W skrócie
Należy oszacować własny ślad AI (trenowanie lub dostrajanie oraz działanie przez cały przewidywany okres użytkowania) i zestawić go z korzyścią mierzoną w tym samym okresie. Porównanie powinno dotyczyć najprostszej opcji bez AI, a nie niepodejmowania żadnych działań. Jeśli projekt ma oszczędzać energię lub emisje, oszczędność musi wyraźnie przewyższać własny koszt AI, inaczej bilans jest ujemny.
Kroki
- Zapisać oczekiwaną korzyść i sposób jej pomiaru.
- Oszacować ślad AI w całym przewidywanym okresie użytkowania, łącznie z trenowaniem, wnioskowaniem i ponownymi próbami.
- Porównać go z najprostszą metodą bez AI, która mogłaby wykonać to zadanie.
- Z góry ustalić, jaki wynik będzie powodem do zatrzymania lub ograniczenia projektu.
- Sprawdzić wszystko ponownie na podstawie zmierzonych danych, gdy system już działa.
Należy policzyć własny ślad AI i zestawić go z korzyścią w tym samym okresie. Projekty, które wykorzystują AI do optymalizacji czegoś, w tym projekty „AI dla klimatu”, rzadko liczą energię samej AI. Bez tej liczby projekt może mieć ujemny bilans.
Jak oszacować stronę AI?
- Trenowanie lub dostrajanie, jeśli jest prowadzone.
- Wnioskowanie (inference): liczba zapytań dziennie × energia na zapytanie × liczba dni działania. Szacunek Epoch AI, około 0,3 Wh na typowe zapytanie do ChatGPT, to punkt wyjścia dla tekstu. Długie dane wejściowe mocno go jednak podnoszą, więc należy używać własnej liczby tokenów; zob. szacowanie energii wywołań API AI.
- Ponowne próby i nieudane uruchomienia, o których łatwo zapomnieć.
Z czym to porównać?
Z najprostszą opcją bez AI, a nie z niepodejmowaniem działań. AI nie jest darmowa, nawet gdy oszczędza czas: badanie z 2025 roku, porównujące ręczne programowanie i programowanie wspomagane przez AI na 12 zadaniach, wykazało, że ślad węglowy podejścia z AI był średnio około 33 razy większy niż podejścia ręcznego. Nie oznacza to, że nigdy nie należy używać AI. Oznacza, że trzeba sprawdzić, czy się zwraca.
GreenCode, projekt badawczy ITEA, publikuje analizę klimatyczną, która zestawia jego własny ślad AI z oszczędnością energii, jaką chce osiągnąć. To przydatny wzór do naśladowania.
Co daje największą różnicę
Ustalenie warunku zatrzymania przed rozpoczęciem. Należy zapisać wynik, który skłoni do ograniczenia projektu, aby decyzji nie podejmowała siła rozpędu.
Częste błędy
- Liczenie korzyści w okresie dziesięciu lat, a kosztu AI w okresie jednego miesiąca.
- Pomijanie wzrostu użycia, gdy narzędzie stanie się popularne.
- Traktowanie niepewności jak zera. Należy podać przedział.
Szerszy obraz przedstawia artykuł wydajność to nie wystarczalność.
Źródła
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
Powiązane
Jak sprawdzić, czy do danego zadania w ogóle potrzebuję AI?
Szybki test, czy zadanie wymaga generatywnej AI, czy wyszukiwarka, kalkulator, szablon lub prosta reguła zrobią to szybciej i przy mniejszym zużyciu energii.
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.
Jak oszacować zużycie energii przez moje wywołania API AI?
Hostowanego API AI nie da się opomiarować, ale energię na wywołanie można oszacować z liczby tokenów i założeń o modelu za pomocą EcoLogits.
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.