Mit tesz valójában a klímával a mesterséges intelligencia?

A KPMG Davosban bemutatott kutatása szerint az AI klímahaszna akár gyorsan meghaladhatja a lábnyomát, de ehhez koordinált, végrehajtható lépésekre van szükség.

A „klímateher vs. klímaátállás-támogató” vita azért éleződik, mert az AI egyre inkább fizikai erőforrásokra támaszkodó infrastruktúra: áramot, hálózati csatlakozást, hűtést, (helyenként) vizet igényel. Az AI energiafelhasználás-paradoxonja, hogy a technológia képes csökkenteni más rendszerek energiafelhasználását, miközben saját energiaigénye is jelentős. A döntéshozói keret ezért két mérlegserpenyőből áll. Az első a közvetlen klímalábnyom (energia, kibocsátás, esetenként víz). A második a klímahaszon, azaz a megtakarított energia, az elkerült kibocsátás és az alkalmazkodást segítő – üzletileg is értelmezhető – hatások. Kutatásunk alapján látható, hogy könnyebb a fogyasztást mérni, mint a hasznot, de ha csak az előbbit nézzük, fél képet látunk.

Az AI növekvő energiaigénye

Bár a mesterséges intelligencia a hatékonyság és az erőforrás-optimalizálás kulcseszközévé válhat, elterjedése számottevő energiaigény-növekedéssel jár. Egyes nemzetközi előrejelzések szerint az AI-rendszerek villamosenergia-felhasználása 2030-ra nagyságrendileg több áramot fog fogyasztani, mint egész Japán. Az IEA (International Energy Agency) adatai alapján az adatközpontok a világ villamosenergia-fogyasztásának kb. 1,5 százalékát adják (nagyságrendileg 415 TWh/év), és 2030-ra (2024-hez képest) „több mint duplázódhatnak” 945 TWh körüli szintre, amely így átlagosan évi 15 százalékos növekedést jelent. A növekedést nagyrészt AI-használat hajtja. A KPMG globális kutatásának kulcseredménye, hogy az adatközpontokon belül az AI-hoz köthető energiafelhasználás aránya a felmérés szerint 8 százalékról 36 százalékra ugorhat.

Megújuló energia és infrastruktúra

Az AI klímalábnyomát döntően meghatározza, hogy milyen karbonintenzitású villamos energiát használ. A KPMG kutatása egyszerre mutat magas bizalmat és korlátot: a vezetők 96 százaléka úgy látja, hogy a tiszta energia képes lehet kielégíteni az AI igényeit, ugyanakkor számos korlát jelentkezik, ennek egyik kulcseleme az infrastrukturális akadályok, a másik hasonló arányban említett kihívás a finanszírozáshoz kapcsolódik.

A KPMG globális kutatása alapján 2024-ben az adatközpontok energiaigényének 8 százalékát fedezték a legalább 75 százalékát megújuló forrásból, azonban 2027 ez a válaszadók szerint 30 százalékra növekszik (négyszeres növekedés). Ez egyszerre optimista és kockázatos előrejelzés: ha a hálózati csatlakozások, az engedélyezés, a rugalmassági kapacitások (tárolás, demand response), illetve a teljes ellátási lánc (transzformátorok, kábelek, alállomások) nem gyorsul – akkor az szűk keresztmetszetet okozhat.

A fent említett infrastrukturális korlátokra is van azonban megoldás, a fogyasztói oldalon történő decentralizált energiatermelés. Globális léptékű adatközpont- és felhőinfrastruktúra-üzemeltetők 63 százaléka tervezi 2027-re, hogy az érintett telephelyeken saját maga termeli megújuló forrásokból az energiát. Hasonlóan kedvező technológia az adatközpontok működése során keletkező hőenergia hasznosítása, például Dániában a Meta egyik adatközpontjában keletkező hulladékhővel 12 ezer lakóingatlan hőenergiaigényét fedezik. A kedvező tapasztalatok után egyre több adatközpont tervezi hasonló projektek megvalósítását.

A szabályozás oldala is a transzparenciát erősíti. Az Európai Bizottság 2024-ben elfogadott egy uniós szintű, adatközpontok fenntarthatósági értékelését és adatszolgáltatását támogató keretet: a beruházók és üzemeltetők KPI-jelentésre kötelezhetők egy európai adatbázisba (határidőkkel). Ez a vállalatoknak azért releváns, mert az AI-ökoszisztéma beszállítói lánca (cloud, colocation, adatközponti szolgáltató, infrastruktúra-fejlesztő) egyre inkább mérhető és auditálható elvárásrendszerben működik.

Modellhatékonyság és mitigáció

A klímalábnyom „másik karja” a fajlagos energiaigény: mennyi számítási kapacitás kell egy egységnyi üzleti és/vagy klímaérték eléréséhez. A KPMG kutatásának kulcseredményei szerint 30 százalék rangsorolja előre a közeljövőben az AI saját energiahatékonyságának javítását – ami arra utal, hogy a szándék és az operatív fókusz között sok helyen még van rés. A technikai mitigáció a gyakorlatban rétegezett döntésekből áll, ezek közé tarthatnak például a kisebb/célzott modellek, a cache-elés, vagy akár az idő- és helyszín-alapú terhelés-áthelyezés a tisztább villamosenergia-mix kihasználására. A döntéshozói kérdés itt rendszerint az, hogy a pontosság, a kockázat és a költség/energia hármasában hol van az „elég jó” optimum.

Az adatközpontok fajlagos energiahatékonyságának fejlesztésére jó példa a Google adatközpontjainál a saját DeepMind AI-a által optimalizált működés, ahol a számos szenzorból érkező adat elemzésével sikerült a hűtés, a terhelésmenedzsment, demand shifting olyan optimalizálása, amivel a hűtési energiaigény 40 százalékkal csökkent, míg a teljes energiaigény 10-15 százalékkal csökkent.

A kutatásaink alapján nemcsak az energiaigény, hanem a vízfelhasználás is egy lényeges téma az adatközpontok kapcsán, kutatások alapján (Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI Models, Arxiv, March 2025) globálisan az adatközpontok vízigénye évi 4,2 -6,6 billió köbméterre is növekedhet 2027. Ennek mitigálására jó példa a Microsoft Wisconsinban épített adatközpontja, ahol a hűtési rendszer áttervezésével nagyon jelentős mértékben csökkenteni a vízigényt (a hűtési rendszer zárt rendszerben működik, ahelyett hogy folyamatos friss vízre lenne szüksége).

Klímaátállást támogató felhasználások

Az AI klímaátállási értéke nem automatikus: a nettó hatást az dönti el, mire fordítjuk a kapacitást. Többek között az energiaszektor, közlekedés, mezőgazdaság, ipari termelés és építőipar – csak pár olyan terület, ahol az AI már ma is energiafelhasználás-csökkentést és erőforrás-optimalizálást támogathat. Az AI akkor válik a klímaátállás „high-impact” gyorsítójává, ha a use case portfóliót úgy állítjuk össze, hogy a klímaérték domináns legyen. Ezt erősíti egy, a London School of Economics and Political Science-hez kötődő kutatás publikus eredménye is: a tanulmány szerint az AI 2035-ig éves szinten 3,2–5,4 milliárd tonna CO2e kibocsátáscsökkentést (vagy elkerülést) támogathat, ha célzottan öt nagy szektorban (energia, közlekedés, élelmiszer, épületek, ipari folyamatok) alkalmazzuk.

A villamosenergia-termelésben és -elosztásban az AI-alapú előrejelzés és hálózatoptimalizálás átalakítja azt, ahogyan a megújuló energia integrálása és kezelése történik. Az olyan hálózatüzemeltetők, mint az Egyesült Államokban működő PJM, ma már AI-t használnak az ingadozó kínálat kiegyensúlyozására, a hálózati csatlakozások felgyorsítására és az eszközök hatékonyabb kihasználására. Kutatásunk szerint az energetikai vezetők 97 százaléka az AI-t összességében pozitív tényezőnek tartja az alacsony szén-dioxid-kibocsátású átmenet szempontjából.

A kutatásunk szerint az AI hatása a közlekedésben is érezhető: az AI optimalizálja a teherszállítási útvonalakat, előre jelzi a meghibásodásokat még azok bekövetkezése előtt, és koordinálja az elektromos, autonóm flották bevezetését. Az eredmény: alacsonyabb üzemanyag-felhasználás, kevesebb késés és nagyobb megbízhatóság.

Az AI-alapú precíziós mezőgazdaság segíti a termelőket abban, hogy hatékonyabban használják a vizet, a műtrágyát és az energiát. A drónnal végzett növénymegfigyeléstől a betegségek felismerésén és az intelligens öntözésen át ezek a rendszerek javítják a hozamokat, miközben csökkentik a környezeti terhelést – megvalósítva azt a régóta ígért, de nehezen elérhető „win-win” helyzetet az agrártechnológia területén.

A gyártóüzemekben a prediktív analitika megelőzi a költséges leállásokat. Illetve már a gyakorlatban is alkalmazott megoldás az AI által létrehozott digitális ikrek (Valós idejű adatokkal működő virtuális modell, amely szimulálja és optimalizálja a fizikai rendszerek teljesítményét) alkalmazása, amellyel komplex helyzetek modellezhetőek sokkal precízebben, fizikai megvalósítás nélkül. A KPMG korábban hivatkozott kutatásában is megjelenik a megújuló termelés digitalizációja: egy szélfarm digitális iker (digital twin) megközelítése üzemeltetési és piaci adatokból optimalizálhatja a turbinák beállításait, előrejelezheti a degradációt, és így növelheti a termelést, miközben csökkenti a kiesést, a pazarlást és az emissziót.

A kereskedelmi ingatlanokban és nagy kampuszokon az AI-alapú vezérlőrendszerek kétszámjegyű csökkenést érnek el mind az energiafelhasználásban, mind az üzemeltetési költségekben. Azáltal, hogy megtanulják, hogyan használják ténylegesen az emberek a tereket, és valós időben igazítják a fűtést, hűtést és világítást, ezek a rendszerek zökkenőmentessé teszik a fenntarthatóságot.

Konklúzió

Tehát az a szemlélet, hogy a mesterséges intelligencia hatalmas energiaigénnyel jár, csak a történet felét meséli el. Az AI energialábnyoma valós, de a klímahaszna ennél jóval nagyobb lehet, és gyorsan az egyik legerősebb eszközünkké válhat a klímavédelem felgyorsításában. Ahogy a KPMG tanulmánya jól rámutat – az AI nem fenyegetés a klímavédelemben, hanem annak egyik eszköze lehet. Ahogy Daren Acemoglu is megfogalmazza legújabb Power and Progress című könyvében, a technológia hasznossága a fejlesztésének és felhasználásának víziójától függ: Mi magunk vagyunk azért felelőssek, hogy ezen technológiák, mint az AI, felhasználása megfeleljen a hosszú távú érdekeinknek.