Umělá inteligence má dvě odvrácené tváře. Na jedné straně nabízí nástroje, které mohou zásadně přispět k úsporám energie, efektivnějšímu využívání zdrojů a k rozvoji udržitelných řešení. Na straně druhé však její vlastní provoz vyžaduje obrovské množství výpočetní kapacity a energie a její rychlý rozvoj může generovat významné socio-ekonomické i etické náklady.
Predikce a optimalizace spotřeby energie – příklad Google
Umělá inteligence má transformační potenciál v řešení ekologických a sociálních výzev. Aplikace spadající pod AI for Green (viz poznámka níže) prokazatelně zvyšují efektivitu, což je zásadní pro zmírňování změny klimatu a dosahování cílů udržitelného rozvoje.
AI a strojové učení (Machine Learning) jsou transformační technologie pro energetický sector, konkrétně optimalizaci datových center a řízení obnovitelných zdrojů energie. Významně tak napomáhají snižovat spotřebu energie. Jedním z nejcitovanějších příkladů úspor energie je implementace AI společností Google, kde algoritmy DeepMind snížily spotřebu energie na chlazení datových center o 40 %. Úspory jsou obrovské, protože datová centra jsou masivními spotřebiteli energie. I relativně mírné zlepšení účinnosti tak vede k významným úsporám nákladů a zamezení milionům tun emisí uhlíku.
AI taky napomáhá řídit obnovitelné zdroje energie, zejména zvyšovat efektivitu a spolehlivost solárních a větrných systémů. Studie Shahverdi et al. (2025) zveřejněná v časopise Energy Reports ukazuje, jak může umělá inteligence zlepšit využívání obnovitelných zdrojů energie. Autoři zjistili, že umělé neuronové sítě pomáhají lépe předpovídat výrobu a spotřebu energie ze solárních a větrných zdrojů. Díky tomu mohou energetické systémy rychleji reagovat na změny počasí a poptávky, čímž se zvyšuje jejich efektivita a spolehlivost.
AI for Green (AI pro Udržitelnost) se zaměřuje na řešení širších environmentálních problémů.
Prediktivní údržba komplexních systémů – příklad Siemens
Použití prediktivní analýzy a hlubokého učení ke správě komplexních systémů výrazně snižuje plýtvání zdroji, zvyšuje provozní spolehlivost a snižuje náklady.
V letectví se modely prediktivní analýzy využívají ke zlepšení řízení letové způsobilosti letadel. Datově řízený model vyvinutý pro řízení a optimalizaci leteckého provozu pomáhá dopravcům snižovat situace, kdy letadlo není provozuschopné nebo není způsobilé k letu včasným upozorněním na očekávaná rizika náhradních dílů nebo nadcházející kontroly údržby (Baghiyev, 2025).
Studie Kafumukache Besy Bwalya (2025) analyzuje integraci AI (strojové učení, prediktivní analytika, NLP) do manažerských informačních systémů a její dopad na rozhodování ve společnosti Siemens. Případ Siemens demonstruje využití AI a IoT pro prediktivní údržbu a udržitelnost. Senzory na zařízeních monitorují parametry jako teplota a vibrace. Algoritmy AI tyto údaje analyzují, předpovídají poruchy a umožňují plánovat výměny součástek před selháním, čímž se prodlužuje životnost zařízení a snižují prostoje.
V rámci cíle uhlíkové neutrality do roku 2030 Siemens využívá AI k optimalizaci spotřeby energie ve výrobních procesech a k hodnocení environmentální výkonnosti dodavatelů. Tyto procesy jsou podpořeny technologiemi jako digitální dvojčata a edge computing.
Transformace dodavatelských řetězců – příklady Amazon a DHL
Dodavatelské řetězce jsou častým zdrojem ESG rizik. Dle studie Belhadi et al. (2024) jsou společnosti využívající AI a strojové učení lépe připraveny čelit výzvám v dodavatelských řetězcích.
Konkrétní implementace ukazují jejich transformační potenciál: Walmart využívá AI k přesné předpovědi poptávky analýzou prodejních dat, místních událostí, počasí a trendů na sociálních sítích.
Siemens nasadil AI pro prediktivní údržbu kritického zařízení, jako jsou turbíny a motory, čímž zlepšuje využití aktiv a minimalizuje prostoje.
Amazon a DHL využívají AI pro komplexní automatizaci a strategické řízení, konkrétně k predikci poptávky pro přesné plánování zásob, k plánování nejefektivnějších tras na základě dopravy, počasí a cen paliv, ke včasné detekci geopolitických hrozeb nebo predikci narušení způsobených přírodními katastrofami. Obecněji řečeno, tyto modely analyzují tržní data a environmentální proměnné, což firmám umožňuje proaktivní opatření, jako je diverzifikace dodavatelů.
Navzdory svému potenciálu nese AI závažné ekologické a socio-ekonomické náklady v podobě vysoké energetické stopy, algoritmického zkreslení vedoucího k nerovnostem a v neposlední řadě také v podobě nedostatečného řízení a souvisejících rizik.
Energetická náročnost provozu a skryté náklady – příklad Google a Microsoft
Trénování velkých jazykových modelů je extrémně energeticky náročné. Studie Luccioni et al. (2023) ukázala, že trénink modelu BLOOM s 176 miliardami parametrů vygeneroval významnou uhlíkovou stopu. Konkrétně trénink GPT-3 spotřeboval 1287 MWh elektřiny, což je srovnatelné s emisemi pěti automobilů za celou jejich životnost a odpovídá roční spotřebě asi 121 amerických domácností.
Navíc používání modelů pravděpodobně překoná energetickou náročnost tréninku během životního cyklu modelu. Podle zprávy Deloitte Global (2024) by se v scénáři vysoké adopce AI mohla globální spotřeba datových center do roku 2030 téměř ztrojnásobit z 380 TWh (2023) na přibližně 970 TWh za rok, což by představovalo zhruba 3 % celosvětové spotřeby elektřiny.
Kromě provozní spotřeby představují problém emise z výroby hardwaru, tzv. zabudovaný uhlík. Studie Wu et al. (2022) uvádí, že u výkonných AI čipů mohou být tyto emise až 70krát vyšší než provozní emise z tréninku. U modelu BLOOM tvořily 22 % jeho celkové stopy.
Datová centra také spotřebovávají obrovské množství sladké vody primárně na chlazení. Odhaduje se, že trénink GPT-3 vyžadoval 700 000 litrů čisté sladké vody. Tento problém se stává obzvláště naléhavým v důsledku častějších období sucha způsobených klimatickou změnou.
Společnosti jako Google a Microsoft, ačkoli zvyšují transparentnost, čelí rostoucí kritice za masivní odběr vody z pitných zdrojů, který každoročně stoupá. Tento rostoucí odběr už nyní vede ke konfliktům s místními komunitami, protože datová centra přímo konkurují v přístupu k omezeným zdrojům čisté vody. Experti proto volají po povinném reportování spotřeby vody a energie, což je v současnosti nedostatečné.
Kritická rizika AI vyžadují systémový přístup
Umělá inteligence přináší vedle obrovského potenciálu také tři zásadní rizika, která vyžadují koordinovanou reakci. Prvním jsou mezery v řízení AI.
Podle studie EY (2025) mohou vést k finančním ztrátám, reputačním škodám i selháním v oblasti udržitelnosti. EU reaguje přijetím AI Act (2024), zatímco americká exekutivní opatření se otázce udržitelnosti věnují zatím méně. Druhé riziko představuje digitální propast: vysoké náklady na vývoj a provoz AI technologií koncentrují know-how i infrastrukturu do rukou několika globálních hráčů, jako jsou Google či Microsoft. A třetím problémem je odrazový efekt, tzv. Jevonsův paradox, který popisuje situaci, kdy efektivnější využívání zdrojů díky AI může paradoxně vést k vyšší celkové spotřebě a emisím.
Doporučení pro firmy
1. Posilte řízení a dohled nad AI
EY (2025) uvádí, že společnosti s aktivními dohledovými výbory pro oblast AI dosahují prokazatelných přínosů – jak ve výnosech, tak v úsporách nákladů. Klíčové je, aby governance AI byla úzce propojena s celkovou strategií firmy a aby zahrnovala pravidelné školení zaměřené na etické a lidské aspekty využívání AI.
2. Měřte a řiďte environmentální dopady využívaných technologií AI
Společnosti by měly systematicky sledovat a zveřejňovat metriky PUE (Power Usage Effectiveness) a WUE (Water Usage Effectiveness), včetně započtení uhlíkové stopy hardwaru (Scope 3), která často tvoří podstatnou část celkového dopadu. Příklady z praxe ukazují, že Google využívá úsporné čipy TPU a model „carbon-efficient scheduling“, zatímco Microsoft směřuje k uhlíkově neutrálním datovým centrům.
3. Uplatňujte systémové myšlení
Udržitelné řízení AI vyžaduje pochopení vzájemných vazeb – zlepšení efektivity v jedné oblasti může v jiné zvýšit spotřebu energie nebo materiálů. Systémový přístup pomáhá vyhnout se uzamčení v neefektivních modelech a identifikovat skutečně účinné cesty, jak rozvíjet AI v souladu s principy udržitelného rozvoje.
Použité zdroje:
- Deloitte (2024). Powering artificial intelligence: A study of AI’s environmental footprint—today and tomorrow.
- EY (2025). Artificial intelligence ESG stakes: Discussion paper.
- Verdecchia, R., Sallou, J., & Cruz, L. (2023). A systematic review of green ai.
- Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery.
- Kar, A. K., Choudhary, S. K., & Singh, V. K. (2022). How can artificial intelligence impact sustainability: A systematic literature review. Journal of Cleaner Production.
- Dhiman, R., Miteff, S., Wang, Y., Ma, S.-C., Amirikas, R., & Fabian, B. (2024). Artificial Intelligence and Sustainability.
- Toderas, M. (2025). Artificial Intelligence for Sustainability: A Systematic Review and Critical Analysis of AI Applications, Challenges, and Future Directions.