6 minuty
Wpisujesz pytanie do czatu, dostajesz odpowiedź w trzy sekundy i idziesz dalej, nie myśląc o tym ani chwili dłużej. Tak wygląda korzystanie ze sztucznej inteligencji z perspektywy użytkownika. Proste, szybkie, bezbolesne. Problem w tym, że ta prostota jest złudzeniem. Za każdym zapytaniem stoi fizyczna infrastruktura, która zużywa wodę, prąd i surowce w skali, jakiej większość z nas nawet nie próbuje sobie wyobrazić.
Świat rzeczywiście zachłysnął się sztuczną inteligencją. Liczba aplikacji, platform i narzędzi opartych na AI, które powstają każdego miesiąca, wchodzi w fazę czystego szaleństwa. Firmy prześcigają się w tym, kto szybciej wdroży chatbota, generator treści czy asystenta analitycznego. Rzadko kto pyta, ile to wszystko naprawdę kosztuje środowisko. A koszty te są dużo większe, niż mogłoby się wydawać komuś, kto widzi tylko interfejs i pole do wpisania promptu.
Sztuczna inteligencja nie jest jakimś abstrakcyjnym bytem unoszącym się w chmurze. To tysiące fizycznych serwerów, które pracują bez przerwy w ogromnych halach zwanych centrami danych. Te maszyny wykonują miliony obliczeń na sekundę, a każde z nich generuje ciepło. Żeby sprzęt się nie przegrzał, trzeba go chłodzić, a najczęściej robi się to właśnie wodą, i to bardzo czystą, bo nawet drobne zanieczyszczenia mogłyby uszkodzić delikatną elektronikę.
Można to podzielić na dwa etapy, które różnią się skalą zużycia zasobów. Pierwszy to trening modelu. Proces, w którym system uczy się na gigantycznych zbiorach danych, żeby w ogóle zacząć rozumieć język i generować sensowne odpowiedzi. Drugi to inferencja, czyli codzienne korzystanie z gotowego już modelu przez miliony użytkowników. Oba etapy pochłaniają zasoby, ale to właśnie skumulowane zużycie podczas codziennej eksploatacji, mnożone przez miliardy zapytań dziennie, robi ostatecznie największą różnicę.
Naukowcy z Uniwersytetu Kalifornijskiego w Riverside od kilku lat próbują policzyć, ile faktycznie kosztuje nas jedno zapytanie do modelu językowego. Szacunki mówią o mniej więcej pół litra wody zużywanej na każde dwadzieścia do pięćdziesięciu wiadomości wysłanych do czatu. To tyle, ile mieści się w małej butelce wody mineralnej. Sam trening modelu klasy GPT-3 miał doprowadzić do odparowania około 700 tysięcy litrów czystej wody. Czyli tyle, ile potrzeba do napełnienia kilkuset przydomowych basenów albo wyprodukowania kilkuset samochodów osobowych.
Nowsze modele, pracujące w trybie rozszerzonego rozumowania, potrafią zużywać zdecydowanie więcej energii niż ich poprzednicy. Badacze z uniwersytetu Rhode Island szacowali, że pojedyncza odpowiedź generowana przez zaawansowany model może pochłonąć nawet kilkanaście do czterdziestu watogodzin, czyli kilkukrotnie więcej niż zwykłe, krótkie zapytanie tekstowe. Dla porównania, jedno standardowe wyszukiwanie w Google to ułamek tej wartości. Warto też dodać, że nie wszystkie zadania kosztują tyle samo. Wygenerowanie jednego obrazu może potrzebować kilkuset razy więcej energii niż prosta analiza tekstu. Krótki film stworzony przez AI potrafi zużyć tyle prądu, ile zajmuje przeskanowanie dwustu tysięcy wiadomości pod kątem spamu.
W skali globalnej te pojedyncze zapytania sumują się do liczb, które trudno ogarnąć wyobraźnią. Centra danych obsługujące AI zużywają obecnie miliardy metrów sześciennych wody rocznie, czyli tyle, ile potrzebują całe małe kraje. Według raportu naukowców z Uniwersytetu Narodów Zjednoczonych, do 2030 roku zapotrzebowanie na wodę ze strony infrastruktury AI może odpowiadać podstawowym rocznym potrzebom ponad miliarda ludzi. Co ważne zużycie energii elektrycznej przez te systemy niemal się potroi.
Zużycie wody to tylko jeden wymiar problemu. Drugim jest energia elektryczna, która napędza cały ten proces, a produkcja tej energii sama w sobie wymaga wody. Zwłaszcza jeśli pochodzi z elektrowni cieplnych. Powstaje w ten sposób błędne koło. AI potrzebuje wody do chłodzenia siebie i potrzebuje wody do produkcji prądu, który ją zasila.
Trzeci filar, o którym mówi się najrzadziej, to łańcuch dostaw sprzętu. Produkcja zaawansowanych chipów i serwerów, na których działają modele AI, wymaga ogromnych ilości bardzo czystej wody już na etapie fabryki. Apple przyznaje w swoich raportach, że niemal cały jego ślad wodny pochodzi właśnie z tego etapu, a nie z użytkowania gotowych urządzeń. Do tego dochodzi jeszcze kwestia elektroodpadów, bo sprzęt AI starzeje się szybko i regularnie trzeba go wymieniać na nowszy, wydajniejszy.
Dobra wiadomość jest taka, że Polska ma pod tym względem pewną naturalną przewagę. Chłodniejszy klimat sprawia, że nowoczesne centra danych mogą chłodzić serwery powietrzem zewnętrznym przez większość roku, praktycznie bez użycia wody. Region Azure pod Warszawą osiąga wskaźnik efektywności wodnej na poziomie, który jest bardzo niski na tle starszych ośrodków obliczeniowych na świecie. Polskie centra danych zużywają obecnie mniej niż jeden procent krajowego zapotrzebowania na energię, choć ta liczba rośnie razem z rozwojem sektora.
Gorsza wiadomość jest taka, że to nie zwalnia polskich firm z odpowiedzialności. Coraz więcej przedsiębiorstw w Polsce korzysta z narzędzi AI hostowanych za granicą. W regionach, które wcale nie mają tak korzystnych warunków klimatycznych i gdzie problem suszy jest już realny. Ślad środowiskowy nie znika tylko dlatego, że serwer stoi kilka tysięcy kilometrów od biura.
Tu robi się interesująco z perspektywy biznesowej. Firmy objęte obowiązkiem raportowania niefinansowego w ramach CSRD muszą coraz częściej wykazywać nie tylko własny ślad węglowy, ale też ślad swoich dostawców, w tym dostawców chmury i usług AI. Ślad wodny centrów danych staje się nowym punktem w tabelach ESG, obok emisji CO2 i zużycia energii. Inwestorzy pytają dziś o hydroefektywność technologii, a regulacje unijne, takie jak dyrektywa dotycząca efektywności energetycznej, nakładają obowiązek raportowania zużycia zasobów przez centra danych.
To oznacza, że korzystanie z AI przestaje być wyłącznie decyzją technologiczną podejmowaną przez dział IT. Staje się decyzją, która ma konsekwencje prawne, wizerunkowe i sprawozdawcze. Firma, która masowo wdraża narzędzia generatywne bez zastanowienia, może się obudzić z problemem, kiedy przyjdzie czas na przygotowanie raportu zrównoważonego rozwoju i okaże się, że nikt nie zbierał danych o tym, ile zasobów faktycznie pochłonęło korzystanie z tych narzędzi przez cały rok.
Dobra strategia w tym obszarze nie polega na rezygnacji z technologii, bo to i tak się nie uda, tylko na świadomym i odpowiedzialnym korzystaniu z niej. Kilka kierunków, które mają sens w praktyce.
Po pierwsze, warto zastanowić się, czy do każdego zadania rzeczywiście potrzebny jest największy i najbardziej zaawansowany model. Mniejsze, wyspecjalizowane modele językowe potrzebują ułamka mocy obliczeniowej gigantów, a do wielu prostych zadań firmowych w zupełności wystarczają. Tryb rozszerzonego rozumowania warto rezerwować dla zadań, które faktycznie tego wymagają, a nie stosować go domyślnie do każdego zapytania.
Po drugie, dobrze skonstruowany prompt to nie tylko kwestia jakości odpowiedzi, ale też efektywności. Precyzyjne, przemyślane zapytania ograniczają liczbę powtórzeń i poprawek, a każda niepotrzebna iteracja to dodatkowe zużycie zasobów.
Po trzecie, przy wyborze dostawcy usług AI warto pytać o konkretne dane, a nie tylko o deklaracje. Które centra danych obsługują dane firmy, jaki mają wskaźnik efektywności wodnej i energetycznej, czy dostawca w ogóle publikuje te informacje. Transparentność w tym zakresie wciąż jest rzadkością w branży, ale rosnąca presja regulacyjna i inwestorska powoli to zmienia.
Po czwarte, warto potraktować ślad środowiskowy AI jako stały element polityki zakupowej i strategii ESG firmy, a nie jednorazowy temat na potrzeby jednego raportu. To oznacza dokumentowanie skali korzystania z narzędzi AI, szacowanie ich wpływu i włączanie tych danych do szerszej strategii zrównoważonego rozwoju organizacji.
Sztuczna inteligencja nie jest ani dobra, ani zła sama w sobie. Jest narzędziem, które może realnie wspierać biznes, edukację czy naukę, ale ma swoją fizyczną, bardzo konkretną cenę. Woda, energia, surowce do produkcji chipów, elektroodpady. Te koszty istnieją niezależnie od tego, czy o nich mówimy, czy nie.
Odpowiedzialne korzystanie z AI w biznesie nie polega na strachu przed technologią ani na jej całkowitym odrzuceniu. Polega na tym, żeby wiedzieć, co się dzieje po drugiej stronie ekranu, i podejmować decyzje z pełną świadomością konsekwencji. To dokładnie ten sam rodzaj myślenia, który stoi za dobrym raportowaniem ESG. Przewaga zaczyna się od świadomości żeby faktycznie rozumieć, jaki ślad zostawia nasza działalność, i świadomie nim zarządzać.
Zrównoważona strategia biznesowa w nowym ebooku.
