Zużycie energii przez Claude Code ujawnia ukryty koszt agentów AI

Zużycie energii przez Claude Code osiągnęło szacunkowo 170 kilowatogodzin podczas ośmiotygodniowego eksperymentu jednego badacza, mimo wzrostu efektywności nowoczesnej infrastruktury AI.

Klimatolog Zeke Hausfather śledził 1 138 instrukcji przesłanych przez agenta programistycznego Anthropic. Instrukcje te uruchomiły ponad 14 000 wywołań modeli i przetworzyły 3,2 miliarda tokenów. Jego główny szacunek wynosi około 150 watogodzin na prompt wprowadzony przez człowieka.

To oszacowanie jest około 600 razy wyższe od opublikowanego zużycia energii dla typowego tekstowego promptu Gemini. Kontrast ten podważa uspokajającą ideę dotyczącą sztucznej inteligencji: że pojedynczy prompt jest sensowną jednostką pomiaru zużycia.

Agent AI nie tylko odpowiada i kończy działanie. Planuje, wywołuje narzędzia, odczytuje wyniki, wraca do swojego kontekstu roboczego i próbuje ponownie. Jedno żądanie może więc rozpocząć długi łańcuch obliczeń, który pozostaje w dużej mierze niewidoczny dla użytkownika.

To jest rzeczywisty konflikt stojący za najnowszą debatą o zużyciu energii przez AI. Google i inni dostawcy sprawili, że pojedyncze odpowiedzi są wyjątkowo wydajne. Produkty agentowe jednocześnie przekształcają każdą instrukcję użytkownika w wiele odpowiedzi, wywołań narzędzi i ponownych odczytów kontekstu.

Wynik nie dowodzi, że każdy agent AI marnuje energię elektryczną. Wskazuje natomiast, że znane porównania zużycia energii na prompt nie opisują już rosnącej kategorii pracy wykonywanej przez AI. Deweloperzy, nabywcy korporacyjni i planiści infrastruktury potrzebują teraz pomiarów opartych na ukończonych zadaniach.

Zużycie energii przez Claude Code zmienia jednostkę pomiaru

Najważniejszą zmianą nie jest premiera nowego modelu. Jest nią dowód, że prompt człowieka może skrywać cały proces obliczeniowy.

Hausfather przeanalizował swoją aktywność w Claude Code od 31 maja do 25 lipca 2026 roku. Claude Code to agentowy system programistyczny, co oznacza, że może planować i wykonywać sekwencję działań przy ograniczonym kierowaniu ze strony człowieka.

W ciągu tych ośmiu tygodni Hausfather wprowadził 1 138 promptów. Jego logi zarejestrowały ponad 14 000 odrębnych wywołań modeli, średnio około 12 wywołań na każdy wpisany prompt.

Sesje przetworzyły 3,2 miliarda tokenów. Tokeny to jednostki, które model językowy odczytuje i generuje podczas obsługi tekstu, kodu, instrukcji oraz przechowywanego kontekstu.

Hausfather oszacował, że obciążenie zużyło około 170 kilowatogodzin energii elektrycznej w centrum danych. Zakres niepewności wynosił od około 70 do 330 kilowatogodzin, ponieważ Anthropic nie publikuje bezpośrednich pomiarów energii dla każdego wywołania modelu.

Wynikający z tego główny szacunek wyniósł około 150 watogodzin na prompt człowieka. Prawdopodobny zakres wynosił od 60 do 290 watogodzin.

Dla porównania Google podało, że mediana tekstowego promptu Gemini Apps zużywała 0,24 watogodziny w środowisku produkcyjnym firmy. Liczba ta obejmowała energię akceleratorów, systemów hostujących, niewykorzystanej mocy oraz narzut centrum danych.

Pomiarów produkcyjnych Google nie należy koniecznie uznawać za sprzeczne z obliczeniami Hausfathera. Opisują one inny rodzaj aktywności.

Tekstowy prompt Gemini może wygenerować jedną zwięzłą odpowiedź. Instrukcja dla Claude Code może uruchomić sesję obejmującą badania, generowanie kodu, wykonywanie poleceń, debugowanie i wielokrotną ocenę.

To rozróżnienie wyjaśnia, dlaczego Hausfather twierdzi, że prompt przypomina podróż, a nie stały dystans. Liczenie podróży niewiele mówi analitykowi, jeśli nie wie on również, dokąd prowadziła każda z nich.

Mediana sesji Claude Code Hausfathera zużywała szacunkowo 0,6 kilowatogodziny. Prawdopodobny zakres wynosił od 0,25 do 1,2 kilowatogodziny. Jego przeciętny dzień pracy osiągał szacunkowo 3,0 kilowatogodziny.

Najbardziej intensywny dzień osiągnął główny szacunek 11 kilowatogodzin. Tego dnia kilka równoległych agentów pracowało nad dużą analizą geoprzestrzenną.

Liczby te pochodzą od jednego wyjątkowo intensywnego użytkownika, a nie z reprezentatywnej próbki wszystkich klientów Claude Code. Hausfather pracuje ze złożonymi danymi klimatycznymi i określa siebie jako użytkownika korzystającego z narzędzia intensywniej niż większość osób.

Mimo to eksperyment wskazuje na problem pomiarowy wykraczający poza jednego badacza. Użytkownik widzi jedną instrukcję, podczas gdy infrastruktura obsługuje rozgałęzioną serię zdarzeń obliczeniowych.

Zmiana ma znaczenie, ponieważ firmy coraz częściej promują agentów jako zastępstwo dla kompletnych procesów pracy. Jeśli obietnica produktu dotyczy ukończonej pracy, jego rozliczanie zasobów również powinno mierzyć ukończoną pracę.

Dlaczego agenci AI zużywają więcej energii niż chatboty

Agenci zwielokrotniają zapotrzebowanie na energię poprzez iterację, pracę równoległą i wielokrotne przetwarzanie kontekstu, a nie przez jedną wyjątkową odpowiedź.

Standardowa wymiana z chatbotem zwykle przebiega prostą ścieżką. Użytkownik wysyła tekst, model przetwarza jego kontekst, a system generuje odpowiedź.

Agentowy proces pracy dodaje pętlę sterowania. Model decyduje, co zrobić, używa narzędzia, obserwuje wynik, aktualizuje plan i rozpoczyna kolejny krok inferencji.

Inferencja to proces uruchamiania wytrenowanego modelu w celu uzyskania wyniku. Każdy dodatkowy krok inferencji wymaga procesorów, pamięci, sieci i pomocniczego wyposażenia centrum danych.

Claude Code może przeszukiwać repozytorium, odczytywać pliki, edytować kod, uruchamiać testy, analizować błędy i poprawiać swoją pracę. Trudne zadanie może obejmować dziesiątki lub setki takich kroków.

Równoległe subagenty dodatkowo zwiększają ich liczbę. Mogą jednocześnie badać odrębne podejścia, poprawiając zakres analizy, ale zużywając moc obliczeniową w tym samym czasie.

Logi Hausfathera ujawniły, że widoczny wynik stanowił zaledwie około 0,4 procenta wszystkich przetworzonych tokenów. Około 96 procent stanowiły odczyty z pamięci podręcznej.

Pamięć podręczna przechowuje wcześniej przetworzony kontekst modelu, aby system mógł ponownie wykorzystać go wydajniej. Odczyt buforowanego kontekstu kosztuje mniej niż przetwarzanie nowych danych wejściowych, ale nadal zużywa zasoby.

Skala staje się istotna, ponieważ agent wielokrotnie wraca do swojej rosnącej historii roboczej. Każdy wynik narzędzia, fragment pliku, instrukcja i wcześniejsza decyzja mogą pozostać częścią kolejnych wywołań modelu.

Tworzy to narastający wzorzec. Dłuższe sesje generują więcej kontekstu, a późniejsze kroki mogą wymagać ponownego odczytania znacznej jego części przed wykonaniem kolejnej akcji.

Hausfather założył, że tokeny z pamięci podręcznej zużywały 10 procent energii potrzebnej dla nowych danych wejściowych. Obliczył także warianty dolny i górny, wykorzystując odpowiednio 1 procent i 25 procent.

Tak szeroki zakres pokazuje, dlaczego końcowy szacunek pozostaje niepewny. Ceny mogą dostarczać wskazówek o zużyciu zasobów, ale obniżona cena tokena nie jest bezpośrednim miernikiem energii elektrycznej.

Hausfather przetestował trzy opublikowane metody szacowania i uzyskał wyniki mieszczące się w szerszym zakresie od 70 do 330 kilowatogodzin. Zgodność tych wyników wspiera jego ogólny wniosek, nie eliminując niepewności.

Kluczowy mechanizm pojawia się również w szerszych badaniach nad emisjami. Ramy rozliczania z 2026 roku szacują, że agentowy proces pracy wykonujący od 5 do 50 wywołań modeli frontierowych może zużyć od 50 do 500 watogodzin.

Te same ramy ostrzegają, że jedna interakcja może zaniżać skalę bazowych obliczeń o rząd wielkości lub więcej. Ostrzeżenie to bezpośrednio dotyczy agentów prezentowanych za pośrednictwem prostego interfejsu czatu.

Zarządzanie kontekstem staje się więc decyzją infrastrukturalną, a nie tylko funkcją użyteczności. Zespoły mogą ograniczyć zbędne przetwarzanie, zmniejszając nieistotny kontekst i kierując wyszukiwanie ku informacjom wymaganym na każdym etapie.

Starannie utrzymywana przeszukiwalna baza wiedzy może pomóc inżynierom pozyskiwać precyzyjnie dobrane materiały zamiast wielokrotnie ładować obszerne zbiory dokumentów. Rzeczywiste oszczędności zależą jednak od architektury agenta.

Znaczenie ma także kierowanie zadań do modeli. System może przekazywać klasyfikację, ekstrakcję i rutynowe edycje mniejszym modelom, rezerwując modele frontierowe dla trudnego rozumowania.

Takie podejście nie eliminuje kosztu energetycznego agenta. Dopasowuje ilość obliczeń do wartości i trudności każdej operacji.

Wydajna AI spotyka rozwijające się procesy pracy agentów

Główne napięcie polega na tym, że koszt pojedynczej inferencji stale spada, podczas gdy produkty agentowe zużywają więcej inferencji, aby ukończyć każde zadanie.

Wartość 0,24 watogodziny podana przez Google stanowi mocny dowód, że optymalizacja produkcyjna może zmniejszać zużycie energii na odpowiedź. Firma mierzyła medianę tekstowego promptu Gemini w całym stosie obsługi, zamiast testować odizolowany akcelerator.

Google podało również 33-krotny spadek zużycia energii na medianę promptu w ciągu jednego roku. Do tego spadku przyczyniły się zmiany modeli, ulepszenia oprogramowania, modernizacje sprzętu i optymalizacja obsługi.

Ten postęp ma znaczenie. Statyczne szacunki oparte na starszych układach lub słabo wykorzystywanych systemach laboratoryjnych mogą znacząco zawyżać ilość energii elektrycznej wymaganej przez nowoczesną usługę produkcyjną.

Przetwarzanie wsadowe pozwala infrastrukturze obsługiwać kilka żądań jednocześnie. Buforowanie pozwala uniknąć powtarzania części obliczeń. Wyższe wykorzystanie rozkłada zużycie energii przez bezczynny sprzęt na większą ilość użytecznej pracy.

Wyspecjalizowane procesory wykonują również więcej obliczeń na każdą jednostkę energii elektrycznej. Hausfather przywołał szacunki wskazujące na duże wzrosty efektywności sprzętu do uczenia maszynowego od 2016 roku.

Jednak efektywność pojedynczej operacji nie zmniejsza automatycznie całkowitego zużycia. Tańsze obliczenia mogą zachęcać deweloperów do częstszego ich wykorzystywania.

Produkty agentowe uwidaczniają ten efekt odbicia. Gdy wywołanie modelu staje się szybsze i mniej kosztowne, projektanci mogą dodawać etapy planowania, pętle weryfikacji, użycie narzędzi i równoległych agentów.

Takie dodatki mogą poprawiać wynik. Mogą też zużyć korzyści z efektywności, zanim obniżą one całkowite zapotrzebowanie na energię elektryczną.

To odmiana efektu Jevonsa, w którym większa efektywność wykorzystania zasobu może stymulować wystarczająco duży nowy popyt, aby zniwelować oczekiwane oszczędności. AI nie gwarantuje takiego wyniku, lecz jej obecne bodźce sprzyjają większej liczbie obliczeń.

Dostawcy modeli konkurują pod względem ukończenia zadań, wydajności programowania i autonomii. Użytkownicy zazwyczaj zauważają, czy agent rozwiązuje problem, a nie ile ukrytych wywołań było do tego potrzebnych.

Własna analiza wykorzystania Anthropic wykazała, że 77 procent próbkowanego biznesowego użycia API własnej firmy przebiegało według wzorców nastawionych na automatyzację. Zadania programistyczne i biurowe były szczególnie widoczne.

Badanie to nie mierzyło zużycia energii elektrycznej. Pokazuje jednak, dlaczego obciążenia agentowe zasługują na uwagę: biznesowe użycie API już teraz kładzie nacisk na zautomatyzowane wykonywanie zadań zamiast odizolowanej rozmowy.

Bodźce ekonomiczne wzmacniają ten wzorzec. Anthropic zgłosił niską wrażliwość cenową wśród zadań biznesowych w swojej próbce. Bardziej zaawansowane i kosztowne zadania pojawiały się częściej niż tańsze.

Jeśli agent programistyczny oszczędza kilka godzin pracy specjalisty, przedsiębiorstwo może zaakceptować znacznie większą liczbę inferencji, niż wymaga odpowiedź czatu. Zużycie energii elektrycznej na prompt staje się wtedy mniej użyteczne niż zużycie energii na rozwiązany problem.

Ta sama logika dotyczy analizy naukowej. Najbardziej intensywny dzień Hausfathera wsparł złożony projekt geoprzestrzenny, a nie swobodną rozmowę.

Właściwym porównaniem nie zawsze jest więc agent zestawiony z chatbotem. Może nim być proces pracy wspomagany przez agenta w porównaniu z komputerami, podróżami, pracą ludzką lub opóźnieniami wymaganymi przez wcześniejszy proces.

Takie szersze porównanie wymaga jednak rzeczywistych danych. Nie można po prostu zakładać korzyści dla produktywności, a dostawcy nie powinni wykorzystywać potencjalnych korzyści, aby unikać ujawniania zużycia zasobów.

Wzrost wydajności i obciążenia musi być raportowany łącznie. Spadająca wartość przypadająca na token może współistnieć z rosnącym zapotrzebowaniem na energię elektryczną, jeśli całkowite przetwarzanie tokenów rośnie szybciej.

Dlatego szacunek zużycia energii przez Claude Code jest ostrzeżeniem, a nie ostatecznym werdyktem. Pokazuje, jak łatwo dobra historia o wydajności może pominąć ekspansję zachodzącą ponad warstwą modelu.

Czego nie może udowodnić szacunek dotyczący Claude Code

Porównanie 600-krotne jest istotne kierunkowo, ale nie stanowi bezpośredniego pomiaru zużycia energii elektrycznej przez Anthropic.

Hausfather dysponował wyjątkowo szczegółowymi dziennikami aktywności. Rejestrowały one identyfikatory modeli, znaczniki czasu i kategorie tokenów dla poszczególnych odpowiedzi API.

Dzienniki te zapewniają solidny zapis aktywności obliczeniowej. Nie ujawniają jednak rzeczywistej mocy elektrycznej zużywanej przez serwery Anthropic podczas każdego żądania.

Szacunek przelicza więc tokeny na energię za pomocą opublikowanych metodologii. Każda z nich wymaga założeń dotyczących sprzętu, wykorzystania zasobów, przetwarzania wsadowego, obsługi pamięci podręcznej i narzutu centrów danych.

Anthropic nie opublikował danych o energii na token ani na prompt, które pozwoliłyby zastąpić te założenia pomiarami własnymi firmy. Nie ujawniono również lokalizacji ani źródeł energii elektrycznej obsługujących te sesje.

Sposób traktowania pamięci podręcznej tworzy kolejną istotną niepewność. Token odczytany z cache'a pozwala uniknąć powtórzenia części pracy, ale dokładne oszczędności zależą od systemu obsługi.

W centralnym scenariuszu Hausfather przyjął, że odczyty z pamięci podręcznej zużywają 10 procent energii świeżego wejścia. Inna relacja znacząco zmieniłaby całkowity szacunek.

Próba reprezentuje też jedną osobę przez osiem tygodni. Hausfather korzystał z licznych subagentów przy dużych zadaniach analitycznych, więc jego aktywność znacznie odbiega od sesji kodowania typowego użytkownika.

Jego mediana sesji obejmowała około 10 milionów tokenów i ponad 100 wywołań. Inne opublikowane szacunki sesji Claude Code wykorzystywały mniejsze obciążenia.

W związku z tym stwierdzenie, że każdy prompt Claude Code zużywa 150 watogodzin, byłoby mylące. Wniosek powinien być węższy: niektóre zaawansowane sesje agentowe zużywają setki razy więcej energii niż proste prompty czatowe.

Porównanie z Gemini obejmuje również różnych dostawców i rodzaje obciążeń. Wskaźnik Google dotyczy mediany promptu tekstowego w Gemini Apps, podczas gdy szacunek Hausfathera obejmuje intensywną aktywność Claude Code.

Ta różnica jest sednem porównania, ale ogranicza to, co może ustalić sam współczynnik. Nie dowodzi, że Claude jest z natury mniej wydajny niż Gemini.

Tylko kontrolowane testy porównywalnych zadań w obu systemach mogłyby poprzeć takie twierdzenie. Idealnie byłoby, gdyby dostawcy ujawniali pomiary z użyciem spójnych granic systemu.

Ramy Watershed pokazują, jak silnie te granice wpływają na wyniki. Stwierdzono w nich, że izolowane benchmarki mogą zawyżać zużycie energii elektrycznej przez inferencję produkcyjną od czterech do 20 razy, ponieważ pomijają przetwarzanie wsadowe i pamięć podręczną.

Możliwy jest też błąd w przeciwną stronę. Raportowanie wyłącznie aktywnej mocy akceleratorów może pomijać serwery hostujące, niewykorzystaną pojemność, chłodzenie, sieć oraz straty podczas konwersji energii elektrycznej.

Firmy powinny ujawniać zarówno informacje o obciążeniu, jak i infrastrukturze. Przydatne pola obejmowałyby tokeny, klasę modelu, typ akceleratora, narzut centrum danych, założenia dotyczące wykorzystania oraz regionalne źródła energii elektrycznej.

Raportowanie ukończonych zadań dodałoby kolejną niezbędną warstwę. Agent może zużywać więcej energii na próbę, jednocześnie wymagając mniej poprawek wykonywanych przez człowieka lub kończąc pracę, której prostsze systemy nie potrafią wykonać.

Wskaźniki sukcesu mają znaczenie, ponieważ nieudane uruchomienia agentów również zużywają energię elektryczną. Przepływ pracy, który wielokrotnie się zatrzymuje, może mieć słaby wynik energii na rezultat, nawet jeśli każde pojedyncze wywołanie wygląda na wydajne.

Nabywcy korporacyjni powinni pytać dostawców, jak obsługują ponowienia, wzrost kontekstu, awarie narzędzi i routing modeli. Te decyzje projektowe wpływają zarówno na koszty operacyjne, jak i raportowanie środowiskowe.

Sceptyczne stanowisko nie polega na tym, że szacunek Hausfathera należy ignorować. Chodzi o to, że jeden przejrzysty szacunek ujawnia, jak wiele kluczowych informacji dostawcy nadal ukrywają.

Presja przenosi się z użytkowników na nabywców infrastruktury

O problemie energii zużywanej przez agentów zdecydują bardziej zakupy, architektura oprogramowania i dostawy energii elektrycznej niż indywidualne ograniczanie promptów.

Hausfather przeliczył swoje ośmiotygodniowe obciążenie na skalę roku, uzyskując około 1,1 megawatogodziny energii elektrycznej w centrum danych. Jego zakres wynosił od 0,4 do 2,2 megawatogodzin.

Korzystając ze średnich amerykańskich emisji sieciowych, oszacował około 370 kilogramów emisji ekwiwalentu dwutlenku węgla rocznie. Zakres wynosił od 150 do 730 kilogramów.

To istotna wartość dla jednego użytkownika oprogramowania, ale Hausfather nie twierdzi, że osobiste poczucie winy jest głównym rozwiązaniem. Intensywni użytkownicy agentów nadal stanowią ograniczoną część całkowitego zapotrzebowania na energię elektryczną.

Większe ryzyko wynika ze skali. Przedsiębiorstwo może wdrożyć tysiące agentów działających nieprzerwanie w programowaniu, obsłudze klienta, finansach, badaniach i pracy administracyjnej.

Każdy agent może generować umiarkowane zapotrzebowanie. Trwałe obciążenia pomnożone przez wiele działów mogą zmienić wymagania infrastrukturalne.

Prognozy dla centrów danych już pokazują skalę szerszego wyzwania. Aktualizacja Lawrence Berkeley National Laboratory z 2025 roku szacuje scenariusz referencyjny na 2030 rok na 649 terawatogodzin dla amerykańskich centrów danych.

Ten scenariusz referencyjny odpowiada 11,8 procent całkowitego zużycia energii elektrycznej w USA. Skumulowany zakres niepewności w raporcie wynosi od 521 do 843 terawatogodzin.

Prognoza obejmuje całe zapotrzebowanie centrów danych, nie tylko agentów AI. Mimo to serwery AI i ich wskaźniki wykorzystania są kluczowymi niepewnościami w modelu.

Wywiera to presję na trzy grupy.

Dostawcy chmurowi i modeli muszą ujawniać wystarczająco dużo informacji, aby klienci mogli porównywać systemy. Bez spójnego raportowania wydajność staje się deklaracją marketingową, a nie wskaźnikiem zakupowym.

Twórcy aplikacji muszą decydować, kiedy autonomia uzasadnia powtarzane wywołania modeli. Przepływ pracy z pięcioma agentami powinien podlegać wyższemu progowi wartości niż pojedyncze żądanie do mniejszego modelu.

Nabywcy korporacyjni muszą mierzyć rezultaty. Potrzebują danych o koszcie, energii, opóźnieniu i wskaźniku sukcesu związanych z ukończonym zadaniem, a nie ze średnim promptem.

Decyzje te wpływają również na planowanie sieci elektroenergetycznej. Duże centra danych wymagają źródeł wytwarzania, przesyłu, stacji elektroenergetycznych, systemów chłodzenia i stabilnej mocy zdolnej obsłużyć szczytowe zapotrzebowanie.

Lokalizacja ma znaczenie, ponieważ to samo obciążenie może powodować różne emisje w różnych systemach elektroenergetycznych. Niskoemisyjna generacja zmniejsza emisje, nawet gdy bazowe obliczenia pozostają niezmienione.

Elastyczność obciążeń może pomóc. Niektóre zadania szkoleniowe, ewaluacyjne i wykonywane w tle przez agentów można przenieść na godziny lub regiony z czystszą bądź mniej obciążoną energią elektryczną.

Interaktywne sesje programowania oferują mniejszą elastyczność, ponieważ użytkownicy oczekują szybkich odpowiedzi. Jednak niepilne badania lub testy wykonywane przez subagentów mogą tolerować harmonogramowanie.

Mniejsze modele oferują kolejną dźwignię. Rutynowa klasyfikacja, wybór plików i sprawdzanie składni nie zawsze wymagają największego dostępnego modelu.

Programiści mogą również ograniczać liczbę iteracji, kompresować kontekst, ponownie wykorzystywać zweryfikowane wyniki i wcześniej przerywać nieudane przepływy pracy. Takie mechanizmy mogą obniżyć koszty, jednocześnie poprawiając przewidywalność.

Najlepsza architektura nie zawsze będzie wykorzystywać najmniej energii elektrycznej. Powinna wykorzystywać najmniej obliczeń, które niezawodnie kończą wartościowe zadanie.

Ten standard łączy wyniki środowiskowe z dyscypliną inżynieryjną. Marnotrawne ponowienia, nadmiernie rozbudowane konteksty i niepotrzebne wywołania modeli granicznych są zwykle również problemami finansowymi.

Trzy sygnały pokażą, czy agentowa AI może skalować się odpowiedzialnie

Kolejna faza debaty o energii AI zależy od ujawniania danych przez dostawców, wydajności na poziomie zadań oraz energii elektrycznej budowanej dla nowych centrów danych.

Pierwszym sygnałem jest bezpośrednie raportowanie energii przez Anthropic i innych dostawców modeli. Dzienniki tokenów nie mogą odpowiedzieć na pytania wymagające dostępu do sprzętu produkcyjnego i danych obsługowych.

Przydatne ujawnienia powinny rozróżniać prosty czat, rozumowanie, programowanie i przepływy pracy z wieloma agentami. Powinny obejmować pełną infrastrukturę, a nie jeden procesor.

Jeśli dostawcy opublikują porównywalne pomiary na poziomie zadań, zaufanie do szacunków energii agentów wzrośnie. Dalsze milczenie wzmocni obawy, że klienci nie są w stanie ocenić wdrażanych systemów.

Drugim sygnałem jest to, czy spada energia na ukończone zadanie, a nie tylko energia na token. Lepsze układy i oprogramowanie obsługowe będą nadal obniżać koszt pojedynczych operacji.

Agenci mogą jednak zużywać te zyski, korzystając z dłuższych kontekstów i większej liczby wywołań. Dostawcy powinni raportować sukces zadania obok całkowitej inferencji, ponowień i opóźnień.

Spadający wskaźnik na poziomie zadań pokazałby, że wydajność wyprzedza ekspansję przepływów pracy. Rosnące zużycie dla podobnych wyników sugerowałoby, że dodatkowa autonomia pochłania oszczędności.

Trzecim sygnałem jest rodzaj energii elektrycznej przypisanej do nowej mocy centrów danych. Wydajność nie może określić emisji bez znajomości źródła wytwarzania.

Hausfather szacuje, że uruchamianie tego samego obciążenia przy w dużej mierze czystych dostawach energii elektrycznej mogłoby zmniejszyć jego emisje o około 90 procent. Dokładna redukcja różni się zależnie od lokalizacji i metody zakupu.

Nowa generacja odnawialna, magazynowanie energii, energia jądrowa, zasoby geotermalne i przesył mogą obniżyć intensywność emisji dodatkowego zapotrzebowania. Dedykowana generacja z paliw kopalnych przesuwa system w przeciwnym kierunku.

Te sygnały są ważniejsze niż spory o to, czy jeden prompt AI przypomina kilka sekund oglądania telewizji. To porównanie opisuje wąską interakcję, którą agenci szybko pozostawiają za sobą.

Lepszym pytaniem jest to, czy agent wykonał pracę wartą pełnego kosztu obliczeniowego. Odpowiedź wymaga przejrzystych dzienników, pomiarów dostawców i uczciwego śledzenia rezultatów.

Programiści mogą zacząć już teraz od audytu liczby wywołań, wzrostu kontekstu, ponowień i wyboru modelu. Nabywcy korporacyjni mogą żądać danych o zasobach na poziomie zadań podczas procesu zakupowego, zamiast akceptować jedną średnią.

Szacunek zużycia energii przez Claude Code nie rozstrzyga, czy agenci zapewniają wystarczającą wartość. Ustala, że ich rzeczywistą jednostką zużycia jest przepływ pracy.

W miarę jak agenci podejmują się dłuższych zadań, użytkownicy powinni pytać, co dzieje się po naciśnięciu Enter. Ile modeli działa, jak często ponownie odczytują kontekst i które źródła energii elektrycznej podtrzymują ten proces?