Kiedy mówimy o sztucznej inteligencji, zazwyczaj myślimy o możliwościach: generowanie tekstu, wideo, analiz danych, automatyzacja pracy.
Rzadziej – o kosztach, jakie te procesy generują dla środowiska.
A te są gigantyczne.
Każdy prompt, każde zapytanie do ChatGPT, każda minuta wideo z Sory czy Runwaya oznacza konkretne zużycie energii, wody i zasobów obliczeniowych.
Wraz z eksplozją modeli generatywnych, pojawił się więc nowy problem: czy AI jest w ogóle zrównoważona?
I – jeśli nie – kto zapłaci rachunek za miliardy promptów wysyłanych każdego dnia?
Jak dużo energii zużywa AI?
Szacunki różnią się w zależności od modelu i centrum danych, ale trend jest jednoznaczny:
- Jedno zapytanie w ChatGPT (GPT-4) może zużywać ok. 10× więcej energii niż klasyczne wyszukiwanie w Google.
- Trening jednego dużego modelu, jak GPT-4, to nawet 700 000 litrów wody (według University of California, Riverside).
- Według raportu International Energy Agency (IEA), AI może do 2026 roku zużywać tyle energii, co całe średnie państwo europejskie (np. Holandia).
- Data center odpowiedzialne za AI już dziś stanowią ok. 4% globalnego zużycia prądu – i liczba ta rośnie wykładniczo.
Woda, prąd i GPU – niewidzialny koszt prompta
Kiedy uruchamiasz model AI, nie działa on „w chmurze” w magicznym sensie.
Każde zapytanie jest przetwarzane przez tysiące kart graficznych (GPU), które:
- zużywają ogromne ilości energii elektrycznej,
- wytwarzają ciepło,
- wymagają chłodzenia wodą lub specjalnymi systemami powietrznymi.
Dla przykładu: centra danych Microsoftu i OpenAI w Iowa zużywają miliony litrów wody dziennie do chłodzenia serwerów GPT-4.
To dlatego coraz częściej mówi się o „AI footprint” – śladzie środowiskowym każdego zapytania.
Skąd bierze się tak duży apetyt energetyczny?
- Trening modeli – najdroższy etap; setki miliardów parametrów uczonych na ogromnych zbiorach danych.
- Inferencja (czyli działanie modelu) – każde zapytanie wymaga setek miliardów obliczeń.
- Pamięć kontekstowa (context window) – im dłuższe konwersacje i multimodalność (tekst + wideo + obraz), tym wyższe zużycie energii.
W efekcie – im „mądrzejszy” model, tym bardziej energożerny.
Dlatego w branży pojawił się nowy kierunek: low-power AI i zrównoważone modele.
Trend: zrównoważona sztuczna inteligencja
Firmy zaczynają dostrzegać, że koszt energii może być nowym ograniczeniem skali AI.
Dlatego równolegle z rozwojem modeli takich jak GPT-5 czy Gemini 2, rozwija się trend „green AI” – projektowania modeli, które:
- potrzebują mniej mocy obliczeniowej,
- uczą się szybciej,
- są trenowane lokalnie (na tzw. edge devices),
- korzystają z odnawialnych źródeł energii.
Najważniejsze kierunki rozwoju:
1. Low-power models
Modele takie jak Mistral 7B, Phi-3, Gemma czy Llama 3 8B potrafią działać lokalnie – nawet na laptopach lub serwerach o małej mocy.
Nie wymagają tysięcy GPU, a ich wyniki są wystarczająco dobre do większości zastosowań komercyjnych.
2. Edge AI
Zamiast wysyłać każde zapytanie do chmury, część obliczeń odbywa się na urządzeniu użytkownika (np. smartfonie, routerze, laptopie).
To oznacza mniejsze zużycie energii, niższe opóźnienia i lepszą prywatność.
3. Zielone centra danych
Google, Microsoft i AWS inwestują miliardy dolarów w zasilanie data center energią odnawialną – głównie wiatrową i słoneczną.
Nie chodzi tylko o PR – bez tego rachunki za energię stają się ekonomicznie nie do utrzymania.
4. Model compression i distillation
To techniki redukujące liczbę parametrów modeli bez utraty jakości.
Dzięki temu modele stają się „lżejsze” i bardziej efektywne – działają szybciej, zużywają mniej prądu i są tańsze w utrzymaniu.
Kto zapłaci rachunek?
Krótka odpowiedź: wszyscy.
- Firmy technologiczne – w kosztach utrzymania centrów danych.
- Biznes – w opłatach za API i subskrypcje (ceny GPT-5 i Gemini już wzrosły).
- Użytkownicy – pośrednio, przez droższe narzędzia lub ograniczenia w darmowych wersjach.
- Środowisko – w zużytej energii i wodzie, które (jeszcze) nie są zbilansowane odnawialnymi źródłami.
Według The Economist, „AI nie zbankrutuje finansowo – ale może zbankrutować ekologicznie, jeśli tempo wzrostu mocy obliczeniowej nie zostanie zoptymalizowane”.
Czy AI może być naprawdę ekologiczna?
Tak – ale wymaga to nowego podejścia:
- Mniej „gigantycznych” modeli, więcej lokalnych i wyspecjalizowanych.
- Optymalizacji promptów – krótsze, precyzyjniejsze = mniej obliczeń.
- Zmiany mindsetu: od „im większy model, tym lepszy” do „im mądrzej użyty model, tym efektywniejszy”.
To oznacza też zmianę roli twórców – od bezrefleksyjnych użytkowników API, do świadomych projektantów promptów i procesów AI.
Przyszłość: Green AI jako nowy standard
W 2026 roku Komisja Europejska planuje wprowadzenie raportowania śladu energetycznego modeli AI, podobnie jak dziś raportuje się emisje CO₂.
Firmy będą musiały podawać:
- źródła energii,
- zużycie wody i prądu,
- sposób ograniczania emisji.
To może stać się jednym z kluczowych KPI branży technologicznej:
nie tylko „jak dobrze działa AI”, ale „jak mądrze zużywa zasoby”.
Podsumowanie
Sztuczna inteligencja zmienia świat – ale też realnie wpływa na planetę.
Każdy prompt ma swój koszt: energetyczny, wodny i środowiskowy.
Im szybciej zrozumiemy, że AI to nie tylko moc obliczeniowa, ale też odpowiedzialność za jej użycie – tym większa szansa, że zbudujemy cyfrową przyszłość, która nie przepali planety.
