Парадокс генеративного ИИ: расход ресурсов или катализатор климатических решений?

Что такое парадокс генеративного ИИ?

Парадокс генеративного ИИ — это документально подтверждённый факт: генеративный ИИ потребляет растущие объёмы электроэнергии, пресной воды и критически важных материалов и при этом остаётся одним из сильнейших доступных ускорителей смягчения последствий изменения климата, оптимизации энергосетей и инноваций в материалах. Обе половины опираются на измеренные общедоступные данные, и ни одна не отменяет другую. Международное энергетическое агентство (МЭА) сообщает, что мировой спрос центров обработки данных на электроэнергию вырос в 2025 году на 17 % до 485 тераватт-часов (ТВт·ч), и отдельно оценивает, что широкое развёртывание существующих приложений ИИ могло бы предотвратить 1 400 миллионов тонн (Мт) диоксида углерода в 2035 году. Для руководителя парадокс генеративного ИИ — не спор, который нужно выиграть, а задача распределения, которую нужно разрешить: каждое развёртывание несёт измеримые затраты ресурсов и условную выгоду предотвращённых выбросов, и только дисциплинированное измерение показывает, что больше. В этой статье изложено, как выносить такое суждение в каждом конкретном случае, вместо того чтобы занимать общую позицию за или против инноваций в области ИИ.

Сколько электроэнергии и воды потребляет генеративный ИИ?

Потребление ресурсов генеративным ИИ теперь измеряется, а не оценивается на глаз, и опубликованные цифры огромны в совокупности, оставаясь малыми в расчёте на один запрос. Доклад МЭА Key Questions on Energy and AI, опубликованный 16 апреля 2026 года, указывает, что мировой спрос центров обработки данных на электроэнергию вырос в 2025 году на 17 % до 485 ТВт·ч, и прогнозирует около 950 ТВт·ч к 2030 году — примерно 3 % мирового спроса на электроэнергию, — тогда как потребление электроэнергии центрами обработки данных, ориентированными на ИИ, подскочило на 50 % в 2025 году и, по прогнозу, утроится к 2030 году. На уровне отдельного запроса техническая статья Google Measuring the Environmental Impact of Delivering AI at Google Scale, опубликованная 21 августа 2025 года, сообщает, что медианный текстовый запрос в Gemini Apps потребляет 0,24 ватт-часа энергии, выделяет 0,03 грамма эквивалента CO2 и расходует 0,26 миллилитра воды. Эти два масштаба следует читать вместе, поскольку по отдельности незначительные запросы складываются в спрос на электроэнергию национального масштаба.

Что на самом деле сообщают публикации о следе ИИ?

Публикации о следе ИИ охватывают теперь четыре различные категории воздействия — энергию, углерод, воду и материалы, — но применяют разные границы системы, поэтому их цифры нельзя сравнивать напрямую. Google измерила операционное воздействие обслуживания: ускорители, хост-системы, простаивающие мощности и накладные расходы центра обработки данных. Mistral AI заказала полную оценку жизненного цикла, охватывающую строительство центра обработки данных, производство оборудования, обучение модели и 18 месяцев инференса; она выполнена совместно с Carbone 4 и французским агентством экологического перехода ADEME и опубликована 22 июля 2025 года. Именно различие границ объясняет, почему Mistral сообщает о 45 миллилитрах воды на ответ длиной 400 токенов, тогда как Google указывает 0,26 миллилитра на медианный запрос: эти две цифры отвечают на разные вопросы. В таблице ниже собраны основные публикации, на которые может ссылаться руководитель, — каждая с издателем, датой и охватом, чтобы утверждение о следе можно было проследить до источника, а не повторять из вторых рук.

Где генеративный ИИ действительно выступает катализатором климатических решений?

Генеративный ИИ и смежные системы машинного обучения дают измеримую климатическую отдачу в четырёх областях, где уже существуют опубликованные свидетельства: эксплуатация энергосистем, планирование подключений к сети, промышленная энергоэффективность и поиск новых материалов. Доклад МЭА Energy and AI, опубликованный в апреле 2025 года, количественно оценивает три из них. Применение ИИ к эксплуатации и обслуживанию электростанций могло бы дать экономию до 110 млрд долларов США ежегодно к 2035 году; до 175 гигаватт (ГВт) дополнительной пропускной способности могло бы быть высвобождено на существующих линиях; а лёгкая промышленность, например производство электроники и машиностроение, могла бы достичь 8 % экономии энергии к 2035 году. По всем секторам конечного потребления сценарий широкого внедрения МЭА оценивает предотвращённые выбросы в 1 400 Мт CO2 в 2035 году, что, по описанию доклада, в три-четыре раза превышает совокупные выбросы центров обработки данных в его собственных сценариях. Приведённые ниже применения показывают, где эти выгоды реализуются сегодня:

• Планирование подключений к сети — PJM Interconnection, обслуживающая 67 миллионов человек в 13 штатах США и округе Колумбия, объявила 10 апреля 2025 года о многолетнем сотрудничестве с Google и Tapestry по применению ИИ к процессу подключения генерирующих мощностей и сокращению сроков рассмотрения заявок.
• Пропускная способность сетей — динамическая оценка нагрузочной способности линий и прогнозирование перегрузок, которые, по оценке МЭА, могли бы высвободить до 175 ГВт дополнительной мощности на существующих линиях электропередачи.
• Эксплуатация и обслуживание электростанций — предиктивное обслуживание и оптимизация диспетчеризации, оценённые МЭА в сумму до 110 млрд долларов США ежегодной экономии к 2035 году за счёт несожжённого топлива и снижения затрат.
• Оптимизация промышленных процессов — 8 % экономии энергии к 2035 году в лёгкой промышленности, такой как производство электроники и машиностроение, в сценарии широкого внедрения МЭА.
• Поиск новых материалов — MatterGen, опубликованный в Nature (том 639, страницы 624-632, 16 января 2025 года), генерирует неорганические кристаллические структуры, которые более чем вдвое чаще оказываются новыми и устойчивыми по сравнению со структурами прежних генеративных моделей, сокращая поиск материалов для аккумуляторов, магнитов и катализаторов.
• Работа с данными по устойчивому развитию — извлечение, сверка и выявление пробелов в анкетах поставщиков и наборах данных отчётности, что сжимает цикл отчётности, не заменяя человеческую проверку и внешнее заверение.

Отменяет ли климатическая выгода затраты ресурсов?

Климатическая выгода не отменяет затраты ресурсов автоматически, потому что выгода — это смоделированный сценарий, тогда как потребление уже происходит. МЭА высказывается об этом прямо: агентство заявляет, что в настоящее время нет динамики, способной обеспечить широкое внедрение этих приложений ИИ, и называет доступ к данным, инфраструктуру, регулирование и эффекты отдачи барьерами, способными свести на нет смоделированные выгоды. Сторона потребления, напротив, наблюдаема. На момент выхода доклада МЭА Energy and AI в апреле 2025 года центры обработки данных давали около 0,5 % мировых выбросов от сжигания топлива, с ростом до 1 % в базовом сценарии и до 1,4 % в сценарии Lift-Off к 2030 году, а обновление МЭА от апреля 2026 года оценивает выбросы центров обработки данных примерно в 350 Мт в 2035 году, около 2 % мировых выбросов электроэнергетического сектора. Руководитель, который записывает выгоду в 1 400 Мт себе в актив, не обеспечив условий внедрения, фиксирует прогноз как достижение: предотвращённые выбросы — это условная цель, зарабатываемая развёртыванием за развёртыванием, а не уже зачисленный кредит.

Какие практики Green AI сокращают след?

Практики Green AI сокращают след развёртывания ИИ, не дожидаясь регулирования, и каждая из них представляет собой управленческое решение, а не исследовательскую задачу. Крупнейший отдельный рычаг — подбор размера модели: соотнесение возможностей модели с задачей вместо направления каждого запроса к самой большой доступной модели. Второй — разделение обучения и инференса в учёте, поскольку однажды обученная модель может обслужить миллиарды запросов, а МЭА отмечает, что новые применения, такие как генерация видео, потребляют в сотни и тысячи раз больше энергии, чем простой текстовый запрос. Эффективность объектов измерима и сопоставима через коэффициенты эффективности использования энергии (PUE) и воды (WUE), а выбросы на уровне программного обеспечения можно количественно оценить по спецификации Software Carbon Intensity, стандартизованной как ISO/IEC 21031:2024. Приведённые ниже практики относятся к политике закупок и эксплуатации ИИ, а не к техническому бэклогу:

• Подбирайте размер модели — направляйте каждую задачу к наименьшей модели, достигающей порога качества, и измеряйте разницу в качестве, а не предполагайте её.
• Разделяйте обучение и инференс в учёте — публикуйте амортизированный след обучения и предельный след инференса как две отдельные величины с указанием их границ.
• Планируйте гибкие нагрузки на низкоуглеродные окна сети — пакетные задания, дообучение и оценочные прогоны могут следовать углеродоёмкости сети, а не рабочему графику офиса.
• Закрепляйте пороги PUE и WUE в договорах с поставщиками — Uptime Institute зафиксировал средневзвешенный по отрасли PUE около 1,54 в 2025 году, поэтому эффективность выше средней нужно прописывать, а не предполагать.
• Требуйте раскрытия следа в закупочных условиях — запрашивайте энергию, углерод и воду на единицу услуги, с указанием границ системы и методологии в договоре.
• Применяйте циркулярные практики к оборудованию — моделирование, опубликованное в Nature Computational Science, показывает, что циркулярные подходы вдоль цепочки создания стоимости генеративного ИИ могли бы сократить электронные отходы на 16-86 %.
• Измеряйте углеродоёмкость программного обеспечения по ISO/IEC 21031:2024, чтобы заявления об эффективности были сопоставимы между версиями и между поставщиками.

Как определить, когда генеративный ИИ даёт чистый положительный эффект?

Сценарий использования генеративного ИИ даёт чистый положительный эффект, когда его измеренные затраты ресурсов меньше того потребления ресурсов, которое он доказуемо вытесняет, и когда обе величины выдерживают внешнюю проверку. Такое суждение требует последовательности действий, а не мнения, и каждый шаг создаёт документ, который может изучить совет директоров, аудитор или регулятор. Приведённая ниже последовательность одинаково применима к конвейеру данных ESG, инструменту климатических сценариев и внутреннему ассистенту, и она намеренно ставит измерение прежде амбиции: развёртывание, след которого никогда не был количественно оценён, нельзя называть климатическим решением, каким бы ни был его предмет. Руководители, применяющие эту последовательность, обычно сразу отклоняют меньшую часть предложенных сценариев, переводят большую долю на меньшие модели или более узкие границы и утверждают остальное с явными условиями мониторинга. Шесть шагов выполняются по порядку, и ни один нельзя пропустить из-за того, что предыдущий дал неудобный ответ:

1. Количественно оцените след развёртывания — энергию, углерод, воду и оборудование — используя заявленные границы системы и опубликованную методологию, такую как ISO 14040/14044 или Greenhouse Gas Protocol Product Standard.
2. Назовите контрфактический сценарий: какой процесс, с каким базовым годом и каким измеренным потреблением ресурсов, это развёртывание действительно замещает?
3. Рассчитайте чистый эффект и опубликуйте его как диапазон с указанием неопределённости, а не как единственную успокаивающую цифру.
4. Проверьте управление данными — происхождение, прослеживаемость, сроки хранения, минимизацию и документирование — на соответствие Регламенту ЕС об ИИ и стандарту ISO/IEC 42001:2023 до развёртывания, а не после инцидента.
5. Проверьте коммуникацию: может ли каждая цифра, которую вы намерены опубликовать, быть обоснована перед аудитором с указанием охвата, базового года, методологии и статуса верификации?
6. Повторите измерение через шесть-двенадцать месяцев, чтобы выявить эффекты отдачи, поскольку рост использования способен полностью свести на нет удельный выигрыш в эффективности.

Как ответственное управление данными делает генеративный ИИ управляемым?

Ответственное управление данными — это уровень контроля, который делает утверждение о следе ИИ проверяемым, и сегодня оно имеет силу закона. Происхождение данных фиксирует, откуда взяты обучающие и входные данные, прослеживаемость фиксирует, как эти данные преобразовывались, а сроки хранения и минимизация ограничивают объём хранимого и его срок, причём само хранение является постоянной энергетической статьёй затрат. Согласно Регламенту Европейского союза об искусственном интеллекте поставщики моделей ИИ общего назначения (GPAI) обязаны вести техническую документацию, включающую известное энергопотребление модели или его оценку, полученную из использованных вычислительных ресурсов, в силу статьи 53(1)(a) и приложения XI. Стандарт ISO/IEC 42001:2023, первый международный стандарт системы менеджмента искусственного интеллекта, задаёт окружающий каркас управления: оценку воздействия, прослеживаемость, человеческий надзор и постоянное улучшение. В таблице ниже показано, какой инструмент создаёт какую обязанность, кого он связывает и с какого момента применяется.

Почему коммуникация об ИИ определяет, выдержит ли ваш климатический нарратив проверку?

Коммуникация об ИИ — дисциплина превращения машинного анализа в нарратив, пригодный для принятия решений, — определяет, переживёт ли климатическое заявление контакт с регулятором, и именно здесь генеративный ИИ создаёт самый острый репутационный риск. Генеративная модель выдаёт гладкую, уверенную прозу независимо от качества лежащих в основе данных, а значит, результат ИИ без указания происхождения может выглядеть авторитетнее, чем тщательно оговорённый человеческий анализ. Регуляторы уже начали пресекать возникающие заявления. Комиссия по ценным бумагам и биржам США (SEC) возбудила первые дела о так называемом AI-washing 18 марта 2024 года, урегулировав обвинения против двух инвестиционных консультантов за ложные и вводящие в заблуждение заявления об использовании ими искусственного интеллекта, с совокупными гражданскими штрафами в 400 000 долларов США. 20 февраля 2025 года тот же регулятор создал Cyber and Emerging Technologies Unit, в сферу компетенции которого прямо включены нарушения, связанные с ИИ. Поэтому сторителлинг и коммуникация воздействия сегодня означают публикацию происхождения вместе с самим выводом.

Как следует выстраивать нарратив об устойчивом развитии с участием ИИ для совета директоров?

Нарратив об устойчивом развитии, подготовленный с участием ИИ, завоёвывает доверие совета директоров и регулятора, когда он собран в фиксированном порядке, отделяющем свидетельства от их интерпретации. Представление составляющих в приведённой ниже последовательности воспроизводит логику, по которой комитет по аудиту разбирает климатическое раскрытие, и делает слабое звено заметным заранее, а не во время вопросов:

1. Вопрос, на который отвечает анализ, сформулированный одним предложением до показа любых результатов.
2. Использованные данные с указанием источника, периода охвата и известных пробелов.
3. Метод с указанием того, какая модель или инструмент подготовил какую часть анализа и где вмешался человек.
4. Вывод, выраженный как диапазон с указанием неопределённости, а не как единственная цифра.
5. Запрашиваемое решение вместе с описанием того, что должно оказаться верным, чтобы это решение было ошибочным.
6. Статус верификации — проверено внутренне, заверено внешне или ни то ни другое — сформулированный прямо.

Какие навыки нужны руководителям для управления следом генеративного ИИ?

Управление следом генеративного ИИ требует двух групп навыков, которые редко встречаются в одном описании должности: ответственного управления данными и коммуникации воздействия. Ответственное управление данными охватывает происхождение, прослеживаемость, сроки хранения, минимизацию и обязанности по документированию, созданные Регламентом ЕС об ИИ и стандартом ISO/IEC 42001, и это та же дисциплина, что лежит в основе достоверной отчётности в области экологии, социальной сферы и корпоративного управления (ESG). Сторителлинг и коммуникация воздействия охватывают перевод этих свидетельств в нарратив, на основании которого совет директоров, регулятор и общественность могут действовать, не будучи введёнными в заблуждение. Практики Green AI располагаются между ними, поскольку подбор размера модели одновременно является инженерным решением, закупочным решением и решением о раскрытии информации. В таблице ниже каждый навык сопоставлен с документом, который руководитель должен уметь подготовить, — именно в этой форме его проверяют рекрутеры и аудиторы.

Какая программа SUMAS подходит вашему профилю?

SUMAS преподаёт устойчивые финансы и инновации в области ИИ по четырём направлениям, которые различаются уровнем поступления, продолжительностью и форматом, а не предметным содержанием, поэтому выбор начинается с вашей нынешней квалификации и того учебного времени, которым вы реально располагаете. Все четыре ведутся на английском языке в SUMAS — Sustainability Management School, которая располагает кампусом Lake Geneva в Гланде (Швейцария) и городским кампусом в Милане (Италия) и имеет аккредитацию ACBSP. Преподавание ИИ в SUMAS возглавляет профессор Jan Erik Meidell, Ph.D., чьи курсы включают «Статистику и машинное обучение», «Прикладной ИИ для бизнеса», «Блокчейн и децентрализованные финансы», а также Capstone: AI for Good, и чьи собственные работы применяют ИИ и науку о данных к задачам устойчивого развития и ESG-управления. AI for Good — это капстоун-курс, а не отдельная программа, поэтому читателям, которые ищут именно его, следует уточнить в приёмной комиссии, какое направление включает его в настоящее время. В таблице сравниваются четыре направления по критериям, которые на практике определяют выбор.

Как развить навыки Green AI и ответственного управления данными вместе с SUMAS?

Развитие навыков управления генеративным ИИ начинается с вопроса более узкого, чем выбор диплома: какой из перечисленных выше документов вы не смогли бы подготовить сегодня? Измерение следа и анализ чистого воздействия формируются через многократную техническую практику на реальных наборах данных, тогда как ответственное управление данными и коммуникация воздействия формируются через прикладные проекты в условиях реальных организационных ограничений и через дисциплину защиты цифры перед аудиторией, способной её оспорить. SUMAS развивает оба направления через Sustainability Industry Projects, выполняемые совместно с организациями-партнёрами, и через капстоун-работы, и сообщает о 90 % трудоустройства выпускников по всем своим программам. Тем, кто взвешивает перемены, будут полезны также наши руководства о карьере в управлении устойчивым развитием и о стратегиях циркулярной экономики, где подробнее разобраны траектории и понятия ресурсной эффективности. Практический следующий шаг — выбрать направление, чьи продолжительность и формат позволят быстрее всего создать недостающий документ.