人工知能（AI）は、企業のエネルギー消費削減や無駄の削減、ESG報告業務の手作業負担軽減に貢献できる。しかし、AI製品を開発する者たちは、その裏側にある現実も熟知している。どのモデルもエネルギーを大量に消費するインフラ上で動作し、APIへの呼び出しには毎回計算コストがかかり、計算リソースへの需要は衰える気配がないのだ。
だからこそ、人工知能（AI）の持続可能性は、スローガンとしても、償うべき罪としても扱ってはならない。それは実務上の課題として対処されるべきである。 イタリアでは、議論はすでに「AIのサステナビリティ（sustainability of AI）」と「サステナビリティのためのAI（AI for sustainability）」という2つの明確な概念を中心に展開されている。前者はAIそのものがもたらす環境負荷に関するものであり、後者はプロセス、資源消費、環境ガバナンスの改善に向けたAIの活用に関するものである。同様の文脈において、AIを活用したESG報告の割合は、AIのサステナビリティとESGガバナンスに関するこの分析によれば 、「過去1年間でほぼ3倍に増加した」とのことである。
AI企業の創業者として、私は、反射的な警戒論も、安易な技術楽観主義も、どちらも無意味だと感じています。重要なのは、AIが環境にとって「良い」か「悪い」かを決めることではありません。重要なのは、AIがどこで資源を消費し、いつ真の価値を生み出し、その有用性を損なうことなく環境への影響を軽減するための具体的な選択肢は何かを理解することです。
人工知能と持続可能性をめぐる議論は、より成熟したものになってきた。ようやくだ。問題が解決されたからではなく、この問題を決まり文句で片付けることがもはや不可能になったからだ。
一方で、AIは企業やプラントがエネルギーをより効率的に活用し、無駄を削減し、ESG報告をより体系的に行うことを支援します。他方で、そうしたシステム自体には、計算能力、データセンター、冷却設備、ネットワーク、ハードウェア部品などが必要であり、それらは実際の環境負荷を伴います。この両面のうち一方だけを見てしまうと、誤った判断を下すことになります。
私が最も頻繁に使用する2つのカテゴリーは、今やイタリアでも広く普及しているものです：
この違いは単なる理論上のものじゃない。この違いによって、2つの異なる問いを投げかけざるを得なくなる。1つ目は「自分のAIスタックの重量はどれくらいか？」。2つ目は「その重量は、それを正当化できるほど具体的な環境面や運用面でのメリットをもたらしているか？」だ。
「AIを使うか使わないか」というのが正しい問いではありません。正しい問いは、「このタスクに、本当にこれだけの計算能力が必要なのか？」ということです。
私が最も頻繁に目にする過ちは、技術的なものではなく、意思決定に関するものです。多くの企業は、利用可能なすべての処理能力を常に使い切るべきであるかのようにAIを導入しています。実際には、問題がはるかに単純であったとしても、最も大規模なモデル、最も複雑なワークフロー、そして最も広範囲にわたる自動化を選択してしまうのです。
実のところ、持続可能な戦略は、それほど派手ではない「比例性」という原則に立脚しています。もしあるタスクが、より少ない計算量、より少ないデータ転送、より低い複雑さで十分に実行できるのであれば、それは妥協ではありません。むしろ、より良い選択なのです。
議論で最も有益な部分は、抽象的な話から脱した時点で始まる。AIが環境に与える影響は単なる意見ではない。これはインフラに関する問題であり、その数値はすでに十分に明確であるため、慎重な対応が求められる。
国際的なデータを引用したイタリアの情報筋によると、マサチューセッツ大学が2019年に実施した研究では、AIモデル1つの学習により284トン以上のCO₂が発生すると推定されており、これは5台の自動車のライフサイクル全体における排出量に相当する。 同情報源は、ChatGPT-3の開発には約1,287 MWhの電力を要したと報じており、これは米国の平均的な家庭約120～130世帯分の年間消費量に相当する。また、ゴールドマン・サックス・リサーチの予測を引用し、データセンターの電力需要は160％増加し、2023年から2030年の間に年間約200 TWh増加し、2028年までにAI関連の消費量がデータセンターの総エネルギー需要の19％に達する可能性があるとしている。これらのデータはすべて、AIの環境コストに関するこのイタリアの分析報告書に記載されている。
重要なのは、これらの数字を使ってメディアを煽ることではありません。重要なのは、その規模を理解することです。AIを構築したり導入したりする場合、それは単なるクラウド予算の問題にとどまらず、インフラ全体に関わるエネルギー需要の増加の一端を担っていることになるのです。
経験則：AIプロジェクトを評価する際は、トークン単位やAPI呼び出しごとのコストだけを見るのではなく、その先を見据えること。真の問題は、多くの場合、その呼び出しを可能にするインフラストラクチャという、より上流の部分にある。
多くの人は、AIの環境負荷がほぼトレーニングのみに起因すると考えています。これは都合の良い単純化ではありますが、誤りです。エネルギー消費は複数のレベルに分散しています：
| 構成要素 | なぜ重要なのか |
|---|---|
| トレーニング | 集中的な大規模な計算処理を必要とする |
| 推論 | ユーザーからの各リクエストは、長期にわたって繰り返される作業を生み出す |
| データセンター | インフラの電源供給、冗長性、および継続的な運用管理 |
| 冷却 | システムから発生する熱は、効率的に放散されなければならない |
| ネットワークとデータ転送 | システム間、地域間、サービス間でデータを移動させるには、エネルギーコストがかかる |
これにより、人工知能のサステナビリティへの取り組み方が変わります。「モデルの消費量はどれくらいか」と問うだけでは不十分です。どこで実行されているか、どれだけのトラフィックを発生させているか、どれくらいの頻度でクエリが発行されているか、そしてそのアーキテクチャが無駄を最小限に抑えるよう設計されているかについても検討する必要があります。
そのため、AIを活用して自社のインフラを改善している事例にも注目する価値がある。その好例が、AIを用いたデータセンターのエネルギー効率化であり、ここから一つの単純な事実が浮き彫りになる。つまり、問題はモデルそのものだけでなく、それを支える技術環境全体にあるということだ。
コスト面だけに目を向けてしまうと、全体像の半分を見逃してしまうことになる。AIは、企業のサステナビリティを向上させるための有力な手段となり得る。それは単なる美辞麗句ではなく、極めて具体的なプロセスにおいて実現可能なことだ。
イタリアの文脈において、エネルギー管理システムにAIを適用することで、需要のピークを予測し、HVACや照明などの負荷をリアルタイムで調整することにより、工業プラントや中小企業における稼働時のエネルギー消費を削減することができます。これはスコープ2の排出量に直接的な影響を与え、AIを活用したエネルギー管理システムに関する本特集記事で解説されているように、間欠的な再生可能エネルギーの利用を最適化するのに役立ちます。
これは、環境の観点からも正当化できると考えるタイプのアプリケーションです。無料だからという理由ではなく、計算を活用して絶え間ない物理的な無駄を排除しているからです。需要が変動する施設において、換気、空調、照明をリアルタイムで調整することは、グリーン移行に関する1,000枚のスライドよりも価値があると言えるでしょう。
AIが特に役立つとされる3つの分野は、以下の通りです：
中小企業にとって、メリットは派手なモデルから生まれることはめったにありません。それは、作業の重複を防ぐシステムから生まれるものです。手作業によるエクスポート、複数のExcelシート、何度も送信される添付ファイル、同じデータに対して異なる担当者が行う照合作業。これらすべてが、時間、リソース、帯域幅、そして注意力を消費してしまうのです。
異なる担当者によって5回もやり直されるプロセスは、組織的な観点だけでなく、環境的な観点からも非効率的である。
AIがデータを一元化し、反復的な作業を自動化し、分析結果を再利用可能にする場合、その環境的価値は個々の推論そのものにあるのではなく、冗長性の排除にある。
レポート作成に携わる方にとって、この問題に近い例として、ESGレポート作成ツールの「ELECTE」が挙げられます。これは、あらゆる業務を複雑なITプロジェクトに変えることなく、自動化によって手作業の工程や情報の散逸をどのように削減できるかを理解する上で役立ちます。
心強いのは、この業界が停滞していないという点だ。AIが問題を引き起こしている一方で、そのエネルギーコストを削減しようとするイノベーションも促進している。しかし、率直に言えば、唯一の解決策など存在しない。
有望な方向性の一つは、相互接続性とインフラの効率性に重点を置くものです。計算システムがデータを待機している間、設置された処理能力は十分に活用されていません。これが、次世代ハードウェアを単なる性能の観点だけでなく、効率性の観点からも捉えるべき理由の一つです。
テクノロジーに関する議論では、フォトニック接続、データ伝送の向上、消費電力の低減に取り組む提案が飛び交っている。しかし、チップではなくクラウドサービスを購入するユーザーにとっての実用的なポイントは別にある。それは、待ち時間を短縮し、トラフィックとオーバーヘッドを削減しつつ、より多くの有用な処理を実行できるスタックを選択することだ。
この論理は、厳密な意味でのAIの枠を超えても当てはまります。より一般的な観点から、資源を浪費しない生産モデルについて考察したいと考える人にとっては、こうした持続可能な経済の実践から有益なヒントを得ることができるでしょう。特に、デジタル効率とプロセスにおける物質的浪費の削減を結びつける上で、そのヒントは有用です。
ソフトウェアの面では、最も興味深い要素は、往々にして派手さには欠けるものの、より直感的なものが多い：
私の経験上、これが最も大きな影響をもたらした選択でした。最も効果的な変化は、最先端の技術を導入したことではなく、あらゆる場面で最も高性能なモデルを使い続けるのをやめたことでした。分類、フォーマット、既知のパターンの抽出、そして多くの支援業務には、必ずしも最先端のモデルが必要というわけではありません。必要なのは、アーキテクチャ上の規律なのです。
ユーザーにとっての結果が同じであるならば、計算量を減らすことは妥協ではありません。それは、より優れた設計なのです。
だからこそ、私はよく「適切なタスクに適切なモデル」という話をします。具体的には、各処理に必要な電力レベルに合わせて割り当てるルーティング層を構築することを意味します。これはコスト面での選択であると同時に、持続可能性の観点からも重要な選択なのです。
技術的解決策と環境への影響との関連性についてさらに詳しく知りたい方は、AIと環境に関する『ELECTE』もぜひご一読ください。同誌では、さまざまな事例や開発の方向性が紹介されていますが、それらを「特効薬」として提示しているわけではありません。
最も重要な反論は、同時に最も厄介な点でもあります。つまり、AIの効率を高めたからといって、必ずしも総消費量の削減が保証されるわけではないのです。むしろ、時には逆の現象が起こることもあります。
計算がより安価になり、より利用しやすくなり、より高速になると、企業はその利用を増やす傾向があります。「どうせ安いのなら」という理由で、自動化が増え、要求が増え、連携が増え、プロセスが次々と生み出されていきます。これこそが、効率性のパラドックスの核心なのです。
だからこそ、人工知能の持続可能性は、単にチップの性能向上やモデルの小型化といった問題にとどまるべきではありません。それは優先すべき基準となる必要があります。導入に先立ち、以下の質問を自問すべきです：
イタリアにおける議論で最も顕著な課題の一つは、まさにこれである。すなわち、AIのライフサイクル全体にわたる環境負荷を測定するための標準化された指標や包括的なアプローチが欠如しているという点であり、この点は、人工知能の持続可能性に関するこの体系的な視点においても強調されている。
したがって、問題はイノベーションを抑制することではない。計算を「無料かつ無尽蔵な資源」と見なすのをやめることだ。あらゆる組織は、予算や従業員の時間と同様に、計算もまた、真に価値を生み出す場所に割り当てるべきものである。
中小企業にとって、具体的な実行計画なしにサステナビリティについて語ってもあまり意味がありません。環境フットプリントを完璧に測定できていなくても、すぐに実行できる4つの決定から始めるのが賢明です。
あるイタリアの情報筋は、AIの持続可能性に関する多くの議論がコストと便益のトレードオフを無視している一方で、データセンターはすでに世界のエネルギー消費量の約3％を占めていると指摘している。見過ごされがちな問いは、消費量やコストの持続不可能な増加を避けるために、いつより小規模なモデルや従来のプロセスを採用すべきか、ということだ。この点は、AIの環境面におけるトレードオフについて論じたこの記事でうまく要約されている。
問題の規模に見合ったモデルを選んでください
これは、シンプルさと効果のバランスが最も優れた手法です。最も強力なモデルをデフォルトとして使用しないでください。実際に違いが生まれる場面でのみ使用してください。日々の多くの作業においては、より軽量なモデルや非生成型システムで十分です。
クラウドプロバイダーを、エネルギー効率の観点からも評価する
価格、レイテンシ、コンプライアンスだけを見るのではなく、データセンターの透明性、地域のエネルギー構成、運用効率への取り組みにも注目してください。地理的な要因は重要です。ワークロードが各地域で与える環境への影響は同じではありません。
ワークフローの冗長性を削減する
同じデータを何度もエクスポートしたり、コピーしたり、再フォーマットしたり、再送信したりしているなら、AIの話以前に、リソースを無駄にしていることになります。ELECTEのような、中小企業向けのAI搭載データ分析プラットフォームを活用すれば、データを一元管理し、レポート作成を自動化し、重複する分析を削減することができます。この文脈におけるメリットは、「AIをもっと活用すること」ではありません。無駄な作業を減らすことにあるのです。
不完全であっても測定する
すべての企業が、個々の工程ごとにkWhやCO₂を測定する手段を持っているわけではありません。それでも構いません。まずは、すでに手元にある運用指標から始めましょう。
業界で確立された標準がない以上、まずはシンプルな表から始めたいと思います：
| 業務指標 | それはあなたに何を伝えているのでしょうか |
|---|---|
| タスク完了時のAPI呼び出し | 成果を得るために、あまりにも多くの労力を費やしているなら |
| 作業ごとのモデルの平均サイズ | タスクを過大評価しているなら |
| セッションごとのデータ転送量 | ワークフローによって回避可能なトラフィックが発生している場合 |
| 作成されたが使用されていない分析 | もし、誰も読まない出力を自動化しているなら |
測定結果が不正確であっても、一貫性がある方が、測定しないよりはましだ。
3か月経っても、タスクごとの呼び出し回数が減少し、大規模なモデルの起動頻度が低下し、データ転送量が抑制されていることが確認できても、まだ完璧なカーボンアカウンティングが実現しているわけではありません。しかし、そこには非常に有用なものが得られています。それは、計算上の無駄やコスト、そしておそらく環境への影響も削減する効率化の仕組みです。
人工知能の持続可能性は、スローガンだけでは解決しない。AIをイデオロギー的に否定したところで解決しない。それは、より優れた技術的・経営的な意思決定によって築き上げられるものである。
今日、AIを利用する者は、2つの事実を両立させなければならない。第一に、環境への負荷は確かに存在し、増大しており、軽視してはならない。第二に、AIは、無駄を削減し、エネルギー利用を改善し、反復的で非効率なプロセスをよりスマートなシステムに置き換えることで、具体的な利益をもたらすことができる。選択の質は、これら2つの側面の関係性にかかっている。
欧州企業には、さらに別のレベルの責任も課せられています。単にコンプライアンスを遵守するだけでは不十分です。テクノロジー、インフラ、ガバナンス、知的財産がどのように相互に関連しているかを理解する必要があります。この点について、AI導入に伴う法的枠組みを深く理解したい方には、人工知能に関する特許ガイドをご紹介します。これは、技術の持続可能性を長期的な戦略的選択として捉える上でも役立つ資料です。
正しい方向性とは、AIの使用量を絶対的に減らすことではありません。適切なAIを、適切な場所で、適切な性能レベルで活用することです。
AIをより効率的かつ的確に導入したいとお考えなら、ELECTEの仕組みをご確認ください。このプラットフォームは、モデル選定や運用効率化において実用的なアプローチを採用し、中小企業のデータ一元管理、レポートの自動化、そして重複する分析作業の削減を支援します。
.svg)
.svg)
.svg)
