Krátký dotaz a hodinová práce AI na programu se ve spotřebě mohou výrazně lišit. Záleží na náročnosti úlohy, použitém modelu a místě, kde výpočet probíhá. Vedle elektřiny je potřeba započítat také vodu a výrobu hardwaru.
Co měříme
Při trénování se model učí, při inferenci řeší naše zadání. Obojí potřebuje elektřinu a hardware. Při porovnávání údajů musíme vědět, zda zahrnují jen provoz, nebo také výrobu zařízení.
Tabulku lze posouvat do stran.
| Systém a druh údaje | Publikovaná hodnota | Co číslo znamená |
|---|---|---|
| Gemini Apps · květen 2025 [1] | 0,24 Wh elektřiny 0,03 g CO₂e 0,26 ml vody | Medián textového dotazu, včetně provozní režie. Emise a voda jsou dopočtené. Voda zahrnuje chlazení datacentra, nikoli výrobu elektřiny. |
| Velké modely na H100 · studie 2026 [2] | 0,31 → 3,91 Wh krátký → dlouhý výstup | Odhadované mediány pro výstup o 300 a 5 000 tokenech (částech textu), při vstupu 500 tokenů. Včetně provozní režie. |
| Le Chat / Mistral · studie 2025 [3] | 45 ml vody 1,14 g CO₂e | Dopad jedné další odpovědi o 400 tokenech. Zahrnuje i výrobu hardwaru, ale ne zařízení uživatele. |
Medián není průměr: je to prostřední hodnota seřazených výsledků. Náročné úlohy mohou průměr výrazně zvýšit. Údaje Googlu a Mistralu nelze přímo porovnat, protože zahrnují různé části spotřeby.
Složitější úlohy
Zadání „najdi chybu a oprav program“ může znamenat čtení souborů, úpravy kódu, spouštění testů a další opravy. Pokud AI tyto kroky provádí sama pomocí nástrojů, mluvíme o agentovi. Jedno zadání tak může vyvolat desítky i stovky spuštění modelu.
Delší vstup, delší odpověď a opakované pokusy obvykle znamenají více výpočtů. Počítá se i text vznikající při interním uvažování modelu, který ve výsledné odpovědi nevidíme. Spotřebu dále ovlivňuje velikost modelu a vytížení serveru.
Studie Ovieda a kolegů odhaduje u dlouhých výstupů medián 3,91 Wh, asi 13krát více než u krátkých. Prostředních 50 % odhadů leží mezi 2,15 a 7,05 Wh. Pro následující příklady použijme 3,91 Wh na jedno spuštění. [2]
Tabulku lze posouvat do stran.
| Příklad práce | Výpočet | Spotřeba elektřiny |
|---|---|---|
| Jedno delší řešení úlohy | \(1 \cdot 3{,}91\,\mathrm{Wh}\) | 3,91 Wh |
| Rešerše a porovnání zdrojů | \(20 \cdot 3{,}91\,\mathrm{Wh}\) | 78,2 Wh |
| Opravy a kontroly programu | \(100 \cdot 3{,}91\,\mathrm{Wh}\) | 391 Wh |
| 1 000 takových rešerší | \(1\,000 \cdot 20 \cdot 3{,}91\,\mathrm{Wh}\) | 78,2 kWh |
Počty 20 a 100 spuštění jsou zvolené příklady, ne průměry naměřené u agentů. Každému zde přiřazujeme 3,91 Wh. Spotřebu vyhledávačů, testovacích počítačů a zařízení uživatele nepřipočítáváme.
Srovnání s televizí
Rešerše se spotřebou 78,2 Wh odpovídá asi 47 minutám provozu 100W televize. U 391 Wh jsou to přibližně 3 hodiny a 55 minut. Porovnáváme pouze elektřinu, nikoli celkový dopad na přírodu.
K čemu lidé AI používají
V analýze milionů konverzací Claude.ai tvořily počítačové a matematické činnosti 37,2 % — například úpravy programů a hledání chyb. Jde o údaje jedné služby, nikoli celého trhu; spotřebu těchto úloh studie neměřila. [6]
Spotřeba vody
Odběr vody a její spotřeba nejsou totéž. Část odebrané vody se vrátí do toku. Spotřebovaná voda se například odpaří: z planety nezmizí, ale v daném místě může chybět.
Chlazení
Při odpařovacím chlazení se voda spotřebovává. Množství závisí na chlazení a počasí.
Výroba elektřiny
Vodu potřebují také elektrárny dodávající proud datacentru.
Výroba čipů
Voda je potřeba i při čištění křemíkových desek a výrobě čipů.
Podle LBNL spotřebovala americká datacentra v roce 2023 přímo 66 miliard litrů vody. Na výrobu jejich elektřiny připadalo téměř 800 miliard litrů, včetně započteného odparu z vodních nádrží. Údaje zahrnují všechna datacentra, nejen AI. [4]
Kolik vody připadá na kWh
Přímá spotřeba 66 miliard litrů při 176 TWh elektřiny dává 0,375 l/kWh. S vodou na výrobu elektřiny (4,52 l/kWh) dostaneme celkem 4,895 l/kWh. S těmito údaji z USA pro rok 2023 počítejme v následující tabulce. Jde o odhad, ne měření konkrétní služby. [4]
Tabulku lze posouvat do stran.
| Práce a elektřina | Přímo v datacentru | Při výrobě elektřiny | Celkem |
|---|---|---|---|
| Delší řešení · 3,91 Wh | 1,5 ml | 17,7 ml | ≈ 19 ml |
| Rešerše, 20 volání · 78,2 Wh | 29 ml | 353 ml | ≈ 383 ml |
| Agent, 100 volání · 391 Wh | 147 ml | 1 767 ml | ≈ 1,91 l |
| 1 000 rešerší · 78,2 kWh | 29,3 l | 353,5 l | ≈ 383 l |
Hodnoty jsou zaokrouhlené. Výroba hardwaru, trénování modelu a zařízení uživatele nejsou započteny.
Záleží i na místě výpočtu
Tabulku lze posouvat do stran.
| Podmínky provozu | Přímý + nepřímý faktor | Provozní voda |
|---|---|---|
| A · suché chlazení, elektřina s nízkou vodní stopou | \((0 + 0{,}2)\,\mathrm{l/kWh}\) | ≈ 16 ml |
| B · podmínky podle údajů z USA, 2023 | \((0{,}375 + 4{,}52)\,\mathrm{l/kWh}\) | ≈ 383 ml |
| C · vyšší spotřeba na chlazení i elektřinu | \((1 + 8)\,\mathrm{l/kWh}\) | ≈ 704 ml |
Varianty A a C jsou zvolené příklady, nikoli nejnižší a nejvyšší možná spotřeba. Pro srovnání ponecháváme stejnou elektřinu. Ve skutečnosti může suché chlazení za horka potřebovat více energie.
Změňme také náročnost úlohy. Při 20 spuštěních po 2, 4 nebo 10 Wh vyjde 40, 80 nebo 200 Wh. Ve variantě B to znamená přibližně 0,20; 0,39 nebo 0,98 litru vody.
Podrobnosti výpočtu vody
PUE je poměr celkové elektřiny datacentra k elektřině samotné výpočetní techniky (IT). WUE udává přímou spotřebu vody na kWh IT. Pak platí
Naše tabulky už používají celkovou elektřinu datacentra. Proto ji znovu nenásobíme PUE. Údaje o vodě od Googlu, Mistralu a LBNL se nesčítají.
Voda v době sucha
Datacentrum s průměrným příkonem 100 MW spotřebuje za den 2,4 milionu kWh. Při zvolené přímé spotřebě 0,5 l/kWh je to 1,2 milionu litrů vody denně. Stejný objem by odebralo 12 000 lidí při 100 litrech na osobu a den. Z domácností se ale velká část vody vrací, takže nejde o stejnou čistou spotřebu.
Při zdvojnásobení příkonu na 200 MW by za stejných podmínek bylo potřeba 2,4 milionu litrů denně. Aby spotřeba vody nerostla, musela by klesnout na polovinu v přepočtu na kWh. Za horka a sucha přitom může voda na chlazení chybět. Záleží také na tom, zda centrum odebírá pitnou, nebo vyčištěnou odpadní vodu.
Celková spotřeba datacenter
IEA odhaduje spotřebu všech datacenter v roce 2025 na 485 TWh a pro rok 2030 předpokládá přibližně 950 TWh. U datacenter zaměřených na AI podle téže zprávy vzrostla spotřeba v roce 2025 o 50 %. [5]
Údaje zahrnují i datacentra pro jiné služby než AI.
Podle IEA mohou některé úlohy s dlouhým uvažováním, agenty nebo generováním videa spotřebovat stovky až tisíce násobků energie jednoduchého textového dotazu. [5]
Úspornější AI, více úloh
Pokud spotřeba na úlohu klesne na polovinu, ale počet úloh ztrojnásobíme, celková spotřeba vzroste o 50 %. Samotná vyšší účinnost tedy nestačí.
Emise závisí na zdroji elektřiny. Zvolíme-li 50 g CO₂e/kWh, našich 78,2 Wh znamená 3,91 g CO₂e; při 700 g/kWh už 54,74 g. Jde o provoz bez výroby hardwaru. Nízké emise navíc nemusí znamenat nízkou spotřebu vody.
Výroba a cena hardwaru
AI potřebuje výkonné čipy (GPU), rychlé paměti, sítě a úložiště. Vedle běžných pamětí DDR používá také vrstvené paměti HBM. Jejich výroba zabírá část kapacit, které by jinak mohly sloužit běžným pamětem.
Tabulku lze posouvat do stran.
| Ukazatel | Doložený údaj | Souvislost s AI |
|---|---|---|
| Výrobní náročnost HBM3E [7] | ≈ 3× větší výrobní kapacita křemíkových desek než u DDR5 při stejném počtu bitů | Micron, 2024; srovnání při stejném výrobním procesu. Přesun ke HBM může omezovat kapacitu pro běžné paměti. |
| Smluvní ceny běžných DRAM [8] | +93 až +98 % mezi 4. čtvrtletím 2025 a 1. čtvrtletím 2026 | Podle TrendForce výrobci upřednostňují dodávky pro servery. Jde o smluvní ceny čipů, ne koncové ceny RAM v obchodech. |
| Voda při výrobě čipů TSMC [10] | 114 → 129 mil. m³ 2023 → 2024 | Odběr vody z veřejných sítí a dodané regenerované vody za celou firmu včetně dceřiných společností. Nejde jen o čipy pro AI ani o čistou spotřebu vody. |
Poptávka po AI serverech tak ovlivňuje i dostupnost a ceny běžných pamětí. Na cenách se ale podílejí také zásoby, ukončování výroby starších typů a doba potřebná k výstavbě továren. Ne každé zdražení elektroniky způsobuje AI.
Emise při výrobě hardwaru
Podle analýzy NVIDIA / WSP vznikne při výrobě jedné desky HGX B200 s osmi GPU přibližně 2 274 kg CO₂e. Výpočet zahrnuje suroviny, výrobu součástek, přepravu a montáž. Provoz ani likvidaci nezahrnuje; jde o desku, ne o celý server. [9]
Tabulku lze posouvat do stran.
| Část výrobní stopy | Emise na jednu desku | Podíl z celku |
|---|---|---|
| Paměti | 1 123 kg CO₂e | ≈ 49 % |
| Integrované obvody včetně GPU | 643 kg CO₂e | ≈ 28 % |
| Tepelné komponenty | 267 kg CO₂e | ≈ 12 % |
| Celá deska včetně ostatních částí a montáže | 2 274 kg CO₂e | 100 % |
Tabulka uvádí hlavní položky a celkový součet. Zdroj: NVIDIA / WSP, strana 3. [9]
Paměti tedy mají významný podíl i na výrobních emisích této sestavy. Další továrny mohou zvýšit nabídku čipů, ale jejich výstavba a provoz potřebují suroviny, energii a vodu.
Obměna zařízení a elektroodpad
Studie ve Nature Computational Science odhaduje, že s generativní AI může za celé období 2020–2030 souviset 1,2–5,0 milionu tun elektroodpadu. Rozpětí závisí na růstu AI, životnosti a dalším využití zařízení. Jde o předpověď součtu za toto období, nikoli roční objem. [11]
Nový server může stejnou práci zvládnout s menší spotřebou. Při výměně je však potřeba započítat i jeho výrobu a zvážit, zda lze starý dál využívat.
AI slop a zbytečné generování
AI slop označuje hromadně generovaný obsah s malou hodnotou: opakující se články, obrázky a videa, jejichž hlavním cílem je získat pozornost.
Počítat bychom měli spotřebu na použitelný výsledek. Pokud z deseti variant použijeme jednu, elektřinu a vodu stálo všech deset.
Jaký podíl světové spotřeby AI připadá na takový obsah, spolehlivě nevíme. Počet zbytečných pokusů ale můžeme omezit u vlastní práce.
AI ve škole
Ve škole by se mělo učit, jak AI smysluplně používat: dobře zadat úlohu, ověřit odpověď a poznat, kdy je lepší jednodušší nástroj. Patří k tomu i spotřeba elektřiny, vody a surovin. Jen nechat si napsat text nestačí.
Tabulku lze posouvat do stran.
| Výsledek | Podíl | Koho se týká |
|---|---|---|
| Použili AI při výuce nebo k usnadnění učení za předchozích 12 měsíců | 46 % | Čeští učitelé ve sledované skupině; průměr EU 32 %. |
| Jako důvod nepoužívání uvedli chybějící znalosti a dovednosti | 80 % | Pouze čeští učitelé, kteří AI nepoužili; nikoli 80 % všech učitelů. |
| Uváděli velkou potřebu vzdělávání pro využívání AI | 23 % | Čeští učitelé ve sledované skupině. |
ČŠI, sběr na jaře 2024: učitelé 2. stupně ZŠ a odpovídajících ročníků víceletých gymnázií. Jde o jejich odpovědi v dotazníku, ne o test dovedností. [12]
Mnoha učitelům tedy chybějí znalosti a podpora. Z těchto údajů ale nelze říct, že většina učitelů AI neumí používat. Školy potřebují vzdělávání učitelů i lidi, kteří jim s výukou AI pomohou.
Výukové materiály
České metodiky připravuje například AI dětem, UNESCO vydalo rámec pro vzdělávání učitelů, který zahrnuje i udržitelnost. Pro výuku vztahu AI a přírody jsou potřeba především konkrétní příklady s ověřenými údaji. Kolik takových českých materiálů existuje a jak se používají, zde nemáme doloženo. [13] [14]
Zdroje a metodika
- Google, 2025. How much energy does Google’s AI use? We did the math. 21. 8. 2025; provoz Gemini Apps, data z května 2025. Vlastní měření provozovatele, bez nezávislého ověření.
- Oviedo a kol., 2026. Energy Use of AI Inference, Efficiency Pathways, and Test-Time Scaling. Verze 2, 9. 6. 2026; Joule, 102430. Výpočet spotřeby na uzlech H100.
- Mistral AI, 2025. Our contribution to a global environmental standard for AI. 22. 7. 2025; analýza životního cyklu s Carbone 4 a ADEME, přezkum Resilio a Hubblo. Ukazatel vody WCP.
- Lawrence Berkeley National Laboratory, 2024. 2024 United States Data Center Energy Usage Report. Shehabi a kol.; oddíl Water and Emission Impacts, tištěné strany 55–58. Odhady pro všechna datacentra v USA, rok 2023.
- International Energy Agency, 2026. Key Questions on Energy and AI — Executive summary. 16. 4. 2026; odhad roku 2025 a projekce do roku 2030. Rozlišuje všechna datacentra a centra zaměřená na AI.
- Anthropic, 2025. Introducing the Anthropic Economic Index. 10. 2. 2025; analýza milionů anonymizovaných konverzací na Claude.ai, nikoli reprezentativní průzkum celého trhu AI.
- Micron, 2024. Fiscal Q3 2024 earnings call — prepared remarks. Vyjádření výrobce k ploše waferů potřebné pro HBM3E oproti DDR5 při stejném počtu bitů a stejném výrobním procesu.
- TrendForce, 2026. Rapid Contract Price Surge Drives 1Q26 DRAM Industry Up 81% QoQ. 1. 6. 2026; průzkum smluvních cen běžných DRAM za 1. čtvrtletí 2026. Titulek uvádí růst tržeb, článek také růst cen.
- NVIDIA / WSP, 2025. Product Carbon Footprint Summary for NVIDIA HGX B200. Červenec 2025; strany 1–3, osm GPU na jedné základní desce. Analýza od těžby surovin po dokončení výroby, s externím přezkumem.
- TSMC, 2025. Annual Report 2024 — Water Usage in Recent Two Years. Tištěná strana 157; voda z veřejných sítí a externě regenerovaná voda pro továrny TSMC a dceřiné společnosti.
- Wang a kol., 2024. E-waste challenges of generative artificial intelligence. Nature Computational Science; scénáře kumulativního elektroodpadu spojeného s generativní AI v letech 2020–2030.
- Česká školní inspekce, 2025. Národní zpráva TALIS 2024. Tištěné strany 47 a 52–54. Dotazníky učitelů 2. stupně ZŠ a odpovídajících ročníků víceletých gymnázií; sběr na jaře 2024.
- UNESCO, 2024. AI competency framework for teachers. Rámec 15 kompetencí v pěti oblastech; zahrnuje odpovědnost a udržitelnost.
- AI dětem. Kurikulum umělé inteligence pro ZŠ a SŠ. České výukové materiály a metodiky.
- Senzaki a kol., 2020. Sensory pollutants alter bird phenology and fitness across a continent. Nature 587, 605–609. Výzkum vlivu hluku a světelného znečištění na ptáky.
Výpočty: spotřeby jednotlivých spuštění sčítáme. Vodu a emise počítáme z energie v kWh a uvedených koeficientů. Zaokrouhlujeme až výsledky. Provozní příklady nezahrnují trénování, výrobu hardwaru a zařízení uživatele. Zdroje ověřeny 22. 9. 2026.