# Zielona AI dla biznesu

> Praktyczny przewodnik dla firm: jak ograniczyć energię, koszty i emisje AI. Wybór modelu, dostawcy, pomiary, zakupy i uczciwe deklaracje.

Source: https://greenai.guide/pl/poradniki/zielona-ai-dla-biznesu/  
Updated: 2026-11-19

## W skrócie

Zielona AI w firmie oznacza uzyskiwanie potrzebnych wyników przy mniejszym zużyciu energii, pieniędzy i niższych emisjach. Większość oszczędności daje kilka decyzji: używanie AI tylko tam, gdzie wnosi wartość, wybór najmniejszego modelu, który dobrze wykonuje zadanie, wybór dostawców publikujących dane o energii oraz pomiar przed złożeniem jakiejkolwiek deklaracji.

## Najważniejsze punkty

- W większości firm najtańsza, najszybsza i najbardziej ekologiczna AI to zwykle ta sama AI: mniejsze modele, mniej tokenów, mniej poprawek.
- Międzynarodowa Agencja Energetyczna szacuje, że centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej, czyli około 1,5% światowego zużycia, i prognozuje około 945 TWh do 2030 roku.
- Modele dedykowane jednemu zadaniu mogą być o rzędy wielkości tańsze w działaniu niż ogólne modele generatywne wykonujące to samo zadanie.
- Od dostawców należy uzyskać dane o energii na zapytanie, używanych centrach danych i metodzie pomiaru, a odpowiedzi wpisać do umów.
- Nie należy składać żadnej deklaracji ekologicznej, której nie da się poprzeć zmierzonymi lub jasno udokumentowanymi danymi.

## Dlaczego zielona AI powinna obchodzić firmę? {#why-should-a-business-care-about-green-ai}

Dlatego, że to, co czyni sztuczną inteligencję (AI) bardziej ekologiczną, w większości czyni ją też tańszą, szybszą
i bardziej niezawodną. Mniej obliczeń to niższe rachunki, szybsze odpowiedzi i krótsze czekanie. Te same nawyki, które
marnują energię, takie jak długie prompty (polecenia), powtarzane próby i przewymiarowane modele, marnują też
pieniądze i czas pracowników.

Do podobnego wniosku doszedł 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 przedstawicieli przemysłu: kupujący wybierają według kosztu, szybkości i jakości, więc zielona AI musi iść z nimi
w parze, a nie z nimi konkurować. To dobra wiadomość dla firm. Rzadko trzeba poświęcać wyniki dla mniejszego śladu
środowiskowego.

Są jeszcze cztery powody, by zwrócić na to uwagę:

- **Skala.** Międzynarodowa Agencja Energetyczna (IEA) szacuje, że centra danych zużyły w 2024 roku około 415 TWh
  energii elektrycznej, czyli około 1,5% światowego zużycia, i prognozuje, że do 2030 roku wartość ta wzrośnie ponad
  dwukrotnie, do około 945 TWh, a najważniejszym motorem wzrostu będzie AI. Korzystanie z AI w firmie jest częścią
  tego popytu.
- **Sprawozdawczość.** Jeśli firma raportuje zużycie energii i emisje, AI jest już częścią tej liczby, niezależnie od
  tego, czy jest liczona.
- **Regulacje.** Przepisy zaczynają wymagać danych o energii od dostawców AI i operatorów centrów danych (patrz niżej),
  dzięki czemu firmy mają dostęp do lepszych informacji o dostawcach.
- **Zaufanie.** Klienci, pracownicy i inwestorzy coraz częściej pytają, jak firma korzysta z AI. Jasne, uczciwe
  odpowiedzi pomagają.

## Na co idzie energia w AI? {#where-does-the-energy-in-ai-go}

Większość energii, jaką typowa firma zużywa na AI, przypada na **inferencję (wnioskowanie)**, czyli uruchamianie
modelu w celu odpowiadania na zapytania, a nie na jego trenowanie. Firma prawie nigdy nie trenuje sama dużego modelu,
ale każdy prompt, każdy zautomatyzowany proces i każda funkcja AI w oprogramowaniu uruchamia inferencję na czyimś
sprzęcie.

Główne miejsca, w których zużywana jest energia:

| Etap | Co się dzieje | Kto ma na to wpływ |
|---|---|---|
| Trenowanie | Model uczy się z danych, raz lub od czasu do czasu | Głównie dostawca modelu |
| Fine-tuning (dostrajanie) | Istniejący model jest dostosowywany do zadania firmy | Firma lub jej dostawca |
| Inferencja | Model odpowiada na każde zapytanie | Wspólnie: firma decyduje, ile i jakiego modelu używa |
| Centrum danych | Chłodzenie, konwersja energii, sieć | Dostawca hostingu |
| Sprzęt | Produkcja chipów i serwerów (emisje wbudowane) | Dostawca, przez to, jak długo używa sprzętu |

W firmie najwięcej można zmienić w inferencji. Jej skala zależy od:

- **wielkości i rodzaju modelu.** Badanie Luccioni, Jernite i Strubella wykazało, że ogólne modele generatywne były
  o rzędy wielkości droższe w działaniu niż systemy dedykowane temu samemu zadaniu. W ich testach generowanie obrazów
  zużywało średnio około 2,9 kWh na 1000 zapytań, a klasyfikacja tekstu około 0,002 kWh;
- **liczby tokenów** (fragmentów tekstu, które model czyta i pisze). Długie prompty, wklejane dokumenty i rozwlekłe
  odpowiedzi sumują się;
- **liczby wywołań**, jakie wykonuje proces. Agenty, które planują, sprawdzają i ponawiają próby, mogą wykonać
  dziesiątki wywołań dla jednego zadania; oraz
- **miejsca i czasu** działania, ponieważ emisje przypadające na kilowatogodzinę zależą od lokalnej sieci
  elektroenergetycznej.

Dla orientacji w skali pojedynczego zapytania: Google podaje, że mediana zużycia energii przez tekstowy prompt
w aplikacjach Gemini wyniosła 0,24 Wh, a w ciągu roku wartość ta spadła 33-krotnie. Dostawcy mierzą w różny sposób,
dlatego takie liczby należy traktować orientacyjnie; o tym, dlaczego szczegóły mają znaczenie, mówi strona
[pomiar energii AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/).

## Jak wybrać właściwy model? {#how-do-we-choose-the-right-model}

Należy używać najmniejszego modelu, który niezawodnie wykonuje zadanie, i sprawdzić to na własnej pracy. W wielu
zadaniach biznesowych, takich jak sortowanie e-maili, wyodrębnianie pól z faktur, streszczanie czy tłumaczenie,
wystarczy mały lub wyspecjalizowany model.

UNESCO i University College London ustaliły, że użycie mniejszych modeli dedykowanych zadaniom może obniżyć zużycie
energii nawet o 90% bez utraty wydajności w odpowiednich zadaniach, a krótsze prompty i odpowiedzi mogą je obniżyć
o ponad połowę.

Praktyczne kroki:

1. **Spisać zadania AI** i określić, co w każdym oznacza „wystarczająco dobrze”, np. 98% poprawnych pól faktury.
2. **Testować modele od najmniejszych do największych** na próbce rzeczywistych przypadków. Zatrzymać się na
   pierwszym, który spełnia standard.
3. **Kierować zapytania.** Rutynowe zapytania wysyłać do małego modelu, a tylko trudne do dużego. Nazywa się to
   często routingiem modeli.
4. **Uważać na pozorne oszczędności.** Zbyt mały model, który zawodzi i wymusza ponowne uruchomienie na dużym, może
   zużyć więcej energii niż od razu duży model. Należy mierzyć skuteczność za pierwszym razem, a nie koszt wywołania.
5. **Używać ponownie, zamiast generować od nowa.** Gdy ta sama odpowiedź, szablon lub fragment kodu jest potrzebny
   ponownie, lepiej go zapisać i wykorzystać, niż za każdym razem pytać model. GreenCode, projekt badawczy ITEA,
   opisuje, jak dzięki wyszukiwaniu, kierowaniu zadań do najtańszego wystarczającego komponentu i harmonogramowaniu
   utrzymuje własne korzystanie z AI na niskim poziomie.

Niezależne oceny pomagają porównywać otwarte modele. AI Energy Score, uruchomiony przez Hugging Face i partnerów,
ocenia modele w skali od jednej do pięciu gwiazdek pod kątem efektywności energetycznej w typowych zadaniach. Więcej
na stronach [wybór właściwego modelu](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/) oraz
[orkiestracja zamiast generowania](/pl/artykuly/orkiestracja-zamiast-generowania/).

## O co pytać dostawców AI? {#what-should-we-ask-ai-suppliers}

Należy pytać o liczby, metody i lokalizacje, a odpowiedzi wpisać do umowy. Wielu dostawców nie potrafi jeszcze udzielić
pełnych odpowiedzi, ale samo pytanie sygnalizuje popyt i pokazuje, kto traktuje sprawę poważnie.

Pytania do przetargów i odnowień umów:

- **Energia na zapytanie.** Ile energii (Wh) zużywa typowe zapytanie lub 1000 tokenów w modelach, których będziemy
  używać? Czy wartość jest zmierzona, czy szacowana, i w jaki sposób?
- **Granice systemu.** Czy liczba obejmuje niewykorzystaną moc, chłodzenie i sieć, czy tylko chipy?
- **Miejsce działania.** Które centra danych i regiony obsługują nasze obciążenie? Jaki jest ich wskaźnik PUE
  (stosunek całkowitej energii obiektu do energii zużywanej na obliczenia) i zużycie wody?
- **Energia elektryczna.** Jaka część jest dopasowana godzina po godzinie do czystej energii, a nie pokryta rocznymi
  certyfikatami?
- **Wybór modeli.** Czy możemy wybierać mniejsze modele lub kierować zapytania między modelami? Czy możemy uruchamiać
  je na własnym sprzęcie, gdy dane muszą pozostać lokalnie?
- **Raportowanie.** Czy dostawca przekaże nam miesięczne dane o energii i emisjach dla naszego konta, w formie
  przydatnej we własnej sprawozdawczości?
- **Żywotność sprzętu.** Jak długo serwery pozostają w użyciu i co się z nimi dzieje później?
- **Informacja o zmianach.** Czy dostawca poinformuje nas o zmianie modelu stojącego za naszą usługą?

Warto znać dwa akty prawa UE, także poza Unią, ponieważ duzi dostawcy stosują je szeroko:

- **EU AI Act** (unijny akt w sprawie sztucznej inteligencji) wymaga od dostawców modeli AI ogólnego przeznaczenia
  dokumentowania znanego lub szacowanego zużycia energii przez model (załącznik XI).
- **Dyrektywa w sprawie efektywności energetycznej** wymaga od operatorów centrów danych o zapotrzebowaniu na moc IT
  co najmniej 500 kW raportowania charakterystyki energetycznej, w tym zużycia energii i wody, do europejskiej bazy
  danych (rozporządzenie delegowane 2024/1364).

Pełniejszy zestaw pytań zawiera przewodnik [zrównoważone zakupy AI](/pl/dobre-praktyki/zrownowazone-zamowienia-ai/), a strona
[hosting i centra danych](/pl/dobre-praktyki/hosting-zielonej-ai-i-centra-danych/) wyjaśnia, co oznaczają odpowiedzi. Dostawców można
znaleźć w [katalogu produktów](/pl/produkty/), a niezależną pomoc w
[katalogu konsultantów](/pl/konsultanci/).

## Jak mierzyć energię i emisje AI? {#how-do-we-measure-ai-energy-and-emissions}

Należy mierzyć to, co się da, otwarcie szacować resztę i śledzić to, na co ma się wpływ. Idealne dane są rzadko
dostępne, ale spójna metoda pozwala zobaczyć, czy następuje poprawa.

- **Własny sprzęt lub maszyny w chmurze.** Narzędzia open source, takie jak CodeCarbon, szacują emisje na podstawie
  mocy pobieranej przez procesory i pamięć oraz emisyjności lokalnej sieci elektroenergetycznej.
- **Usługi AI firm zewnętrznych.** Należy zapisywać tokeny, wywołania i używane modele. Jeśli dostawca podaje energię
  na zapytanie, wystarczy pomnożyć przez tę wartość. Jeśli nie, można użyć opublikowanego szacunku i to zaznaczyć.
- **Jednostki.** Energię należy podawać w kWh, a emisje w kg CO₂e (ekwiwalentu dwutlenku węgla), z informacją, jakiego
  współczynnika dla sieci użyto.
- **Na wynik.** Warto śledzić energię na użyteczny wynik, np. na przetworzoną fakturę, a nie tylko sumę. To pokazuje
  wpływ poprawek i ponownych prób.

Więcej na stronach [jak mierzyć energię AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/) oraz
[dlaczego pomiar jest wąskim gardłem](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).

## Jak AI wpisuje się w sprawozdawczość CSRD i ESG? {#how-does-ai-fit-into-csrd-and-esg-reporting}

Energia elektryczna zużywana przez AI jest częścią zużycia energii firmy, więc należy ją ujmować w dotychczasowej
sprawozdawczości o emisjach, a nie w osobnym raporcie. W większości ram sprawozdawczych mieści się w zakupionej
energii elektrycznej (Zakres 2), gdy firma sama obsługuje sprzęt, oraz w zakupionych usługach (Zakres 3), gdy korzysta
z usług chmurowych lub usług AI.

W UE zakres dyrektywy w sprawie sprawozdawczości przedsiębiorstw w zakresie zrównoważonego rozwoju (CSRD) zawężono
w 2026 roku. Ostateczne zatwierdzenie przez Radę UE w lutym 2026 roku ogranicza ją do firm zatrudniających ponad 1000
pracowników i mających ponad 450 mln euro rocznego obrotu netto. Firmy poniżej tych progów mogą nadal być proszone
o dane przez większych klientów objętych dyrektywą albo raportować dobrowolnie. Poza UE należy sprawdzić przepisy
krajowe i stosowane dobrowolne ramy.

Niezależnie od obowiązków AI należy traktować jak każde inne istotne zużycie energii: podać metodę, granice systemu
i niepewność.

## Jak budować dobre nawyki wśród pracowników? {#how-do-we-build-good-habits-among-staff}

Lepiej dać ludziom kilka prostych zasad i domyślnie właściwe narzędzia, niż prosić ich, by za każdym razem myśleli
o energii. Nawyki mają największe znaczenie tam, gdzie wiele osób korzysta z AI wiele razy dziennie.

- **Wybierać właściwe narzędzie.** Wyszukiwarki, szablony, arkusze kalkulacyjne i istniejące oprogramowanie często
  wystarczają. AI warto używać tam, gdzie oszczędza realny czas lub poprawia jakość.
- **Pisać zwięźle.** Zadawać jasne pytania, prosić o krótkie odpowiedzi i nie wklejać całych dokumentów, gdy
  wystarczy jeden fragment.
- **Unikać korzystania jak z „automatu do gier”.** Wielokrotne generowanie obrazu lub odpowiedzi od nowa jest
  kosztowne. Lepiej doprecyzować zapytanie.
- **Domyślnie używać mniejszych modeli** w firmowych narzędziach, z większymi dostępnymi w razie potrzeby.
- **Wyłączać to, co nieużywane.** Funkcje AI włączone domyślnie w oprogramowaniu i bezczynne maszyny testowe także
  pobierają energię.
- **Planować ciężkie zadania.** Prace wsadowe, które mogą poczekać, np. nocne przetwarzanie dokumentów, można
  uruchamiać wtedy, gdy sieć jest czystsza.

Warto ująć to w krótkiej polityce; przewodnik [polityka zielonej AI](/pl/dobre-praktyki/jak-napisac-polityke-zielonej-ai/) zawiera szablon,
a strona [efektywne korzystanie z AI](/pl/dobre-praktyki/efektywne-korzystanie-z-ai-codzienne-nawyki/) ma więcej codziennych wskazówek.

## Jak mówić o tym uczciwie? {#how-do-we-talk-about-it-honestly}

Deklaracje należy składać tylko w sprawie tego, co zostało zmierzone, względem podanego punktu odniesienia, wraz
z ograniczeniami. Ogólnikowe hasła w rodzaju „zrównoważona AI” czy „neutralna węglowo AI” przyciągają uwagę
regulatorów i klientów.

Dobre praktyki:

- Podawać **punkt odniesienia** („w porównaniu z naszym poprzednim modelem”) i **metodę pomiaru**.
- Oddzielać **efektywność** (mniej energii na zadanie) od **całkowitego zużycia** (które może nadal rosnąć). Tańsza
  AI często prowadzi do większego korzystania z AI; zjawisko to nazywa się
  [efektem odbicia (rebound effect)](/pl/slowniczek/#rebound-effect).
- Nie opierać się wyłącznie na kompensacji emisji ani rocznych certyfikatach energii odnawialnej, nazywając usługę
  ekologiczną.
- Pamiętać, że dane zgłaszane przez jednego dostawcę mogą nie być porównywalne z danymi innego.

Więcej na stronach [uczciwe deklaracje ekologiczne](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/) oraz
[efektywność to nie wystarczalność](/pl/artykuly/efektywnosc-to-nie-wystarczalnosc-efekt-odbicia-w-ai/).

## Co dalej {#what-to-do-next}

1. **Zmapować korzystanie z AI.** Spisać używane narzędzia, modele i zautomatyzowane procesy oraz w przybliżeniu, jak
   często każde z nich działa.
2. **Wybrać jedno zadanie o dużej skali** i sprawdzić, czy mniejszy model spełnia standard jakości.
3. **Zacząć śledzić tokeny i wywołania** głównych usług AI, a energię tam, gdzie firma ma własny sprzęt.
4. **Dodać powyższe pytania do dostawców** do najbliższego przetargu lub odnowienia umowy.
5. **Opublikować krótką politykę dla pracowników** określającą, kiedy i jak korzystać z AI, korzystając z naszego
   [przewodnika po polityce](/pl/dobre-praktyki/jak-napisac-polityke-zielonej-ai/).
6. **Przejrzeć deklaracje** w materiałach marketingowych i raportach pod kątem
   [przewodnika po uczciwych deklaracjach](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/).
7. **W razie potrzeby poszukać pomocy** w [katalogu konsultantów](/pl/konsultanci/), a narzędzi w
   [katalogu produktów](/pl/produkty/).

## Najczęściej zadawane pytania

### Czy zielona AI kosztuje więcej?

Zwykle nie. Główne dźwignie, takie jak mniejsze modele, krótsze prompty i mniej powtórzonych uruchomień, obniżają też rachunki za API i czas odpowiedzi. Dodatkowy koszt to głównie czas pracowników potrzebny na pomiary i skonfigurowanie routingu między modelami.

### Czy musimy raportować zużycie energii przez naszą AI?

W większości miejsc nie jako osobną pozycję. Energia elektryczna zużywana przez AI jest jednak częścią zużycia energii i emisji firmy, więc mieści się w szerszej sprawozdawczości, takiej jak unijna dyrektywa CSRD w przypadku firm nią objętych lub dobrowolna sprawozdawczość ESG.

### Czy mniejszy model jest zawsze bardziej ekologiczny?

Nie. Zbyt mały model może zawieść i wymusić ponowne próby albo drugie uruchomienie na większym modelu. Należy przetestować go na rzeczywistym zadaniu: najbardziej ekologiczny jest najmniejszy model, który za pierwszym razem daje poprawny wynik.

### Jak zmierzyć energię usługi AI w chmurze, której nie obsługujemy sami?

Należy poprosić dostawcę o dane o energii na zapytanie i o stojącą za nimi metodę. Jeśli dostawca ich nie poda, można użyć opublikowanych szacunków na jeden prompt z jasnymi zastrzeżeniami i śledzić to, na co ma się wpływ, np. tokeny i liczbę wywołań.

## Źródła

- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [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)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [Council signs off simplification of sustainability reporting and due diligence requirements](https://www.consilium.europa.eu/en/press/press-releases/2026/02/24/council-signs-off-simplification-of-sustainability-reporting-and-due-diligence-requirements-to-boost-eu-competitiveness/), Council of the European Union (2026)
- [AI Act, Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission AI Act Service Desk (2024)
- [Commission Delegated Regulation (EU) 2024/1364 on the rating scheme for data centres](https://eur-lex.europa.eu/eli/reg_del/2024/1364/oj), EUR-Lex (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [Announcing AI Energy Score ratings](https://huggingface.co/blog/sasha/announcing-ai-energy-score), Hugging Face (2025)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (ITEA) (2026)
