Ukryte emisje dwutlenku węgla związane z AI wymykają się korporacyjnej księgowości klimatycznej
Google News zwróciło uwagę na dochodzenie Sierra Club, które ujawnia uderzającą sprzeczność: największe emisje dwutlenku węgla związane z AI mogą znajdować się poza liczbami raportowanymi przez firmy technologiczne.
Raport z 31 sierpnia analizuje „emisje umożliwione”, czyli dodatkowe zanieczyszczenia powstające, gdy AI zwiększa produktywność wydobycia, rafinacji lub wytwarzania energii z paliw kopalnych. Emisje te różnią się od energii elektrycznej zużywanej przez centra danych. Powstają w wyniku działań, które klienci podejmują z użyciem AI po jej wdrożeniu.
To rozróżnienie znacząco poszerza debatę klimatyczną. Microsoft, Google, Amazon i Meta publikują dane operacyjne oraz dotyczące łańcuchów dostaw, choć granice ich raportowania różnią się między sobą. W takich ujawnieniach rzadko przypisuje się zmiany w globalnej produkcji konkretnym usługom AI.
Recenzowane badanie opublikowane w sierpniu szacuje, że produktywność wspierana przez AI w całej gospodarce energetycznej zwiększa roczne emisje dwutlenku węgla w każdym z badanych zrównoważonych scenariuszy wdrożenia. Modelowany wzrost sięga od 0,47 do 1,8 gigatony.
Wynik nie dowodzi, że każda aplikacja AI zwiększa emisje. Pokazuje, dlaczego mierzenie wyłącznie serwerów może pomijać większy efekt gospodarczy. AI może optymalizować farmy wiatrowe, a jednocześnie pomagać producentom ropy lokalizować złoża, zarządzać odwiertami i obniżać koszty wydobycia.
Główny konflikt nie dotyczy zatem wydajnego obliczania kontra niewydajne obliczanie. Dotyczy korporacyjnej księgowości klimatycznej kontra rzeczywistych działań, które produkty AI ułatwiają.
Co raport Sierra Club wnosi do Google News
Raport przenosi uwagę z maszyn uruchamiających AI na produkcję przemysłową, którą te maszyny mogą rozszerzać.
Wiele materiałów środowiskowych o AI zaczyna się od centrów danych. To zrozumiałe, ponieważ obiekty obliczeniowe zużywają energię elektryczną, wymagają wody i zawierają sprzęt o wysokiej intensywności emisji dwutlenku węgla. Niektóre obiekty korzystają również z turbin gazowych lub generatorów dieslowskich.
Dochodzenie Sierra Club przekonuje, że ten powszechnie znany ślad jest niepełny. Wskazuje na zanieczyszczenia wynikające ze wspieranej przez AI produkcji paliw kopalnych, która zazwyczaj wykracza poza raportowane przez firmy technologiczne inwentaryzacje.
Ta druga warstwa jest trudniejsza do dostrzeżenia. Dostawca chmury może oszacować energię elektryczną zużywaną przez dane obciążenie. Może też przypisać klientowi część śladu produkcyjnego serwera.
Dostawca zazwyczaj nie jest w stanie określić, ile dodatkowej ropy trafiło na rynek, ponieważ jego system poprawił efektywność poszukiwań lub pracy rafinerii. Nawet gdy taka zależność jest znana, ustalone rejestry emisji nie przewidują dla niej standardowego miejsca.
Badanie źródłowe określa ten efekt mianem emisji umożliwionych. Termin ten opisuje dodatkowe gazy cieplarniane wynikające ze wzrostu produktywności, jaki AI zapewnia branżom o wysokiej intensywności emisji dwutlenku węgla.
Emisje umożliwione nie są tym samym co emisje Scope 3. Scope 3 obejmuje pośrednie zanieczyszczenia w łańcuchu wartości, w tym zakupiony sprzęt, materiały budowlane, podróże służbowe i określone zastosowania sprzedanych produktów.
Inwentaryzacja Scope 3 firmy technologicznej może obejmować produkcję serwerów, nie uwzględniając jednak wszystkich dalszych konsekwencji gospodarczych jej oprogramowania. Granica rachunkowości opiera się na zdefiniowanych relacjach korporacyjnych, a nie na każdej reakcji rynku.
Ta różnica wyjaśnia, dlaczego historia zwróciła uwagę za pośrednictwem Google News. Podważa liczby wykorzystywane w korporacyjnych komunikatach dotyczących zrównoważonego rozwoju, nie twierdząc przy tym, że liczby te są koniecznie fałszywe.
Firma może przestrzegać obecnych zasad rachunkowości, a mimo to przedstawiać niepełny obraz klimatycznych konsekwencji swojej technologii. Zgodność z wymogami i kompletność to odrębne kwestie.
Ta historia pojawia się również w czasie, gdy sprzeciw wobec centrów danych wykracza poza organizacje ekologiczne. Przedsiębiorstwa użyteczności publicznej, regulatorzy, mieszkańcy i rzecznicy odbiorców energii coraz częściej pytają, kto zapewnia nową energię elektryczną i kto płaci za modernizację sieci.
Jednak zużycie energii operacyjnej to tylko jedna część problemu. Jeśli AI dodatkowo obniża koszty produkcji paliw kopalnych, jej skutki wykraczają daleko poza obiekt obsługujący model.
To przeformułowanie ma znaczenie, ponieważ raporty klimatyczne firm często oddzielają korzystne zastosowania przez klientów od szkodliwych. Firmy podkreślają optymalizację sieci, prognozowanie produkcji odnawialnej i efektywność energetyczną jako uniknięte emisje.
Rzadko publikują równoważne szacunki dla AI wykorzystywanej w wierceniach, rafinacji, produkcji petrochemicznej lub wytwarzaniu energii z paliw kopalnych. Ta nierównowaga może uwidaczniać korzyści, pozostawiając szkody poza kadrem.
Raport Sierra Club czyni to pominięcie centralnym wydarzeniem informacyjnym. Zachęca czytelników do oceniania AI przez pryzmat konsekwencji gospodarczych, a nie tylko liczników energii elektrycznej.
Rejestr emisji kończy się na centrum danych
Obecne raportowanie może uwzględniać energię elektryczną serwera, jednocześnie pomijając dodatkową produkcję generowaną przez działające na nim oprogramowanie.
Inwentaryzacje gazów cieplarnianych dzielą emisje na trzy szerokie zakresy. Scope 1 obejmuje bezpośrednie emisje ze źródeł kontrolowanych przez firmę. Scope 2 obejmuje emisje związane z zakupioną energią elektryczną i podobną energią.
Scope 3 obejmuje inne pośrednie emisje w całym łańcuchu wartości. Może uwzględniać budowę centrów danych, produkcję sprzętu, transport, zakupione usługi oraz ostateczne wykorzystanie sprzedanych produktów.
Dla dostawców AI każda z tych kategorii wiąże się z trudnymi pomiarami. Energia elektryczna może pochodzić z wielu sieci, a kontraktowe zakupy energii odnawialnej mogą dawać inne sumy niż obliczenia oparte na lokalizacji.
Sprzęt stwarza kolejne wyzwanie. Zaawansowane akceleratory wymagają energochłonnej produkcji półprzewodników, specjalistycznej pamięci, sprzętu sieciowego, systemów chłodzenia, stali, betonu oraz częstej wymiany wyposażenia.
Międzynarodowy Związek Telekomunikacyjny definiuje emisje wbudowane jako zanieczyszczenia w cyklu życia wynikające z pozyskania materiałów, produkcji i przetwarzania po zakończeniu eksploatacji. Jego wytyczne dotyczące oceny AI zalecają oddzielne raportowanie trenowania i inferencji.
Te wytyczne poprawiają porównywalność, lecz nadal zależą od granic systemu. Ocena cyklu życia może poszerzać te granice, choć ostatecznie musi zdecydować, które konsekwencje należą do produktu.
Google Cloud opisuje obecnie wbudowany ślad węglowy sprzętu w swojej metodologii śladu klienta. Metodologia emisji firmy obejmuje wydobycie materiałów, transport i produkcję sprzętu.
AWS również uwzględnia emisje wbudowane w sprzęt i niektóre budynki w granicach raportowania dla klientów. To znaczące ulepszenia, ponieważ klienci potrzebują czegoś więcej niż tylko szacunków zużycia energii elektrycznej.
Żadne z tych podejść nie obejmuje automatycznie umożliwionych emisji w skali całego rynku. Firma naftowa może korzystać z kilku dostawców chmury, systemów wewnętrznych i modeli zewnętrznych w ramach jednego programu produkcyjnego.
Analitycy potrzebowaliby wówczas wiarygodnego scenariusza kontrfaktycznego. Muszą oszacować, jaka produkcja miałaby miejsce bez AI oraz jak rynki energii zareagowały na dodatkową podaż.
To zadanie nie jest niemożliwe, ale różni się od konwencjonalnego przypisywania emisji. Wymaga modelowania gospodarczego, informacji o wykorzystaniu przez klientów oraz założeń dotyczących cen, substytucji, popytu i polityki.
Luka raportowa staje się większa, gdy dostawcy opisują AI jako usługę ogólnego przeznaczenia. Usługa ogólna może wspierać prognozowanie energii odnawialnej na jednym koncie, a modelowanie złóż na innym.
Dostawcy chmury mogą również nie mieć pełnej widoczności obciążeń klientów. Ochrona prywatności, granice kontraktowe i wielowarstwowe usługi programistyczne mogą zacierać obraz końcowego zastosowania.
Tworzy to rzeczywisty problem pomiarowy, a nie zwykłe niepowodzenie w ujawnianiu danych. Firmy nie mogą rzetelnie raportować liczby, gdy standardy, dane i zasady przypisywania pozostają nieustalone.
Mimo to niepewność nie uzasadnia traktowania tego efektu jako zerowego. To kluczowa presja wywołana przez historię Sierra Club.
Raporty korporacyjne mogą uznać tę kategorię, ujawnić znane relacje z sektorem paliw kopalnych i publikować scenariusze. Mogą też oddzielać mierzone emisje od modelowanych konsekwencji.
Bez tych uzupełnień czytelnicy mogą pomylić precyzyjnie obliczony ślad operacyjny z pełnym wpływem AI na klimat. Precyzja w obrębie wąskiej granicy nie czyni tej granicy kompleksową.
Emisje umożliwione odwracają typową opowieść o klimacie i AI
Bilans klimatyczny AI zmienia się, gdy produktywność paliw kopalnych i produktywność energii odnawialnej trafiają do tego samego modelu gospodarczego.
Recenzowany model klimatyczny opublikowano w npj Climate Action 4 sierpnia 2026 roku. Jego autorzy modelują AI jako wzmacniacz produktywności w konkurujących ścieżkach energetycznych.
Badanie stosuje wzrosty produktywności do wydobycia paliw kopalnych, rafinacji, wytwarzania energii, energii odnawialnej, infrastruktury sieciowej i wybranych działań po stronie popytu. Następnie szacuje reakcje w skali całej gospodarki.
W scenariuszach równoległego wdrażania model wykazuje roczny wzrost netto od 0,47 do 1,8 gigatony dwutlenku węgla. Odpowiada to 1,2–4,8 procentowi emisji związanych z energią w 2024 roku.
Badacze szacują odizolowane emisje umożliwione na 0,6–2,4 gigatony rocznie. Porównują ten zakres z 0,18 gigatony pochodzącej z centrów danych w przywołanym szacunku z 2025 roku.
Na tej podstawie modelowane skutki w sektorze paliw kopalnych osiągają od 3,3 do 13,3 razy poziom przywołanych emisji centrów danych. Porównanie pokazuje skalę, ale tych dwóch szacunków nie należy po prostu sumować.
Badanie wyraźnie traktuje liczbę dla centrów danych jako zewnętrzny punkt odniesienia. Jego model dla całej gospodarki analizuje skutki produkcyjne drugiego rzędu, podczas gdy punkt odniesienia obejmuje bezpośrednie emisje operacyjne.
Najważniejszy wynik dotyczy asymetrii. Produktywność energii odnawialnej musi poprawiać się cztery do pięciu razy szybciej niż produktywność paliw kopalnych, zanim modelowane emisje netto osiągną równowagę.
Dzieje się tak, ponieważ wzrosty produktywności działają w systemie energetycznym nadal zdominowanym przez paliwa kopalne. Zwiększenie efektywności ustalonego, wysokoemisyjnego łańcucha dostaw może szybko rozszerzyć produkcję.
AI może pomagać interpretować dane sejsmiczne, identyfikować lokalizacje odwiertów, automatyzować monitorowanie sprzętu i usprawniać harmonogramowanie w rafineriach. Każde z tych zastosowań może obniżać koszty lub ograniczać przerwy operacyjne.
Niektóre z tych usprawnień mogą zmniejszać emisje na baryłkę. Niższe koszty produkcji mogą jednak również zwiększać całkowitą podaż, wydłużać żywotność aktywów i czynić dodatkowe rezerwy opłacalnymi.
Jest to efekt odbicia, który występuje, gdy wzrost efektywności obniża koszty na tyle, że zwiększa całkowitą konsumpcję lub produkcję. Czystsza jednostka nie gwarantuje mniejszego całkowitego śladu.
Systemy energii odnawialnej również korzystają z AI. Prognozowanie może poprawiać integrację z siecią, konserwacja predykcyjna może ograniczać przestoje, a lepsze planowanie może wspierać wdrażanie magazynowania energii.
Model nie zaprzecza tym korzyściom. Zamiast tego testuje je wraz z zastosowaniami AI w sektorze paliw kopalnych, zamiast przedstawiać je osobno.
Według założeń badania ulepszenia sieci i wybrane rozwiązania zwiększające efektywność zmniejszają roczne emisje o około 0,1 gigatony w najsilniejszym scenariuszu neutralnym wobec paliw. Nie odwracają one jednak wyniku po stronie podaży.
To odwrócenie podważa powszechną narrację korporacyjną. Firmy technologiczne często przedstawiają zapotrzebowanie AI na energię elektryczną jako krótkoterminowy koszt, który przyszłe zastosowania klimatyczne mogą zrekompensować.
Badanie nie wykazało automatycznej rekompensaty. Wynik zależy od tego, gdzie pojawiają się wzrosty produktywności, które branże je wdrażają oraz czy polityka ogranicza ekspansję emisyjnych sektorów.
Wniosek ten pozostaje wynikiem modelowania, a nie bezpośrednim pomiarem każdego wdrożonego systemu. Jego zakres odzwierciedla założenia dotyczące wdrażania, produktywności, rynków i reakcji gospodarczych.
Mimo to mechanizm jest wystarczająco wiarygodny, by wymagać uwagi. Wzrost produktywności wpływa na produkcję, ceny, inwestycje i konsumpcję w całym powiązanym rynku energii.
Dlatego emisji CO2 związanych z AI nie można rozumieć wyłącznie przez pryzmat wydajności chipów. Bardziej efektywny model może nadal zwiększać całkowite zanieczyszczenie, jeśli przyspiesza działalność o wysokiej emisyjności.
Big Tech staje przed testem: obietnice kontra rzeczywistość
Firmy technologiczne są obecnie pod presją, by pogodzić zobowiązania klimatyczne ze sprzedażą AI branżom rozwijającym podaż paliw kopalnych.
Cztery największe firmy chmurowe i platformowe podjęły istotne zobowiązania klimatyczne. Równocześnie intensywnie inwestują w infrastrukturę obliczeniową, akceleratory, kontrakty energetyczne i usługi AI dla klientów.
Strategie te się zderzają. Popyt na AI zwiększa zużycie energii elektrycznej i emisje związane z budową, a jednocześnie otwiera nowe możliwości komercyjne w energetyce, przemyśle, transporcie i wydobyciu zasobów.
Microsoft deklarował cel osiągnięcia ujemnego bilansu emisji do 2030 roku. Google dąży do zerowych emisji netto w działalności operacyjnej i łańcuchach wartości, podczas gdy Amazon i Meta utrzymują własne cele klimatyczne.
Ujawnienia korporacyjne już pokazują, że szybki rozwój infrastruktury komplikuje realizację tych celów. Materiały budowlane, kupowany sprzęt i energia elektryczna mogą rosnąć szybciej, niż działania zwiększające efektywność redukują emisje w innych obszarach.
Google podał, że jego całkowite emisje gazów cieplarnianych wzrosły o 48 procent między 2019 a 2023 rokiem. Firma częściowo powiązała ten wzrost z energią zużywaną przez centra danych i emisjami w łańcuchu dostaw.
Microsoft wcześniej informował, że jego emisje wzrosły względem poziomu bazowego z 2020 roku wraz z rozbudową centrów danych. Presję zwiększały stal, beton, chipy i energia elektryczna.
Liczby te dotyczą uznanych korporacyjnych inwentaryzacji emisji. Emisje umożliwione tworzą drugi test, ponieważ łączą sprzedaż AI z decyzjami produkcyjnymi klientów.
Branża naftowa i gazowa od dekad korzysta z zaawansowanej analityki. Współczesne uczenie maszynowe zwiększa skalę, szybkość i dostępność analiz geologicznych, predykcyjnego utrzymania ruchu oraz optymalizacji procesów.
Dostawcy mogą zasadnie twierdzić, że narzędzia cyfrowe poprawiają bezpieczeństwo i ograniczają wycieki metanu. Lepszy monitoring może wykrywać awarie sprzętu i wspierać bardziej efektywną działalność.
Przedstawiciele branży odrzucają także założenie, że większa produkcja energii i niższe emisje są z natury nie do pogodzenia. Podkreślają efektywność, zarządzanie emisjami dwutlenku węgla i rosnący globalny popyt.
Ta odpowiedź dotyczy intensywności emisji, czyli zanieczyszczenia przypadającego na jednostkę produkcji. Nowe badanie podkreśla natomiast całkowite emisje po tym, jak zmiany produktywności wpływają na podaż i popyt.
Obie miary są ważne, lecz odpowiadają na różne pytania. Producent może ograniczać emisje na jednostkę, a jednocześnie zwiększać ich łączną skalę poprzez wyższą produkcję.
Presja na Big Tech dotyczy w takim samym stopniu zarządzania, co pomiaru. Dostawcy decydują, którzy klienci otrzymują wyspecjalizowane zespoły, modele dostosowane do potrzeb, wsparcie infrastrukturalne i publiczne studia przypadków.
Ustanawiają też zasady dotyczące zastosowań wysokiego ryzyka w obszarze bezpieczeństwa, nadzoru i broni. Aplikacje o wysokiej intensywności klimatycznej rzadko podlegają porównywalnej kontroli.
Wiarygodna odpowiedź wymagałaby czegoś więcej niż kolejnego energooszczędnego chipa. Firmy musiałyby klasyfikować zastosowania dalszego etapu, opisywać współpracę z sektorem paliw kopalnych i ustanowić spójne zasady oceny.
Takie polityki wiązałyby się z kosztami komercyjnymi. Odrzucenie lub ograniczenie konkretnych projektów mogłoby oznaczać oddanie przychodów konkurentom o słabszych zobowiązaniach klimatycznych.
To napięcie wyjaśnia, dlaczego dobrowolne ujawnienia mogą postępować powoli. Firmy mierzące się z pytaniem o rachunkowość jednocześnie czerpią korzyści finansowe z ocenianych działań.
Regulacje mogłyby z czasem ujednolicić raportowanie, lecz przypisanie odpowiedzialności pozostaje trudne. Decydenci musieliby określić granice porównywalne, możliwe do audytu i odporne na podwójne liczenie.
Firmy technologiczne nie powinny automatycznie dziedziczyć każdej emisji wygenerowanej przez każdego klienta. Jednocześnie deklarowane przez dostawcę uniknięte emisje wymagają symetrycznego traktowania umożliwionego zanieczyszczenia.
Podstawowym standardem powinna być spójność. Jeśli firma przypisuje AI zasługę za pomoc klientowi w uniknięciu emisji, powinna badać porównywalne dowody, gdy AI zwiększa produkcję o wysokiej emisyjności.
Wszystko inne tworzy jednostronny rejestr. Korzyści trafiają do kalkulacji, podczas gdy szkody pozostają odpowiedzialnością kogoś innego.
Czego liczby wciąż nie mogą dowieść
Szacunek emisji umożliwionych ujawnia pomijane ryzyko, lecz jego górne i dolne granice są scenariuszami, a nie zaobserwowanymi sumami.
Badanie wykorzystuje obliczeniowy model równowagi ogólnej, który przedstawia, jak branże, konsumenci, ceny i handel reagują na zmiany gospodarcze. Podejście to wychwytuje interakcje pomijane przez prostsze obliczenia.
Zależy ono również od założeń. Badacze muszą określić skalę szoków produktywności napędzanych przez AI, tempo wdrażania, elastyczności rynkowe, bazowy popyt na energię i warunki polityczne.
Niewielkie zmiany mogą rozprzestrzeniać się w całym globalnym modelu. Dlatego wynikający z niego zakres od 0,47 do 1,8 gigatony jest szeroki.
Model nie śledzi każdej umowy chmurowej aż do konkretnego pola naftowego. Nie może wykazać, że wdrożenie jednego modelu spowodowało precyzyjnie określoną dodatkową wielkość produkcji.
Zamiast tego szacuje prawdopodobne konsekwencje dla całego systemu, gdy AI zwiększa produktywność w określonych sektorach. Czytelnicy powinni traktować wyniki jako dowody scenariuszowe, a nie rachunek emisji dla przedsiębiorstw.
Autorzy mają również powiązanie z działalnością rzeczniczą. Kilku z nich jest związanych z Enabled Emissions Campaign, organizacją non-profit skupiającą się na klimatycznych konsekwencjach AI i zarządzaniu technologią.
Ujawniają to powiązanie jako niefinansowy konflikt interesów. Recenzja naukowa wzmacnia pracę, lecz nie eliminuje niepewności ani nie rozstrzyga wszystkich pytań dotyczących granic analizy.
Sposób, w jaki model traktuje innowacje, stanowi kolejne ograniczenie. Możliwości AI, technologie energetyczne i wzorce wdrażania mogą zmieniać się szybciej niż gospodarcze wartości bazowe.
Zastosowania w energetyce odnawialnej mogą przewyższyć obecne założenia. Zastosowania dotyczące paliw kopalnych mogą napotkać regulacje, ograniczenia fizyczne, niskie tempo wdrażania lub spadający popyt.
Możliwy jest także scenariusz odwrotny. Szybsze wdrażanie w poszukiwaniach, rafinacji i wytwarzaniu energii mogłoby sprawić, że środkowe założenia badania okażą się ostrożne.
Ceny emisji dwutlenku węgla zawężają modelowaną nierównowagę, lecz nie eliminują jej na wszystkich testowanych poziomach. Wniosek ten zależy od tego, jak producenci i konsumenci reagują na ceny.
Kolejna kwestia dotyczy związku przyczynowego. Firmy naftowe już dążą do automatyzacji i poprawy produktywności. Analitycy muszą odróżnić ulepszenia szczególnie umożliwione przez AI od zwykłego postępu technicznego.
Muszą też wybrać scenariusz kontrfaktyczny. Produkcja bez jednego systemu AI mogłaby być realizowana przez innego dostawcę, konwencjonalne oprogramowanie lub dodatkową pracę ludzką.
Problemy te sprawiają, że emisje umożliwione są trudniejsze do audytu niż zużycie energii elektrycznej. Nie czynią jednak tej kategorii nieistotną.
Rachunkowość środowiskowa już opiera się na rozumowaniu kontrfaktycznym w przypadku unikniętych emisji, kompensacji, projektów odnawialnych i oceny polityk. Wyzwanie polega na stosowaniu porównywalnej rygorystyczności wobec szkodliwych skutków.
Kolejnym ryzykiem jest podwójne liczenie. To samo dodatkowe paliwo może pojawić się w łańcuchu wartości producenta, w emisjach ze spalania po stronie konsumenta oraz w modelowanym wpływie dostawcy technologii.
Odpowiedzialne ramy muszą jasno oznaczać te liczby. Emisje umożliwione powinny uzupełniać ustalone inwentaryzacje, a nie być do nich po cichu dodawane.
Badanie nie powinno też pomijać użytecznych zastosowań AI. Systemy wykrywające wycieki metanu, optymalizujące sieci lub poprawiające prognozowanie energii odnawialnej mogą przynosić mierzalne korzyści.
Pytanie brzmi, czy korzyści te przewyższają dodatkowe zanieczyszczenie zachęcane w innych obszarach. Odpowiedź badania brzmi: nie, w ramach jego scenariuszy zrównoważonego wdrażania.
Przyszłe dowody mogą wzmocnić lub osłabić ten wniosek. Lepsze dane na poziomie klientów, niezależnie zweryfikowane studia przypadków i przejrzyste pomiary produktywności zmniejszyłyby niepewność.
Na razie właściwą reakcją nie jest ani odrzucenie, ani bezkrytyczna akceptacja. Badanie wskazuje na istotne ryzyko, którego obecne raporty korporacyjne nie testują wystarczająco.
Na co powinni zwrócić uwagę czytelnicy Google News
Trzy sygnały pokażą, czy emisje umożliwione staną się rzeczywistym standardem odpowiedzialności, czy pozostaną niewygodnym ustaleniem badawczym.
Pierwszym sygnałem będą ujawnienia największych dostawców chmury. Ich kolejne raporty środowiskowe powinny wyjaśnić, czy dalsze zastosowania AI mieszczą się w jakiejkolwiek ocenie klimatycznej.
Znaczące ujawnienie wskazywałoby kategorie zastosowań, opisywałoby granice oceny i rozróżniało zaobserwowane dane od efektów modelowanych. Ogólne stwierdzenie o korzystnej AI nie odpowiadałoby na tę krytykę.
Google, Microsoft, Amazon i Meta powinny także ujawnić, jak traktują wyspecjalizowaną pracę dla klientów z sektora paliw kopalnych. Istotne pytanie dotyczy wpływu na produkcję, a nie wyłącznie nazw klientów.
Jeśli jeden dostawca opublikuje powtarzalną metodologię, presja na konkurentów wzrośnie. Wspólna metoda wzmocniłaby główny argument badania, że można zaradzić temu pominięciu.
Dalsze milczenie nie obaliłoby koncepcji emisji umożliwionych. Pokazałoby, że rachunkowość korporacyjna nadal skupia się na aktywach i kupowanej energii, a nie na dalszych skutkach gospodarczych.
Drugim sygnałem będzie niezależna replikacja. Badacze muszą przetestować wynik za pomocą różnych modeli gospodarczych, założeń, danych regionalnych i studiów przypadków z branży.
Zakres od 0,47 do 1,8 gigatony jest wystarczająco duży, by wpływać na politykę klimatyczną. Twierdzenie na taką skalę zasługuje na ciągłą analizę ze strony ekonomistów, ekspertów od cyklu życia produktów i analityków energetycznych.
Badacze powinni także oddzielić poszukiwania, wydobycie, rafinację, transport i wytwarzanie energii. AI może wpływać na każdy etap inaczej, a regulacje regionalne mogą zmieniać wynik.
Bezpośrednie studia przypadków byłyby szczególnie wartościowe. Badanie mogłoby porównać podobne operacje z AI i bez niej, kontrolując ceny, geologię, sprzęt i politykę.
Replikacja z wynikiem zbliżonym do opublikowanego zakresu wzmocniłaby argument za formalnymi standardami raportowania. Znacznie niższe wyniki zawęziłyby obawy polityczne, nie usuwając jednak podstawowego mechanizmu.
Trzecim sygnałem będą regulacje lub polityka zakupowa. Rządy i duzi nabywcy korporacyjni mogą wymagać ocen cyklu życia obejmujących ryzyka związane z dalszymi zastosowaniami.
Metodologia ITU już podkreśla przejrzyste granice, emisje wbudowane, jakość danych i niezależny przegląd. Zasady specyficzne dla AI mogą rozwijać tę podstawę.
Standardy zakupowe mogą zacząć obowiązywać przed regulacjami krajowymi. Duzi nabywcy mogą żądać od dostawców szacunków zużycia energii elektrycznej, sprzętu, wody i wpływu zastosowań na poziomie obciążeń roboczych.
Regulatorzy finansowi mogą także wymagać jaśniejszego omówienia ryzyk transformacji klimatycznej. Partnerstwa AI, które przedłużają eksploatację aktywów związanych z paliwami kopalnymi, mogą tworzyć ekspozycję wykraczającą poza roczne sumy emisji.
Polityki te muszą unikać fałszywej precyzji. Przejrzysty zakres z jasno określonymi założeniami jest bardziej wiarygodny niż pojedyncza liczba zbudowana na ukrytych wyborach.
Dla deweloperów i nabywców korporacyjnych natychmiastowa lekcja jest praktyczna. Wydajność modeli jest ważna, lecz projektowanie zastosowań może przeważać nad korzyściami wynikającymi z efektywności.
Zespoły powinny pytać, jakie zachowanie zmienia ich system, która aktywność się rozszerza oraz czy niższe koszty zwiększają całkowite zużycie. Te pytania powinny być rozpatrywane obok wskaźników opóźnień i dokładności.
Pracownicy umysłowi powinni również uważnie analizować twierdzenia dotyczące środowiska. „AI for climate” opisuje kategorię zastosowań, a nie bilans netto całego komercyjnego portfolio.
Najnowsze materiały Google News sprawiają, że trudno zignorować to rozróżnienie. Emisje związane z centrum danych są mierzalne, widoczne i coraz częściej opisywane.
Emisje, które technologia umożliwia poza nim, pozostają przedmiotem sporów, zależą od modeli i w dużej mierze nie są uwzględniane w firmowych rejestrach. Właśnie ta niepewność sprawia, że przejrzyste badanie ma znaczenie.
Kolejny raport klimatyczny dużego dostawcy AI powinien odpowiedzieć na bezpośrednie pytanie: czy firma uwzględnia wyłącznie infrastrukturę, którą prowadzi, czy także produkcję, którą umożliwia jej technologia?
Dopóki to pytanie nie otrzyma mierzalnej odpowiedzi, publikowane dane o emisjach dwutlenku węgla związanych z AI będą stanowić jedynie częściowy obraz znacznie większego systemu.
