Basel Action NetworkのAI電子廃棄物推計、サーバー中心の研究が見落とす要素を算入

Basel Action Networkは、AIに伴う廃棄物の算定対象をサーバー以外にも拡大し、広く引用されている学術的な推計の最大60倍に達する見積もりを提示した。Basel Action NetworkのAI電子廃棄物モデルは、冷却設備、配電、バックアップシステム、ネットワーク、サーバー、アクセラレータを算入している。

この対象範囲の変更は重要だ。サーバーは、人工知能のために構築される物理インフラの一部にすぎないためである。ただし、この報告書の最大規模の推計は、機器の耐用年数やデータセンターの長期的な成長をめぐる異論のある仮定にも依存している。

したがって本質的な対立は、環境への配慮とAI投資の間にあるわけではない。包括的なライフサイクル算定と、コンピュート中心の限定的な測定との対立である。CIOは、どの資産を計算に含めるべきか、どれほど長く有用であり続けるのか、そして退役が実際には何を意味するのかを判断しなければならない。

Basel Action NetworkのAI電子廃棄物算定、境界を拡大

この報告書で最も重要な動きは、何をAIインフラと見なすかを変えたことにある。

Basel Action Network（BAN）は、2026年9月にAI Waste Waveレポートの第1弾を公表した。BANは、有害廃棄物取引とバーゼル条約の執行に焦点を当てる環境団体である。

従来のAI廃棄物推計は、一般にサーバー、ラック、GPUなどのアクセラレータを中心としていた。これに対しBANは、データセンターのコンピューティング能力を支える機器を5つのカテゴリーでモデル化している。

その基準設計では、電気機械設備の重量の35%を冷却設備に割り当てている。配電設備は34%、バックアップ電源はさらに15%を占める。サーバーとアクセラレータは13%、ネットワーク機器は残る3%となる。

この内訳では、関連する物理インフラの87%がサーバーカテゴリーの外にある。BANは、従来のAI推計では、新たに増設される容量1ギガワットごとに付随する機器の大半が除外されていたと主張する。

報告書は、データセンター容量1ギガワットには、およそ6万2,000〜7万7,000トンの電気機械設備が必要になると見積もる。中心値としては、1ギガワット当たり約7万トンを用いている。

この総量には、変圧器、開閉装置、無停電電源装置、バッテリー、発電機、冷却機器、ネットワークデバイス、サーバーラック、プロセッサーが含まれる。ストレージとバックアップのインフラも、より広い算定境界に入る。

すべての部品が同じ材料を含むわけでも、同じ廃棄ルートをたどるわけでもない。それでも、所有者が廃棄すれば、これらの機器の多くは電気・電子機器に該当する。

この違いは、環境に関する問いを変える。GPUだけを数える場合、最も変化が速く目立つ部品を測定することになる。施設全体を数える場合、AI需要がハードウェアシステム全体をどのように変えるかを問うことになる。

新世代のアクセラレータには、より高密度なラック、異なる電圧供給、液冷、より高速なネットワークファブリックが必要になる可能性がある。既存の補助設備は稼働を続けられても、新たな設計に適合しなくなることがある。

この状態は経済的陳腐化であり、機器が物理的に故障する前に商業的価値を失うことを指す。次のコンピューティングアーキテクチャが互換性のない補助システムを必要とする場合に生じうる。

BANはこの懸念を大規模なデータセンター拡張計画に当てはめている。同団体のモデルでは、AI関連機器の退役量は2050年までに年間3,100万〜4,600万トンに達する可能性がある。

この数値は、年間の電子廃棄物総量が1億9,600万〜2億1,100万トンに達するとの予測の一部を構成する。BANはこの予測を、現在発生している約6,700万トンと比較している。

同団体はまた、AIによって引き起こされる機器の累積退役量が、2025年から2050年にかけて数億トンに達する可能性があると見積もる。これらはモデルに基づく結果であり、直接観測された廃棄物流ではない。

報告書の対象範囲の広さは、最も強い貢献である。一方、遠い将来の総量については、耐用年数や成長率の小さな変化が数十年にわたって複利的に影響するため、かなり慎重に扱う必要がある。

この区別は、報告書をめぐるあらゆる議論で明確にされるべきだ。BANは、妥当な物理的根拠に基づいて見落とされていたカテゴリーを特定した。しかし、それらすべての機器がいつ廃棄物になるかという不確実性を解消したわけではない。

見落とされていた87%がデータセンターのコスト算定を変える

AI容量は単なるチップの集合ではない。各層に材料コストを伴う、密接に結合したシステムである。

企業のAI計画では、コンピューティングの購入と施設管理が分けて扱われることが多い。サーバーは一つの予算に計上される一方、冷却、電力、バッテリー、ネットワークのアップグレードは別の項目に現れる。

こうした組織上の分離は、導入全体の影響を見えにくくする可能性がある。調達チームは、同じ導入によって必要となった冷却設備の改修と結び付けずに、サーバーの減価償却を計算するかもしれない。

このパターンは投資利益率の計算にも影響する。より効率的なアクセラレータは個々のワークロードのコストを下げられる一方、より高密度な電力供給と新しい冷却インフラを必要とする場合がある。

冷却資産は特に重要だ。熱除去の必要性はラック密度に応じて変わるためである。低消費電力のエンタープライズサーバーを前提に設計された部屋では、大規模な改修なしに高密度のアクセラレータシステムを収容できない可能性がある。

配電にも同様の依存関係がある。高密度な設置では、新たな開閉装置、変圧器、バスウェイ、無停電電源システムが必要になることがある。バックアップ発電機とバッテリーも増強を要する可能性がある。

ネットワークも更新圧力を生む。大規模なAIクラスターは、アクセラレータ、ストレージ、その他のサーバー間でデータを移動させるために高帯域幅接続を利用する。したがって、プロセッサーの更新はコンピュートトレイの外にあるボトルネックを露呈させる可能性がある。

このため、BANの予測が過大と判明したとしても、その算定境界には注目する価値がある。補助インフラは任意ではなく、別部門が所有しているからといって環境コストが消えるわけではない。

問題は環境報告にとどまらない。補助設備を無視すれば、設備投資予測、保険リスク、廃止措置予算、ベンダーの義務が歪められる可能性がある。

企業はサーバーの再販を計画していても、特殊な冷却ユニットの回収ルートを持たないかもしれない。AI容量に関する判断と結び付けず、別のスケジュールでバッテリーを交換することもあり得る。

世界の電子廃棄物データは重要な基準線を示している。ITUとUNITARによると、世界では2022年に6,200万トンの電子廃棄物が発生した。

環境上適切なシステムを通じて正式に回収・リサイクルされたと記録されたのは、わずか22.3%だった。同じ評価では、世界の電子廃棄物発生量は2030年に8,200万トンに達すると予測している。

AIインフラは、世界規模の廃棄物流の一部にとどまる。しかし、その機器は材料集約的で高価であり、消費者向け電子機器よりも組織が効果的に追跡できる施設に集中している。

この集中は機会を生む。データセンター事業者は、インフラがどこに設置され、誰が供給し、いつ運用を開始したかを把握している。機器が退役に至る前に、回収義務を組み込むことができる。

CIOは、すべての容量拡張を物理資産の完全な明細と結び付けることから始められる。その記録は、コンピュート、ストレージ、ネットワーク、電力システム、冷却設備、バッテリー、冷媒、防火材料を網羅すべきである。

また、資産台帳では所有権を区別する必要がある。クラウドプロバイダー、コロケーション事業者、企業、建物所有者、機器ベンダーは、一つの導入内で異なる層を管理している可能性がある。

この区別がなければ、各参加者は自社の帳簿に載る資産しか報告できない。結果として生じる断片は、AIサービス全体の物質的フットプリントを明らかにしないままになる可能性がある。

組織には、退役に関する共通の定義も必要だ。機器を主要クラスターから取り外したことは、必ずしも廃棄を意味しない。

サーバーはトレーニング用途から推論へ、その後バッチ処理や二次市場へ移行する可能性がある。ネットワーク機器は、より需要の低い環境で利用できるかもしれない。部品を予備品として回収することもできる。

一方で、冷却システムは、新しいラックアーキテクチャとの互換性を失うことで遊休化する可能性がある。機械部品が機能していても、運用から外れることがある。

ライフサイクル記録では、こうした経路を捉えるべきである。エンジニアリングチームは、調達判断、構成変更、再利用の証拠を検索可能なナレッジベースに保存できる。

より良い記録を用意しても、すべての環境問題が解決するわけではない。しかし、資産が再利用、保管、再販、リサイクル、輸出、廃棄のいずれに至ったかを示せる。

この証拠は不可欠だ。現在の議論は機器の耐用年数をめぐるものになっているためである。BANは、複数のハイパースケーラーが財務会計で報告しているよりも速い更新を仮定している。

機器の耐用年数は予測の最も弱い環

BANはより広いハードウェアの境界を確立したが、その最大規模の推計は、使用可能な資産がどれほど早く廃棄物になるかに依存している。

BANは、モデルの重要な部分でアクセラレータ、サーバー、ラックの耐用年数を2.5年と設定している。また、冷却設備には5年、配電インフラには8年の耐用年数を用いている。

こうした仮定は、データセンター容量の拡大に伴って急速な置き換えの波を生む。年間8.8%の容量成長率と組み合わさることで、報告書の最も高い長期推計を押し上げている。

付随する業界分析では、いくつかの反論が提示されている。アナリストは概して、より広い算定の必要性を認めつつも、導入済み重量を廃棄物へ換算する方法には疑問を呈している。

Dickson ResearchのFrank Dicksonは、1ギガワット当たり7万トンという推計は方向性として信頼できると述べた。一方、廃棄物が40〜60倍になるという主張については、擁護しにくいと見ている。

この違いは、別々の二つの計算を反映している。施設に導入される重量を見積もることと、各部品が廃棄物になる年を推計することは同じではない。

アクセラレータのリリースサイクルは、耐用年数の不完全な代替指標となる。Nvidiaがより高速なアーキテクチャを導入しても、すべての旧世代プロセッサーが経済的に無価値になるわけではない。

Google Cloudは、Nvidiaが2017年にそのアクセラレータを導入してから数年後もV100インスタンスを掲載し続けていた。AWSも、2020年にリリースされたA100をベースとするシステムを2026年中に提供し続けていた。

これらの例は業界全体の耐用年数を示すものではない。最先端機器への置き換えと最終的な退役は別の出来事であることを示している。

旧世代のハードウェアは、ワークロードの階層を下ることができる。トレーニングクラスターには最新のアクセラレータが必要かもしれないが、推論、テスト、研究、バッチ処理では旧世代のシステムでも許容される場合がある。

財務報告もこの可能性を裏付ける。Microsoftの2025年の機器会計では、コンピューター機器の推定耐用年数を2〜6年の範囲に置いている。

Metaは、2025年1月から、ほとんどのサーバーとネットワーク資産の推定耐用年数を5.5年に延長したと報告した。こうした会計上の耐用年数は、物理的な使用、再利用、廃棄を直接測定するものではない。

それにもかかわらず、これは2.5年で一律に退役するという前提と矛盾する。ハイパースケーラーには、高価なインフラをより長期間にわたり生産的に稼働させる財務上の動機がある。

BANは、AI機器には異例の更新圧力がかかると主張する。アクセラレータの効率は運用経済性を変え得る一方、新しいシステムでは電力、冷却、ネットワークの設計変更が求められる場合がある。

両方の見方は成り立ち得る。機器は原理上は引き続き有用であっても、特定の施設では魅力を失う可能性がある。

決定的な変数は、撤去後に何が起きるかだ。再配置は耐用期間を延ばす。再販はその耐用期間を別の所有者に移す。保管は生産的な利用を生まずに判断を先送りする。

リサイクルも再利用と同義ではない。一部の金属は回収できるが、通常は製造時に組み込まれた価値の大半を失わせる。

2024年のサーバー廃棄物に関する研究では、生成AIが2020年から2030年の間に累積120万〜500万トンの電子廃棄物を生み出す可能性があると推定された。主な対象はAIサーバーと関連コンポーネントだった。

同研究は、循環型の戦略により、モデル上の廃棄物を16％から86％削減できる可能性も示した。これらの戦略には、耐用年数の延長、ハードウェアの再利用、材料回収の改善が含まれる。

その後の2026年の再推計では、2030年時点のAIサーバー廃棄物は年間13万1,000〜22万4,800トンと見積もられた。この研究では、チップ生産能力と、より保守的な寿命の仮定を用いた。

BANと2026年の研究は、同一のシステムを測定しているわけではない。一方は支援施設の大部分を数えるのに対し、もう一方はサーバーに焦点を絞っている。

それでも両者の相違は、大きなデータ上の問題を浮き彫りにする。研究者は、導入済みAI機器、実際の稼働率、更新時期、二次利用、最終処分に関する完全な公開情報を欠いている。

したがって、対象範囲を示さずに「40〜60倍」という比較を提示すると誤解を招く。差の大部分は、既存のサーバー在庫が数十倍も大きかったという発見ではなく、追加カテゴリーを数えたことによるものだ。

残りは成長と入れ替わりに関する仮定による。将来に進むほど、それらの仮定の影響は大きくなる。

BANの2050年の数値は、急速な構築と急速な退役を繰り返すシステムが何を生み出すかを示すシナリオとして読むべきだ。狭い信頼区間を持つ実測予測ではない。

この制約は中心的な警告を無効にするものではない。それを検証するために必要な証拠を定義するものだ。

退役したハードウェアが自動的に電子廃棄物になるわけではない

政策と会計における中心的な誤りは、撤去、陳腐化、廃棄を同じ出来事として扱うことだ。

機器は、高性能クラスターから複数の経路で離脱し得る。それぞれの経路は、異なる経済的・環境的結果をもたらす。

再配置では、資産は同じ組織内に残る。トレーニング用サーバーは、最先端クラスターを離れた後、推論、シミュレーション、開発、社内研究を支える可能性がある。

再販では、機器は別の事業者に移る。新しい所有者は、それをホスティング、科学計算、レンダリング、より小規模なAIワークロードに使用できる。

部品取りは、選定されたコンポーネントを残す。メモリ、ストレージ、電源、ネットワークアダプター、ファン、プロセッサーは、修理や再生システムを支え得る。

正式なリサイクルは、生産的な再利用がもはや現実的でなくなった後に材料を抽出する。特に複雑な電子機器や特殊なアセンブリでは、回収の品質にばらつきがある。

廃棄は、有意義な回収を行わずに機器の生産的な寿命を終わらせる。非公式な処理は、労働者や地域社会を有害物質にさらす可能性もある。

これらの経路を一つのラベルで扱うべきではない。まとめて扱うと、ある分析では廃棄物を過大評価し、別の分析では有害な処分を隠してしまう可能性がある。

Basel Action Networkの報告書は、将来の廃棄物をモデル化する基準として機器の退役を用いている。このアプローチは、本来の役割を離れる資産を捉える一方、その後の行き先を保証することはできない。

ハイパースケーラーはGPUサーバーを3年後に撤去し、さらに3年間、別の場所で運用する可能性がある。別の企業は、再販やデータ消去が難しすぎると判断し、同様のハードウェアを保管し続けるかもしれない。

後者の資産は技術的には依然として所有されているが、実用的な価値はすでに失われている可能性がある。前者は元の設置場所を離れていても、廃棄物にはなっていない。

データセキュリティは再利用を複雑にする。ストレージデバイスには機密情報が含まれる場合があり、ファームウェアや管理システムには認証情報や構成データが残っている可能性がある。

組織は、消去を検証できない場合に、使用可能な機器を破棄することがある。明確な消去手順と監査可能な管理連鎖により、再利用の実現可能性を高められる。

設計も回収に影響する。独自仕様のアセンブリ、統合型冷却システム、制限されたファームウェアは、修理の選択肢を減らし得る。モジュール式ハードウェアは、ラック全体を交換する代わりに、選択的なアップグレードを可能にする。

同じ理由から、ベンダー契約も重要だ。買い戻し、引き取り、再生、部品回収に関する条項は、機器が導入される前に退役計画が存在するかを左右する。

したがってCIOは、資産レベルの処分データを求めるべきである。有用な項目には、導入日、主要ワークロード、撤去日、撤去理由、残存価値、移転先、回収証明書が含まれる。

施設チームには、変圧器、冷却機器、バッテリー、発電機、開閉装置についても、比較可能な記録が必要となる。これらのシステムは、所有者やサービスプロバイダーが異なることが多い。

調達契約では、機能障害とアーキテクチャ上の非互換性を区別すべきだ。この違いにより、入れ替わりが摩耗、容量の制約、効率性の経済性、新しい施設設計のいずれを反映しているかが明らかになる。

この証拠は、環境報告と投資判断を改善する。また、AIインフラが従来のデータセンターシステムより短いライフサイクルを生み出しているかも示す。

報告の境界は二次利用まで広げなければならない。ベンダーが下流での結果を報告しない限り、ベンダーの引き取りプログラムは再利用や責任あるリサイクルを証明しない。

輸出にも同様の精査が必要だ。退役機器を国境を越えて移動させることは正当な再利用を支える場合があるが、処分リスクを規制の弱い環境へ移す可能性もある。

バーゼル条約は、有害廃棄物の国際移動を規制している。残存価値が限定的であるにもかかわらず、貨物が再利用可能な製品として記載される場合、執行は難しくなる。

これらの問題により、AI電子廃棄物は単なるリサイクル問題ではなく、ガバナンスの問題となる。アーキテクチャと調達の段階で下される決定が、数年後に利用できる選択肢の多くを決める。

緊密に統合されたシステムを購入した企業は、モジュール型コンポーネントを回収できない。資産記録が施設、財務、サステナビリティの各チーム間で失われれば、再利用を文書化することもできない。

BANのより広いモデルは、CIOにこれらの機能を結び付けるよう促す。廃棄物の推計がより低くても、退役した各サーバーを取り巻くインフラに何が起きたのかを示す証拠は依然として必要だ。

3つのシグナルがAI電子廃棄物の推計を検証する

次に有用となる証拠は、ライフサイクル開示、二次利用、支援インフラにおける測定可能な変化から得られる。

最初のシグナルは、大手事業者がAI機器の資産レベルのライフサイクルデータを公表するかどうかだ。現在のサステナビリティ報告書は通常、エネルギー、水、排出量、または大まかな廃棄物総量を示している。

より有用な開示では、アクセラレータ、サーバー、ストレージ、ネットワーキング、バッテリー、冷却システム、電力設備を分けるべきだ。また、耐用年数の中央値と最終処分も報告すべきである。

この情報は、BANの退役に関する仮定を直接検証する。再利用が限定的で、耐用期間が2.5年に近ければ、報告書の短期的な警告を補強することになる。

文書化された再配置を伴うより長い運用期間は、最も高い予測値を弱める。会計上の減価償却だけでは、物理的な処分状況を明らかにしないため、この問いには答えられない。

2つ目のシグナルは、AIアクセラレータおよび関連システムの信頼できる二次市場の成長だ。旧世代プロセッサーがクラウドで継続して提供されていることは、すでに以前の世代に価値が残っていることを示唆している。

しかし、個別の提供事例だけでは、どれほどのハードウェアがセカンドライフのワークロードへ移行しているかは分からない。事業者には、数量、稼働率、移転先のデータが必要だ。

機能する二次市場は、最先端での陳腐化と物理的な廃棄物を区別する。また、企業に取引に基づく残存価値の仮定を与える。

再販需要が弱ければ、経済的陳腐化に関するBANの懸念を裏付けることになる。プロセッサーが機能し続けていても、新しい電力、冷却、ネットワークの要件によって機器が取り残される可能性がある。

3つ目のシグナルは、AIアップグレード時に支援システムの交換がどの程度の頻度で発生するかだ。これは現在の議論で最も見えにくい部分であり、BANのモデルにおける最も重要な追加要素でもある。

新たなアクセラレータの導入が、冷却、配電、バッテリー、ネットワークファブリックの交換を繰り返し引き起こすなら、サーバーのみを対象とする研究は不完全なままとなる。

事業者がモジュール型の追加によって既存インフラを適応させるなら、より広範な導入済みの質量が同じように急速な廃棄物へと転化することはない。この結果は、BANがモデル化した入れ替わりを減らすことになる。

CIOは、完璧な世界規模の予測を待つべきではない。今すぐ、AI容量の大規模な購入ごとにライフサイクル計画を要求できる。

実用的な計画では、想定耐用年数、下位層のワークロード、アップグレード可能なコンポーネント、再販チャネル、引き取り義務、検証済みのリサイクル経路を特定すべきだ。コンピュートハードウェアだけでなく、支援施設も含める必要がある。

リーダーは、アーキテクチャを承認する前に、交換シナリオも比較すべきだ。運用コストが低いシステムでも、比較的新しいインフラを取り残す場合、総合的な投資収益は低くなる可能性がある。

意思決定では、残存価値と廃止措置費用を考慮すべきだ。また、クラウド、コロケーション、マネージドサービスの取り決めにおいて、どの当事者がこれらの費用を負担するのかも明らかにする必要がある。

Basel Action NetworkによるAI電子廃棄物の推計は、確定した予測として扱うべきではない。その対象範囲に関する補正は、最も遠い将来の総量より説得力がある。

それでも、この報告書は立証責任を変える。組織は、サーバーを測定すればAI拡大の物質的な影響を把握できると、もはや想定できない。

あらゆるAIインフラ提案における次の問いは、具体的であるべきだ。このアーキテクチャが変わるとき、そのサーバー、ネットワーク、バッテリー、冷却システム、電力設備はどこへ行くのか？