Koszt środowiskowy agentów AI — energia, woda i ślad węglowy, o którym nikt nie mówi
Oto liczba, która powinna znajdować się na radarze każdego lidera ds. zrównoważonego rozwoju. The Sustainable Agency: jednorazowe treningowanie modelu GPT-3 wygenerowało 626 000 funtów ekwiwalentu CO2. To mniej więcej tyle, ile 300 lotów w obie strony między Nowym Jorkiem a San Francisco, czyli pięciokrotność całkowitej emisji przeciętnego samochodu w ciągu całego okresu eksploatacji. A to tylko jeden przebieg treningowy jednego modelu.
Badania Cornell opublikowane w Nature Sustainability kwantyfikują wymiar wodny. Niezmitygowane wykorzystanie AI pobiera rocznie od 731 milionów do 1,125 miliarda metrów sześciennych wody na całym świecie. To roczne zużycie wody przez gospodarstwa domowe od 6 do 10 milionów Amerykanów. The Sustainable Agency identyfikuje również generowanie obrazów przez AI jako najbardziej energochłonne i najbardziej emisyjne zadanie w całym obszarze AI.
Inno-Thought trafnie definiuje stawkę: AI może ograniczyć globalne emisje, ale tylko pod warunkiem zrównoważonego rozwoju. Organizacje wdrażające agentów AI na skalę bez pomiaru ich śladu środowiskowego gromadzą zobowiązania, których ich raporty ESG jeszcze nie uwzględniają. Ten blog kwantyfikuje rzeczywisty koszt środowiskowy agentów AI oraz przedstawia, co liderzy ds. zrównoważonego rozwoju mogą zrobić w tej kwestii.
Koszt węglowy — co trening i wdrożenie AI faktycznie konsumują
Dane węglowe od The Sustainable Agency stanowią punkt wyjścia. Trenerowanie modelu GPT-3 wygenerowało 626 000 funtów ekwiwalentu CO2. Sam ten jednorazowy przebieg treningowy wygenerował więcej węgla niż większość osób produkuje w ciągu dekady codziennego życia. A GPT-3 nie jest nawet największym modelem obecnie w użyciu. GPT-4 i Claude 3 wymagały znacznie większej mocy obliczeniowej. Za każdym razem, gdy model jest dostrajany lub aktualizowany, następuje kolejny przebieg treningowy i kolejny dług węglowy.
Generowanie obrazów przez AI to najbardziej emisyjne zadanie w obszarze AI. Ustalanie The Sustainable Agency jest w tej kwestii jednoznaczne. Każdy obraz generowany przez AI ma mierzalny koszt węglowy. Organizacje generujące obrazy na skalę do celów marketingowych, produkcji treści lub wizualizacji produktów gromadzą znaczący ślad węglowy, który rzadko pojawia się w jakimkolwiek raporcie zrównoważonego rozwoju.
Poza treningiem istnieje bieżący koszt inferencji. Każda interakcja z agentem AI konsumuje energię. Pojedynczy agent AI obsługujący 10 000 interakcji dziennie generuje rocznie od 365 do 3 650 kilogramów CO2 w zależności od wielkości modelu i efektywności centrum danych. Przeskalujmy to do 100 agentów i mamy 36 do 365 metrycznych ton CO2 rocznie, co odpowiada rocznej emisji od 8 do 80 samochodów. Na skalę przedsiębiorstwa z tysiącami agentów staje się to materialną odpowiedzialnością środowiskową.
Ślad centrów danych to kolejny czynnik. Agenci AI działają na serwerach, które wymagają energii do obliczeń i energii do chłodzenia. Zarówno The Sustainable Agency, jak i badania Cornell wskazują na zużycie wody jako krytyczny i często niewidoczny koszt. Centra danych wymagają ogromnych ilości wody do systemów chłodzenia, a obciążenia AI generują znacznie więcej ciepła niż tradycyjne obciążenia.
Koszt wodny — dlaczego AI potrzebuje wody
Cornell i Nature Sustainability opublikowały najbardziej kompleksową analizę śladu wodnego AI. Wynik: niezmitygowane wykorzystanie AI pobiera rocznie od 731 milionów do 1,125 miliarda metrów sześciennych wody na całym świecie. To odpowiednik rocznego zużycia wody przez gospodarstwa domowe od 6 do 10 milionów Amerykanów. Niech ta liczba na chwilę zapadnie.
Centra danych wymagają wody do chłodzenia, a im bardziej intensywne obliczeniowo obciążenie, tym więcej wody jest potrzebne. Obciążenia inferencyjne AI generują znaczne ilości ciepła, a zarządzanie tym ciepłem wymaga wody — albo poprzez bezpośrednie systemy chłodzenia, albo poprzez parowanie z wież chłodniczych. Efektywność wodna centrów danych różni się znacznie. Obiekty efektywne wodnie zużywają około 0,1 litra na kilowatogodzinę. Mniej efektywne obiekty mogą zużywać 1 litr lub więcej na kilowatogodzinę.
Centrum danych o mocy jednego megawata pracujące przy pełnej wydajności może tracić ponad milion litrów wody dziennie w wyniku chłodzenia parowego. Obciążenia AI koncentrują się w obiektach o największej mocy obliczeniowej, a te są często najbardziej wodochłonne.
Dlaczego ma to znaczenie dla organizacji, jest bezpośrednie. AWS, Google Cloud i Microsoft Azure mają zobowiązania dotyczące zrównoważonego rozwoju. Ale organizacje wdrażające agentów AI za pośrednictwem tych dostawców generują zużycie wody w regionach, które mogą już zmagać się ze stresem wodnym. To odpowiedzialność ESG, która jest naprawdę niewidoczna dla większości organizacji, ponieważ jest osadzona w operacjach dostawców chmury i raportowana na poziomie dostawcy, a nie klienta.
Wymiar geograficzny jest warty uwagi. Centra danych są często lokalizowane tam, gdzie woda jest obfita, ale obfitość jest względna. Kilka głównych regionów centrów danych zmaga się ze wzrastającym stresem wodnym w miarę jak zmiany klimatyczne wpływają na wzorce hydrologiczne. Organizacje, które poważnie traktują swoje zobowiązania dotyczące zarządzania wodą, muszą rozumieć, gdzie działają ich agenci AI i co to oznacza dla lokalnych zasobów wodnych.
Konflikt ESG — gdzie strategia AI i strategia zrównoważonego rozwoju się zderzają
Inno-Thought trafnie definiuje fundamentalne napięcie. AI może ograniczyć globalne emisje, ale tylko pod warunkiem zrównoważonego rozwoju. Obietnica AI polega na tym, że optymalizuje logistykę, sieci energetyczne, procesy produkcyjne i nakłady rolnicze, redukując emisje w sektorach daleko wykraczających poza technologię. Ta obietnica jest realna i udokumentowana. Problem polega na tym, że samo wdrożenie AI ma znaczący i rosnący koszt węglowy oraz wodny.
Jeśli własny ślad środowiskowy AI przewyższa emisje, które pomaga ciąć w innych sektorach, przypadek zrównoważonego rozwoju dla AI upada. To nie jest teoretyczne ryzyko. To mierzalny wynik, który zależy całkowicie od tego, jak organizacje wybierają rozwój i wdrożenie AI.
Luka w raportowaniu ESG to natychmiastowy problem. Większość organizacji mierzy emisje zakresu 1 i 2 z rozsądną precyzją. Zakres 3, emisje łańcucha wartości, jest trudniejszy do zmierzenia i rutynowo niedoszacowany. Wdrożenie agentów AI wpada w szarą strefę. Czy uruchamianie inferencji AI u dostawcy chmury to zakres 2, ponieważ wykorzystuje pośrednio infrastrukturę własną? Czy zakres 3, ponieważ jest zasilane przez infrastrukturę dostawcy chmury? Traktowanie księgowe jest naprawdę niejasne, a wynikiem jest to, że koszt środowiskowy AI często w ogóle nie pojawia się w raportach ESG.
Ale powinien. Regulatorzy zaczynają to wymagać. Dyrektywa UE w sprawie raportowania zrównoważonego rozwoju przedsiębiorstw oraz reguły ujawniania informacji klimatycznych SEC obie zmierzają w kierunku wymagania raportowania emisji zakresu 3, co zmusi organizacje do rozliczenia się z ich śladu AI. Organizacje, które już zmierzyły wpływ AI na środowisko, będą wyprzedzać tę krzywą. Organizacje, które tego nie zmierzyły, staną przed pośpiechem.
Kwestia na poziomie zarządu jest realna i rośnie. Organizacje, które zobowiązały się do neutralności emisyjnej do 2030 roku, wdrażają agentów AI na skalę. Jeśli ci agenci AI niosą znaczący ślad węglowy i wodny, zobowiązanie do neutralności emisyjnej jest osłabione w sposób, który inwestorzy, regulatorzy i klienci są coraz bardziej skłonni zauważyć. Ostrzeżenie Inno-Thought jest tym, co liderzy ds. zrównoważonego rozwoju powinni przedstawić swoim zarządom: AI może ograniczyć globalne emisje, ale tylko pod warunkiem zrównoważonego rozwoju.
Praktyczne ramy pomiaru i zarządzania kosztem środowiskowym AI
Koszt węglowy na interakcję AI można oszacować. Każda inferencja AI, czyli jeden cykl pytanie-odpowiedź, produkuje mniej więcej od 0,01 do 0,1 grama CO2 w zależności od wielkości modelu. Brzmi to niewielko. Ale 10 000 interakcji dziennie generuje od 1 do 10 kilogramów CO2 dziennie, czyli od 365 do 3 650 kilogramów rocznie na agenta AI. Przeskalujmy do 100 agentów i mamy od 36 do 365 metrycznych ton CO2 rocznie. Na skalę przedsiębiorstwa z tysiącami agentów staje się to materialne.
Koszt wodny na interakcję zależy w dużej mierze od efektywności centrum danych. Te same czynniki, które determinują efektywność energetyczną centrum danych (PUE), determinują jego efektywność wodną. Organizacje, które chcą zarządzać zużyciem wody, muszą pytać swoich dostawców chmury o efektywność wykorzystania wody i lokalizację centrum danych.
CodeCarbon to narzędzie, które to umożliwia. The Sustainable Agency konkretnie wskazuje na CodeCarbon jako narzędzie, które czyni zużycie energii widocznym i zachęca do bardziej odpowiedzialnego użytkowania. Szacuje zużycie energii z przebiegów modelu AI i przelicza to na ekwiwalenty węglowe. Zanim organizacje będą mogły zarządzać wpływem AI na środowisko, muszą go zmierzyć. CodeCarbon to darmowe, dostępne narzędzie na start.
Odpowiedzialne wdrożenie AI wynika z pomiaru. Mierz ślad energetyczny i wodny AI jako część zarządzania AI. Wybieraj modele i strategie wdrożenia, które minimalizują koszt środowiskowy. Mniejsze, bardziej efektywne modele mogą obsłużyć większość zadań przedsiębiorstwa za ułamek kosztu energetycznego modeli granicznych. Rezerwuj GPT-5 lub Claude Opus dla zadań, które naprawdę wymagają możliwości na poziomie granicznym. Używaj mniejszych modeli do wszystkiego innego.
Wybieraj dostawców chmury z silnymi zobowiązaniami środowiskowymi. Microsoft Azure: zeroemisyjność węglowa do 2030 roku, 100% energii odnawialnej do 2025 roku. Google Cloud: neutralność węglowa od 2007 roku, dążenie do energii wolnej od węgla 24/7 do 2030 roku. AWS: zobowiązanie do 100% energii odnawialnej do 2025 roku. Wybór dostawcy wpływa na ślad AI niezależnie od tego, jakie modele uruchamiasz.
Ustawiaj cele redukcji węglowej AI obok celów poprawy możliwości AI. Uwzględniaj ślad środowiskowy AI w raportowaniu ESG. Uczyń zrównoważony rozwój AI częścią ram governance AI.
Kluczowe pytanie przed Twoim kolejnym wdrożeniem AI
Przed kolejnym wdrożeniem agenta AI zmierz jego koszt środowiskowy. Jeśli tego nie mierzysz, nie możesz tym zarządzać.
Organizacje, które będą liderami w zakresie zrównoważonego rozwoju AI w 2026 roku i dalej, to te, które już teraz zaczynają mierzyć. Ustanawiają punkty odniesienia, śledzą zużycie energii i wody przez AI na interakcję, wyznaczają cele redukcji i uwzględniają metryki środowiskowe AI w swoich raportach ESG.
Alternatywą jest wdrożenie na skalę, gromadzenie zobowiązań środowiskowych, a potem pośpiech, gdy regulatorzy zażądają ujawnienia informacji lub klienci będą wymagać odpowiedzialności. Pierwsza grupa ma autentyczną przewagę konkurencyjną w świecie, gdzie ślad środowiskowy AI staje się materialnym czynnikiem w zamówieniach, inwestycjach i zgodności regulacyjnej.