# 2026年AI永續發展實用指南

> 深入探討AI永續發展：從碳排放到中小企業的實用解決方案，全面分析其影響。做出明智的選擇，為

Source: https://www.electe.net/tc/post/sostenibilita-intelligenza-artificiale

Site guide: https://www.electe.net/tc/llms.txt

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](https://www.vegaformazione.it/PB/intelligenza-artificiale-sostenibilita-governance-ESG-p604.html)，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](https://y7italy.com/il-costo-ambientale-dellia-e-le-priorita-della-sostenibilita/)。

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：

**組成部分****為何重要**訓練需要大量集中的運算推論每一次使用者請求都會隨著時間產生重複的運算工作資料中心供電、備援與基礎架構的持續管理散熱系統產生的熱量必須有效排除網路與資料傳輸在系統、區域與服務之間移動資料，會產生能源成本

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](https://www.electe.net/post/sistema-di-raffreddamento-ai-di-google-deepmind-come-lintelligenza-artificiale-rivoluziona-lefficienza-energetica-dei-data-center)，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](https://ollum.it/blog/intelligenza-artificiale-sostenibilita-ia/)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](https://www.electe.net/post/csrd-reporting-ai-automation)，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](https://acasaloro.com/blog/esempi-di-economia-circolare)，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](https://www.electe.net/post/lintelligenza-artificiale-per-lambiente-innovazioni-e-soluzioni-2025)，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](https://ratioiuris.it/la-sostenibilita-dellintelligenza-artificiale-una-prospettiva-sistemica/)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](https://www.bo-om.it/news-ed-eventi/ai-sostenibilita-impatto-ambientale/)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:

**營運指標****它告訴你什麼**每完成一項任務所需的 API 呼叫次數是否為取得一個輸出而做了過多工作每次操作的平均模型規模是否對任務使用了過大的規格每次工作階段傳輸的資料量你的工作流程是否產生了可避免的流量已產出但未被使用的分析報告是否正在自動產出沒有人會看的輸出

> 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](https://www.studiolegalecoviello.com/intelligenza-artificiale-brevetti)，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](https://www.electe.net)。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。