Szacunek Basel Action Network dotyczący elektroodpadów AI uwzględnia to, co pomijają badania nad serwerami

Basel Action Network rozszerzyła rozliczanie odpadów związanych z AI poza serwery, tworząc szacunek nawet 60 razy wyższy od często cytowanej prognozy akademickiej. Model elektroodpadów AI Basel Action Network uwzględnia urządzenia chłodzące, dystrybucję energii, systemy zapasowe, sieci, serwery i akceleratory.

Zmiana zakresu ma znaczenie, ponieważ serwery stanowią tylko część fizycznej infrastruktury budowanej dla sztucznej inteligencji. Największe prognozy raportu zależą jednak również od spornych założeń dotyczących żywotności urządzeń i długoterminowego rozwoju centrów danych.

Rzeczywisty spór nie dotyczy więc troski o środowisko w opozycji do inwestycji w AI. Chodzi o kompleksowe rozliczanie cyklu życia kontra wąski, skoncentrowany na obliczeniach pomiar. CIO muszą zdecydować, które aktywa uwzględnić w kalkulacji, jak długo zachowują użyteczność i co faktycznie oznacza ich wycofanie z eksploatacji.

Rozliczanie elektroodpadów AI przez Basel Action Network poszerza granice analizy

Najważniejszym posunięciem raportu jest zmiana definicji infrastruktury AI.

Basel Action Network, czyli BAN, opublikowała we wrześniu 2026 roku pierwszą część raportu AI Waste Wave. BAN jest organizacją ekologiczną skupioną na handlu odpadami niebezpiecznymi i egzekwowaniu konwencji bazylejskiej.

Wcześniejsze szacunki odpadów AI zwykle koncentrowały się na serwerach, szafach rack i akceleratorach, takich jak GPU. BAN modeluje natomiast pięć kategorii urządzeń wspierających moc obliczeniową centrum danych.

W jej projekcie referencyjnym 35 procent masy elektromechanicznej przypada na urządzenia chłodzące. Dystrybucja energii stanowi 34 procent, a zasilanie awaryjne kolejne 15 procent. Serwery i akceleratory odpowiadają za 13 procent, zaś urządzenia sieciowe za pozostałe 3 procent.

Według tego podziału 87 procent istotnej infrastruktury fizycznej znajduje się poza kategorią serwerów. BAN twierdzi, że wcześniejsze prognozy AI pomijały zatem większość urządzeń związanych z każdym nowym gigawatem mocy.

Raport szacuje, że gigawat mocy centrum danych wymaga około 62 000–77 000 ton metrycznych urządzeń elektromechanicznych. Jako wartość centralną przyjmuje około 70 000 ton na gigawat.

Łączna wartość obejmuje transformatory, rozdzielnice, zasilacze bezprzerwowe, baterie, generatory, urządzenia chłodzące, urządzenia sieciowe, szafy serwerowe i procesory. Szersza granica rozliczania obejmuje także infrastrukturę pamięci masowej i zapasową.

Nie każdy element zawiera te same materiały ani podąża tą samą ścieżką utylizacji. Mimo to znaczna część tego wyposażenia kwalifikuje się jako sprzęt elektryczny lub elektroniczny, gdy właściciel go wyrzuca.

To rozróżnienie zmienia pytanie środowiskowe. Liczenie wyłącznie GPU mierzy najszybciej zmieniający się i najbardziej widoczny komponent. Liczenie całego obiektu pyta, jak popyt na AI przekształca cały system sprzętowy.

Nowa generacja akceleratorów może wymagać gęściej upakowanych szaf, innego dostarczania napięcia, chłodzenia cieczą i szybszej infrastruktury sieciowej. Istniejące wyposażenie wspierające może nadal działać, lecz nie pasować już do nowej architektury.

Jest to ekonomiczne starzenie się, czyli sytuacja, w której sprzęt traci wartość handlową, zanim fizycznie przestanie działać. Może do niego dojść, gdy kolejna architektura obliczeniowa wymaga niekompatybilnych systemów wspierających.

BAN odnosi tę kwestię do planów dużej rozbudowy centrów danych. Jej model wskazuje, że wycofywanie sprzętu związanego z AI może osiągnąć od 31 mln do 46 mln ton rocznie do 2050 roku.

Wartości te stanowiłyby część prognozowanych 196–211 mln ton całkowitej rocznej masy elektroodpadów. BAN porównuje tę projekcję z około 67 mln ton wytwarzanych obecnie.

Organizacja szacuje również, że skumulowane wycofania sprzętu napędzane przez AI mogą osiągnąć setki milionów ton między 2025 a 2050 rokiem. Są to wyniki modelowania, a nie bezpośrednio zaobserwowane strumienie odpadów.

Szerszy zakres raportu jest jego najmocniejszym wkładem. Odległe prognozy wymagają znacznie większej ostrożności, ponieważ niewielkie zmiany okresów użytkowania lub tempa wzrostu kumulują się przez dekady.

To rozróżnienie powinno pozostać widoczne w każdej dyskusji o raporcie. BAN zidentyfikowała pomijane kategorie na wiarygodnej podstawie fizycznej. Nie wyeliminowała jednak niepewności co do tego, kiedy cały ten sprzęt staje się odpadem.

Brakujące 87 procent zmienia rozliczanie kosztów centrów danych

Moc AI to nie tylko zbiór chipów; to ściśle powiązany system, którego każda warstwa wiąże się z kosztami materiałowymi.

Planowanie AI w przedsiębiorstwach często oddziela zakupy zasobów obliczeniowych od zarządzania obiektami. Serwery trafiają do jednego budżetu, podczas gdy chłodzenie, zasilanie, baterie i modernizacje sieci pojawiają się gdzie indziej.

Ten podział organizacyjny może ukrywać całkowity wpływ wdrożenia. Zespół zakupowy może obliczać amortyzację serwerów bez łączenia jej z modernizacją chłodzenia wywołaną przez tę samą instalację.

Wzorzec ten wpływa również na kalkulacje zwrotu z inwestycji. Wydajniejszy akcelerator może obniżyć koszt poszczególnych obciążeń, jednocześnie wymagając gęstszej dystrybucji energii i nowej infrastruktury chłodzącej.

Aktywa chłodzące są szczególnie istotne, ponieważ odprowadzanie ciepła zmienia się wraz z gęstością szaf. Pomieszczenie zaprojektowane dla serwerów przedsiębiorstwa o niższym poborze mocy może nie obsłużyć ciasno upakowanych systemów akceleratorowych bez rozległej modernizacji.

Dystrybucja energii tworzy podobną zależność. Instalacje o większej gęstości mogą wymagać nowych rozdzielnic, transformatorów, szynoprzewodów i systemów zasilania bezprzerwowego. Konieczna może być także rozbudowa generatorów zapasowych i baterii.

Sieci generują kolejną presję na odświeżanie infrastruktury. Duże klastry AI wykorzystują połączenia o wysokiej przepustowości do przesyłania danych między akceleratorami, pamięcią masową i innymi serwerami. Modernizacja procesora może zatem ujawnić wąskie gardła poza tacą obliczeniową.

Dlatego granica rozliczania przyjęta przez BAN zasługuje na uwagę, nawet jeśli jej prognozy okażą się zbyt wysokie. Infrastruktura wspierająca nie jest opcjonalna, a jej koszt środowiskowy nie znika tylko dlatego, że należy do innego działu.

Problem wykracza poza raportowanie środowiskowe. Ignorowanie sprzętu wspierającego może zniekształcać prognozy nakładów kapitałowych, ekspozycję ubezpieczeniową, budżety wycofywania z eksploatacji i zobowiązania dostawców.

Firma może planować odsprzedaż serwerów, ale nie mieć ścieżki odzysku dla specjalistycznych jednostek chłodzących. Może wymieniać baterie według innego harmonogramu, nie łącząc tej rotacji z decyzjami dotyczącymi mocy AI.

Globalne dane dotyczące elektroodpadów stanowią istotny punkt odniesienia. Według ITU i UNITAR świat wytworzył w 2022 roku 62 mln ton odpadów elektronicznych.

Tylko 22,3 procent zostało udokumentowane jako formalnie zebrane i poddane recyklingowi w systemach bezpiecznych dla środowiska. Ta sama ocena prognozuje, że globalna produkcja elektroodpadów osiągnie 82 mln ton w 2030 roku.

Infrastruktura AI pozostanie tylko jedną częścią tego światowego strumienia. Jej sprzęt jest jednak materiałochłonny, kosztowny i skoncentrowany w obiektach, gdzie organizacje mogą śledzić go skuteczniej niż elektronikę konsumencką.

Ta koncentracja stwarza okazję. Operatorzy centrów danych wiedzą, gdzie zainstalowano infrastrukturę, kto ją dostarczył i kiedy rozpoczęła pracę. Mogą przypisać obowiązki odzysku, zanim sprzęt zostanie wycofany z eksploatacji.

CIO mogą zacząć od powiązania każdej rozbudowy mocy z kompletnym zestawieniem fizycznych aktywów. Rejestr powinien obejmować zasoby obliczeniowe, pamięć masową, sieci, systemy zasilania, urządzenia chłodzące, baterie, czynniki chłodnicze i materiały przeciwpożarowe.

Inwentarz musi również rozróżniać własność. Dostawcy chmury, operatorzy kolokacji, przedsiębiorstwa, właściciele nieruchomości i dostawcy sprzętu mogą kontrolować różne warstwy w ramach jednego wdrożenia.

Bez tego rozróżnienia każdy uczestnik może raportować wyłącznie aktywa znajdujące się w jego księgach. Powstałe fragmenty mogą nigdy nie ujawnić materialnego śladu kompletnej usługi AI.

Organizacje potrzebują także wspólnej definicji wycofania z eksploatacji. Usunięcie sprzętu z podstawowego klastra nie musi oznaczać jego wyrzucenia.

Serwer może przejść od trenowania do inferencji, a następnie do przetwarzania wsadowego lub na rynek wtórny. Sprzęt sieciowy może obsługiwać środowisko o niższym zapotrzebowaniu. Komponenty można także odzyskać jako części zamienne.

Z drugiej strony system chłodzenia może zostać osierocony, gdy nowa architektura szaf czyni go niekompatybilnym. Może zostać wycofany z użycia, choć jego części mechaniczne nadal działają.

Rejestry cyklu życia powinny obejmować te ścieżki. Zespoły inżynieryjne mogą zachowywać decyzje zakupowe, zmiany konfiguracji i dowody ponownego wykorzystania w przeszukiwalnej bazie wiedzy.

Lepsza dokumentacja nie rozstrzygnie każdego pytania środowiskowego. Pokaże jednak, czy aktywo zostało ponownie wykorzystane, zmagazynowane, odsprzedane, poddane recyklingowi, wyeksportowane czy wyrzucone.

Te dowody są niezbędne, ponieważ spór dotyczy teraz okresów użytkowania sprzętu. BAN zakłada szybszą rotację niż kilka hiperskalerów raportuje w swojej rachunkowości finansowej.

Żywotność sprzętu jest najsłabszym ogniwem prognozy

BAN ustanawia szerszą granicę sprzętową, lecz jej największe wartości zależą od tego, jak szybko użyteczne aktywa stają się odpadami.

BAN przypisuje akceleratorom, serwerom i szafom 2,5-letni okres użytkowania w istotnych częściach swojego modelu. Dla urządzeń chłodzących przyjmuje również pięć lat, a dla infrastruktury dystrybucji energii osiem lat.

Założenia te generują szybkie fale wymian wraz ze wzrostem mocy centrów danych. W połączeniu z rocznym tempem wzrostu mocy na poziomie 8,8 procent prowadzą do najwyższych długoterminowych wartości raportu.

Towarzysząca analiza branżowa przedstawia kilka zastrzeżeń. Analitycy zasadniczo akceptują potrzebę szerszego rozliczania, lecz kwestionują przejście od zainstalowanej masy do wyrzuconych odpadów.

Frank Dickson z Dickson Research uznał szacunek 70 000 ton na gigawat za kierunkowo wiarygodny. Za mniej uzasadnione uznał twierdzenie o 40–60 razy większej ilości odpadów.

Różnica ta odzwierciedla dwa odrębne obliczenia. Oszacowanie masy zainstalowanej w obiekcie nie jest tym samym co oszacowanie roku, w którym każdy komponent staje się odpadem.

Harmonogramy premier akceleratorów stanowią niedoskonały wskaźnik okresu użytkowania. Nvidia może wprowadzić szybszą architekturę, nie czyniąc każdego wcześniejszego procesora ekonomicznie bezużytecznym.

Google Cloud nadal oferował instancje V100 wiele lat po tym, jak Nvidia wprowadziła ten akcelerator w 2017 roku. AWS również nadal oferował w 2026 roku systemy oparte na A100, wydanym w 2020 roku.

Przykłady te nie ustalają ogólnobranżowego okresu użytkowania. Pokazują, że wymiana sprzętu z najwyższej półki i ostateczne wycofanie z eksploatacji to różne wydarzenia.

Starszy sprzęt może przesuwać się w dół hierarchii obciążeń. Klastry treningowe mogą wymagać najnowszych akceleratorów, podczas gdy inferencja, testowanie, badania lub przetwarzanie wsadowe mogą tolerować starsze systemy.

Sprawozdawczość finansowa wzmacnia tę możliwość. W rachunkowości sprzętowej Microsoftu z 2025 roku sprzęt komputerowy ujęto w szacowanym przedziale okresu użytkowania od dwóch do sześciu lat.

Meta podała, że od stycznia 2025 roku wydłużyła szacowany okres użytkowania większości serwerów i aktywów sieciowych do 5,5 roku. Te okresy stosowane w rachunkowości nie mierzą bezpośrednio fizycznego użycia, ponownego wykorzystania ani utylizacji.

Mimo to stoją one w sprzeczności z powszechnym założeniem, że okres eksploatacji wynosi 2,5 roku. Hiperskalerzy mają finansową motywację, by dłużej utrzymywać kosztowną infrastrukturę w produktywnym użyciu.

BAN argumentuje, że sprzęt AI podlega niezwykłej presji wymiany. Efektywność akceleratorów może zmieniać ekonomikę operacyjną, a nowe systemy mogą wymagać innych rozwiązań w zakresie zasilania, chłodzenia i sieci.

Oba stanowiska mogą być prawdziwe. Sprzęt może zasadniczo pozostawać użyteczny, a jednocześnie stać się nieatrakcyjny w konkretnej placówce.

Decydującą zmienną jest to, co dzieje się po wycofaniu. Ponowne wdrożenie wydłuża okres użytkowania. Odsprzedaż przenosi ten okres na innego właściciela. Magazynowanie odracza decyzję, nie zapewniając produktywnego wykorzystania.

Recykling również nie jest równoznaczny z ponownym użyciem. Może odzyskać wybrane metale, ale zwykle niszczy znaczną część wartości zawartej w procesie produkcji.

Badanie z 2024 roku dotyczące odpadów serwerowych oszacowało, że generatywna AI może wytworzyć od 1,2 mln do 5 mln ton skumulowanych elektroodpadów w latach 2020–2030. Koncentrowało się ono głównie na serwerach AI i powiązanych komponentach.

Te same badania wykazały, że strategie cyrkularne mogłyby zmniejszyć modelowaną ilość odpadów o 16–86 procent. Strategie te obejmowały wydłużanie okresu eksploatacji, ponowne użycie sprzętu i poprawę odzysku materiałów.

Późniejsza rekalibracja z 2026 roku oszacowała, że do 2030 roku roczna ilość odpadów z serwerów AI wyniesie od 131 000 do 224 800 ton. Badanie to wykorzystywało dane o zdolnościach produkcyjnych chipów i bardziej konserwatywne założenia dotyczące żywotności.

BAN i badanie z 2026 roku nie mierzą identycznych systemów. Jedno uwzględnia znaczną część infrastruktury wspierającej obiekt, podczas gdy drugie koncentruje się na serwerach.

Ich rozbieżność nadal ujawnia poważny problem z danymi. Badaczom brakuje pełnych publicznych informacji o zainstalowanym sprzęcie AI, rzeczywistym wykorzystaniu, terminach modernizacji, wdrożeniach wtórnych i ostatecznym zagospodarowaniu.

Porównanie 40–60 razy może więc wprowadzać w błąd, gdy przedstawia się je bez kontekstu. Znaczna część różnicy wynika z uwzględnienia dodatkowych kategorii, a nie z odkrycia, że istniejące zasoby serwerowe były kilkadziesiąt razy większe.

Pozostała część wynika z założeń dotyczących wzrostu i rotacji sprzętu. Założenia te zyskują coraz większe znaczenie wraz z wydłużaniem horyzontu prognozy.

Wartości BAN dla 2050 roku należy odczytywać jako scenariusze pokazujące, co wytworzyłby system szybkiej rozbudowy i szybkiego wycofywania sprzętu. Nie są one zmierzoną prognozą z wąskim przedziałem ufności.

To ograniczenie nie podważa centralnego ostrzeżenia. Określa natomiast dowody potrzebne do jego sprawdzenia.

Wycofany sprzęt nie staje się automatycznie elektroodpadem

Kluczowym błędem politycznym i księgowym jest traktowanie wycofania, przestarzałości i utylizacji jako tego samego zdarzenia.

Sprzęt może opuścić klaster wysokiej wydajności na kilka sposobów. Każdy z nich ma inny rezultat ekonomiczny i środowiskowy.

Ponowne wdrożenie zachowuje aktywo w tej samej organizacji. Serwer treningowy może po opuszczeniu czołowego klastra obsługiwać inferencję, symulacje, prace rozwojowe lub wewnętrzne badania.

Odsprzedaż przekazuje sprzęt innemu operatorowi. Nowy właściciel może wykorzystywać go do hostingu, obliczeń naukowych, renderowania lub mniejszych obciążeń AI.

Odzyskiwanie części zachowuje wybrane komponenty. Pamięć, nośniki danych, zasilacze, adaptery sieciowe, wentylatory i procesory mogą wspierać naprawy lub odnowione systemy.

Formalny recykling odzyskuje materiały, gdy produktywne ponowne użycie przestaje być praktyczne. Jakość odzysku jest zróżnicowana, szczególnie w przypadku złożonej elektroniki i wyspecjalizowanych zespołów.

Utylizacja kończy produktywne życie sprzętu bez istotnego odzysku. Nieformalne przetwarzanie może również narażać pracowników i społeczności na substancje niebezpieczne.

Tych ścieżek nie należy oznaczać jedną etykietą. Łączenie ich może zawyżać ilość odpadów w jednej analizie, a w innej ukrywać szkodliwą utylizację.

Raport Basel Action Network wykorzystuje wycofywanie sprzętu jako podstawę modelowania przyszłych odpadów. Podejście to obejmuje aktywa opuszczające swoje pierwotne role, ale nie może zagwarantować ich późniejszego przeznaczenia.

Hiperskaler może wycofać serwer GPU po trzech latach i eksploatować go gdzie indziej przez kolejne trzy. Inna firma może przechowywać podobny sprzęt, ponieważ odsprzedaż lub bezpieczne usunięcie danych wydają się zbyt trudne.

Drugie aktywo technicznie nadal jest własnością firmy, lecz jego praktyczna wartość może być już utracona. Pierwsze opuściło pierwotną instalację, nie stając się odpadem.

Bezpieczeństwo danych komplikuje ponowne użycie. Nośniki pamięci masowej mogą zawierać poufne informacje, a oprogramowanie układowe i systemy zarządzania mogą zachowywać poświadczenia lub dane konfiguracyjne.

Organizacje czasem niszczą użyteczny sprzęt, gdy nie potrafią zweryfikować usunięcia danych. Jasne procedury kasowania i audytowalne łańcuchy kontroli mogą zwiększyć wykonalność ponownego użycia.

Konstrukcja również wpływa na możliwości odzysku. Zastrzeżone zespoły, zintegrowane systemy chłodzenia i ograniczone oprogramowanie układowe mogą ograniczać opcje naprawy. Modułowy sprzęt może umożliwiać selektywne modernizacje zamiast wymiany całych szaf rackowych.

Z tego samego powodu znaczenie mają umowy z dostawcami. Klauzule dotyczące odkupu, odbioru zwrotnego, odnowienia i odzysku komponentów decydują o tym, czy plan wycofania istnieje jeszcze przed dostarczeniem sprzętu.

Dyrektorzy ds. informatyki powinni zatem wymagać danych dotyczących zagospodarowania na poziomie aktywów. Przydatne pola obejmują datę instalacji, główne obciążenie, datę wycofania, powód wycofania, wartość rezydualną, miejsce docelowe i certyfikat odzysku.

Zespoły odpowiedzialne za obiekty potrzebują porównywalnych rejestrów dla transformatorów, sprzętu chłodzącego, baterii, generatorów i rozdzielnic. Systemy te często mają różnych właścicieli i dostawców usług.

Umowy zakupowe powinny rozróżniać awarię funkcjonalną od niezgodności architektonicznej. Różnica ta pokazuje, czy rotacja wynika ze zużycia, ograniczeń pojemności, ekonomiki efektywności czy nowego projektu obiektu.

Takie dowody poprawiłyby raportowanie środowiskowe i decyzje inwestycyjne. Pokazałyby również, czy infrastruktura AI tworzy krótsze cykle życia niż konwencjonalne systemy centrów danych.

Granica raportowania musi obejmować wtórne wykorzystanie. Program odbioru zwrotnego prowadzony przez dostawcę nie dowodzi ponownego użycia ani odpowiedzialnego recyklingu, chyba że dostawca raportuje dalszy rezultat.

Eksport wymaga podobnej kontroli. Przenoszenie wycofanego sprzętu przez granice może wspierać legalne ponowne użycie, ale może też przenosić ryzyko utylizacji do środowisk o słabszych regulacjach.

Konwencja bazylejska reguluje międzynarodowe przemieszczanie odpadów niebezpiecznych. Egzekwowanie przepisów staje się trudne, gdy przesyłki są opisywane jako produkty nadające się do ponownego użycia mimo ograniczonej pozostałej wartości.

Pytania te czynią z elektroodpadów AI kwestię zarządzania, a nie tylko problem recyklingu. Decyzje podejmowane na etapie architektury i zakupów określają wiele dostępnych opcji lata później.

Firma nie może odzyskać modułowych komponentów, jeśli kupiła ściśle zintegrowany system. Nie może udokumentować ponownego użycia, jeśli rejestry aktywów znikają między zespołami obiektowymi, finansowymi i ds. zrównoważonego rozwoju.

Szerszy model BAN wywiera presję na CIO, by połączyli te funkcje. Nawet niższy szacunek odpadów nadal wymaga dowodów na to, co stało się z infrastrukturą otaczającą każdy wycofany serwer.

Trzy sygnały sprawdzą szacunek elektroodpadów AI

Kolejne użyteczne dowody będą pochodzić z ujawnień dotyczących cyklu życia, wtórnego wykorzystania i mierzalnych zmian w infrastrukturze wspierającej.

Pierwszym sygnałem będzie to, czy najwięksi operatorzy publikują dane o cyklu życia sprzętu AI na poziomie aktywów. Obecne raporty zrównoważonego rozwoju zwykle zawierają dane o energii, wodzie, emisjach lub łącznej ilości odpadów.

Bardziej użyteczne ujawnienie rozdzielałoby akceleratory, serwery, pamięć masową, sieci, baterie, systemy chłodzenia i urządzenia zasilające. Zawierałoby też medianę okresu eksploatacji oraz ostateczny sposób zagospodarowania.

Informacje te bezpośrednio sprawdziłyby założenia BAN dotyczące wycofywania. Okresy użytkowania bliskie 2,5 roku przy ograniczonym ponownym użyciu wzmocniłyby krótkoterminowe ostrzeżenie raportu.

Dłuższe okresy eksploatacji z udokumentowanym ponownym wdrożeniem osłabiłyby jego najwyższe prognozy. Sama amortyzacja księgowa nie odpowie na to pytanie, ponieważ nie ujawnia fizycznego zagospodarowania.

Drugim sygnałem jest wzrost wiarygodnych rynków wtórnych dla akceleratorów AI i powiązanych systemów. Utrzymująca się dostępność starszych procesorów w chmurze już sugeruje, że wcześniejsze generacje zachowują wartość.

Jednak pojedyncze oferty nie pokazują, ile sprzętu trafia do obciążeń drugiego życia. Operatorzy potrzebują danych o wolumenie, wykorzystaniu i miejscach docelowych.

Funkcjonujący rynek wtórny oddzieliłby przestarzałość na poziomie czołowej infrastruktury od fizycznych odpadów. Dałby również przedsiębiorstwom założenie dotyczące wartości rezydualnej oparte na transakcjach.

Słaby popyt na odsprzedaż potwierdziłby obawy BAN dotyczące ekonomicznej przestarzałości. Nowe wymagania dotyczące zasilania, chłodzenia i sieci mogłyby unieruchamiać sprzęt, nawet jeśli jego procesory pozostają sprawne.

Trzecim sygnałem jest częstotliwość wymiany systemów wspierających podczas modernizacji AI. To najmniej widoczna część obecnej debaty i najważniejszy dodatek w modelu BAN.

Jeżeli wdrożenia nowych akceleratorów wielokrotnie powodują wymianę chłodzenia, dystrybucji zasilania, baterii i szkieletów sieciowych, badania obejmujące wyłącznie serwery pozostaną niekompletne.

Jeśli operatorzy dostosowują istniejącą infrastrukturę przez modułowe dodatki, szersza masa zainstalowanego sprzętu nie przełoży się na równie szybki wzrost odpadów. Taki wynik zmniejszyłby modelowaną przez BAN rotację.

CIO nie powinni czekać na doskonałą globalną prognozę przed podjęciem działań. Już teraz mogą wymagać planów cyklu życia dla każdego dużego zakupu mocy AI.

Praktyczny plan powinien określać przewidywany okres eksploatacji, obciążenia niższego poziomu, komponenty możliwe do modernizacji, kanały odsprzedaży, obowiązki odbioru zwrotnego i zweryfikowane ścieżki recyklingu. Powinien obejmować infrastrukturę wspierającą, a nie tylko sprzęt obliczeniowy.

Liderzy powinni również porównywać scenariusze wymiany przed zatwierdzeniem architektury. System o niższych kosztach operacyjnych może przynieść słabszy całkowity zwrot, jeśli unieruchamia niedawno wdrożoną infrastrukturę.

Decyzja powinna uwzględniać wartość rezydualną i koszty wycofania z eksploatacji. Powinna także wskazywać, która strona ponosi te koszty w modelach chmurowych, kolokacyjnych i usług zarządzanych.

Szacunek elektroodpadów AI Basel Action Network nie powinien być traktowany jako ustalona prognoza. Korekta zakresu jest bardziej przekonująca niż jego najbardziej odległe sumy.

Mimo to raport zmienia ciężar dowodu. Organizacje nie mogą już zakładać, że pomiar serwerów obejmuje materialne konsekwencje ekspansji AI.

Kolejne pytanie dla każdej propozycji infrastruktury AI powinno być konkretne: gdy ta architektura się zmieni, dokąd trafią jej serwery, sieci, baterie, systemy chłodzenia i urządzenia zasilające?