W skrócie
Należy śledzić łączną energię AI, a nie tylko energię na zadanie, aby wzrost był widoczny, i z góry zdecydować, co stanie się z oszczędnościami: wycofać zwolnione zasoby, utrzymać budżet lub limit albo świadomie je reinwestować. Wydajność warto łączyć z wystarczalnością, pytając, czy każde nowe zastosowanie jest tego warte. Bez tego tańsza AI jest zwykle po prostu częściej używana.
Kroki
- W każdym przeglądzie raportować łączną energię lub emisje AI obok energii na zadanie.
- Przed projektem zwiększania wydajności zdecydować, co stanie się ze zwolnionymi zasobami lub budżetem.
- Ustalić dla każdego zespołu lub usługi budżet albo limit łącznej mocy obliczeniowej, tokenów lub wydatków.
- Wycofać serwery, licencje lub zarezerwowane zasoby, które dzięki wydajności stały się zbędne.
- Przed zatwierdzeniem każdego nowego zastosowania AI zapytać, czy jest potrzebne.
Wydajność staje się oszczędnością dopiero wtedy, gdy ktoś zdecyduje, co stanie się ze zwolnionymi zasobami. W przeciwnym razie tańsza AI jest używana do większej liczby zadań, częściej, a suma wciąż rośnie.
Dlaczego tak się dzieje?
Ekonomista William Stanley Jevons zauważył w 1865 roku, że wydajniejsze maszyny parowe prowadziły do spalania większej, a nie mniejszej ilości węgla. Luccioni, Strubell i Crawford twierdzą, że ten sam efekt odbicia dotyczy AI: wzrost wydajności obniża koszty, co może napędzać większe użycie. Międzynarodowa Agencja Energetyczna prognozuje, że zużycie energii elektrycznej przez centra danych wzrośnie w latach 2024–2030 ponad dwukrotnie, a najważniejszym czynnikiem będzie AI, mimo że każde zapytanie tanieje.
Co może zrobić organizacja?
- Uwidocznić sumy. Same wartości na zadanie będą wyglądać jak stały postęp.
- Budżetować. Dać zespołom budżet mocy obliczeniowej, tokenów lub wydatków, jak przy każdym innym zasobie.
- Zatrzymać oszczędność. Gdy model lub proces staje się wydajniejszy, należy wyłączyć lub zwrócić zasoby, których już nie potrzebuje.
- Reinwestować świadomie. Przeznaczenie oszczędności na nowe zastosowania może być dobrym wyborem, ale powinno być decyzją, a nie dryfem.
- Praktykować wystarczalność. Należy zapytać, czy zadanie w ogóle potrzebuje AI albo modelu tej wielkości; zob. jak zdecydować, czy potrzebna jest AI.
Częste błędy
- Ogłaszanie procentowego wzrostu wydajności jako redukcji emisji.
- Pozostawianie zwolnionych serwerów włączonych „na wszelki wypadek”.
- Zatwierdzanie każdej nowej funkcji AI, bo każda z osobna jest tania.
Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przemysłu, wymienił unikanie efektu odbicia jako jedno z głównych otwartych pytań zielonej AI. Więcej w tekście wydajność to nie wystarczalność.
Źródła
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- Energy and AI, International Energy Agency (2025)
Powiązane
Efektywność to nie wystarczalność: efekt odbicia w AI
Dlaczego większa efektywność AI nie gwarantuje mniejszego łącznego zużycia energii, czym jest efekt odbicia (paradoks Jevonsa) i co pomaga utrzymać realne oszczędności.
Jak wyznaczyć cele dotyczące zużycia energii i emisji przez AI?
Jak wyznaczyć sensowne cele dla energii i emisji AI: zmierzony punkt odniesienia, cele względne i bezwzględne razem oraz regularny przegląd.
Jak sprawdzić, czy projekt AI jest wart swojego kosztu środowiskowego?
Prosty sposób, by zestawić energię, emisje i sprzęt projektu AI z korzyścią, jaką przynosi, zanim powstanie i gdy już działa.
Jak napisać politykę zielonej AI
Przewodnik krok po kroku po tworzeniu polityki zielonej AI w organizacji, z szablonem: użycie, modele, pomiar, zakupy, deklaracje i przegląd.