Generatiivisen tekoälyn ympäristövaikutukset ja niiden huomioiminen omassa käytössä

Generatiivisen tekoälyn nopea käyttöönotto yhdistettynä sen luonnonvaroja runsaasti käyttävään luonteeseen luo tarpeen ymmärtää ja käsitellä sen ympäristövaikutuksia.

Suurten tekoälymallien, kuten OpenAI:n GPT-4:n, kouluttaminen vaatii valtavasti energiaa. Nämä mallit sisältävät miljardeja parametreja, joiden koulutusprosessi voi kestää viikkoja tai kuukausia, mikä edellyttää tuhansia erikoistuneita tietokonesiruja (GPU:ita tai TPU:ita) toimimaan samanaikaisesti suurissa datakeskuksissa. Esimerkiksi GPT-3:n koulutuksen on arvioitu kuluttaneen hieman alle 1 300 MWh sähköä, mikä vastaa noin 130 yhdysvaltalaisen kotitalouden vuotuista sähkönkulutusta, kun taas GPT-4:n on arvioitu käyttävän sähköä 50 kertaa enemmän (Zewe, 2025).

Generatiivisen tekoälyn merkittävä ympäristöjalanjälki

Energiankulutuksen mittakaavaa voidaan havainnollistaa vertaamalla sitä tuttuihin asioihin. Esimerkiksi ChatGPT:n päivittäinen energiankulutus vastaa 180 000 yhdysvaltalaisen kotitalouden päivittäistä kulutusta (Preston, 2024). Motivan laskelmien mukaan suomalaisen kotitalouden vuosittainen energian kulutus on noin 7 500 kWh vuodessa vuonna 2023 (Motiva, 2025). Yhdysvaltojen energiaministeriö on laskenut kotitalouden vuosittaisen energian kulutuksen olevan 10 500 kWh vuodessa. Tästä voimme laskea karkean arvion, että ChatGPT käyttää päivittäin energiaa, joka vastaa kulutukseltaan 231 500 suomalaista kotitaloutta. Yksittäisen tekoälykuvan tekeminen voi kuluttaa yhtä paljon energiaa kuin puhelimen täyteen lataaminen (Lyons-Cunha, 2025).

Myös tekoälysovellusten käyttö arkipäiväisissä tehtävissä, kuten sähköpostien tiivistämisessä tai kysymyksiin vastaamisessa chattibottien kautta, kuluttaa energiaa (Zewe, 2025). Yksittäinen ChatGPT-kysely voi kuluttaa viidestä kymmeneen kertaa enemmän sähköä kuin tavallinen verkkohaku (Zewe, 2025). Jos kaikki 9 miljardia päivittäistä Google-hakua korvattaisiin ChatGPT-kyselyillä, se johtaisi 10 TWh:n lisäsähkönkulutukseen vuodessa, mikä vastaa 1,5 miljoonan EU-kansalaisen vuotuista sähkönkulutusta tai koko Irlannin sähkönkulutusta (Dhanani, 2024). Generatiivisen tekoälyn energiankulutus ei kuitenkaan ole yhtenäistä: kuvien generointi kuluttaa huomattavasti enemmän energiaa kuin tekstin luominen tekoälyn avulla (Preston, 2024).

Generatiivisen tekoälyn toimintaan tarvittavan laitteiston jäähdyttäminen datakeskuksissa vaatii huomattavia määriä vettä (Zewe, 2025). On arvioitu, että jokaista datakeskuksen kuluttamaa kilowattituntia kohden tarvitaan noin kaksi litraa vettä jäähdytykseen (Zewe, 2025). Lyhyt, 20–50 kysymyksen ja vastauksen sisältävä keskustelu ChatGPT:n (GPT-3) kanssa voi kuluttaa niin paljon energiaa, että sen tuottamiseen on tarvittu puoli litraa makeaa vettä (Dhanani, 2024). GPT-3:n kouluttamisessa Microsoftin yhdysvaltalaisissa datakeskuksissa on jäähdyttämiseen tarvittu 700 000 litraa makeaa vettä (Dhanani, 2024), ja Googlen yhdysvaltalaiset datakeskukset kuluttivat arviolta 12,7 miljardia litraa makeaa vettä pelkästään vuonna 2021 (Noble & Berry, 2024). Maailmanlaajuisesti tekoälyn tarvitseman veden määrä voi vastata puolta Ison-Britannian kokonaiskulutuksesta vuoteen 2027 mennessä (UC Irvine Libraries, 2025).

Kuinka voin pienentää oman tekoälynkäyttöni aiheuttamaa ympäristöjalanjälkeä?

Ennen suurta kielimallia hyödyntävän generatiivisen tekoälytyökalun käyttöä on syytä pohtia, olisiko tarvittava tieto löydettävissä perinteisellä hakukoneella, jonka energiankulutus on huomattavasti pienempi. Generatiivista tekoälyä käytettäessä on tärkeää antaa mahdollisimman yksityiskohtaisia kehotteita, jotta saadaan tarkempia tuloksia ja vältetään tarve toistaa pyyntöjä tai käydä pitkiä edestakaisia keskusteluja, sillä se lisää energiankulutusta. (IET, 2024)

Yksittäiset käyttäjät eivät suoraan operoi suuria datakeskuksia, mutta he yhdessä voivat saada aikaan muutoksen olemalla tietoisempia tavoista käyttää generatiivista tekoälyä ja valitsemalla kestävämpiä toimintatapoja mahdollisuuksien mukaan. Pienetkin muutokset yksilöllisessä käyttäytymisessä voivat miljoonien käyttäjien mittakaavassa johtaa merkittävään generatiivisen tekoälyn kokonaisympäristövaikutuksen vähenemiseen. Tietoisuuden lisääminen tekoälyn käyttöön liittyvästä energiankulutuksesta on ensimmäinen askel. Yksinkertaiseen tiedonhakuun perinteinen hakukone on huomattavasti kestävämpi vaihtoehto.

Teknologiset edistysaskeleet energiatehokkuudessa

Energiatehokkaampien tekoälysirujen kehitys on jatkuvaa. Esimerkiksi teknologiayhtiö IBM on julkistanut yksityiskohtia tulevista Telum II -prosessoristaan ja Spyre Acceleratoristaan, joiden on suunniteltu vähentävän tekoälyn energiankulutusta ja datakeskusten jalanjälkeä. Myös Nvidia kehittää tehokkaampia GPU-siruja, joissa hyödynnetään muun muassa nestejäähdytystä energiankulutuksen vähentämiseksi ja suorituskyvyn parantamiseksi (Zewe, 2025). Mallien optimointitekniikat, kuten mallien karsiminen (epäolennaisten parametrien poistaminen), kvantisointi (jatkuvien arvojen kuvaaminen pienempään diskreettien arvojen joukkoon) ja tiedon tislaus (tiedon siirtäminen suuresta mallista pienempään), edistävät myös energiatehokkuutta (Hitachi Ventures, 2025). Lisäksi kehitetään uusia tekoälyalgoritmeja ja malliarkkitehtuureja, jotka ovat perinteisiä kielimalleja tehokkaampia (Hitachi Ventures, 2025). Erikoisprosessorit voivat tarjota energiatehokkaampaa laskentaa mallien koulutukseen ja päättelykykyyn verrattuna perinteisiin grafiikkaprosessoreihin (Popli, 2025). ”Hiilitietoisen ohjelmiston” kehittäminen, mikä tarkoittaa tekoälyn koulutuksen ajoittamista ajankohtiin ja alueille, joilla on enemmän uusiutuvaa energiaa saatavilla, on myös lupaava suuntaus (Kneese & Young, 2024).

Hallituksien luomat säädökset ja kannustimet, joiden tavoitteena on edistää energiatehokkuutta ja uusiutuvan energian käyttöä datakeskuksissa, ovat tärkeitä (Sridharan, 2024). Suuret teknologiayritykset ja tutkimuslaitokset pyrkivät kehittämään standardoituja protokollia laskentalaitteiden ja tekoälysovellusten hiilikustannusten mittaamiseen ja raportointiin (Shirvell, 2024). Yhteistyö ja avoimen lähdekoodin aloitteet ovat myös tärkeässä asemassa (Shim, 2024).

Kestävän generatiivisen tekoälyn tulevaisuus riippuu useista tekijöistä, ja se sisältää niin edistysaskeleita laitteisto- ja ohjelmistotehokkuudessa kuin siirtymistä puhtaampiin energialähteisiin datakeskuksissa, mutta myös kestävää kehitystä tukevaa politiikkaa ja laaja-alaista teollisuusyhteistyötä. Vaikka teknologiset edistysaskeleet tarjoavat lupaavia ratkaisuja, jossa lisääntynyt tehokkuus johtaa lisääntyneeseen käyttöön, voi mahdollisesti kumota osan saavutetuista ympäristöhyödyistä (Ligozat & De Vries, 2024). Tämä korostaa ympäristötietoisen käytön ja poliittisten toimenpiteiden merkitystä teknologisen innovoinnin lisäksi.

Tehtävä	Arvioitu energiankulutus	Lähde
Yksittäinen Google-haku	0,3 wattituntia	(Dhanani, 2024)
Yksittäinen ChatGPT-kysely	2,9 wattituntia	(Dhanani, 2024)
Tekstin generointi (1000 tulostetta, tehokkain malli)	9 % älypuhelimen latauksesta	(Dhanani, 2024)
Kuvan generointi	Puoli älypuhelimen latausta	(Lyons-Cunha, 2025)
Älypuhelimen täysi lataus	Noin 10–20 wattituntia (vaihtelee mallista riippuen)	Yleinen tieto
Netflixin katselu 1 tunti	Noin 65–75 wattituntia (riippuu laadusta ja laitteesta)	Yleinen tieto

Kategoria	Erityinen strategia / kehityssuunta	Esimerkkejä/Yksityiskohtia	Odotettu vaikutus
Laitteistotehokkuus	Energiatehokkaat tekoälysirut	IBM Telum II, Nvidia-sirut nestejäähdytyksellä	Vähentynyt energiankulutus
Mallien optimointi	Mallien karsiminen, kvantisointi, tiedon tislaus	Tekniikat mallikoon pienentämiseksi ja laskentatehon vähentämiseksi	Pienemmät mallit, tehokkaampi päättely
Kestävät datakeskukset	Uusiutuvan energian käyttö	Googlen, Microsoftin, Metan investoinnit aurinko-, tuuli- ja ydinvoimaan	Alhaisemmat hiilidioksidipäästöt
Kestävät datakeskukset	Innovatiiviset jäähdytysratkaisut	Neste- ja upotusjäähdytys	Vähentynyt veden ja energian kulutus jäähdytykseen
Kestävät datakeskukset	Älykäs työkuormanhallinta, tehonrajoitus	Dynaaminen resurssien allokointi, prosessorien tehonkäytön rajoittaminen	Optimoitu energiankäyttö, alhaisemmat käyttökustannukset
Politiikka ja teollisuus	Hiilikustannusten mittaus- ja raportointistandardit	Pyrkimys avoimuuteen ja yhtenäisiin mittareihin	Lisääntynyt läpinäkyvyys, parempi vertailtavuus
Politiikka ja teollisuus	Hiilitietoinen ohjelmisto	Tekoälyn koulutuksen ajoittaminen uusiutuvan energian saatavuuden mukaan	Hiilijalanjäljen pienentäminen

Miten oma toiminta vaikuttaa generatiivisen tekoälyn ympäristövaikutuksiin?

Tiedämme tekoälystä luopumisen olevan mahdotonta, ja sen käyttöä meidän tulisi lisätä, jotta siitä saatavat hyödyt olisivat kaikkein kattavimmat meille kaikille. Samalla kuitenkin me pystymme minimoimaan tekoälyn käytöstä johtuvia haittoja optimoimalla omaa toimintaamme.

Käytön määrällä ja laadulla on suora vaikutus: Vaikka yksittäisen käyttäjän tekoälynkäytöllä on suhteellisen pieni vaikutus, miljoonien käyttäjien yhteinen toiminta muodostaa huomattavan kokonaisuuden. Esimerkiksi:

• ChatGPT-kysely kuluttaa noin 5–10 kertaa enemmän sähköä kuin tavallinen Google-haku. (Taulukko 1)
• Kuvien teko tekoälyllä on huomattavasti energiaintensiivisempää kuin tekstin generointi. (Taulukko 1)

Tarkoituksenmukainen käyttö vähentää kuormitusta: Jos tiedon voi helposti hakea perinteisellä hakukoneella, se on energiataloudellisesti parempi vaihtoehto. Lisäksi tekoälyä käytettäessä kannattaa:

• muotoilla kysymykset selkeästi ja tarkasti
• välttää turhaa keskustelua tai toistuvia hakuja.

Käyttäjä voi vaikuttaa epäsuorasti tietoisuudella ja valinnoilla: Tietoisuus tekoälyn energiankulutuksesta ja vedenkäytöstä voi ohjata kestävämpiin valintoihin. Taulukossa 2 on listattu asioita, joilla päättäjät voivat vaikuttaa tekoälyn muodostamaan hiilijalanjäljen kokoon ja miten hiilijalanjäljen odotetaan muuttuvan. Me käyttäjinä taas pystymme vaikuttamaan, ketkä meillä päättävät asioista. Jos suuri osa käyttäjistä toimii vastuullisemmin, kokonaisympäristövaikutus pienenee merkittävästi.

Esimerkkejä yksilön vaikutuskeinoista:

• Käytä tekoälyä harkiten ja tarkoituksenmukaisesti.
• Suosi tekstin luontia kuvien sijaan, jos mahdollista.
• Pyri saamaan vastaukset mahdollisimman vähillä kysymyksillä.
• Käytä perinteistä hakua silloin, kun tekoälyä ei tarvita.

Yhteenvetona voidaan todeta, että yksittäinen tekoälyn käyttö ei ole merkittävä saastuttaja, mutta käyttäjien yhteinen toiminta muodostaa huomattavan suuren ympäristön vaikutuksen. Mutta tarkoituksenmukaisella tekoälyn käytöllä, hyvällä kehotteen muotoilulla ja tiedostamalla käytön energiankulutus vähentävät ympäristökuormaa. Kestävä tekoälyn käyttö lähtee käyttäjästä itsestään – valitse siis viisaasti.

---

Tekstin muotoilussa, tiivistämisessä ja yhteenvedoissa on hyödynnetty tekoälyä.

Kirjoittaja