greenai.guide

Strona główna › Artykuły › Paradoks Jevonsa a AI: dlaczego efektywność nie wystarczy

Artykuł

Paradoks Jevonsa a AI: dlaczego efektywność nie wystarczy

Aktualizacja · Czas czytania: 7 min

W skrócie

Paradoks Jevonsa to spostrzeżenie, które William Stanley Jevons przedstawił w 1865 roku: bardziej efektywne wykorzystanie węgla sprawiło, że Wielka Brytania spalała go więcej, a nie mniej. W AI każde zapytanie staje się znacznie tańsze i bardziej efektywne, a mimo to łączne zużycie energii elektrycznej przez centra danych szybko rośnie. Badacze zajmujący się wpływem technologii cyfrowych na klimat dowodzą, że efektywność przynosi rzeczywiste ograniczenie emisji tylko wtedy, gdy łączne emisje są ograniczone limitem.

Najważniejsze punkty

  • Paradoks Jevonsa: gdy korzystanie z zasobu tanieje, jego łączne zużycie może wzrosnąć. Jevons wykazał to dla węgla w 1865 roku.
  • Efekt odbicia może być bezpośredni (więcej tego samego zadania), pośredni (oszczędności wydane na coś innego) lub ogólnogospodarczy; gdy przewyższa oszczędność, nazywa się go efektem bumerangu (backfire).
  • Google podał, że energia mediany promptu tekstowego Gemini spadła w ciągu roku 33-krotnie, podczas gdy IEA prognozuje, że zużycie energii elektrycznej przez centra danych do 2030 roku wzrośnie ponad dwukrotnie.
  • Freitag, Berners-Lee i współpracownicy ustalili, że ślad klimatyczny ICT jest niedoszacowany, i dowodzą, że twierdzenia o oszczędnościach dzięki ICT opierają się na słabych dowodach.
  • Widdicks i współpracownicy stwierdzają, że efektywność w warunkach limitów emisji to jedyny sposób na przełożenie efektywności na rzeczywiste ograniczenie emisji.
  • W praktyce: mierzyć wartości łączne, ustalać budżety lub limity, wycofywać uwolnione zasoby i używać AI tylko tam, gdzie wnosi wartość.

AI bardzo szybko staje się bardziej efektywna, a jej łączne zużycie energii bardzo szybko rośnie. Te dwa fakty nie są sprzeczne. To liczący 160 lat wzorzec znany jako paradoks Jevonsa. Ten tekst wyjaśnia paradoks, przedstawia dowody, że dotyczy on AI, omawia zastrzeżenia badaczy wobec traktowania technologii cyfrowych jako rozwiązania problemu klimatu i pokazuje, co naprawdę przekłada efektywność na niższe emisje. Podstawy efektywności i wystarczalności opisuje tekst efektywność to nie wystarczalność.

Czym jest paradoks Jevonsa?

Paradoks Jevonsa zachodzi wtedy, gdy bardziej efektywne wykorzystanie zasobu prowadzi do zużywania go w większej, a nie mniejszej ilości. Ekonomista William Stanley Jevons opisał go w 1865 roku w The Coal Question, książce o tym, czy brytyjskie kopalnie węgla się wyczerpią.

Jevons nie zgadzał się z poglądem, że oszczędność paliwa zmniejszy jego zużycie. Napisał, że „całkowitym pomieszaniem pojęć jest przypuszczenie, że oszczędne używanie paliwa jest równoznaczne ze zmniejszonym zużyciem. Prawda jest dokładnie odwrotna”. Rozumował, że tańsza para sprawiła, iż węgiel opłacało się wykorzystywać do znacznie większej liczby prac, więc łączny popyt rósł szybciej, niż spadało zużycie każdej maszyny.

Wniosek nie brzmi, że efektywność jest zła. Brzmi tak, że efektywność zmienia cenę robienia czegoś, a ludzie, firmy i całe gospodarki reagują na ceny.

Czym jest efekt odbicia?

Efekt odbicia to dodatkowe zużycie, które wywołuje poprawa efektywności i które pochłania część oszczędności. Paradoks Jevonsa jest jego najbardziej skrajną formą. Widdicks i współpracownicy w artykule z 2023 roku w czasopiśmie Patterns opisują jego główne rodzaje:

Rodzaj Co się dzieje Przykład z AI
Bezpośredni efekt odbicia Ta sama usługa tanieje, więc korzysta się z niej więcej Tańsze prompty prowadzą do większej liczby promptów, dłuższych odpowiedzi i większej liczby wywołań agentów
Pośredni efekt odbicia Zaoszczędzone pieniądze lub czas wydaje się na inne rzeczy, które też zużywają energię („efekt dochodowy” i „odbicie czasowe”) Czas zaoszczędzony dzięki asystentowi AI zostaje przeznaczony na bardziej energochłonne zajęcia
Ogólnogospodarczy efekt odbicia Gospodarka jako całość się dostosowuje: na tańszym czynniku wyrastają nowe produkty, rynki i branże AI domyślnie wbudowana w wyszukiwarki, telefony i oprogramowanie biurowe

Gdy efekt odbicia jest większy niż oszczędność, tak że łączne zużycie lub emisje rosną, nazywa się go efektem bumerangu (backfire). Ci sami autorzy zauważają, że w gospodarce światowej poprawa efektywności energetycznej większości produktów i usług szła w parze ze średnim wzrostem światowych emisji dwutlenku węgla o 1,8% rocznie od 1850 roku. Zastrzegają, że nie dowodzi to, iż efektywność powoduje wyższe emisje, a jedynie że gdyby tak nie było, emisje musiałyby bez efektywności rosnąć znacznie szybciej.

W słowniczku: efekt odbicia i paradoks Jevonsa.

Czy paradoks Jevonsa zachodzi w AI?

Dowody na to wskazują: energia na zapytanie szybko spada, a łączne zużycie energii elektrycznej przez centra danych rośnie. Dwie szeroko cytowane liczby z różnych źródeł pokazują ten wzorzec:

  • Na zapytanie. Google podał w 2025 roku, że mediana promptu tekstowego w aplikacjach Gemini zużywa 0,24 Wh energii i że w ciągu 12 miesięcy energia na medianę promptu spadła 33-krotnie, a jego ślad węglowy 44-krotnie.
  • Łącznie. Międzynarodowa Agencja Energetyczna (IEA) szacuje, że centra danych zużyły w 2024 roku około 415 TWh, około 1,5% światowej energii elektrycznej, i że zużycie to rośnie od 2017 roku o około 12% rocznie. Prognozuje, że do 2030 roku wzrośnie ponad dwukrotnie, do około 945 TWh, a AI będzie „najważniejszym motorem tego wzrostu”.

Same te liczby nie dowodzą związku przyczynowo-skutkowego, bo popyt na AI rośnie też z innych powodów niż cena. Pokazują jednak, że duże zyski w przeliczeniu na zapytanie nie zatrzymały wzrostu łącznego zużycia. Sama IEA uznaje tempo poprawy efektywności za jedną z głównych niepewności swojej prognozy: w jej scenariuszach zapotrzebowanie centrów danych w 2035 roku wynosi od 700 do 1 700 TWh.

AI ma cechy, które szczególnie sprzyjają efektowi odbicia. Tańsza inferencja pozwala dostawcom ustawiać AI jako domyślną funkcję w narzędziach, z których ludzie już korzystają, a agentom wykonywać wiele wywołań modelu na jedno zadanie (zob. agentowa AI i marnowanie tokenów). Oszczędności często są też wydawane na możliwości, takie jak większe modele czy dłuższy kontekst, zamiast zostać zachowane.

Jakie zastrzeżenia zgłaszają Mike Berners-Lee i współpracownicy?

Dowodzą, że wpływ technologii cyfrowych na klimat jest niedoszacowany, że zyski z ich efektywności są regularnie niwelowane przez popyt i że twierdzenia o korzyściach klimatycznych wymagają znacznie lepszych dowodów. Mike Berners-Lee, założyciel Small World Consulting z siedzibą na Lancaster University, jest specjalistą od śladu węglowego i współautorem dwóch artykułów w Patterns na ten temat.

Ślad jest większy, niż się podaje

Freitag, Berners-Lee, Widdicks, Knowles, Blair i Friday przeanalizowali w 2021 roku szacunki wpływu technologii informacyjno-komunikacyjnych (ICT) na klimat. Ustalili, że recenzowane badania przypisują ICT 1,8–2,8% światowych emisji gazów cieplarnianych, ale udział ten może wynosić 2,1–3,9% po uwzględnieniu łańcuchów dostaw pomijanych w standardowych analizach cyklu życia (tzw. „błąd obcięcia”).

Efektywność nie zmniejszyła sumy

Ten sam przegląd wykazał, że popyt na obliczenia i urządzenia w przeliczeniu na osobę wyprzedził poprawę efektywności, więc zużycie energii i ślad ICT rosły z roku na rok. Wszyscy analitycy objęci przeglądem zgadzali się, że emisje ICT „nie zmniejszą się bez dużych, skoordynowanych wysiłków obejmujących szerokie działania polityczne i przemysłowe”. Autorzy podali powody, by spodziewać się wzrostu emisji bez interwencji, i uznali naturalne osiągnięcie szczytu wskutek nasycenia popytu za mało prawdopodobne. Uczciwie przedstawiają też odmienny pogląd badacza Jensa Malmodina, przekazany im w komunikacji osobistej, że emisje ICT na razie się ustabilizowały i mogą do 2030 roku spaść o połowę.

Twierdzeniom o „AI dla klimatu” brakuje dowodów na korzyść netto

Raporty branżowe twierdziły, że ICT może zaoszczędzić w innych sektorach kilkakrotnie więcej emisji, niż sama wytwarza. Freitag i współpracownicy dowodzą, że szacunki te traktują efekt odbicia bardzo pobieżnie i że ICT równie dobrze może napędzać wzrost, także w branżach o wysokiej emisyjności, jak ograniczać emisje. Piszą, że „mimo wątpliwych dowodów, iż trendy wzrostu ICT pozwolą zaoszczędzić więcej emisji, niż wprowadzą”, blockchain, internet rzeczy i AI przyciągają coraz więcej inwestycji i są coraz szerzej wdrażane. Ich zdaniem ICT oszczędza emisje w innych dziedzinach tylko wtedy, gdy zastępuje działalność o wysokiej emisyjności, a nie gdy się do niej dokłada.

Nie oznacza to, że AI nie może pomóc klimatowi. Oznacza, że każde takie twierdzenie musi wykazać korzyść netto, z uwzględnieniem własnego śladu AI i efektu odbicia. Zob. zielona AI a AI dla środowiska.

Efektywność potrzebuje limitu

Artykuł Widdicksa i współpracowników z 2023 roku, oparty na warsztatach z udziałem 19 ekspertów, stwierdza, że „efektywność w warunkach limitów emisji gazów cieplarnianych to jedyny sposób, w jaki efektywność może przynieść rzeczywiste ograniczenie emisji”. Przegląd z 2021 roku dowodzi, że bez globalnego limitu emisji dwutlenku węgla potrzebne są nowe regulacje, aby utrzymać ślad ICT w zgodzie z porozumieniem paryskim. Oba artykuły przedstawiają limit także jako korzystny dla sektora: w warunkach ograniczenia efektywność staje się cenniejsza, a nie mniej cenna.

Jego własnymi słowami

Według relacji THINK Digital Partners, przemawiając w lutym 2026 roku w Londynie do liderów cyfryzacji w administracji rządowej, Berners-Lee podsumował problem efektu odbicia słowami „im bardziej efektywne to się staje, tym więcej robimy” i ostrzegł, że „wiele osób wali w każdy problem młotem AI i uczenia maszynowego”.

Co przekłada efektywność na rzeczywiste oszczędności?

Łączenie każdej poprawy efektywności z limitem wartości łącznej i mierzenie tej wartości. Opisane wyżej badania wskazują pięć praktycznych dźwigni.

Działać w ramach budżetu lub limitu

Należy ustalić bezwzględny budżet energii, emisji, mocy obliczeniowej lub tokenów dla produktu, zespołu lub projektu i utrzymać go, gdy efektywność się poprawia. Efektywność pozwala wtedy zrobić więcej w ramach budżetu, zamiast podnosić sumę.

Mierzyć wpływ bezwzględny, a nie tylko wartości jednostkowe

Twierdzenie, że model jest „dziesięć razy bardziej efektywny”, nic nie mówi o tym, czy łączne emisje spadły. Warto raportować łączne zużycie energii i emisje w czasie obok energii na zadanie. Zob. jak mierzyć energię AI.

Stosować wystarczalność

Używać AI tam, gdzie wnosi rzeczywistą wartość, a wtedy najmniejszego wystarczającego modelu. Formuła, wyszukiwanie albo zapytanie do bazy danych często wykonuje zadanie przy ułamku energii. Zob. wystarczalność.

Zachować oszczędności

Gdy projekt poprawy efektywności uwalnia zasoby, warto z góry zdecydować, co się z nimi stanie. Wycofanie serwerów, zarezerwowanej mocy w chmurze lub licencji utrwala oszczędność; pozostawienie ich w użyciu zachęca do wypełnienia ich nowym zużyciem. Zob. jak zapobiec zniwelowaniu zysków z efektywności.

Korzystać z narzędzi polityki działających na wartości łączne

Opłaty za emisję dwutlenku węgla, limity emisji, ograniczenia przyłączeń do sieci i raportowanie bezwzględnego zużycia energii działają na łączny popyt w sposób, w jaki same normy efektywności nie mogą. Zob. polityka zielonej AI.

Co zrobić dalej

  • Dodać łączne zużycie energii lub emisje AI do regularnej sprawozdawczości, obok wartości na zadanie.
  • Ustalić budżet lub limit mocy obliczeniowej lub emisji AI i utrzymać go, gdy efektywność się poprawia.
  • Przed każdym projektem poprawy efektywności zdecydować, czy uwolnione zasoby zostaną wycofane, czy ponownie użyte.
  • Zastanowić się, czy każda nowa funkcja AI jest potrzebna i czy powinna być domyślnie włączona.
  • Każde twierdzenie, że AI ograniczy emisje w innych dziedzinach, traktować jako hipotezę do sprawdzenia, z uwzględnieniem efektu odbicia.
  • Szerszy obraz dają teksty efektywność to nie wystarczalność oraz zielona AI a AI dla środowiska.

Najczęściej zadawane pytania

Czym jest paradoks Jevonsa?

To spostrzeżenie ekonomisty Williama Stanleya Jevonsa z jego książki The Coal Question z 1865 roku, że bardziej efektywne wykorzystanie węgla prowadziło do zużywania go w większej ilości, bo efektywność sprawiała, że praca napędzana węglem stawała się tańsza, a więc bardziej rozpowszechniona.

Czy bardziej efektywna AI ogranicza emisje?

W przeliczeniu na zapytanie tak. W sumie niekoniecznie: tańsze zapytania zachęcają do znacznie większego korzystania. Łączne zużycie energii elektrycznej przez centra danych wciąż szybko rośnie, choć energia na prompt spada, więc efektywność ogranicza emisje ogółem tylko wtedy, gdy ograniczone jest też łączne zużycie lub łączne emisje.

Czym jest efekt odbicia w AI?

To dodatkowe korzystanie z AI, które pojawia się, gdy AI staje się tańsza lub łatwiejsza w użyciu, i które pochłania część zaoszczędzonej energii. Może być bezpośredni (więcej promptów), pośredni (zaoszczędzone pieniądze lub czas wydaje się na inne rzeczy zużywające energię) lub ogólnogospodarczy (nowe produkty i branże zbudowane na taniej AI).

Czym jest efekt bumerangu (backfire)?

To efekt odbicia tak duży, że łączne zużycie lub emisje okazują się wyższe niż przed poprawą efektywności. Paradoks Jevonsa jest przykładem efektu bumerangu.

Co Mike Berners-Lee i jego współautorzy mówią o AI i klimacie?

W recenzowanych artykułach dowodzą, że ślad ICT jest niedoszacowany, że zyski z efektywności są zwykle niwelowane przez rosnący popyt, że dowody na korzyści klimatyczne netto z ICT, w tym z AI, są wątpliwe i że aby efektywność przyniosła rzeczywiste ograniczenia, potrzebny jest limit emisji.

Jak zapobiec temu, by zyski z efektywności zostały zniwelowane?

Należy mierzyć łączne zużycie energii lub łączne emisje, a nie tylko energię na zadanie, ustalić budżet lub limit, z góry zdecydować, co stanie się z uwolnionymi zasobami, i używać AI tylko tam, gdzie wnosi wystarczającą wartość.

Źródła

  1. The Coal Question, W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
  2. Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy, Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
  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. Energy and AI, International Energy Agency (2025)
  5. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  6. "We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate, THINK Digital Partners (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