Spadek kosztów AI może zwiększyć całkowite zużycie energii

Sztuczna inteligencja tanieje, ale spadek cen pojedynczych operacji nie gwarantuje mniejszego zapotrzebowania na prąd. Gdy koszt zapytania do modelu maleje, przedsiębiorstwa chętniej wdrażają tę technologię w kolejnych procesach. W efekcie łączna liczba zapytań i obliczeń może rosnąć szybciej, niż poprawia się efektywność energetyczna infrastruktury.

Mechanizm ten opisują analizy firm doradczych McKinsey oraz Boston Consulting Group (BCG). Niższe ceny modeli, tokenów oraz mocy obliczeniowej sprawiają, że opłacalne stają się zadania wcześniej uznawane za zbyt drogie — od rutynowej obsługi klienta i marketingu po pomoc w programowaniu czy zaawansowaną analizę danych.

Według McKinsey tańsze jednostki obliczeniowe mogą w krótkim okresie napędzać całkowite zużycie energii: rosnąca liczba wdrożeń skłania dostawców technologii do rozbudowy centrów danych i uruchamiania większej liczby procesorów. Zjawisko to wpisuje się w klasyczny paradoks Jevonsa — większa wydajność i niższy koszt zasobu często prowadzą do tak silnego wzrostu popytu, że łączne zużycie przewyższa wcześniejsze oszczędności.

Szybki wzrost zapotrzebowania centrów danych

Z analiz McKinsey wynika, że centra danych należą już do najszybciej rosnących odbiorców energii w krajach OECD i pozostaną jednym z głównych źródeł przyrostu popytu na prąd do końca obecnej dekady. Firma szacuje, że globalne zużycie energii przez centra danych może do 2030 roku rosnąć średnio o 24 proc. rocznie. Po tym okresie tempo ma wyhamować do około 5 proc. rocznie, co nadal oznaczałoby utrzymanie trendu wzrostowego.

Przedsiębiorstwa starają się jednocześnie kontrolować koszty wdrożeń. Z badania BCG, przeprowadzonego wśród 1300 menedżerów najwyższego szczebla z ponad 20 branż, wynika, że w grupie najbardziej zaawansowanych technologicznie organizacji trzy czwarte ściśle zarządza wydatkami na tokeny i łączy je z bezpośrednimi celami biznesowymi. Połowa tych liderów zachęca pracowników do korzystania z płatnych narzędzi AI, wprowadzając równolegle limity budżetowe i mechanizmy nadzoru nad zużyciem zasobów.

Ostateczny bilans energetyczny będzie zależał od tego, jak szybko firmy zdołają przełożyć eksperymenty z AI na realne zyski oraz w jakim tempie producenci sprzętu podniosą sprawność procesorów. Dopóki jednak spadek kosztów przyspiesza wdrażanie modeli na masową skalę, globalne zapotrzebowanie centrów danych na moc obliczeniową i energię będzie rosło.