# Jak rozpoznać greenwashing w marketingu AI?

> Sygnały ostrzegawcze greenwashingu w AI, od ogólnikowych etykiet „zrównoważona AI” po neutralność opartą na kompensacji, i pytania, które warto zadać.

Source: https://greenai.guide/pl/jak/jak-rozpoznac-greenwashing-w-marketingu-ai/  
Updated: 2026-11-19

## W skrócie

Należy zachować ostrożność wobec określeń takich jak „zielona”, „zrównoważona” czy „neutralna pod względem emisji AI”, za którymi nie stoją liczby, metody i granice, oraz wobec deklaracji opartych na kompensacji emisji (offsetach) lub rocznych certyfikatach energii odnawialnej. Uczciwe deklaracje mówią, co zmierzono, względem jakiego punktu odniesienia i co pominięto; w UE ogólnikowe deklaracje środowiskowe, których nie da się udowodnić, są zakazane.

## Steps

1. Zapytać, co dokładnie zmierzono i co obejmuje podana wartość.
2. Sprawdzić, czy deklarowana oszczędność dotyczy pojedynczego zadania, czy całości.
3. Poszukać punktu odniesienia, z którym porównuje się deklarację.
4. Ostrożnie traktować deklaracje „neutralności węglowej” oparte na kompensacji lub certyfikatach.
5. Sprawdzić, czy wartość pochodzi z deklaracji samej firmy, czy została niezależnie zweryfikowana.

**Greenwashing to ekologiczna deklaracja, której nie da się sprawdzić.** W miarę jak zużycie energii przez AI
przyciąga uwagę, coraz więcej produktów reklamuje się jako „wydajne”, „zrównoważone” czy „green AI”. Niektóre takie
są; sprawdzianem jest to, czy deklaracji towarzyszą dowody.

## Jakie są sygnały ostrzegawcze? {#what-are-the-warning-signs}

- **Ogólnikowe etykiety.** „Ekologiczna AI” czy „zrównoważona inteligencja” bez żadnych liczb.
- **Neutralność dzięki kompensacji.** „Neutralność węglowa”, bo kupiono jednostki kompensacyjne, a nie dlatego, że
  emisje spadły. Specyfikacja Software Carbon Intensity Green Software Foundation nie pozwala, by kompensacje lub
  certyfikaty energii odnawialnej obniżały wskaźnik emisji oprogramowania.
- **Wydajność przedstawiana jako redukcja.** „O 50% mniej energii na zapytanie” nic nie mówi o łącznym zużyciu, które
  wciąż może rosnąć. Luccioni, Strubell i Crawford argumentują, że wzrost wydajności AI może zostać zniwelowany przez
  rosnące użycie, czyli [efekt odbicia](/pl/slowniczek/#rebound-effect).
- **Brak granic.** Wartość na prompt, która uwzględnia tylko układy scalone, wygląda lepiej niż taka, która obejmuje
  chłodzenie i bezczynne maszyny.
- **Wybiórcze porównania** ze starym lub wyjątkowo niewydajnym punktem odniesienia.

## Co mówi prawo? {#what-does-the-law-say}

**W UE przepisy zostały zaostrzone.** Dyrektywa (UE) 2024/825 zakazuje kierowania do konsumentów ogólnikowych
deklaracji środowiskowych, których nie da się udowodnić. Inne kraje mają własne przepisy o ochronie konsumentów
dotyczące wprowadzających w błąd deklaracji; warto sprawdzić wytyczne krajowego regulatora.

## Jakie pytania zadać? {#what-questions-should-i-ask}

1. Co zmierzono, a co pominięto?
2. Na jaką jednostkę: na zapytanie, na użytkownika, na rok?
3. W porównaniu z jakim punktem odniesienia?
4. Kto to zmierzył i czy da się to sprawdzić?

## Częste błędy {#common-mistakes}

- **Założenie, że deklaracja korzystania z energii odnawialnej** czyni ekologicznym każde użycie usługi.
- **Utożsamianie „AI for good” z „green AI”.** Użycie AI do celu klimatycznego nie sprawia, że sama AI ma niewielki
  wpływ na środowisko.

Jeśli to Państwo formułują deklaracje, zob. [jak formułować uczciwe deklaracje o zielonej AI](/pl/jak/jak-skladac-uczciwe-deklaracje-o-ekologicznosci-naszej-ai/)
oraz pełny przewodnik [uczciwe deklaracje ekologiczne](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/).

## Źródła

- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [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)
