Агентный AI против ручного труда: чей углеродный след меньше

Аргумент «спросить у модели дешевле, чем нанять человека» всё чаще звучит и про деньги, и про энергию. Идея простая: если агент на базе GPT-4-класса выполняет за минуты задачу, на которую сотрудник потратит час за включённым ноутбуком, то и киловатт-часов уходит меньше. Летом 2024 года эту логику подхватили обзоры вокруг работы исследователей из нескольких университетов США, где выброс CO₂ на единицу текста или изображения у моделей сравнивали с работой человека. Проблема в том, что подобные сравнения легко подогнать под нужный вывод — и почти всегда в них зашита методологическая ловушка. Давайте посмотрим, где расчёт честный, а где нет.

Откуда берутся цифры

Энергозатраты AI обычно считают на этапе инференса¹ — то есть на генерации ответа уже обученной моделью. Одна текстовая генерация у крупной модели стоит порядка десятых долей ватт-часа, у больших моделей — единиц ватт-часов, в зависимости от длины ответа и размера модели. Точные числа зависят от железа (какой ускоритель, насколько загружен), от батчинга запросов и от эффективности дата-центра. Публично проверяемых цифр по флагманским закрытым моделям почти нет: OpenAI, Anthropic и Google не раскрывают энергопотребление на запрос, поэтому любые «X ватт-часов на промпт» для GPT-4 или Claude — это оценки, а не измерения.

Человека же оценивают иначе. Берут не метаболизм тела (это лукавство — вы дышите в любом случае), а рабочее место: ноутбук или ПК, монитор, освещение, доля отопления и кондиционирования офиса. Ноутбук под нагрузкой — 30–60 Вт, десктоп с монитором легко 150–300 Вт. За час работы это десятки, а то и сотни ватт-часов. Отсюда и вывод статей: если агент делает за 30 секунд то, что человек за час, разрыв в энергии на задачу может быть в сотни раз.

Сравнивать нужно не «модель против человека», а «рабочий процесс с агентом против рабочего процесса без него». Иначе вы измеряете не то, что оптимизируете.

Где расчёт ломается

Первое — обучение. Тренировка крупной модели — это разово потраченные мегаватт-часы, которые размазываются на миллиарды последующих запросов. На единичный инференс доля выходит крошечная, и формально её часто игнорируют. Но чем чаще выходят новые версии и чем короче их срок жизни, тем весомее эта амортизация.

Второе — человек никуда не девается. Agentic AI редко полностью заменяет сотрудника: чаще он ускоряет его. Значит, к энергии агента прибавляется энергия того же человека, который ставит задачу, проверяет и правит результат. Если агент сгенерировал черновик за 20 секунд, а вы потом полчаса его вычитывали за включённым ноутбуком — экономия испарилась.

Третье — эффект отскока. Дешёвая генерация провоцирует делать больше. Раньше вы писали один вариант письма, теперь агент выдаёт десять, и вы перебираете все. Совокупное потребление растёт, хотя «на единицу» оно упало.

Что такое agentic AI и почему это дороже одного запроса

Агент² — это не один вызов модели, а цепочка: он планирует шаги, ходит в инструменты (поиск, код, API), проверяет промежуточные результаты и переспрашивает себя. Одна «задача агента» может стоить десятки и сотни вызовов модели. Поэтому энергозатраты agentic-сценария на порядок выше, чем у простого чат-запроса, и сравнение «один промпт против часа работы человека» к агентам напрямую не применимо.

Сравнение трёх сценариев

Ниже — не измеренные значения конкретных продуктов, а порядок величин для понимания, где что находится. Реальные числа зависят от модели, железа и объёма задачи.

Вывод из таблицы не «AI всегда экономнее». Вывод такой: экономия появляется, только когда агент реально сокращает суммарное время работы человека, а не добавляется к нему.

Кому это пригодится, а кому нет

Энергетический аргумент работает не везде. Вот где он честный:

• Массовая рутина. Классификация тысяч тикетов, извлечение полей из документов, черновая транскрибация. Человек тратил бы часы за ПК, агент закрывает пакет за минуты, а проверка выборочная.
• Круглосуточные процессы. Ночная модерация или разбор логов, где иначе пришлось бы держать смену людей с включённым оборудованием.
• Однократная генерация с малой правкой. Короткий ответ, который принимается почти без вычитки.

А вот где энергоэкономия — миф:

• Задачи с высокой ценой ошибки. Юридические, медицинские, финансовые тексты требуют долгой человеческой проверки — и энергия человека возвращается в уравнение.
• Творческий перебор вариантов. Когда дешевизна генерации провоцирует делать в разы больше итераций, суммарное потребление растёт.
• Разовые задачи. Один документ раз в месяц проще сделать руками, чем строить и отлаживать агента с его повторными прогонами.

Как оценивать честно

Если вы всерьёз хотите понять, экономит ли агент энергию в вашем процессе, а не в пресс-релизе, считайте так:

1. Замерьте полный цикл без AI: сколько минут человек тратит на задачу и на каком оборудовании.
2. Замерьте полный цикл с AI: время агента плюс оставшееся время человека на постановку и проверку.
3. Учтите откаты: сколько задач приходится переделывать из-за ошибок модели.
4. Прибавьте эффект отскока: не стали ли вы делать заметно больше только потому, что стало дёшево.
5. Сравнивайте суммарную энергию на принятый результат, а не на сгенерированный черновик.

Пока OpenAI, Anthropic и Google не публикуют энергопотребление на запрос, любая точная цифра «сколько ватт-часов стоил мой промпт» будет оценкой. Это не повод отказываться от расчёта — это повод честно писать «порядок величины», а не выдавать оценку за измерение.

¹ Инференс — работа уже обученной модели: приём запроса и генерация ответа, в отличие от обучения (training), где модель настраивают на данных.

² Агент в контексте AI — система, которая для достижения цели сама планирует последовательность действий, вызывает внешние инструменты и оценивает промежуточные результаты, а не отвечает одним фиксированным сообщением.