Każde zapytanie do ChatGPT zużywa energię. Każde wygenerowane zdjęcie — jeszcze więcej. Wytrenowanie dużego modelu językowego pochłania energię elektryczną porównywalną z rocznym zużyciem kilkuset gospodarstw domowych. To nie jest akademicki problem — to liczba, która pojawia się w raportach ESG.
Jeśli Twoja firma korzysta z narzędzi AI — a prawie na pewno korzysta — warto wiedzieć, co to oznacza dla Twojego śladu węglowego.
Skala problemu: dane z raportu IEA 2025
Według Międzynarodowej Agencji Energetycznej (IEA), centra danych zużyły globalnie 415 TWh energii w 2024 roku — ok. 1,5% światowego zużycia energii elektrycznej. To niemal tyle, ile zużywa Japonia rocznie.
Do 2030 roku ta liczba ma się podwoić do 945 TWh. Głównym motorem wzrostu jest sztuczna inteligencja — serwery AI rosną o 30% rocznie.
W USA centra danych odpowiadają już za ponad 4% całkowitego zużycia energii elektrycznej. Do 2030 roku (według IEA) pochłoną tam więcej energii niż cały przemysł aluminiowy, stalowy i cementowy razem wzięte.
Co to znaczy dla Twojej firmy?
Jeśli korzystasz z ChatGPT, Midjourney, Microsoft Copilot, Google Gemini lub innego narzędzia AI — te emisje wchodzą do Zakresu 3 (Scope 3) Twojego śladu węglowego.
W standardzie VSME moduł kompleksowy (C) wymaga raportowania emisji pośrednich — w tym z usług cyfrowych i dostawców chmury. W uproszczonym module podstawowym (B) — nie ma takiego obowiązku. Ale klient korporacyjny i tak może zapytać.
Dla firm IT emisje Scope 3 związane z infrastrukturą chmurową często stanowią ponad 90% całkowitego śladu węglowego. Ignorowanie ich w raporcie ESG to czerwona flaga dla każdego audytora.
Dlaczego trening AI jest tak energochłonny?
Trening dużego modelu językowego (LLM) to obliczenia na tysiącach kart graficznych (GPU) przez tygodnie lub miesiące. Samo wytrenowanie GPT-4 szacuje się na ok. 50 GWh. Dla porównania, jest to roczne zużycie energii ok. 25 000 polskich gospodarstw domowych.
Jednak dziś to inference (odpowiadanie na pytania użytkowników) odpowiada za 80–90% zużycia energii przez AI. Każdy prompt, każde zdjęcie, każda analiza dokumentu to mikrozużycie, które sumuje się do ogromnych liczb przy skali milionów użytkowników.
Mistral wyznacza nowy standard: Pełna analiza cyklu życia (LCA)
Dyskusja o śladzie węglowym AI wchodzi na wyższy poziom dzięki inicjatywom takim jak ta od francuskiego startupu Mistral AI. W połowie 2025 roku firma opublikowała pierwszą na rynku kompleksową analizę cyklu życia (LCA) dla swojego modelu Mistral Large 2, przeprowadzoną we współpracy z ekspertami ds. klimatu.
Zamiast ukrywać dane za marketingowymi hasłami, raport pokazał twarde liczby. Wytrenowanie tego modelu wygenerowało 20,4 ktCO₂e (kiloton ekwiwalentu CO₂), pochłonęło 281 000 m³ wody i zużyło 660 kg ekwiwalentu antymonu (co obrazuje wpływ produkcji sprzętu na rzadkie surowce). Z perspektywy operacyjnej, wygenerowanie jednej standardowej odpowiedzi (400 tokenów) przez asystenta Le Chat to z kolei koszt 1,14 g CO₂e oraz 45 ml wody.
Dlaczego to ważne dla Twojej firmy? Mistral otwarcie apeluje o stworzenie globalnego standardu środowiskowego dla sztucznej inteligencji, w którym transparentne raportowanie kosztów treningu i inferencji stanie się normą. Raport ten udowadnia, że dobór odpowiedniej wielkości modelu do zadania to nie tylko kwestia kosztów IT, ale bezpośrednia decyzja wpływająca na wskaźniki ESG. Dostawcy, którzy będą unikać publikowania podobnych analiz (tzw. greenhushing), z czasem staną się dla firm raportujących Scope 3 po prostu problematyczni.
Jak zarządzać emisjami AI w firmie?
Kilka praktycznych kroków dla MŚP:
- Optymalizuj zapytania do modeli AI. Precyzyjny, krótki prompt wymaga mniej obliczeń niż wielokrotne iterowanie. Wbuduj w zespole nawyk „lean prompting”.
- Wybieraj dostawców z certyfikatem OZE. Główni dostawcy chmury (Microsoft Azure, Google Cloud, AWS) publikują informacje o udziale energii odnawialnej w swoich centrach danych. Wybór regionu serwera w Skandynawii lub Austrii zamiast np. w Azji centralnej może znacząco obniżyć intensywność węglową Twoich usług AI.
- Stosuj mniejsze modele tam, gdzie to wystarczy. Modele takie jak Mistral Small, Gemini 3 Flash czy GPT-5 mini zużywają wielokrotnie mniej energii niż większe modele tj. Gemini 3 Pro i GPT-5.4. Do prostych zadań klasyfikacyjnych lub generowania krótkich tekstów nie potrzebujesz największego modelu.
- Uwzględnij AI w mapowaniu łańcucha wartości. Jeśli przygotowujesz analizę DMA (podwójnej istotności), narzędzia AI używane operacyjnie powinny trafić do Twojej mapy emisji Scope 3.
Czy AI może pomóc w ESG?
Tak, i to jest drugi wymiar tej historii. Google zoptymalizował systemy klimatyzacji swoich centrów danych za pomocą AI, obniżając energię zużywaną na chłodzenie. Algorytmy AI wspierają prognozowanie produkcji z OZE, zarządzanie Smart Grid i optymalizację emisji w łańcuchu dostaw.
Odpowiedź brzmi zatem: AI to zarówno problem, jak i szansa w zarządzaniu ESG. Kluczem jest świadome korzystanie — z pomysłem na minimalizację zużycia i z dokumentacją, która pokaże klientowi i audytorowi, że działasz odpowiedzialnie.
Green Impact ESG oferuje Szkolenia ESG dla zarządów i zespołów technicznych, które tłumaczą, jak ujmować emisje z narzędzi AI w raportowaniu VSME i jak budować Strategię ESG uwzględniającą digital carbon footprint.
Skontaktuj się z Green Impact ESG
Twoja firma korzysta z AI i chcesz wiedzieć, jak ujmować te emisje w raporcie ESG? Napisz do nas — pomożemy Ci zbudować rzetelny, audytowalny ślad węglowy.
