# Jak sprawić, by korzystanie z AI w mojej firmie było bardziej zrównoważone?

> Praktyczny plan na start, by firma korzystała z AI bardziej ekologicznie: zmapować użycie, dobrać modele, ustawić domyślne opcje, pytać dostawców i mierzyć.

Source: https://greenai.guide/pl/jak/jak-sprawic-by-korzystanie-z-ai-w-mojej-firmie-bylo-bardziej/  
Updated: 2026-11-19

## W skrócie

Należy zacząć od zmapowania, gdzie firma używa AI, a potem uczynić wydajny wybór domyślnym: najmniejszy model spełniający próg jakości, krótkie odpowiedzi, funkcje AI wyłączone, jeśli nie są potrzebne. Od dostawców warto uzyskać dane o energii na zapytanie i o tym, gdzie działają, mierzyć zużycie na użyteczne zadanie i ująć to w krótkiej polityce z osobą odpowiedzialną. Większość tych kroków obniża też koszty i opóźnienia, a nie tylko zużycie energii.

## Steps

1. Spisać używane narzędzia i funkcje AI oraz zautomatyzowane procesy, a także orientacyjnie, jak często każde z nich działa.
2. Sprawdzić, czy mniejszy model lub metoda bez AI spełnia próg jakości w zadaniach o największej liczbie wywołań.
3. Ustawić wydajne opcje domyślne w narzędziach firmowych, np. mniejsze modele, limity długości odpowiedzi i funkcje wyłączone, jeśli nie są potrzebne.
4. Zapytać dostawców o energię na zapytanie, miejsce działania obciążeń i sposób raportowania.
5. Śledzić energię lub tokeny na użyteczne zadanie i co kwartał przeglądać wyniki.
6. Zapisać zasady w krótkiej polityce ze wskazaną osobą odpowiedzialną i datą przeglądu.

**Należy uczynić wydajny wybór domyślnym, a potem mierzyć, czy to działa.** W większości firm energia idzie na
wielokrotne codzienne uruchamianie modeli (inferencję), a nie na ich trenowanie, dlatego najważniejsze są codzienne
wybory dotyczące modeli, promptów i funkcji.

Dwa ustalenia pokazują, jak duże jest pole do poprawy. Luccioni, Jernite i Strubell ustalili, że ogólne modele
generatywne są o rzędy wielkości droższe w działaniu niż modele dedykowane tym samym zadaniom. UNESCO i University
College London ustaliły, że mniejsze modele dedykowane zadaniom mogą obniżyć zużycie energii nawet o 90%, a krótsze
prompty i odpowiedzi – o ponad połowę.

## Od czego zacząć? {#where-do-i-start}

1. **Zmapować użycie AI**: zob. [jak zmapować, gdzie organizacja używa AI](/pl/jak/jak-sprawdzic-gdzie-moja-organizacja-korzysta-z-ai/).
2. **Dobrać rozmiar modelu do najczęstszych zadań**: najpierw wypróbować małe modele; zob.
   [jak wybrać mniejszy model AI](/pl/jak/jak-wybrac-mniejszy-model-ai/).
3. **Ustawić opcje domyślne**: wyłączyć funkcje, z których nikt nie korzysta; zob.
   [wyłączanie niepotrzebnych funkcji AI](/pl/jak/jak-wylaczyc-niepotrzebne-funkcje-ai-w-calej-organizacji/).
4. **Pytać dostawców**: zob. [zrównoważony rozwój w zamówieniach na AI](/pl/jak/jak-uwzglednic-zrownowazony-rozwoj-w-zakupach-ai/).
5. **Mierzyć na zadanie**: zob. [śledzenie energii AI na zadanie](/pl/jak/jak-sledzic-zuzycie-energii-przez-ai-na-zadanie-a-nie-tylko-lacznie/).
6. **Spisać zasady**: zob. [jak napisać politykę zielonej AI](/pl/jak/jak-napisac-polityke-zielonej-ai/).

## Co daje największą różnicę {#what-makes-the-biggest-difference}

Wybór modelu w zadaniach o dużej liczbie wywołań i wyłączenie AI, która działa, choć nikt jej nie potrzebuje.
Nawyki pracowników mają znaczenie, ale opcje domyślne docierają do wszystkich i nie zależą od pamięci.

## Częste błędy {#common-mistakes}

- Liczenie kosztu na wywołanie zamiast na udane zadanie, przez co ponowne próby pozostają niewidoczne.
- Traktowanie umowy na „zieloną” chmurę jako pełnej odpowiedzi, podczas gdy użycie stale rośnie.
- Deklarowanie oszczędności przed zmierzeniem punktu odniesienia.

Pełne podejście opisuje nasz [przewodnik dla biznesu](/pl/poradniki/zielona-ai-dla-biznesu/).

## Źródła

- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
