Conceptual model for assessing the environmental sustainability of artificial intelligence in the context of the green economy
Концептуальная модель оценки экологической устойчивости искусственного интеллекта в контексте «зелёной» экономики
В статье исследуется проблема оценки экологической устойчивости искусственного интеллекта в условиях развития «зелёной» экономики. Актуальность исследования определяется двойственным характером воздействия искусственного интеллекта на окружающую среду. С одной стороны, разработка, обучение, развертывание и эксплуатация AI-систем требуют электроэнергии, воды, вычислительного оборудования и материальных ресурсов и сопровождаются формированием выбросов и отходов. С другой стороны, применение AI способно обеспечивать энергосбережение, повышение ресурсной эффективности, экологический мониторинг, снижение выбросов и оптимизацию природоохранных мероприятий. Методологической основой исследования выступают системный подход, концепция жизненного цикла и принципы многокритериальной экологической оценки. Сформирована концептуальная система из 25 показателей, объединённых в семь блоков: энергетическая эффективность, водная эффективность, ресурсная эффективность, циркулярность, климатические и экосистемные воздействия, экологическая полезность, экологическая ответственность и прозрачность. Разграничены понятия экологической нагрузки, экологической полезности, экологической эффективности и экологической достаточности использования искусственного интеллекта. На этой основе разработана математическая модель интегрального индекса Green AI (IGAI). Обосновано, что его расчёт возможен только при обеспечении сопоставимости функциональных единиц, временных периодов, границ системы и исходных данных. Эмпирическая апробация проведена на фактических данных Google, Microsoft и Международного энергетического агентства. Показано, что доступные данные характеризуют различные уровни анализа – от отдельного AI-запроса до инфраструктуры центров обработки данных и глобального сектора. В связи с этим их механическое объединение в единый статистический индекс признано методологически некорректным. Результаты подтверждают применимость отдельных блоков предложенной модели и одновременно указывают на необходимость формирования стандартизированной панели данных для последующей статистической валидации интегрального индекса.
The article examines the problem of assessing the environmental sustainability of artificial intelligence in the context of the green economy. The relevance of the study is determined by the dual environmental effects of AI. On the one hand, the development, training, deployment and operation of AI systems require electricity, water, computing equipment and material resources and generate emissions and waste. On the other hand, AI can contribute to energy savings, resource efficiency, environmental monitoring, emission reductions and optimization of environmental protection activities. The methodological framework is based on a systems approach, life-cycle thinking and multi-criteria environmental assessment. A conceptual system of 25 indicators is developed and grouped into seven blocks: energy efficiency, water efficiency, resource efficiency, circularity, climate and ecosystem impacts, environmental usefulness, and environmental responsibility and transparency. The concepts of environmental burden, environmental usefulness, environmental efficiency and environmental sufficiency of AI use are distinguished. Based on these concepts, a mathematical framework for the Green AI Index (IGAI) is developed. It is demonstrated that the index can only be calculated when functional units, time periods, system boundaries and source data are sufficiently comparable. The empirical validation uses data from Google, Microsoft and the International Energy Agency. The analysis demonstrates that the available datasets refer to different levels of observation, ranging from individual AI queries to data-centre infrastructure and the global data-centre sector. Therefore, their mechanical aggregation into a single statistical index is methodologically inappropriate. The results confirm the applicability of individual blocks of the proposed model and identify the need for a standardized panel dataset for subsequent statistical validation of the integrated index.
искусственный интеллект, экологическая устойчивость, Green AI, зелёная экономика, экологическая эффективность, экологическая достаточность, жизненный цикл, экологическая нагрузка, экологическая полезность, центры обработки данных.
artificial intelligence, environmental sustainability, Green AI, green economy, environmental efficiency, environmental sufficiency, life cycle, environmental burden, environmental usefulness, data centres.
Введение.
Развитие искусственного интеллекта (AI) сопровождается быстрым расширением вычислительной инфраструктуры, увеличением объёмов обработки данных и ростом спроса на специализированные вычислительные ресурсы. В результате экологические последствия развития технологий искусственного интеллекта становятся самостоятельным направлением научных исследований и технологической политики.
Экологическая оценка цифровых технологий должна учитывать не только непосредственное потребление электроэнергии, но и весь жизненный цикл технологической системы. Международный стандарт ISO 14040 определяет жизненный цикл как основу системной экологической оценки и предусматривает последовательное определение цели и области исследования, инвентаризацию потоков, оценку воздействий и интерпретацию результатов [1]. Дополнительные требования к проведению оценки жизненного цикла установлены ISO 14044 [2].
Для AI такой подход приобретает особое значение вследствие специфики технологического цикла. Экологическая нагрузка возникает при производстве вычислительного оборудования, строительстве центров обработки данных, обучении моделей, аккамулировании, хранении и передаче данных, охлаждении инфраструктуры, техническом обслуживании и выводе оборудования из эксплуатации.
Эта специфика получила непосредственное отражение в новой рекомендации ITU-T L.1801, утверждённой 6 февраля 2026 г. Документ рассматривает экологическое воздействие AI на основе методологии оценки жизненного цикла и выделяет стадии от создания и разработки AI-системы до эксплуатации и вывода из использования [3]. При этом рекомендация отдельно различает устойчивость самого AI и использование AI для достижения целей устойчивого развития [3].
Данное разграничение принципиально для настоящего исследования. Экологическая нагрузка AI и экологическая полезность AI представляют собой различные категории и не должны механически взаимозаменяться.
Масштаб проблемы подтверждается динамикой энергетического потребления центров обработки данных. По оценке Международного энергетического агентства, в 2024 г. мировое потребление электроэнергии центрами обработки данных составило около 415 ТВт·ч, а в базовом сценарии IEA может достичь примерно 945 ТВт·ч в 2030 г. [4].
Одновременно повышение эффективности отдельных AI-операций не обязательно приводит к снижению абсолютного потребления ресурсов. Увеличение числа пользователей, расширение спектра AI-сервисов, развитие агентных систем и увеличение вычислительной интенсивности отдельных моделей могут компенсировать эффект технологической эффективности.
В связи с этим возникает необходимость перехода от анализа отдельных экологических параметров AI к комплексной системе оценки, позволяющей учитывать одновременно ресурсную нагрузку, экологическую эффективность, полезный результат и достаточность применения AI.
Цель исследования заключается в разработке концептуальной модели оценки экологической устойчивости искусственного интеллекта в контексте «зелёной» экономики и определении условий её количественной эмпирической валидации.
Для достижения поставленной цели решаются следующие задачи:
– определить структуру экологического воздействия AI;
– сформировать систему показателей оценки;
– разграничить экологическую нагрузку и экологическую полезность;
– формализовать экологическую эффективность и экологическую достаточность;
– разработать конструкцию интегрального индекса Green AI;
– провести эмпирическую апробацию модели на доступных фактических данных;
– определить ограничения существующей статистической базы.
References
1. ISO 14040:2006. Environmental management – Life cycle assessment – Principles and framework. 2nd ed. Geneva : International Organization for Standardization, 2006. 20 p.
2. ISO 14044:2006. Environmental management – Life cycle assessment – Requirements and guidelines. Geneva : International Organization for Standardization, 2006.
3. Recommendation ITU-T L.1801 (02/2026). Guidelines for assessing the environmental impact of artificial intelligence systems. Geneva : International Telecommunication Union, 2026.
4. International Energy Agency. Energy and AI. Paris : IEA, 2025.
5. Vahdat A., Dean J. Measuring the environmental impact of AI inference [Electronic resource] // Google Cloud Blog. 2025. 21 Aug. URL: https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (accessed: 25.09.2026).
6. Oviedo F., Kazhamiaka F., Choukse E., Kim A., Luers A., Nakagawa M., Bianchini R., Lavista Ferres J. M. Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute [Electronic resource]. 2025. URL: https://arxiv.org/abs/2509.20241 (accessed: 25.09.2026).
7. Microsoft. 2025 Environmental Sustainability Report [Electronic resource]. Redmond : Microsoft, 2025. URL: https://www.microsoft.com/en-us/corporate-responsibility/sustainability/report (accessed: 25.09.2026).
8. Microsoft. Measuring energy and water efficiency for Microsoft datacenters [Electronic resource]. Redmond : Microsoft, 2026. URL: https://datacenters.microsoft.com/sustainability/efficiency/ (accessed: 25.09.2026).
9. International Energy Agency. Energy demand from AI [Electronic resource]. Paris : IEA, 2025. URL: https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai (accessed: 25.09.2026).
10. Jegham N., Abdelatti M., Elmoubarki L., Hendawi A. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference [Electronic resource]. 2025. URL: https://arxiv.org/abs/2505.09598 (accessed: 25.09.2026).
11. UNEP. Artificial Intelligence (AI) end-to-end: The Environmental Impact of the Full AI Lifecycle Needs to be Comprehensively Assessed [Electronic resource]. Nairobi : United Nations Environment Programme, 2024. URL: https://www.unep.org/resources/report/artificial-intelligence-ai-end-end-environmental-impact-full-ai-lifecycle-needs-be (accessed: 25.09.2026).
12. Microsoft. Sustainable by design: Next-generation datacenters consume zero water for cooling [Electronic resource]. Redmond : Microsoft, 2024. URL: https://www.microsoft.com/en-us/microsoft-cloud/blog/2024/12/09/sustainable-by-design-next-generation-datacenters-consume-zero-water-for-cooling/ (accessed: 25.09.2026).
13. ISO 14040:2006/Amd 1:2020. Environmental management – Life cycle assessment – Principles and framework – Amendment 1. Geneva : International Organization for Standardization, 2020.
14. ISO 14031:2021. Environmental management – Environmental performance evaluation – Guidelines. Geneva : International Organization for Standardization, 2021.