Generatiivisen tekoälyn ympäristövaikutuksista puhuttaessa keskustelu ajautuu helposti kahteen leiriin. Tekoälyn nähdään joko auttavan meitä käyttämään resursseja tehokkaammin tai kuluttavan valtavia määriä energiaa ja luonnonvaroja. Kumpikin näkökulma tavoittaa osan ilmiöstä, mutta kumpikaan ei yksin riitä muodostamaan selkeää kokonaiskuvaa.
Kiertotalouden näkökulmasta kysymys ”onko tekoäly vihreää?” on mielestäni jokseenkin harhaanjohtava. Tekoäly ei itsessään ole kestävää tai kestämätöntä. Olennaisempaa on kysyä: mitä tekoälyn käytöstä seuraa kokonaisuutena?
Tekoäly voi esimerkiksi auttaa pidentämään tuotteiden käyttöikää, löytämään varaosia, jäsentämään huoltohistoriaa, tunnistamaan materiaalivirtoja tai tekemään hajallaan olevasta tiedosta käyttökelpoisempaa. Samalla se voi tehdä uuden sisällön, suunnitelmien ja tuotteiden tuottamisesta niin helppoa ja halpaa, että tekemisen kokonaismäärä kasvaa. Kestävyys syntyy erilaisten vaikutusten summasta.
Tekoäly on myös fyysinen järjestelmä
Vaikka puhumme pilvipalveluista ja tekoälymalleista, tekoäly ei elä aineettomassa maailmassa. Sen taustalla ovat palvelinkeskukset, tietoliikenneverkot, puolijohteet, sähkö ja jäähdytys. Laitteiden valmistaminen puolestaan edellyttää raaka-aineita, energiaa ja globaaleja tuotantoketjuja.
Kansainvälisen energiajärjestön IEA mukaan datakeskukset kuluttivat vuonna 2024 noin 415 terawattituntia sähköä eli noin 1,5 prosenttia maailman sähkönkulutuksesta. IEA perusskenaariossa kulutuksen arvioidaan kasvavan noin 945 terawattituntiin vuoteen 2030 mennessä. Tekoäly on yksi kasvun keskeisistä ajureista.
Kuulun tässä keskustelussa kuitenkin siihen melko suureen joukkoon, jonka mielestä yksittäiselle tekoälykysymykselle tai kehotteelle ei ole mielekästä antaa yhtä yleispätevää energiankulutuslukua. Kulutus riippuu esimerkiksi mallista, laitteistosta, syötteen ja vastauksen pituudesta, palvelinkeskuksen kuormituksesta, sijainnista ja energiantuotannosta. Myös eri tekoälytehtävien energiankulutuksessa voi olla huomattavia eroja, kuten Luccioni, Jernite ja Strubell ovat tutkimuksessaan osoittaneet.
Lisäksi sähkönkulutus on tietenkin vain osa kokonaisuutta. Tekoälyn ympäristövaikutuksia pitäisi tarkastella koko elinkaaren läpi: raaka-aineiden louhinnasta sirujen ja palvelinten valmistukseen, mallien kouluttamiseen ja käyttöön sekä lopulta elektroniikkajätteeseen. YK ympäristöohjelma UNEP on korostanut juuri tällaisen kokonaisvaltaisen elinkaaritarkastelun tarvetta. Generatiivisen tekoälyn nopea kasvu voi tulevina vuosina kasvattaa myös elektroniikkajätteen määrää merkittävästi. Tämä tekee tekoälystä vahvasti myös systeemisen kiertotalouskysymyksen.
Jalanjäljen lisäksi pitäisi mitata kädenjälkeä
Jos tarkastelemme vain tekoälyn tarvitsemaa sähköä, vettä ja laitteita, näemme sen jalanjäljen. Se ei kuitenkaan vielä kerro, kannattiko tekoälyä käyttää vai ei. Tarvitsemme siis vertailukohdan.
Ajatellaan esimerkiksi rikkoutunutta laitetta. Tekoälyä voidaan käyttää vikakuvauksen jäsentämiseen, huoltohistorian tiivistämiseen tai oikean varaosan löytämisen helpottamiseen. Jos tämän seurauksena laite korjataan ja sen käyttöikä pitenee kolmella vuodella, syntyy materiaalinen hyöty. Vaihtoehtona olisi saattanut olla uuden laitteen valmistaminen ja vanhan poistaminen käytöstä.
Silloin tekoälyn käyttämän energian rinnalle tulee sen mahdollistama kädenjälki: vältetty materiaalihukka, pidempi käyttöikä tai parempi käyttöaste.
Kaack ja kumppanit ovatkin esittäneet tekoälyn ilmastovaikutusten arviointiin laajempaa kehystä, jossa huomioidaan sekä tekoälyn omat päästöt että sen mahdollistamat muutokset muissa järjestelmissä.
Kiertotaloudessa tämä ero on erityisen tärkeä. Tekoälyn tuottama hieno analyysi ei vielä itsessään ole kiertotalousteko. Jos tekoäly jäsentää purkuraportista materiaalit, mutta yksikään materiaali ei päädy uudelleenkäyttöön, materiaalinen hyöty jää syntymättä.
Vaikutusketjun pitäisi jatkua tekoälyn tuotoksesta ihmisen toimintaan ja siitä todelliseen muutokseen materiaalien käytössä.
Tehokkuus ei automaattisesti tarkoita kestävyyttä
Tässä vastaan tulee yksi teknologisen kehityksen vanhoista ongelmista: tehokkuuden paraneminen voi kasvattaa kokonaiskulutusta.
Generatiivinen tekoäly tekee tästä hyvin näkyvän ilmiön. Jos yhden tekstin tuottamiseen tarvitaan aikaisemmin tunti ja tekoälyn avulla kymmenen minuuttia, saavutetaan huomattava tehokkuushyöty. Mutta entä jos tämän seurauksena tekstejä tuotetaankin yhden sijasta kaksikymmentä?
Sama kysymys voidaan esittää suunnittelusta, kuvista, markkinoinnista, ohjelmoinnista ja monesta muusta tekoälyn käyttökohteesta.
Tätä kutsutaan rebound- eli takaisinkytkentävaikutukseksi: tehokkuuden lisääntyminen alentaa tekemisen kustannusta, mikä voi lisätä sen kokonaismäärää. Silloin osa yksikkökohtaisesta säästöstä häviää.
Siksi tekoälyn kestävyyttä arvioitaessa kannattaa kysyä myös: mitä säästyneelle resurssille tapahtuu?
Sama pätee työaikaan. Tutkimuksissa on havaittu, että generatiivinen tekoäly voi nopeuttaa tiettyjä tietotyön tehtäviä ja parantaa työn tuloksia. Mutta yhden työtehtävän nopeutuminen ei vielä tarkoita, että työpäivä lyhenisi tai työn kokonaiskuormitus vähenisi.
Säästynyt aika voidaan täyttää uusilla tehtävillä, ja samalla osa työstä siirtyy tekoälyn tuotosten tarkistamiseen, arviointiin ja korjaamiseen.
Kestävin tekoälyratkaisu voi olla pienempi tekoälyratkaisu
Kestävyyskeskustelussa ja muissakin tekoälyn käyttöä koskevissa keskusteluissa jää helposti kysymättä kaikkein yksinkertaisin kysymys: tarvitaanko tähän ylipäätään generatiivista tekoälyä?
Jos tehtävä voidaan ratkaista yksinkertaisella säännöllä, sääntöpohjainen automaatio voi olla parempi ratkaisu. Jos tarvitaan hyvin rajattua luokittelua, pieni kohdennettu malli voi riittää. Generatiivinen kielimalli puolestaan sopii erityisesti tehtäviin, joissa tarvitaan esimerkiksi luonnostelua, jäsentämistä, muotoilua tai vaihtoehtojen tuottamista. Periaatteeksi voisi ottaa kevyimmän riittävän ratkaisun.
Samalla tekoälyn kestävyyttä pitäisi tarkastella ympäristövaikutuksia laajemmin. Kestääkö ratkaisu taloudellisesti? Mitä sen ylläpito ja tarkistaminen maksavat? Voidaanko käytettyyn tietoon luottaa? Saako dataa käyttää? Kohteleeko järjestelmä erilaisia käyttäjäryhmiä yhdenvertaisesti? Onko palvelu saavutettava? Ja mitä tekoäly tekee ihmisen työlle, osaamiselle ja vastuulle?
EU tekoälysäädöskin edellyttää, että tekoälyjärjestelmiä tarjoavat ja käyttöönottavat organisaatiot huolehtivat henkilöstönsä ja muiden järjestelmien käytöstä puolestaan vastaavien henkilöiden riittävästä tekoälylukutaidosta. Kyse ei siis ole vain uuden työkalun hankkimisesta vaan kyvystä käyttää sitä tarkoituksenmukaisesti.
Kiertotalousyrityksessä hyvä tekoälymittari ei lopulta ehkä olekaan tekoälyn käytön määrä. Väittäisin, ettei se ole sitä juuri missään organisaatiossa.
Parempia kysymyksiä ovat: pitenikö tuotteen käyttöikä, vähenikö materiaalihukka, löytyikö materiaalille uusi käyttökohde, paraniko käyttöaste tai vältettiinkö ennenaikainen uuden tuotteen hankinta?
Tekoälyn kestävyys on ennen kaikkea käyttötapakysymys.
Aloita pienestä. Valitse todellinen ongelma. Käytä kevyintä riittävää ratkaisua. Vertaa tulosta siihen, mitä olisi tapahtunut ilman tekoälyä. Mittaa sekä hyötyjä että haittoja.
Ja säilytä vielä yksi mahdollisuus: oikeus todeta, ettei tekoälyä tässä tapauksessa tarvita lainkaan.
Blogin kirjoittaja
Blogin on kirjoittanut Lauri Ylä-Jussila. Hän työskentelee historian ja yhteiskuntaopin opettajana Otavan Opistossa, joka on osa Mikkelin kaupungin liikelaitos Otaviaa. Hän toimii myös CIRCULAI-hankkeessa asiantuntijana.
CIRCULAI-hankkeen päätoteuttajana toimii Suomen ympäristöopisto Sykli. CIRCULAI-hankkeen tavoitteena on vahvistaa kiertotalousalan mikro- ja pk-yritysten tekoälyosaamista ja edistää tekoälyn käytännön hyödyntämistä yritysten liiketoiminnassa.
Lähteet
- International Energy Agency (2025). Energy and AI. IEA.
- Luccioni, A. S., Jernite, Y. & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment? Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency.
- United Nations Environment Programme (2024). Artificial Intelligence (AI) end-to-end: The Environmental Impact of the Full AI Lifecycle Needs to be Comprehensively Assessed.
- Wang, P. ym. (2024). E-waste challenges of generative artificial intelligence. Nature Computational Science.
- Kaack, L. H. ym. (2022). Aligning artificial intelligence with climate change mitigation. Nature Climate Change, 12, 518–527.
- Noy, S. & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
- Brynjolfsson, E., Li, D. & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942.
- Euroopan parlamentin ja neuvoston asetus (EU) 2024/1689 tekoälyä koskevista yhdenmukaisista säännöistä, erityisesti 4 artikla (tekoälylukutaito).