Rosnące tempo wdrażania generatywnej sztucznej inteligencji otwiera przed firmami nowe możliwości, ale także wyzwania związane z monitorowaniem wpływu tej technologii na środowisko. Jak wynika z raportu Capgemini Developing Sustainable Gen AI, aż 80% organizacji zwiększyło swoje inwestycje w Gen AI w ciągu ostatniego roku, jednak jedynie 12% mierzy jej ślad środowiskowy. Brak odpowiedniego monitoringu może w efekcie zagrozić realizacji celów ESG.
Raport jednoznacznie wskazuje, że Gen AI szybko staje się elementem codziennego funkcjonowania firm. Wśród ankietowanych aż 62% osób zarządzających deklaruje, że ich organizacje prowadzą już pilotaże rozwiązań opartych na Gen AI. Kolejne 32% przedsiębiorstw udostępniło jej możliwości wybranym zespołom, a 6% wdrożyło GenAI w większości obszarów swojej działalności. Mimo rosnącej skali wykorzystania, ślad środowiskowy nie jest jeszcze powszechnie uwzględniany przy wyborze technologii – jedynie 27% liderów i liderek porównuje zużycie energii poszczególnych modeli, a tylko 20% zalicza ten czynnik do pięciu kluczowych kryteriów przy wyborze lub budowie rozwiązań Gen AI.
– Organizacje dopiero zaczynają włączać aspekty zrównoważonego rozwoju do pełnego cyklu życia Gen AI: dziś 31% firm deklaruje, że podjęło pierwsze kroki w tym kierunku. W miarę jak modele stają się coraz bardziej złożone i powszechnie stosowane, umiejętne zarządzanie zarówno kosztami finansowymi, jak i środowiskowymi będzie kluczowe dla ich skalowania – podkreśla Maciej Małecki, Programmer Architect w Capgemini Polska.
Nie możesz zarządzać czymś, czego nie mierzysz
Choć świadomość rosnącego wpływu Gen AI na środowisko jest wysoka, jedynie 12% organizacji monitoruje go w sposób aktywny.
– Pozytywny jest fakt, że większość organizacji, które nie prowadzą w tej chwili pomiarów, planuje rozpocząć je w ciągu najbliższych 12–24 miesięcy. Warto jednak pamiętać, że taki monitoring to dopiero pierwszy krok. Powinien on prowadzić do transparentnego ujawniania danych i wyznaczania realnych celów redukcji emisji. Tymczasem spośród firm, które już mierzą ślad Gen AI, tylko 28% publikuje dane dotyczące zużycia energii i emisji, a zaledwie 24% wyznaczyło konkretne cele redukcyjne – zauważa Maciej Małecki z Capgemini Polska.
Zdaniem badanych największą przeszkodą w dokładnym pomiarze i raportowaniu wpływu Gen AI pozostaje niewystarczający dostęp do danych – aż 74% liderów uważa, że brak informacji ze strony dostawców modeli Gen AI utrudnia dokładny pomiar emisji i zużycia energii. Firmy oczekują, że sektor technologiczny zaangażuje się w stworzenie standardów i narzędzi ułatwiających rzetelne raportowanie środowiskowego wpływu Gen AI.
Co można zrobić już dziś
Ograniczenie rosnącego śladu ekologicznego generatywnej sztucznej inteligencji wymaga kompleksowego podejścia i konkretnych działań. Według raportu skuteczne strategie opierają się na kompleksowych działaniach – od racjonalnego wyboru technologii po wykorzystanie odnawialnych źródeł energii w infrastrukturze IT. Ważnym elementem jest stosowanie tzw. hybrydowej inteligencji – połączenia różnych technologii, takich jak tradycyjna AI, Gen AI, automatyzacja czy robotyka. Dzięki temu możliwe jest ograniczenie zużycia mocy obliczeniowej i zastosowanie Gen AI tylko tam, gdzie naprawdę przynosi przewagę.
Firmy coraz częściej też optymalizują swoje działania, wybierając mniejsze modele językowe (tzw. SLMs), które są tańsze, szybsze i bardziej zasobooszczędne. Popularność zyskują również techniki takie jak prompt caching, która, dzięki optymalizacji zapytań, pozwala zredukować zużycie energii i koszty operacyjne. Nie mniej istotne jest korzystanie z zielonej infrastruktury – centrów danych zasilanych energią odnawialną i zoptymalizowanych pod kątem efektywności energetycznej.
Raport Developing Sustainable Gen AI jasno wskazuje, że choć generatywna sztuczna inteligencja rewolucjonizuje sposób działania firm, jej ślad środowiskowy rośnie szybciej, niż większość organizacji jest w stanie go monitorować. Odpowiedzialne wykorzystanie tej technologii oznacza świadome decyzje – od wyboru energooszczędnych modeli po transparentne raportowanie ich wpływu, dzięki czemu rozwój sztucznej inteligencji może stać się bardziej zrównoważony.
