić dostawców o dane o energii i emisjach na zadanie, wraz z metodą: zob.
  [zrównoważone zamówienia AI](/pl/dobre-praktyki/zrownowazone-zamowienia-ai/).
- Raportować uczciwie, podając granicę i metodę: zob. [uczciwe deklaracje ekologiczne](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/).
- Zastanowić się przed kompensacją emisji: zob. [jak skompensować emisje z mojego korzystania z AI](/pl/jak/jak-zrekompensowac-emisje-co2-z-mojego-korzystania-z-ai/).
- O drugiej połowie śladu więcej w tekście [ile wody zużywa AI?](/pl/artykuly/ile-wody-zuzywa-ai/).

## Najczęściej zadawane pytania

### Jaki jest ślad węglowy ChatGPT?

OpenAI nie opublikowało danych o emisjach na jedno zapytanie. Prezes firmy podał około 0,34 Wh energii dla przeciętnego zapytania; emisje zależą od sieci, która zasila centrum danych. Google podaje 0,03 g CO₂e dla mediany zapytania tekstowego do Gemini według własnych obliczeń metodą rynkową.

### Ile CO₂ powstaje przy trenowaniu modelu AI?

Od kilkudziesięciu do kilku tysięcy ton. Trenowanie modelu BLOOM oszacowano na około 24,7 tony CO₂e (50,5 tony z uwzględnieniem produkcji sprzętu i całej energii operacyjnej), GPT-3 na 552 tony, a Meta podaje 11 390 ton metodą lokalizacyjną dla trzech modeli Llama 3.1.

### Czy emisje związane z AI rosną?

W przypadku największych dostawców tak. Całkowite emisje Microsoftu wzrosły z około 12,9 miliona ton w roku obrotowym 2020 do 20,3 miliona w 2025 roku. Google podało, że jego emisje operacyjne spadły w 2025 roku o 2%, ale emisje w łańcuchu dostaw wzrosły o 25% w związku z budową centrów danych.

### Czym są emisje wbudowane w AI?

To emisje z produkcji, transportu i utylizacji układów scalonych, serwerów i budynków centrów danych. Wu i współpracownicy z Meta oszacowali je na mniej więcej 30% śladu uczenia maszynowego na dużą skalę w Meta, a ich udział rośnie, gdy energia elektryczna jest czysta.

### Czy AI zasilana energią odnawialną ma zerowe emisje?

W rzeczywistości nie. Metoda rynkowa pozwala firmie wykazywać niskie lub zerowe emisje z energii elektrycznej, jeśli kupuje certyfikaty energii odnawialnej, podczas gdy sieć, z której pobiera energię, może nadal spalać paliwa kopalne. Meta podaje emisje z trenowania Llama 3.1 jako 11 390 ton metodą lokalizacyjną, ale zero metodą rynkową.

### Jak obliczyć ślad węglowy mojego korzystania z AI?

Należy pomnożyć zużytą energię w kilowatogodzinach przez emisyjność zasilającej sieci w kg CO₂e na kWh, a następnie dodać część emisji wbudowanych sprzętu. Narzędzia takie jak CodeCarbon, Green Algorithms i EcoLogits pomagają oszacować każdą z tych części.

### Czy AI szkodzi klimatowi?

Zwiększa emisje, głównie przez szybki wzrost zużycia energii elektrycznej przez centra danych i ich budowę. Skala zależy od tego, jak AI jest używana, jak efektywnie działa i jak czysta jest sieć. AI może też pomagać w ograniczaniu emisji w innych obszarach, ale te korzyści nie są automatyczne i trudniej je zmierzyć.

## Źródła

- [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)
