2026年AI永續發展實用指南

人工智慧可以幫助企業降低能源消耗、減少浪費，並讓ESG報告不再那麼繁瑣。但打造AI產品的人也清楚事情的另一面：每個模型都運行在高耗能的基礎設施上，每次API呼叫都有運算成本，而運算需求並沒有放緩的跡象。

正因如此，AI永續發展既不該被當作口號，也不該被當作需要贖罪的過錯。它應該被當作一個營運層面的問題來管理。在義大利，這場討論已圍繞兩個明確的概念展開結構化的討論：sustainability of AI（AI本身的永續性）與AI for sustainability（用於永續發展的AI）。前者關注AI本身的足跡。後者關注如何運用AI來改善流程、資源消耗與環境治理。在同樣的脈絡下，根據這篇關於人工智慧永續發展與ESG治理的分析，由AI支援的ESG報告部分「在過去一年中幾乎增加了三倍」。

身為一家AI企業的創辦人，我認為不假思索的恐慌與懶惰的技術樂觀主義同樣沒有意義。重點不在於判定AI對環境是「好」是「壞」。重點在於了解它在哪裡消耗資源、何時創造真正的價值，以及哪些具體的選擇能在不破壞其效用的前提下降低影響。

前言：永續AI的雙面性

關於AI永續發展的討論已變得更加成熟。終於。這並非因為問題已被解決，而是因為它已不可能被簡化為一句套話。

一方面，AI協助企業與設施更妥善地運用能源、限制浪費，並讓ESG報告更有條理。另一方面，這些系統本身也需要運算能力、資料中心、散熱、網路與硬體元件，而這些都帶來實實在在的環境成本。若只看其中一面，就會做出錯誤的決定。

談論這個問題所需的正確語言

我最常使用的兩個類別，也是目前在義大利脈絡下已廣為流傳的概念：

• Sustainability of AI（AI的永續性）。降低AI的能源與物質影響。
• AI for sustainability（用於永續發展的AI）。運用AI改善環境、能源與治理相關的流程。

這種區別並非紙上談兵。它逼你去問兩個不同的問題。第一個是：我的AI技術堆疊究竟耗費多少資源？第二個是：這樣的耗費是否帶來足夠具體的環境或營運效益，值得為此付出？

正確的問題不是「該不該使用AI」。正確的問題是「這項任務是否真的需要這麼多運算量？」。

企業最常犯的錯誤

我最常看到的錯誤不是技術性的，而是決策性的。許多企業採用 AI 時，彷彿所有可用的算力都必須全力運用。實際上，它們選擇了最大的模型、最複雜的工作流程、最廣泛的自動化——即便問題本身要簡單得多。

事實上，可持續的策略始於一個不那麼耀眼的原則：比例原則。如果一項任務可以用更少的算力、更少的資料傳輸、更少的複雜度就能完成得很好，那不是妥協，而是更好的選擇。

AI 對環境的真實影響

討論中最有價值的部分，始於不再空談抽象概念之時。AI 對環境的影響並非一種觀點，而是一個基礎設施層面的議題，其數據已經足夠明確，需要謹慎以對。

不容忽視的數字

一份引用國際數據的義大利消息來源指出，麻薩諸塞大學於 2019 年進行的一項研究估計，訓練單一 AI 模型可能產生超過 284 噸的二氧化碳，相當於五輛汽車整個生命週期的排放量。同一來源指出，開發 ChatGPT-3 據稱需要約 1,287 兆瓦時的電力，相當於約 120 至 130 戶美國普通家庭一年的用電量，並提及高盛研究（Goldman Sachs Research）的一項預測：資料中心的電力需求可能增加 160%，2023 年至 2030 年間每年增幅約為 200 太瓦時，而到 2028 年，與 AI 相關的用電量可能達到資料中心總能源需求的 19%。這些數據皆引用自這篇關於 AI 環境成本的義大利分析文章。

重點不在於利用這些數字進行恐慌式宣傳，而在於理解其規模。如果你正在建構或採用 AI，你正在參與一場涉及整體基礎設施——而不僅僅是你的雲端預算——的能源需求增長。

實用原則：評估一個 AI 專案時，不要只看每個 token 或每次 API 呼叫的成本。真正的問題往往在更上游——在於讓那次呼叫得以實現的基礎設施本身。

能源成本真正集中在哪裡

許多人認為 AI 的環境成本幾乎只等同於訓練階段。這是一種便於理解卻不正確的簡化。實際上，能源消耗分佈在多個層面：

這改變了應對人工智慧永續發展的方式。光問「模型消耗多少」是不夠的。你還必須問它運行在哪裡、產生多少流量、被查詢多少次，以及架構在設計時是否有考慮到減少浪費。

正因如此，觀察 AI 被用來改善自身基礎架構的案例也很有意義。一個實用的例子是利用 AI 優化資料中心能源效率，這清楚說明了一件事：問題不只是模型本身，而是支撐它運作的整個技術環境。

AI 作為企業永續發展的戰略槓桿

如果只停留在成本層面，就會錯失一半的全貌。AI 也可以成為提升企業永續性的重要槓桿。這不是空話，而是體現在非常具體的流程當中。

AI 在哪些地方創造實質的環境價值

在義大利的情境下，將 AI 應用於能源管理系統，可以透過預測需求高峰並即時調節 HVAC 和照明等負載，來降低工業設施和中小企業的營運耗能。這對範疇二（Scope 2）排放有直接影響，並有助於優化間歇性再生能源的使用，正如這篇關於 AI 能源管理系統的深入探討所述。

這正是我認為即使從環境角度來看也站得住腳的應用類型。不是因為它零成本，而是因為它利用運算來消除持續性的實體浪費。在需求變動的設施中，即時調節通風、空調或照明，其價值可能勝過千張綠色轉型的簡報投影片。

AI 真正發揮實質作用的三個領域如下：

• 營運能源。感測器、電錶和演算法有助於避免不必要的用電高峰。
• 供應鏈。更精準的需求預測可以減少不必要的庫存、搬運和過度生產。
• ESG 報告。自動化資料的收集、清理與結構化，可減少人工作業和資訊分散。

對中小企業而言的實際重點

對中小企業來說，效益往往不是來自某個令人驚豔的模型，而是來自一套能避免重複工作的系統。人工匯出、多份 Excel 檔案、反覆傳送的附件、由不同人員針對同一筆資料進行的對帳。這一切都在消耗時間、運算資源、頻寬和注意力。

一項流程被不同人重做五次，不僅在組織層面是低效率的，在環境層面也是如此。

當 AI 集中資料、自動化重複性步驟並讓分析結果可重複使用時，環境價值並不在於單次的推論運算本身，而在於消除了冗餘。

對於從事報告工作的人來說，一個貼近這個問題的例子是用於 ESG 報告的 ELECTE，有助於了解自動化如何在不將每項作業都變成複雜 IT 專案的情況下，減少人工步驟和資訊分散。

邁向更綠色 AI 的新興解決方案

值得欣慰的是，這個產業並未停滯不前。AI 正在製造問題，但同時也在推動各種創新，試圖降低其能源成本。不過老實說：目前並不存在單一的解決方案。

硬體與基礎設施

一個有前景的方向，是著重於互連技術與基礎設施效率。當運算系統在等待資料時，已安裝的運算能力就會被浪費。這正是為什麼新一代硬體不應只從效能角度來看待，也應從效率角度來理解。

科技界的討論中，流傳著一些關於光子連接、更佳資料傳輸和更低耗散的提案。但對於採購雲端服務而非晶片的人來說，實際重點在於另一件事：選擇能以更少等待、更少流量和更少開銷完成更多有用工作的技術堆疊。

這套邏輯的應用範圍不僅限於狹義的AI領域。若想更廣泛地思考低耗散生產模式，可以參考這些永續經濟實踐，特別是有助於將數位效率與流程中物質浪費的減少連結起來。

更精簡的軟體與架構

在軟體層面，最有意思的槓桿往往沒那麼吸睛，卻更立竿見影：

• 更小型的模型，適用於任務定義明確的情況。
• 智慧路由，根據請求類型在不同模型之間切換。
• 優化的推理，以減少不必要的呼叫、延遲和資料傳輸。
• 傳統工作流程，用於真正不需要LLM的任務。

就我的經驗而言，這是影響最大的選擇。最有效的改變並非引進某種未來科技，而是停止在所有場合都使用最強大的模型。分類、格式化、已知模式的提取以及許多輔助性操作，並不總是需要前沿模型。它們需要的是架構上的紀律。

如果對使用者而言結果相同，使用更少的運算並非妥協，而是更好的設計。

正因如此，我常談到「適合任務的正確模型」。實務上，這意味著建立一個路由層，將每項操作分配到所需的運算能力層級。這既是成本考量，也是永續性考量。

若想深入了解技術方案與環境影響之間的關聯，也可以閱讀ELECTE關於AI與環境的文章，其中彙整了多個案例與發展方向，並未將其標榜為靈丹妙藥。

效率悖論與選擇的責任

最重要的質疑，也是最令人不安的一點：讓AI更有效率，並不能自動保證整體消耗的減少。事實上，有時反而會發生相反的情況。

為何效率還不夠

當運算變得更便宜、更容易取得、更快速時，企業往往會更頻繁地使用它。更多自動化、更多請求、更多整合、更多「反正成本低」而產生的流程。這正是效率悖論的核心所在。

正因如此，人工智慧永續性不能只是關於更好的晶片或更精簡的模型的議題。它必須成為一項優先考量的準則。在每次實施之前，都應該先提出一些問題：

• 這項任務真的需要生成式 AI 嗎？
• 需要一個大型模型，還是輕量模型就足夠？
• 自動化消除的是真實成本，還是只增加了華而不實的複雜性？
• 產出的結果真的會被使用，還是只會製造更多數位雜訊？

義大利辯論中最明顯的缺口之一正是這點：缺乏標準化指標，也缺乏在整個生命週期中衡量 AI 足跡的整體性方法，這一點在這篇關於人工智慧永續性的系統性觀點中有所強調。

因此，問題不在於抑制創新，而在於停止把運算力視為一種免費且用之不竭的資源。每個組織都應該像對待預算或人員時間一樣對待它：把它分配到真正能創造價值的地方。

中小企業實務指南：實現永續 AI 的 4 個步驟

對中小企業而言，光談永續性而沒有實際行動計畫並沒有太大意義。不妨從四個可以立即採取的決策著手，即使尚未對環境足跡進行完美的衡量。

一份義大利資料指出，許多關於 AI 永續性的討論忽略了成本與效益之間的權衡，而數據中心已經消耗了全球約 3% 的能源。一個被低估的問題是：在什麼情況下，使用較小的模型或傳統流程會更划算，以避免消耗和成本出現不可持續的增長？這一點在這篇關於 AI 環境權衡的文章中有很好的總結。

四個真正重要的決策

1. 選擇與問題相稱的模型
   這是簡單性與影響力之間性價比最高的槓桿。不要把最強大的模型當作預設選項。只在真正能帶來實質差異的地方使用它。對於許多日常工作,較輕量的模型或非生成式系統就已經足夠。
2. 評估雲端供應商時也要考量能源特性
   不要只看價格、延遲和合規性。也要看資料中心的透明度、區域能源結構,以及對營運效率的態度。地理位置很重要。同一項工作負載在不同地區的足跡並不相同。
3. 削減工作流程中的重複作業
   如果同一份資料被多次匯出、複製、重新格式化並再次傳送,那麼在談論 AI 之前,你就已經在浪費資源了。像 ELECTE 這樣一個 AI-powered data analytics platform for SMEs,可以用來集中資料、自動化報表,並減少重複分析。在這種情況下,優勢並不在於「做更多 AI」,而在於「減少不必要的工作」。
4. 即使不夠精確,也要進行衡量
   並非所有企業都有工具能衡量每次推論的 kWh 或 CO₂ 排放量。沒關係。從現有的營運指標開始著手就好。

即使沒有完美的指標,也該監控什麼

在缺乏真正成熟的行業標準的情況下,我會從一個簡單的表格開始著手:

用不完美但一致的方式衡量，勝過完全不衡量。

如果三個月後你發現每項任務的呼叫次數下降，大型模型被啟用的頻率降低，資料傳輸量也更為精簡，你還不算擁有完美的碳足跡核算。但你已經擁有一項非常實用的東西：一套能降低運算浪費、成本，並很可能也降低環境衝擊的效率紀律。

結論：以負責任的 AI 照亮未來

人工智慧的永續性不是靠一句口號就能解決，也不是靠意識形態式地拒絕 AI 就能解決。它是靠更好的技術與管理決策一點一滴建立起來的。

如今使用 AI 的人，必須同時把握兩個事實。第一：環境成本確實存在，且正在增加，不應被輕描淡寫。第二：當 AI 減少浪費、改善能源使用效率，並以更智慧的系統取代重複又雜亂的流程時，它能帶來實質效益。選擇的品質，就取決於這兩者之間的權衡。

對歐洲企業而言，還有第二層責任。光是符合法規並不足夠，還需要理解技術、基礎設施、治理與智慧財產權之間的相互關聯。關於這最後一點，若想深入了解伴隨 AI 採用而來的法律框架，我推薦這篇關於人工智慧專利的指南，有助於將技術永續性也視為一項長期策略選擇來解讀。

正確的方向並非絕對減少 AI 的使用，而是在正確的地方，以正確的算力等級，使用正確的 AI。

如果你想以更有效率、更具意識的方式採用 AI，可以看看 ELECTE 如何運作。這個平台協助中小企業集中資料、自動化報告，並減少重複的分析工作，以務實的方式選擇模型並提升營運效率。