AIサステナビリティ:2026年実践ガイド

人工知能は、企業がエネルギー消費を抑え、無駄を減らし、ESGレポーティングの手作業を減らす助けになる。しかしAIプロダクトを構築する側は、話のもう半分も知っている。すべてのモデルはエネルギーを大量に消費するインフラ上で動き、APIコール一つひとつに計算コストが発生し、計算需要は減速する気配がない。

だからこそAIサステナビリティは、スローガンとしても、償うべき罪としても扱うべきではない。運用上の課題として管理すべきものだ。イタリアでの議論は、すでに二つの明確な考え方を軸に整理されている。sustainability of AI(AIの持続可能性)とAI for sustainability(持続可能性のためのAI)だ。前者はAI自体の環境負荷に関するもの。後者はプロセス、消費、環境ガバナンスの改善にAIを活用することに関するものだ。同じ文脈で、AIが支援するESGレポーティングの領域は、AI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、「この1年でほぼ3倍になった」という。

AI企業の創業者として、自動的な危機感煽りも、怠惰なテクノ楽観主義も、どちらも不毛だと感じる。ポイントは、AIが環境にとって「良い」か「悪い」かを決めることではない。ポイントは、どこで消費が発生し、いつ本当の価値を生み出し、有用性を損なわずに影響を減らす具体的な選択肢は何かを理解することだ。

はじめに:持続可能なAIの二つの顔

AIサステナビリティをめぐる議論は、より成熟したものになった。ようやくだ。問題が解決したからではなく、決まり文句一つで片付けることが不可能になったからだ。

一方で、AIは企業や施設がエネルギーをより効率的に使い、無駄を抑え、ESGレポーティングをより整然としたものにする助けとなる。他方で、同じシステムが計算能力、データセンター、冷却、ネットワーク、ハードウェア部品を必要とし、それらには実際の環境コストが伴う。どちらか一方だけを見れば、誤った判断を下すことになる。

この問題を語るための正しい言葉

私が最もよく使う二つのカテゴリーは、イタリアの文脈でもすでに広まっているものだ。

• Sustainability of AI(AIの持続可能性)。AIのエネルギーおよび物質面での影響を減らすこと。
• AI for sustainability(持続可能性のためのAI)。環境、エネルギー、ガバナンスのプロセスを改善するためにAIを活用すること。

この違いは理論上のものではない。二つの異なる問いを立てることを強いられる。一つ目は、自社のAIスタックはどれほどの負荷を持つのか。二つ目は、その負荷は、正当化できるほど具体的な環境的・運用的メリットを生み出しているのか、というものだ。

正しい問いは「AIを使うか使わないか」ではない。正しい問いは「このタスクに、本当にこれほどの計算量が必要なのか」だ。

企業に最も多い間違い

私が最も頻繁に目にする間違いは、技術的なものではありません。意思決定の問題です。多くの企業は、利用可能なパワーを常にすべて使う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ても、最も大きなモデル、最も複雑なワークフロー、最も広範な自動化を選んでしまうのです。

実際には、持続可能な戦略はもっと地味な原則から始まります。それは比例性です。あるタスクがより少ない計算、より少ないデータ転送、より少ない複雑さで十分にこなせるなら、それは妥協ではありません。より良い選択なのです。

AIが環境に与える本当の影響

この議論で最も有益な部分は、抽象論を離れたところから始まります。AIの環境への影響は意見ではありません。すでに数字が十分に明確で、慎重さを求めるインフラの問題です。

無視すべきではない数字

国際的なデータを引用するイタリアのある情報源によれば、マサチューセッツ大学が2019年に行った研究では、単一のAIモデルの訓練によって284トン以上のCO₂が発生する可能性があると推定されており、これは自動車5台のライフサイクル全体の排出量に相当します。同じ情報源によれば、ChatGPT-3の開発には約1,287MWhの電力が必要だったとされ、これはアメリカの平均的な住宅約120〜130戸分の年間消費量に相当します。またゴールドマン・サックス・リサーチの予測として、データセンターの電力需要が160%増加し、2023年から2030年にかけて年間約200TWhの増加があり、2028年までにはAI関連の消費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も言及されています。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記事に掲載されています。

重要なのは、これらの数字を使って危機感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しているなら、あなたはクラウド予算だけでなく、インフラ全体に関わるエネルギー需要の増加に加担していることになります。

実践的なルール:AIプロジェクトを評価する際は、トークン単価やAPI呼び出しのコストだけを見てはいけません。本当の問題は、多くの場合、その呼び出しを可能にしているインフラの上流にあります。

エネルギーコストが実際に集中している場所

多くの人は、AIの環境コストがほぼトレーニングだけに集約されていると考えています。それは都合の良い単純化ですが、間違っています。消費は複数の階層に分散しています。

これにより、AIの持続可能性への取り組み方が変わります。「モデルがどれだけ消費するか」を問うだけでは不十分です。どこで稼働しているか、どれだけのトラフィックを生成しているか、何回問い合わせを受けているか、そしてアーキテクチャが無駄を抑えるように設計されているかも問う必要があります。

だからこそ、AIが自らのインフラを改善するために使われるケースにも目を向ける価値があります。有用な例が、AIによるデータセンターのエネルギー最適化です。これは、問題はモデルだけでなく、それを支える技術環境全体にあるというシンプルな事実をよく示しています。

企業のサステナビリティを推進する戦略的レバーとしてのAI

コストだけに注目していては、全体像の半分しか見えていない。AIは企業のサステナビリティを向上させる真剣なレバーにもなり得る。修辞的な意味ではなく、極めて具体的なプロセスにおいてだ。

AIが具体的な環境価値を生み出す領域

イタリアの文脈では、エネルギー管理システムに応用されたAIは、需要のピークを予測し、HVACや照明といった負荷をリアルタイムで調整することで、産業施設や中小企業の運用消費を削減できる。これはScope 2排出量に直接的な影響を与え、間欠的な再生可能エネルギー源の利用最適化にも役立つ。詳しくはAIによるエネルギー管理システムに関するこの詳細記事で解説されている。

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応用だ。無償だからではなく、計算能力を使って継続的な物理的な無駄を排除するからだ。需要が変動する施設で、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千枚のスライドよりも価値があり得る。

AIが本当に役立つ傾向にある3つの領域は以下の通りだ。

• 運用エネルギー。センサー、メーター、アルゴリズムが不要なピークの回避に役立つ。
• サプライチェーン。需要予測の精度向上により、不要な在庫、移動、過剰生産を削減できる。
• ESGレポーティング。データの収集、クリーニング、構造化を自動化することで、手作業と断片化を削減できる。

中小企業にとっての実践的なポイント

中小企業にとって、その恩恵はしばしば派手なモデルから生まれるものではない。重複作業を回避するシステムから生まれる。手動でのエクスポート、複数のExcelシート、何度も送信される添付ファイル、異なる人が同じデータに対して行う照合作業。これらすべてが時間、マシン、帯域幅、注意力を消費する。

異なる人によって5回作り直されたプロセスは、組織的な観点だけでなく、環境的な観点からも非効率だ。

AIがデータを一元化し、繰り返し行う手順を自動化し、分析結果を再利用可能にするとき、環境的な価値は単一の推論にあるのではない。冗長性の排除にあるのだ。

レポーティングに携わる人にとって、この問題に近い例がESGレポーティング向けのELECTEだ。自動化がどのように手作業の手順や情報の分散を削減できるかを理解するのに役立ち、あらゆる作業を複雑なITプロジェクトに変えることなく実現できる。

よりグリーンなAIのための新たなソリューション

心強いのは、業界が立ち止まっていないことだ。AIは問題を生み出しているが、同時に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推進している。しかし、正直に言えば、単一の解決策は存在しない。

ハードウェアとインフラ

有望な方向性の一つは、相互接続とインフラの効率性に注目するものだ。計算システムがデータを待っている間、設置された処理能力は十分に活用されていない。これが、新世代のハードウェアを性能面だけでなく効率性の観点からも捉えるべき理由の一つだ。

技術的な議論では、フォトニック接続、データ伝送の改善、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側にとっての実践的なポイントは別のところにある。より少ない待ち時間、より少ないトラフィック、より少ないオーバーヘッドで、より多くの有用な仕事をこなすスタックを選ぶことだ。

このロジックは、狭義のAIの外にも当てはまる。より一般的に、負荷の少ない生産モデルについて考えたい人は、こちらの持続可能な経済の実践から有用なヒントを得られるだろう。特に、デジタル効率とプロセスにおける物質的な無駄の削減を結びつける上で参考になる。

よりシンプルなソフトウェアとアーキテクチャ

ソフトウェア面では、興味深いレバーは往々にして地味だが、即効性がある。

• より小さなモデルタスクが明確に定義されている場合。
• インテリジェントなルーティングリクエストの種類に応じて異なるモデル間で振り分ける。
• 最適化された推論不要な呼び出し、レイテンシ、データ転送を削減する。
• 従来型のワークフロー実際にはLLMを必要としない作業向け。

私の経験では、これが最も効果のあった選択だった。最も効果的だった変化は、未来的なテクノロジーを導入することではなく、あらゆる作業に最も強力なモデルを使うのをやめることだった。分類、フォーマット整形、既知のパターンの抽出、その他多くの補助的な作業は、常にフロンティアモデルを必要とするわけではない。必要なのはアーキテクチャ上の規律である。

ユーザーにとっての結果が同等であるなら、計算量を減らすことは妥協ではない。それはより優れた設計である。

だからこそ、私はよく「適切なタスクに適切なモデルを」と言う。実践的には、各操作を必要な処理能力のレベルに割り当てるルーティング層を作ることを意味する。これはコストの選択であると同時に、持続可能性の選択でもある。

技術的なソリューションと環境への影響との関係をさらに深く知りたい方は、AIと環境に関するELECTEの記事も参照できる。奇跡的な解決策としてではなく、さまざまな事例と開発の方向性をまとめて紹介している。

効率性のパラドックスと選択の責任

最も重要な指摘は、同時に最も厄介なものでもある。AIを効率化することは、全体の消費量の削減を自動的に保証するわけではない。それどころか、逆の結果になることさえある。

なぜ効率だけでは不十分なのか

計算がより安価に、よりアクセスしやすく、より高速になると、企業はそれをより多く使う傾向がある。より多くの自動化、より多くのリクエスト、より多くの統合、そして「どうせ安いから」という理由で生成されるより多くのプロセス。これが効率性のパラドックスの核心である。

だからこそ、人工知能の持続可能性は、より優れたチップやよりコンパクトなモデルだけの問題であってはならない。それは優先順位を決める基準にならなければならない。あらゆる実装の前に、いくつかの問いを立てるべきだろう。

• このタスクには本当に生成AIが必要か?
• 大規模モデルが必要か、それとも軽量モデルで十分か?
• 自動化は実際のコストを削減するのか、それとも洗練された複雑さを追加しているだけなのか?
• そのアウトプットは本当に使われるのか、それとも別のデジタルノイズを生み出すだけなのか?

イタリアの議論において最も顕著なギャップの一つがまさにこれです。つまり、AIのライフサイクル全体を通じたフットプリント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、この課題は人工知能の持続可能性に関するこのシステム的視点でも指摘されています。

したがって問題は、イノベーションにブレーキをかけることではありません。計算能力を無料で無尽蔵な資源とみなすことをやめることです。どの組織も、予算や人材の時間を扱うのと同じように計算資源を扱うべきです。つまり、本当に価値を生み出すところに配分すべきものとして扱うのです。

中小企業向け実践ガイド 持続可能なAIのための4つのステップ

中小企業にとって、運用計画のないまま持続可能性を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、今すぐ下せる4つの決断から始めるべきです。

あるイタリアの情報源によれば、AIの持続可能性に関する多くの議論は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の約3%を消費しています。見落とされがちな問いは、消費とコストの持続不可能な増大を避けるために、より小規模なモデルや従来のプロセスを使うべきタイミングはいつか、というものです。この点はAIの環境面でのトレードオフに関するこの記事で的確にまとめられています。

本当に重要な4つの決断

1. 問題の規模に見合ったモデルを選ぶ
   これはシンプルさと効果のバランスが最も優れたレバーです。最も強力なモデルをデフォルトとして使わないこと。実際に違いが生まれる場面でのみ使いましょう。日常的な多くのタスクには、より軽量なモデルや非生成系のシステムで十分です。
2. クラウドプロバイダーはエネルギープロファイルでも評価する
   価格、レイテンシー、コンプライアンスだけを見てはいけません。データセンターの透明性、地域のエネルギーミックス、運用効率へのアプローチも確認しましょう。地理的条件は重要です。同じワークロードでも、地域によって環境負荷は異なります。
3. ワークフローの重複をなくす
   同じデータが何度もエクスポートされ、コピーされ、再フォーマットされ、再送信されているなら、AIについて語る以前にリソースを無駄にしています。ELECTE、中小企業向けAI搭載データ分析プラットフォームのようなプラットフォームを使えば、データを一元化し、レポートを自動化し、重複した分析を減らすことができます。この文脈での利点は「もっとAIを使うこと」ではありません。「無駄な作業を減らすこと」です。
4. 不完全でも測定する
   すべての企業が、推論1件あたりのkWhやCO₂を測定するツールを持っているわけではありません。それで構いません。すでに手元にある運用指標から始めましょう。

完璧な指標がなくても監視すべきこと

業界で本当に確立された標準がまだない以上、私ならまずシンプルな表から始めます。

不完全でも一貫した測定は、まったく測定しないよりも優れている。

3か月後にタスクあたりの呼び出し数が減り、大型モデルの起動頻度が下がり、データ転送量が抑えられていれば、それは完璧なカーボンアカウンティングとは言えません。しかし、非常に有用なものが手に入っています。それは、計算上の無駄、コスト、そしておそらく環境への影響も減らす効率化の規律です。

結論 責任あるAIで未来を照らす

人工知能の持続可能性は、スローガンで解決するものではありません。AIをイデオロギー的に拒否することでも解決しません。より良い技術的・経営的判断によって築かれるものです。

今日AIを使う人は、2つの真実を同時に受け止める必要があります。1つ目は、環境コストは実在し、増大しており、軽視してはならないということ。2つ目は、AIが無駄を減らし、エネルギー利用を改善し、雑然とした反復的なプロセスをより賢いシステムに置き換えるとき、具体的な便益を生み出せるということです。選択の質は、この2つの側面のバランスにかかっています。

欧州企業にはさらにもう一つの責任のレベルがある。コンプライアンスに準拠するだけでは十分ではない。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絡み合っているかを理解する必要がある。この最後の点について、AI導入に伴う法的枠組みをさらに深く知りたい方には、このAI特許に関するガイドを紹介する。技術的持続可能性を長期的な戦略的選択として読み解くのにも役立つ。

正しい方向性は、AIの使用を絶対的に減らすことではない。適切なAIを、適切な場所で、適切な処理能力レベルで使うことだ。

より効率的かつ意識的にAIを導入したいなら、ELECTEの仕組みを見ることができる。このプラットフォームは、中小企業がデータを一元化し、レポートを自動化し、重複した分析業務を削減するのを支援する。モデル選択と業務効率化には、実践的なアプローチを採用している。