W skrócie
Zebraliśmy tu 40 najbardziej przydatnych danych o zużyciu prądu i wody przez AI oraz o jej emisjach, każdą sprawdzoną w źródle pierwotnym i opatrzoną datą. W skrócie: centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej (około 1,5% światowego zużycia), IEA spodziewa się około 950 TWh do 2030 roku, a typowy prompt tekstowy zużywa według danych samych dostawców mniej więcej 0,24–0,34 Wh, podczas gdy obrazy, wideo, długie dane wejściowe i rozumowanie zużywają znacznie więcej.
Najważniejsze punkty
- Według IEA centra danych zużyły około 415 TWh energii elektrycznej w 2024 roku, około 1,5% światowego zużycia, a w 2025 roku 485 TWh.
- IEA prognozuje około 950 TWh do 2030 roku, czyli około 3% światowego zapotrzebowania na energię elektryczną; zużycie prądu przez centra danych nastawione na AI wzrosło w 2025 roku o 50%.
- Dostawcy podają około 0,24 Wh (Google, mediana promptu tekstowego Gemini) i 0,34 Wh (OpenAI, przeciętne zapytanie do ChatGPT) na prompt tekstowy.
- W testach Hugging Face z 2025 roku modele rozumujące zużywały średnio 30 razy więcej energii niż standardowe.
- Trening GPT-3 zużył według szacunków 1 287 MWh i spowodował emisję około 552 ton CO₂e.
- Centra danych zużyły w 2025 roku 23% opomiarowanej energii elektrycznej w Irlandii.
Na tej stronie zebraliśmy statystyki dotyczące zużycia energii przez AI, których ludzie szukają najczęściej. Każdą sprawdziliśmy w źródle pierwotnym i podajemy rok, którego dotyczy. Strona pozwala szybko znaleźć potrzebną liczbę; zanim zacytują ją Państwo w czymś ważnym, warto zajrzeć do źródła.
Jakie są najważniejsze statystyki dotyczące energii AI?
Centra danych zużywają około 1,5% światowej energii elektrycznej, do 2030 roku ta ilość ma się mniej więcej podwoić, a głównym motorem wzrostu jest AI. Typowy prompt tekstowy zużywa ułamek watogodziny, natomiast obrazy, wideo, bardzo długie dane wejściowe i rozumowanie zużywają znacznie więcej. Poniższe tabele zawierają 40 danych w dziesięciu grupach. Tam, gdzie źródła się różnią albo wartość jest przedziałem, podajemy przedział.
Energia elektryczna w centrach danych
Według IEA centra danych zużyły około 415 TWh w 2024 roku i 485 TWh w 2025 roku. Terawatogodzina (TWh) to miliard kilowatogodzin.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 1 | Centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej, około 1,5% światowego zużycia. | Międzynarodowa Agencja Energetyczna (IEA) | 2025 |
| 2 | Zużycie energii elektrycznej przez centra danych wzrosło w 2025 roku o 17%, do 485 TWh. | IEA | 2026 |
| 3 | IEA prognozuje około 950 TWh do 2030 roku, czyli około 3% światowego zapotrzebowania na energię elektryczną. | IEA | 2026 |
| 4 | Prognozy na 2035 rok wynoszą od 700 do 1 700 TWh w zależności od scenariusza IEA. | IEA | 2025 |
| 5 | Zużycie energii elektrycznej przez centra danych rośnie od 2017 roku o około 12% rocznie. | IEA | 2025 |
| 6 | Centra danych będą odpowiadać za około jedną dziesiątą wzrostu światowego zapotrzebowania na energię elektryczną do 2030 roku. | IEA | 2025 |
Gdzie skupia się popyt
Większość obciążenia przypada na kilka krajów i regionów. Co to oznacza dla sieci, wyjaśniamy w tekście AI a zapotrzebowanie centrów danych na energię elektryczną.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 7 | Stany Zjednoczone i Chiny odpowiadają za prawie 80% światowego wzrostu zużycia energii elektrycznej przez centra danych do 2030 roku. | IEA | 2025 |
| 8 | Centra danych w USA zużyły w 2023 roku 176 TWh, około 4,4% energii elektrycznej w kraju. | Lawrence Berkeley National Laboratory (LBNL) | 2024 |
| 9 | Prognozuje się, że centra danych w USA zużyją do 2028 roku 325–580 TWh, czyli 6,7–12% energii elektrycznej w kraju. | LBNL | 2024 |
| 10 | Centra danych odpowiadają za prawie połowę wzrostu zapotrzebowania na energię elektryczną w USA do 2030 roku. | IEA | 2025 |
| 11 | Centra danych zużyły w 2025 roku 23% opomiarowanej energii elektrycznej w Irlandii, wobec 5% w 2015 roku. | Central Statistics Office, Irlandia | 2026 |
| 12 | Centra danych zużyły w 2023 roku prawie jedną czwartą energii elektrycznej w Wirginii. | Electric Power Research Institute | 2024 |
Udział AI
Nie ma dokładnej publicznej liczby określającej udział AI w zużyciu prądu przez centra danych, ale AI to ich najszybciej rosnąca część.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 13 | Zużycie energii elektrycznej przez centra danych nastawione na AI wzrosło w 2025 roku o 50%. | IEA | 2026 |
| 14 | W scenariuszu bazowym IEA zużycie energii elektrycznej przez serwery akcelerowane, używane głównie do AI, ma rosnąć o 30% rocznie. | IEA | 2025 |
| 15 | Typowe centrum danych nastawione na AI zużywa tyle energii elektrycznej co 100 000 gospodarstw domowych. | IEA | 2025 |
Energia na prompt
Według danych samych dostawców typowy prompt tekstowy zużywa około 0,24–0,34 Wh. Są to dane deklarowane przez firmy, oparte na różnych metodach i dotyczące wyłącznie tekstu. Zob. pomiar jest wąskim gardłem.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 16 | Mediana promptu tekstowego w aplikacjach Gemini zużywała 0,24 Wh, powodowała emisję 0,03 g CO₂e i zużywała 0,26 ml wody. | Google (Elsworth i in.) | 2025 |
| 17 | Gdy liczy się tylko aktywne układy AI w najbardziej efektywnych centrach danych, ten sam prompt zużywa 0,10 Wh. | Google (Elsworth i in.) | 2025 |
| 18 | Przeciętne zapytanie do ChatGPT zużywa około 0,34 Wh i około 0,000085 galona wody. | Sam Altman, OpenAI | 2025 |
| 19 | Typowe zapytanie do GPT-4o zużywa mniej więcej 0,3 Wh, około 2,5 Wh przy wejściu liczącym 10 000 tokenów i prawie 40 Wh przy wejściu liczącym 100 000 tokenów. | Epoch AI | 2025 |
| 20 | Odpowiedź o długości 400 tokenów z modelu Mistral Large 2 powoduje emisję 1,14 g CO₂e i zużywa 45 ml wody. | Mistral AI | 2025 |
| 21 | Modele rozumujące zużywały średnio 30 razy więcej energii niż modele standardowe; jeden model z włączonym rozumowaniem zużywał 150–700 razy więcej. | Hugging Face AI Energy Score | 2025 |
Obrazy i wideo
Generowanie obrazów i wideo zużywa znacznie więcej energii niż zadania tekstowe.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 22 | Generowanie obrazów zużywało średnio około 2,9 kWh na 1 000 obrazów, wobec 0,002 kWh na 1 000 klasyfikacji tekstu. | Luccioni, Jernite i Strubell | 2024 |
| 23 | Najmniej efektywny z badanych modeli obrazowych zużywał na jeden obraz około połowy ładowania smartfona. | Luccioni, Jernite i Strubell | 2024 |
| 24 | Otwarte modele zamieniające tekst na wideo zużywały od 0,14 Wh do ponad 415 Wh na krótki klip, a energia rosła kwadratowo wraz z rozdzielczością i długością. | Delavande, Pierrard i Luccioni | 2025 |
Treningi modeli
Trening dużego modelu może zużyć gigawatogodziny, ale większość twórców najnowszych modeli tego nie ujawnia.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 25 | Trening GPT-3 zużył według szacunków 1 287 MWh i spowodował emisję około 552 ton CO₂e. | Patterson i in., Google | 2021 |
| 26 | Trening BLOOM spowodował emisję około 24,7 tony CO₂e z energii elektrycznej, a 50,5 tony po doliczeniu produkcji sprzętu i sprzętu pozostającego w bezczynności. | Luccioni, Viguier i Ligozat | 2022 |
| 27 | Trening modeli Llama 3.1 zajął 39,3 mln godzin pracy GPU i spowodował emisję 11 390 ton CO₂e (metodą lokalizacyjną). | Meta | 2024 |
| 28 | Trening Mistral Large 2 i 18 miesięcy jego użytkowania wytworzyły 20,4 kilotony CO₂e i zużyły 281 000 m³ wody. | Mistral AI | 2025 |
Woda
AI zużywa wodę głównie do chłodzenia centrów danych, a pośrednio także do wytwarzania energii elektrycznej. Zob. jak oszacować ślad wodny AI.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 29 | Trening GPT-3 w amerykańskich centrach danych Microsoftu mógł bezpośrednio odparować 700 000 litrów słodkiej wody. | Li, Yang, Islam i Ren | 2023 (aktualizacja 2025) |
| 30 | Globalny popyt na AI może w 2027 roku odpowiadać za pobór 4,2–6,6 mld m³ wody. | Li, Yang, Islam i Ren | 2023 (aktualizacja 2025) |
| 31 | Google zużył w 2025 roku 41 mld litrów (10,9 mld galonów) wody w swoich centrach danych i biurach i uzupełnił około 78% zużytej słodkiej wody. | 2026 |
Emisje i emisje firm
Emisje największych dostawców AI rosną mimo dużych zakupów czystej energii.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 32 | Emisje Google liczone na potrzeby celów klimatycznych firmy wyniosły w 2025 roku około 14,5 mln ton CO₂e, o 18% więcej niż w 2024 roku i o 81% więcej niż w 2019 roku. | 2026 | |
| 33 | Łączne emisje Microsoftu wyniosły w roku finansowym 2025 około 20,3 mln ton CO₂e, wobec około 12,9 mln w 2020 roku. | Microsoft | 2026 |
| 34 | Emisje bezwzględne Amazona wzrosły od 2024 do 2025 roku o 16%, do 80,85 mln ton CO₂e. | Amazon | 2026 |
| 35 | Generatywna AI może dodać łącznie 1,2–5,0 mln ton elektroodpadów w latach 2020–2030. | Wang i in., Nature Computational Science | 2024 |
Trendy w sprzęcie i efektywności
Sprzęt i oprogramowanie stają się znacznie bardziej efektywne, ale popyt rośnie szybciej.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 36 | Czołowy sprzęt do uczenia maszynowego staje się co roku o około 40% bardziej energooszczędny. | Epoch AI | 2024 |
| 37 | Najbardziej energooszczędny superkomputer na liście Green500 z listopada 2026 roku, francuski KAIROS, osiąga 73,28 gigaflopsa na wat. | TOP500 | 2026 |
| 38 | Liczba obliczeń na kilowatogodzinę podwajała się w latach 1946–2009 mniej więcej co 1,57 roku („prawo Koomeya”). | Koomey i in. | 2011 |
Zyski z efektywności podawane przez dostawców i badaczy
Podawane zyski są duże, ale większość z nich to dane deklarowane przez firmy albo mierzone względem wybranego punktu odniesienia.
| # | Dane | Źródło | Rok |
|---|---|---|---|
| 39 | Google podaje 33-krotny spadek energii i 44-krotny spadek emisji na medianę promptu tekstowego Gemini w ciągu 12 miesięcy. | Google (Elsworth i in.) | 2025 |
| 40 | Małe modele dostosowane do zadania mogą ograniczyć zużycie energii nawet o 90%, a krótsze prompty i odpowiedzi o ponad 50%. | UNESCO i University College London | 2025 |
Często cytowane są jeszcze dwie liczby. NVIDIA stwierdziła w 2024 roku, że jej platforma Blackwell obniża koszt i zużycie energii przy inferencji (wnioskowaniu) dużych modeli językowych nawet 25-krotnie w porównaniu z poprzednią generacją; to deklaracja producenta dotycząca konkretnego obciążenia. Badacze Google oszacowali zaś w 2021 roku, że wybór modelu, centrum danych i procesora może zmniejszyć ślad węglowy treningu nawet około 100–1 000 razy. Jak osiągnąć takie zyski w praktyce, opisujemy w tekście energooszczędna AI.
Postawy społeczne
Obawy o wpływ AI na środowisko rosną, przynajmniej w USA. Danych z badań w innych krajach jest mniej.
- W 2026 roku 53% Amerykanów było bardzo lub niezwykle zaniepokojonych wpływem AI na środowisko, wobec 41% w 2025 roku (AP-NORC i Energy Policy Institute at the University of Chicago).
- W 2025 roku 72% Amerykanów było co najmniej trochę zaniepokojonych (ci sami ankieterzy).
- W Wielkiej Brytanii rządowe badanie postaw społecznych z 2024 roku wykazało, że 54% osób spodziewa się, że AI pomoże monitorować zmiany klimatu, i odnotowało, że temu optymizmowi nie towarzyszy świadomość negatywnego wpływu AI na środowisko.
Jak dobieramy dane
Korzystamy ze źródeł pierwotnych, podajemy rok i wolimy przedziały tam, gdzie dane są sporne.
- Tylko źródła pierwotne. Każdą liczbę sprawdzamy we własnym raporcie, artykule lub na stronie wydawcy, a nie w doniesieniach prasowych. Gdy nie udało się znaleźć źródła pierwotnego, pomijamy daną.
- Tak, jak opublikowano. Nie zaokrąglamy liczb do postaci, której źródło nie podaje. Gdy coś obliczamy sami, zaznaczamy to.
- Granice mają znaczenie. Wartości na prompt zmieniają się w zależności od tego, co się liczy: dane samego Google spadają z 0,24 Wh do 0,10 Wh, gdy liczy się tylko aktywne układy. Dane firm są deklarowane przez nie same i nie są niezależnie audytowane.
- Przedziały tam, gdzie dane są sporne. Prognozy różnią się w zależności od scenariusza, a my pokazujemy przedział, zamiast wybierać jedną liczbę.
- Oznaczamy starsze dane. Szeroko cytowane szacunki z 2019 roku dla jednego treningu z przeszukiwaniem architektury sieci neuronowej (około 626 000 funtów CO₂e) zostały później uznane przez badaczy Google za zawyżające rzeczywisty koszt; nie uwzględniliśmy ich w tabelach.
Jak sprawdzić liczbę napotkaną gdzie indziej, wyjaśniamy w tekście jak sprawdzić twierdzenie o zużyciu energii przez AI.
Ostatnia weryfikacja
Wszystkie dane na tej stronie zostały ostatnio sprawdzone w źródłach 20 listopada 2026 roku. Aktualizujemy stronę, gdy IEA, krajowe urzędy statystyczne lub najwięksi dostawcy publikują nowe dane. Jeśli zauważą Państwo nowszą liczbę lub błąd, prosimy o kontakt.
Co zrobić dalej
- Cytując dane o zużyciu energii przez AI, warto podać link do tej strony lub konkretnej tabeli i wskazać źródło pierwotne.
- Własne korzystanie z AI warto umieścić w kontekście: zob. jak spojrzeć na własne zużycie energii przez AI z właściwej perspektywy.
- Zużycie energii przez własną AI można zmierzyć: zob. jak mierzyć energię i emisje AI.
- Warto poprosić dostawców o ich dane: zob. jak poprosić firmę AI o dane o zużyciu energii.
- Własny ślad można zmniejszyć: zob. energooszczędna AI.
Najczęściej zadawane pytania
Ile energii zużywa AI?
Nie ma jednej liczby dla AI. IEA szacuje, że wszystkie centra danych zużyły w 2024 roku około 415 TWh, około 1,5% światowej energii elektrycznej, a najszybciej rosnącą częścią są centra danych nastawione na AI: ich zużycie prądu wzrosło w 2025 roku o 50%.
Ile energii zużywa jedno zapytanie do ChatGPT?
Prezes OpenAI podał w 2025 roku około 0,34 Wh na przeciętne zapytanie, a Epoch AI niezależnie oszacował około 0,3 Wh na typowe zapytanie do GPT-4o. Bardzo długie dane wejściowe mocno to podnoszą: Epoch AI szacuje prawie 40 Wh przy wejściu liczącym 100 000 tokenów.
Ile energii potrzeba do wygenerowania obrazu przez AI?
W badaniu Luccioni, Jernite’a i Strubell z 2024 roku generowanie obrazów zużywało średnio około 2,9 kWh na 1 000 obrazów, czyli około 2,9 Wh na obraz. Najmniej efektywny model zużywał na jeden obraz mniej więcej połowę ładowania smartfona.
Ile wody zużywa AI?
Google podaje 0,26 ml wody na medianę promptu tekstowego Gemini, a Mistral 45 ml na odpowiedź o długości 400 tokenów z modelu Mistral Large 2. Badacze szacują, że globalny popyt na AI może w 2027 roku odpowiadać za pobór 4,2–6,6 mld metrów sześciennych wody.
Ile energii zużył trening GPT-3?
Badacze Google oszacowali w opublikowanej w 2021 roku pracy, że trening GPT-3 zużył 1 287 MWh energii elektrycznej i spowodował emisję około 552 ton CO₂e. Energia zużyta na trening nowszych, większych modeli w większości nie jest ujawniana.
Jaki procent energii elektrycznej zużywają centra danych?
Około 1,5% na świecie w 2024 roku (IEA), 4,4% w Stanach Zjednoczonych w 2023 roku (Lawrence Berkeley National Laboratory) i 23% opomiarowanej energii elektrycznej w Irlandii w 2025 roku (Central Statistics Office).
Czy AI staje się bardziej energooszczędna?
Tak, w przeliczeniu na zadanie. Google podaje, że energia mediany promptu Gemini spadła w ciągu roku 33-krotnie, a Epoch AI ustalił, że czołowe układy AI stają się co roku o około 40% bardziej energooszczędne. Łączne zużycie wciąż jednak rośnie, bo popyt rośnie szybciej.
Czy ludzie martwią się wpływem AI na środowisko?
Coraz bardziej, przynajmniej w USA: sondaż AP-NORC i University of Chicago wykazał, że w 2026 roku 53% Amerykanów było bardzo lub niezwykle zaniepokojonych wpływem AI na środowisko, wobec 41% w 2025 roku.
Źródła
- Energy and AI: executive summary, International Energy Agency (2025)
- Key questions on energy and AI, International Energy Agency (2026)
- DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
- Data centres metered electricity consumption 2025: key findings, Central Statistics Office, Ireland (2026)
- Powering data centers: U.S. energy system and emissions impacts of growing loads, Electric Power Research Institute (2024)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Our contribution to a global environmental standard for AI, Mistral AI (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum (2019)
- Estimating the carbon footprint of BLOOM, a 176B parameter language model, Luccioni, Viguier and Ligozat (2022)
- Llama 3.1 model card, Meta (2024)
- Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2025)
- Google 2026 environmental report, Google (2026)
- 2026 environmental data fact sheet, Microsoft (2026)
- 2025 Amazon sustainability report, Amazon (2026)
- E-waste challenges of generative artificial intelligence, Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Green500, November 2026, TOP500 (2026)
- NVIDIA Blackwell platform arrives to power a new era of computing, NVIDIA (2024)
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
- 2026 poll: Americans' views on the impact of AI and data centers, Energy Policy Institute at the University of Chicago and AP-NORC (2026)
- 2025 poll: Americans' views on the environmental impact of AI, Energy Policy Institute at the University of Chicago and AP-NORC (2025)
- Public attitudes to data and AI: tracker survey (wave 4), Department for Science, Innovation and Technology (2024)
Powiązane
AI a zużycie energii elektrycznej przez centra danych
Zużycie energii przez centra danych i zapotrzebowanie AI na prąd: prognozy IEA, Irlandia i Wirginia, reakcje sieci i działania polityków.
Energooszczędna AI: jak sprawić, by AI zużywała mniej energii
Energooszczędna AI w praktyce: sposoby na największe oszczędności energii, od mniejszych modeli i kwantyzacji po routing, pamięć podręczną i lokalizację.
Pomiar to wąskie gardło zielonej AI
Dlaczego dane o zużyciu energii przez AI trudno sprawdzić i porównać: deklaracje firm, szacunki zamiast pomiarów, różne granice systemu i dobre praktyki.
Jak mierzyć zużycie energii i emisje AI
Praktyczny przewodnik po pomiarze lub szacowaniu energii i emisji AI: narzędzia, granice systemu, wskaźniki na zadanie i uczciwa niepewność.