Журнал npj Climate Action (Nature) опубликовал первую работу, которая количественно оценивает климатический эффект ИИ по всему сектору энергетики. Авторы из Purdue University смоделировали сценарии, в которых ИИ внедряется в добывающую и в возобновляемую энергетику с одинаковой скоростью, и получили, что чистый вклад ИИ — это рост выбросов CO2, а не их снижение: ускорение добычи нефти и газа перевешивает пользу от «зелёных» оптимизаций.
Что произошло
В августовском выпуске журнала npj Climate Action (Nature) вышла статья Will Alpine, Holly Alpine, Nathan Geldner и Maksym Chepeliev (Purdue University) под названием «AI-driven productivity gains enable more CO2 emissions than they avoid in a global energy–economy model». Это peer-reviewed симуляция «энергетика — экономика»: авторы просчитали 64 сценария, в которых ИИ внедряется в «грязную» и «зелёную» энергетику с одинаковым темпом. В этих сценариях чистые годовые выбросы CO2 растут на 0,47–1,8 гигатонны — примерно 1–5% от ежегодных выбросов энергетического сектора. Снижение выбросов модель показывает только там, где ИИ не повышает продуктивность добывающего сектора. Безубыточность достижима, если прирост продуктивности в возобновляемых источниках окажется как минимум в 4 раза выше, чем в нефтегазе. Отдельный вклад работы — новый термин «enabled emissions»: выбросы, которые ИИ «включает» через рост нефтедобычи, но которые не фигурируют в отчётности технологических компаний.
Контекст
До сих пор климатический след ИИ в публичной дискуссии оценивался в основном через прямое энергопотребление дата-центров. Научная новизна этой работы — методологическая: впервые влияние ИИ на климат смоделировано как двусторонний мультипликатор продуктивности — рост добычи углеводородов против оптимизации возобновляемых источников и сетей, то есть оценка смещается от прямых выбросов дата-центров к косвенным эффектам. Один нюанс для интерпретации: авторы исследования — бывшие сотрудники Microsoft, что не опровергает работу, но требует осторожности при чтении фрейминга «технологии — нефть».
Почему это важно для индустрии
Для отрасли работа превращает «климатический эффект ИИ» из абстрактного дискурса в измеримую бизнес-метрику. Enabled emissions — новая категория косвенных выбросов, которую, по тексту The Guardian, нынешние ESG-рамки не покрывают: запрос на измерение уже есть, а стандарта нет, и это продуктовый разрыв, который, как ожидается, сначала закроют функции квантификации внутри существующих ESG-платформ. Масштаб интереса добывающих компаний к технологиям подчёркивает оценка Rystad Energy: цифровизация и ИИ принесут нефтегазовой отрасли 500 миллиардов долларов в 2026–2030 годах. Wired приводит конкретный пример этой связи — газовая электростанция Chevron «behind-the-meter» в Техасе, работающая под дата-центры Microsoft. Для вендоров «green AI» это означает, что их маркетинг начнёт получать количественные вопросы о влиянии моделей на добывающий сектор, а не только об энергопотреблении инференса, а для ML-команд в энергетике появляется аргумент сместить фокус на оптимизацию возобновляемых источников и сетей.
Почему это важно для пользователей
Для читателя это оцифрованная поправка к популярной формуле «ИИ в среднем полезен климату»: главный климатический риск ИИ — не электричество дата-центров, а мультиплицирование добычи нефти и газа. Наглядный пример — Equinor, которая приписывает ИИ и новым сейсмическим технологиям 27 находок на норвежском континентальном шельфе, включая нефтяные скважины Lofn и Langermann, где Langermann стала крупнейшей находкой компании в 2025 году. Польза для аудитории — инструмент для критической оценки «green AI»-маркетинга вендоров и понимание того, почему климатическая дискуссия об ИИ переезжает с прямых выбросов на косвенные.
Что пока неизвестно / ограничения
Ключевые выводы зависят от допущений модели: порог безубыточности выведен из предположения о симметричном темпе внедрения ИИ и не имеет независимой верификации, поэтому использовать его как готовый бенчмарк или конкретный критерий для маркетинга экологических преимуществ ИИ нельзя. Работа — симуляция, а не измерение реальных процессов, и ожидается первая волна независимых репликаций и критики её параметров, включая темпы внедрения и эластичности продуктивности. В источниках не заявлено новых публичных стандартов, API или инструментов.
Источники
Автор
Look at AI, редакция