Den dolda kostnaden för bekvämlighet: Varför AI:s miljöpåverkan måste synas

Vi använder regelbundet AI för att få hjälp, antingen för att sammanfatta detta, generera det eller lösa det. Det är snabbt, enkelt och alltmer integrerat i hur vi arbetar. Men i vår iver att göra saker enklare har vi förbisett en viktig del av berättelsen: den miljömässiga kostnaden bakom digital bekvämlighet.

Varje AI-interaktion bygger på något som vi aldrig ser och sällan överväger – datacenter, chip, elkraftnät, kylsystem och globala logistiknätverk. Denna “osynliga infrastruktur” gör att AI känns viktlös. Men den miljömässiga påverkan är allt annat än det.

Det är dags att göra den här kostnaden synlig. När AI blir alltmer central för affärsverksamheten, så ökar också dess påverkan på energi, vatten och utsläpp. Frågan är inte bara hur kraftfull den nästa modellen kommer att vara, utan också om vi är beredda att ta ansvar för vad det kräver för att köra den.

AI har ett optikproblem. Till skillnad från rök från en fabrik eller trafik på en motorväg, sker utsläppen från att träna eller fråga en modell bakom stängda dörrar i klimatkontrollerade serverhallar. Det gör dem inte mindre verkliga.

Att köra avancerade modeller kräver en betydande mängd el. Att träna GPT-3, till exempel, förbrukar lika mycket energi som 130 amerikanska hushåll använder årligen. Och det slutar inte där. Inferens, processen att generera svar, sammanfattningar eller bilder, använder betydande mängder energi. En enda ChatGPT-fråga använder ungefär fem gånger mer el än en vanlig webbsökning, och att generera en AI-bild kan förbruka lika mycket energi som att ladda en smartphone.

Vattenförbrukning är också en betydande del av bilden. Varje gång ChatGPT genererar ett kort 100-ordigt e-postmeddelande med GPT-4-modellen, förbrukar det ungefär mängden en standard vattenflaska. Det vattnet används för att kyla servrarna i datacenter, som genererar intensiv värme under drift. Skala upp det till bara en veckovis användning av 10% av de arbetande amerikanerna, och den årliga vattenanvändningen skulle motsvara den dagliga konsumtionen av varje hushåll i Rhode Island, under en och en halv dag.

När AI-arbetsbelastningar utökas, ökar också datacenterens effektbehov. Världsbanken uppskattar att den bredare kategorin Information och Kommunikationsteknik (IKT), inklusive AI, för närvarande står för minst 1,7% av de globala växthusgasutsläppen. Även om den siffran kan verka blygsam, speglar den bara nuvarande nivåer av antagande. Med den fortsatta tillväxten av AI – tillsammans med ökad global internetanvändning, utökad molnlagring, IoT-enheter och till och med blockkedjetekniker – kan den kollektiva påverkan öka betydligt, även om vissa effektivitetsvinster uppnås.

Den avkopplingen mellan hur lätt AI är att använda och hur resurskrävande det är att köra det gör det lätt att ignorera frågan.

Men det pekar också på lösningen. Vi behöver inte sakta ner innovationen. Vi behöver vara mer medvetna om hur vi utformar och distribuerar den. Det innebär att ställa bättre frågor, hålla leverantörer ansvariga och ta hänsyn till hållbarhet i varje AI-beslut.

Dessa system blir bara kraftfullare. Om vi vill att de ska hjälpa till att lösa klimatutmaningar, måste vi se till att de inte tyst förvärrar dem.

Från infrastruktur till ansvar

AI:s miljöpåverkan är inte begränsad till ögonblicket då en användare trycker på “skicka”. Det finns ett helt leverantörsnät bakom det: gruvdrift, chip-tillverkning, utrustningsfrakt och datacenterkonstruktion. Den verkligheten skapar en ny typ av ansvarsutmaning för företag. Till skillnad från traditionella utsläppskällor, där påverkan kan kopplas till förbränd bränsle eller körda mil, är AI:s kostnad spridd över system och leverantörer. Det är lätt att tro att ansvaret tillhör “molnet” eller “leverantören”.

Men om du använder AI via en SaaS-plattform, molnleverantör eller interna verktyg, då är utsläppen och energianvändningen en del av din operativa fotavtryck. Det är särskilt sant när man tittar på Scope 3-utsläpp, som inkluderar de som genereras över hela värdekedjan.

Det goda nyheten är att ansvar inte handlar om skuld. Det handlar om medvetenhet, transparens och bättre beslutsfattande.

Göra det osynliga synligt

Så hur gör vi den dolda miljökostnaden för AI synlig? Det börjar med att omvärdera hur vi utvärderar de verktyg vi använder.

Inköpsgrupper bör fråga om funktion, energikällor, datacenter-effektivitet och utsläppsrapportering. Om en leverantör inte kan berätta hur mycket kraft deras AI-verktyg förbrukar eller om de förlitar sig på förnybar energi, är det en varningsflagga.

Produkt- och ingenjörsteam kan fatta utformningsbeslut som minskar påverkan utan att offra resultat. Det inkluderar att använda mindre, finjusterade modeller när det är möjligt och undvika onödig komplexitet. En mer effektiv modell är inte bara snabbare, utan också grönare.

Anställda kan också bidra. Utbildningsteam att skriva tydliga, riktade prompter minskar antalet frågor som behövs och minimerar beräkningstiden. En välkonstruerad begäran kan ge det korrekta resultatet omedelbart, medan flera otydliga kan slösa bort energi med varje iteration.

Ledande chefer kan koppla samman punkterna mellan innovation och hållbarhet. AI-antagande bör vara i linje med klimatmål, inte behandlas som en separat strategi. Små förändringar börjar lägga sig när organisationer gör miljöpåverkan till en del av samtalet på alla nivåer.

Varför ISO 42001 erbjuder en användbar vägledning

ISO 42001, den nya internationella standarden för AI-hanteringsystem, introducerar en viktig fokus: att uppmuntra organisationer att överväga inte bara hur AI-system presterar, utan också hur de påverkar människor och planeten. Den behandlar inte klimatet som en eftertanke; den behandlar det som en risk värd att hanteras från början.

För företag som redan arbetar mot ISO 14001 (för miljöledning) eller nollutsläpps-mål erbjuder ISO 42001 en bro. Den hjälper till att anpassa AI-styrning med bredare hållbarhetsstrategier, från utsläppsspårning till ansvarsfulla leverantörspartnerskap.

Vad AI kan ge tillbaka

Det är lätt att fokusera på negativa aspekter, men AI har också verkligt potential att hjälpa oss att lösa miljöproblem.

Redan nu hjälper AI till att förutsäga energibehov och anpassa energianvändning i realtid för att bättre integrera förnybara källor som vind och sol. Inom jordbruk används det för att övervaka jordfuktighet och väderförhållanden för att vägleda bevattningsscheman och minimera gödselavrinning. Logistikföretag använder AI för att planera mer effektiva leveransrutter, vilket minskar bränsleförbrukning och tomgångstid. Och kanske mest betydelsefullt, accelererar AI utsläppsspårning genom att analysera inköps- och leverantörsdata, vilket hjälper företag att beräkna svårigheter att mäta Scope 3-utsläpp och identifiera var minskningar är möjliga.

Om det distribueras med omsorg kan AI agera inte bara som en resursförbrukare, utan också som en drivkraft för smartare klimatlösningar.

Tid att ta en närmare titt

AI kommer inte att sakta ner, och det borde det inte heller. Men vi måste börja göra dess miljöavtryck mer synligt och hanterbart.

Det innebär:

• Att välja partners som rapporterar och minskar sina utsläpp.
• Att utbilda team att använda AI effektivt och medvetet.
• Att behandla miljöpåverkan som en del av värdeekvationen, inte en avvägning.

Vi är vana att tänka på AI som osynligt. Men det är ett perceptionsproblem, inte ett fysiskt. Servrarna är verkliga, utsläppen är mätbara och vattnet är ändligt.

Nu är det dags att bygga ansvarsvanor så att de system vi förlitar oss på inte tyst förstör framtiden vi alla försöker skydda.