# Jak nie dopuścić, by wzrost wydajności AI zniwelował większy poziom jej używania?

> Jak sprawić, by oszczędności z wydajności AI nie zniknęły przez rosnące użycie: śledzić sumy, ustalać budżety lub limity, wycofywać zwolnione zasoby i pytać o potrzebę.

Source: https://greenai.guide/pl/jak/jak-nie-dopuscic-by-wzrost-wydajnosci-ai-zniwelowal-wiekszy-poziom/  
Updated: 2026-11-19

## 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.

## Steps

1. W każdym przeglądzie raportować łączną energię lub emisje AI obok energii na zadanie.
2. Przed projektem zwiększania wydajności zdecydować, co stanie się ze zwolnionymi zasobami lub budżetem.
3. Ustalić dla każdego zespołu lub usługi budżet albo limit łącznej mocy obliczeniowej, tokenów lub wydatków.
4. Wycofać serwery, licencje lub zarezerwowane zasoby, które dzięki wydajności stały się zbędne.
5. 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? {#why-does-this-happen}

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? {#what-can-an-organisation-do}

- **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](/pl/jak/jak-sprawdzic-czy-do-danego-zadania-w-ogole-potrzebuje-ai/).

## Częste błędy {#common-mistakes}

- 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](/pl/artykuly/efektywnosc-to-nie-wystarczalnosc-efekt-odbicia-w-ai/).

## Źródła

- [The Coal Question](https://oll.libertyfund.org/titles/317), W. Stanley Jevons, Macmillan (1865)
- [From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate](https://arxiv.org/abs/2501.16548), Luccioni, Strubell and Crawford, ACM FAccT (2025)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
