Ocena wpływu sztucznej inteligencji na środowisko przypomina oglądanie geoglifów. Z bliska widać niewiele. Dopiero odpowiedni dystans pozwala objąć wzrokiem całość.
Przeciętny użytkownik generatywnej AI raczej nie zauważa kosztów środowiskowych swoich codziennych promptów. Rachunki za prąd nie rosną, komputer działa jak zwykle. To jednak zwodnicze. Nowy raport United Nations University Environmental Cost of AI's Energy Use. Carbon, Water and Land Footprints nie pozostawia wątpliwości co do realnej skali oddziaływania tej technologii na otoczenie.
Przykłady? Na wytrenowanie w ciągu stu dni modelu GPT-4, będącego w latach 2023-2025 „silnikiem” ChataGPT, potrzeba było szacunkowo od 50 do 70 GWh. To ilość energii odpowiadająca rocznemu zużyciu prądu przez ponad 460 tys. mieszkańców Afryki Subsaharyjskiej. Z kolei zasoby naturalne potrzebne do wychwycenia śladu węglowego związanego z trenowaniem GPT4 są większe niż liczba drzew w londyńskim Hyde Parku pomnożona przez sto.
Iluzja niematerialnej AI
Nasz kłopot z dostrzeżeniem materialnej strony AI nie bierze się znikąd. Jak zauważa Kate Crawford z nowojorskiego AI Now Institute, wynika to z jednej strony z faktu, że pojęcie inteligencji samo w sobie jest dość abstrakcyjne, zaś w połączeniu z technologią jawi się jako coś nieledwie magicznego. Z drugiej – narzędzia AI są zwykle dostępne w modelu chmurowym, czyli nie zajmują miejsca na naszych prywatnych dyskach. Łatwo więc o wrażenie, że to technologia eteryczna. Tymczasem za wirtualnym interfejsem sztucznej inteligencji skrywa się realna infrastruktura: coraz potężniejsze centra danych wyposażone w setki lub nawet tysiące superkomputerów. A te trzeba nie tylko zasilać, ale i chłodzić. Na dodatek do ich budowy wykorzystuje się wiele surowców krytycznych.
Raport ONZ nie jest pierwszą publikacją, która do katalogu dobrze znanych ryzyk związanych ze sztuczną inteligencją (jak choćby dyskryminacja algorytmiczna, brak transparentności czy deepfaki) dodaje oddziaływanie tej technologii na środowisko. Jest jednak istotny ze względu na rzetelne udokumentowanie skali tego zjawiska oraz ukazanie jego wielowymiarowości: zarówno jeśli chodzi o cykl życia samej technologii, jak i konsekwencje zależne od lokalnego miksu energetycznego.
Kosztowne prompty
Energochłonne operacje obliczeniowe w centrach danych AI nie kończą się bowiem na etapie trenowania modeli. Ciąg dalszy to obsługa setek milionów promptów dziennie. Choć każdy z nich pojedynczo nie stanowi wielkiego obciążenia, to w sumie generują one olbrzymie zapotrzebowanie na energię. ChatGPT codziennie przetwarza ok. 2,5 miliarda promptów, z których każdy zużywa około 0,42 Wh. W skali rocznej daje to 383 GWh! Dla porównania: w 2024 r. miesięczna dostawa energii elektrycznej w Warszawie wynosiła średnio 633 GWh.
Zużycie energii w zależności od typu zadania zleconego generatywnej AI:
- Wygenerowanie krótkiego tekstu: 0,047 Wh
- Statystycznie typowa odpowiedź gen AI: 0,42 Wh
- Dłuższa odpowiedź gen AI: 1,9 Wh
- Wygenerowanie obrazu: 2,9 Wh
- Wygenerowanie obrazu w wysokiej rozdzielczości: 4,08 Wh
Na podstawie raportu Environmental Cost of AI's Energy Use. Carbon, Water and Land Footprints.
Co więcej, prompt promptowi nierówny. Najmniej energii potrzeba na proste zadania, jak np. analiza sentymentu (ocena wypowiedzi pod kątem wydźwięku emocjonalnego) czy klasyfikacja obrazu (przypisanie określonej kategorii do danego obrazu). Jednak bardziej zaawansowane wykorzystanie AI – np. do generowania tekstu, obrazu, a szczególnie wideo – to już operacje nawet tysiąckrotnie przekraczające złożoność prostej klasyfikacji tekstowej.
Zresztą samo zużycie energii to jeszcze nie wszystko. Do rachunku trzeba dodać m.in. także ślad wodny. W przypadku trenowania GPT4 wyniósł on jakieś 600 mln litrów, czyli był równy mniej więcej 85 proc. ilości wody uzdatnianej dziennie w (liczącej 2,5 mln mieszkańców) aglomeracji warszawskiej (dane z 2020 r.). I podobnie jak w przypadku zapotrzebowania na energię, również używanie generatywnej AI nie odbywa się w tym kontekście bezkosztowo. Wygenerowanie jednego złożonego klipu wideo w wysokiej rozdzielczości wymaga zużycia przeszło 4 lirów wody, co odpowiada dwukrotności dziennego zapotrzebowania na płyny u kobiet.
Potrzeba kompleksowej oceny
Autorzy raportu Environmental Cost of AI’s Energy Use... zauważają przy tym, że koszty środowiskowe AI należy oceniać całościowo, a nie koncentrować się na pojedynczych wskaźnikach. Ograniczenie śladu węglowego przez jakieś centrum danych nie musi bowiem iść w parze z redukcją śladu wodnego. Wszystko zależy bowiem od lokalnego miksu energetycznego. W przypadku państw z rozwiniętą energetyką jądrową ślad węglowy związany z infrastrukturą AI może być niższy, jednak zużycie wody wzrośnie, jeśli wziąć pod uwagę potrzebę chłodzenia reaktora w elektrowni. Choć niebezpośrednie, będą to wciąż koszty środowiskowe związane z funkcjonowaniem infrastruktury obliczeniowej AI.
Publikację kończy sześć zasad tworzenia odpowiedzialnych ekosystemów AI:
- Zasada transparentności – dotyczy jawności wszystkich kosztów środowiskowych przez firmy zajmujące się AI oraz wypracowania standardów umożliwiających ich wiarygodne porównywanie;
- Zasada efektywności przy projektowaniu rozwiązań (Efficiency by design) – obejmuje uwzględnienie już na etapie projektowania i wdrażania AI jej oddziaływania na różne aspekty środowiskowe;
- Zasada sprawiedliwości – gwarantuje, że społeczności narażone na ryzyka związane z kosztami zewnętrznymi (np. ograniczenie dostępu do wody, skażenie terenu) w całym cyklu życia AI nie będą ich ponosić w sposób nieproporcjonalny do korzyści;
- Zasada odpowiedzialności w całym cyklu życia – włącza szeroko rozumiane koszty środowiskowe związane z rozwojem i stosowaniem AI do czynników ryzyka, za które dostawcy i operatorzy ponoszą odpowiedzialność;
- Zasada współpracy w skali globalnej – dąży do harmonizacji zasad i standardów, tak by korzyści z AI nie były skoncentrowane wśród najbogatszych beneficjentów;
- Zasada zrównoważonego zastosowania – promuje ograniczanie śladu środowiskowego poprzez proporcjonalny dobór narzędzi AI do faktycznych potrzeb.
Jak podkreślają autorzy, zasady te są punktem wyjścia do bardziej szczegółowej operacjonalizacji w postaci konkretnych sposobów projektowania i zarządzania AI. Przy ich wypracowaniu niezbędne będzie współdziałanie szerokiego grona interesariuszy: począwszy od rządów i organów regulacyjnych, przez dostawców i użytkowników rozwiązań AI, środowiska badawcze, inwestorów i sektor publiczny, a skończywszy na mediach oraz organizacjach trzeciego sektora.
Źródła:
Environmental Cost of AI's Energy Use. Carbon, Water and Land Footprints, United Nations University Institute for Water, Environment and Health (UNU-INWEH), Richmond Hill, Ontario, Canada, 2026.
Raport z monitorowania funkcjonowania sektora energetycznego w m.st. Warszawie za rok 2024, Biuro Infrastruktury Urzędu m.st. Warszawy, Wydział Strategii, październik 2025.
Miejskie Przedsiębiorstwo Wodociągów i Kanalizacji w Warszawie w liczbach [dostęp: 24.08.2026]
Kate Crawford, Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence, Yale University Press 2021.
