Πίσω από μια απλή ερώτηση στο ChatGPT, στο Gemini ή σε κάποιο άλλο σύστημα τεχνητής νοημοσύνης υπάρχει μια τεράστια φυσική υποδομή. Διακομιστές, ηλεκτρική ενέργεια, νερό, μικροτσίπ και ανθρώπινοι πόροι. Πόσο μεγάλο είναι το πραγματικό περιβαλλοντικό κόστος της AI; Ποιος το επωμίζεται και πόσο μπορούμε να εμπιστευτούμε τους αριθμούς που δημοσιεύουν οι εταιρείες;
Η ερώτηση που δεν κάνουμε ποτέ στην AI
Ανοίγουμε το ChatGPT και ζητάμε να μας εξηγήσει κάτι.
Ίσως μια δύσκολη έννοια.
Ίσως να γράψει ένα email.
Ίσως να βοηθήσει το παιδί μας να καταλάβει μια άσκηση.
Μέσα σε λίγα δευτερόλεπτα εμφανίζεται η απάντηση.
Η εμπειρία μοιάζει σχεδόν μαγική.
Δεν ακούμε κάποιο μηχάνημα να λειτουργεί. Δεν βλέπουμε καλώδια, γεννήτριες ή συστήματα ψύξης. Δεν αισθανόμαστε τη θερμότητα που παράγεται από τους επεξεργαστές.
Βλέπουμε μόνο λέξεις στην οθόνη.
Κι όμως, κάπου στον κόσμο, πραγματικοί υπολογιστές έχουν εργαστεί για να δημιουργήσουν αυτή την απάντηση.
Έχουν καταναλώσει ηλεκτρική ενέργεια.
Έχουν παραγάγει θερμότητα.
Έχουν χρησιμοποιήσει υποδομές που χρειάστηκαν υλικά, εργασία και πόρους για να κατασκευαστούν.
Και ίσως έχουν χρησιμοποιήσει νερό για να ψυχθούν.
Η τεχνητή νοημοσύνη μπορεί να φαίνεται άυλη. Η υποδομή της, όμως, είναι απολύτως υλική.
Αυτό είναι το σημείο εκκίνησης μιας συζήτησης που δεν αφορά μόνο την τεχνολογία.
Αφορά το περιβάλλον, την οικονομία, την ενέργεια και τελικά το ποιος πληρώνει το κόστος μιας επανάστασης από την οποία όλοι ελπίζουμε να ωφεληθούμε.
Τι πραγματικά συμβαίνει όταν γράφουμε μια ερώτηση;
Ας ακολουθήσουμε, με απλοποιημένο τρόπο, τη διαδρομή μιας ερώτησης.
Πληκτρολογούμε ένα αίτημα στο κινητό ή στον υπολογιστή μας.
Το αίτημα μεταφέρεται μέσω δικτύων στην υποδομή της υπηρεσίας.
Εκεί, ειδικοί επεξεργαστές πραγματοποιούν υπολογισμούς ώστε το μοντέλο να δημιουργήσει την απάντηση.
Η διαδικασία αυτή ονομάζεται inference.
Για να λειτουργήσουν τα συστήματα απαιτείται ηλεκτρική ενέργεια.
Αλλά η κατανάλωση δεν περιορίζεται στους επεξεργαστές.
Χρειάζονται επίσης μνήμη, αποθηκευτικά συστήματα, δικτυακός εξοπλισμός, διανομή ηλεκτρικής ισχύος και ψύξη.
Ένα data center δεν είναι απλώς ένα δωμάτιο γεμάτο υπολογιστές.
Είναι μια βιομηχανική εγκατάσταση με σύνθετες απαιτήσεις αξιοπιστίας και ενεργειακής διαχείρισης.
Και πριν φτάσουμε στη χρήση ενός μοντέλου, έχει προηγηθεί η εκπαίδευσή του.
Η εκπαίδευση μεγάλων μοντέλων μπορεί να απαιτεί τεράστια υπολογιστική ισχύ.
Επιπλέον, υπάρχουν οι δοκιμές, η ανάπτυξη, οι επανεκπαιδεύσεις και η κατασκευή των ίδιων των υποδομών.
Άρα το περιβαλλοντικό κόστος δεν περιορίζεται στην ενέργεια που απαιτεί μια μεμονωμένη απάντηση.
Οι αριθμοί που δείχνουν το πραγματικό μέγεθος
Σύμφωνα με τον Διεθνή Οργανισμό Ενέργειας (IEA), τα data centers παγκοσμίως κατανάλωσαν περίπου 415 τεραβατώρες (TWh) ηλεκτρικής ενέργειας το 2024.
Αυτό αντιστοιχούσε περίπου στο 1,5% της παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας.
Το 2025, η κατανάλωση αυξήθηκε στις περίπου 485 TWh.
Και η κεντρική εκτίμηση του IEA, στην επικαιροποιημένη έκθεση του 2026, είναι ότι η ζήτηση μπορεί να φτάσει περίπου τις 950 TWh έως το 2030.
Με άλλα λόγια, σχεδόν να διπλασιαστεί μέσα σε πέντε χρόνια.
Πρέπει, όμως, να κάνουμε μια κρίσιμη διευκρίνιση.
Αυτοί οι αριθμοί αφορούν όλα τα data centers, όχι αποκλειστικά την AI.
Στις ίδιες υποδομές εξυπηρετούνται υπηρεσίες cloud, αποθήκευση δεδομένων, επιχειρηματικά συστήματα, ιστοσελίδες, εφαρμογές και πλήθος άλλων ψηφιακών λειτουργιών.
Η AI είναι ένας σημαντικός και ταχέως αναπτυσσόμενος παράγοντας αυτής της ζήτησης, αλλά δεν ευθύνεται για το σύνολό της.
Σύμφωνα με τον IEA, η ηλεκτρική κατανάλωση των data centers που επικεντρώνονται στην AI αυξήθηκε περίπου κατά 50% μέσα στο 2025.
Ο οργανισμός προβλέπει ότι η κατανάλωσή τους μπορεί να τριπλασιαστεί μεταξύ 2025 και 2030.
Αυτό είναι το πραγματικό μέγεθος της πρόκλησης.
Όχι ότι μια απλή ερώτηση θα καταστρέψει το περιβάλλον.
Αλλά ότι δισεκατομμύρια χρήσεις, ολοένα πιο απαιτητικά μοντέλα και νέες υποδομές δημιουργούν μια ζήτηση που αυξάνεται ταχύτατα.
Πόσο ρεύμα καταναλώνει μία ερώτηση στο ChatGPT ή στο Gemini;
Εδώ αρχίζει η πιο δύσκολη πλευρά της έρευνας.
Στο διαδίκτυο κυκλοφορούν συχνά αριθμοί που παρουσιάζονται σαν να ισχύουν για κάθε ερώτηση.
Όμως δεν υπάρχει ένα ενιαίο, αξιόπιστο νούμερο για όλες τις υπηρεσίες και όλες τις εργασίες AI.
Μια σύντομη ερώτηση κειμένου δεν απαιτεί κατ’ ανάγκη την ίδια υπολογιστική ισχύ με μια πολύπλοκη ανάλυση.
Η παραγωγή μιας εικόνας δεν είναι ίδια με τη δημιουργία βίντεο.
Ένα μικρό μοντέλο δεν έχει απαραίτητα τις ίδιες απαιτήσεις με ένα πολύ μεγαλύτερο.
Και η κατανάλωση επηρεάζεται από το υλικό, την αποδοτικότητα του λογισμικού, το μήκος της εισόδου και της απάντησης, τη χρήση εργαλείων και το πραγματικό φορτίο των υποδομών.
Τον Αύγουστο του 2025, η Google δημοσίευσε μια ενδιαφέρουσα τεχνική ανάλυση για το Gemini.
Σύμφωνα με τους υπολογισμούς της εταιρείας, ένα διάμεσο αίτημα παραγωγής κειμένου στο Gemini Apps, με δεδομένα Μαΐου 2025, αντιστοιχούσε σε περίπου:
- 0,24 βατώρες (Wh) ηλεκτρικής ενέργειας.
- 0,03 γραμμάρια ισοδύναμου διοξειδίου του άνθρακα.
- 0,26 χιλιοστόλιτρα νερού.
Η ποσότητα νερού είναι περίπου πέντε σταγόνες.
Είναι πολύ μικρότερη από αρκετές εκτιμήσεις που είχαν κυκλοφορήσει προηγουμένως.
Σημαίνει, λοιπόν, ότι η ανησυχία για το περιβαλλοντικό κόστος είναι υπερβολική;
Όχι τόσο γρήγορα.
Οι συγκεκριμένοι αριθμοί προέρχονται από την ίδια τη Google.
Αφορούν ένα συγκεκριμένο προϊόν, έναν συγκεκριμένο τύπο αιτήματος και μια συγκεκριμένη χρονική περίοδο.
Δεν αποτελούν ανεξάρτητη μέτρηση για κάθε σύστημα AI.
Η εταιρεία επισημαίνει επίσης ότι η ανάλυση δεν έχει επαληθευτεί από ανεξάρτητο τρίτο φορέα.
Επιπλέον, ο υπολογισμός του νερού αφορά τη μεθοδολογία της Google για την άμεση κατανάλωση νερού των data centers και δεν αποτυπώνει πλήρως κάθε έμμεση κατανάλωση στην αλυσίδα παραγωγής ηλεκτρικής ενέργειας.
Άρα το σωστό συμπέρασμα δεν είναι ούτε ότι κάθε ερώτηση κοστίζει τεράστιες ποσότητες πόρων ούτε ότι η AI δεν έχει περιβαλλοντικό αποτύπωμα.
Το σωστό συμπέρασμα είναι ότι χρειαζόμαστε συγκρίσιμες, ανεξάρτητες και διαφανείς μετρήσεις.
Το νερό: Η αόρατη πλευρά της τεχνητής νοημοσύνης
Γιατί ένα data center χρειάζεται νερό;
Οι επεξεργαστές παράγουν θερμότητα.
Αυτή πρέπει να απομακρύνεται ώστε ο εξοπλισμός να λειτουργεί με ασφάλεια.
Ορισμένα συστήματα ψύξης χρησιμοποιούν νερό, μέρος του οποίου μπορεί να εξατμίζεται.
Άλλα βασίζονται περισσότερο στον αέρα ή σε κλειστά κυκλώματα υγρού.
Οι διαφορετικές τεχνολογίες έχουν διαφορετικές απαιτήσεις και συμβιβασμούς.
Εδώ χρειάζεται να διαχωρίσουμε δύο έννοιες.
Η απόληψη νερού είναι η ποσότητα που αντλείται από μια πηγή.
Η κατανάλωση νερού είναι το μέρος που δεν επιστρέφει άμεσα στην ίδια πηγή, για παράδειγμα επειδή εξατμίζεται.
Δεν είναι το ίδιο πράγμα.
Επίσης, υπάρχει άμεση και έμμεση κατανάλωση.
Η άμεση σχετίζεται με τη λειτουργία και την ψύξη της εγκατάστασης.
Η έμμεση μπορεί να προκύπτει από την παραγωγή της ηλεκτρικής ενέργειας που χρησιμοποιεί.
Σύμφωνα με την έκθεση του Lawrence Berkeley National Laboratory για τις Ηνωμένες Πολιτείες, τα αμερικανικά data centers κατανάλωσαν άμεσα περίπου 66 δισεκατομμύρια λίτρα νερού το 2023.
Πρόκειται για εκτίμηση που αφορά το σύνολο των data centers στις ΗΠΑ, όχι μόνο την AI.
Το σημαντικότερο, όμως, δεν είναι μόνο ο συνολικός αριθμός.
Είναι το πού καταναλώνεται αυτό το νερό.
Μια εγκατάσταση σε περιοχή με άφθονους υδάτινους πόρους δεν έχει τις ίδιες τοπικές επιπτώσεις με μια εγκατάσταση σε περιοχή που αντιμετωπίζει λειψυδρία.
Αυτό σημαίνει ότι δύο data centers με παρόμοια κατανάλωση μπορεί να έχουν πολύ διαφορετικό περιβαλλοντικό αντίκτυπο.
«Κάθε ερώτηση καταναλώνει ένα μπουκάλι νερό». Είναι αλήθεια;
Αυτή είναι μια από τις πιο διαδεδομένες υπεραπλουστεύσεις.
Προηγούμενες επιστημονικές εκτιμήσεις είχαν συνδέσει έναν αριθμό αιτημάτων σε μεγάλα γλωσσικά μοντέλα με κατανάλωση νερού της τάξης ενός μπουκαλιού.
Όμως τέτοιες εκτιμήσεις βασίζονται σε συγκεκριμένες παραδοχές για μοντέλα, υποδομές, τοποθεσίες και όρια μέτρησης.
Δεν σημαίνουν ότι κάθε μεμονωμένη ερώτηση καταναλώνει ένα μπουκάλι νερό.
Ούτε ότι η μέτρηση ενός σημερινού συστήματος μπορεί να εφαρμοστεί αυτομάτως σε όλα τα υπόλοιπα.
Η σωστή δημοσιογραφική ερώτηση είναι:
Ποιο μοντέλο μετρήθηκε;
Πότε;
Σε ποια υποδομή;
Με ποιον τρόπο υπολογίστηκε η ενέργεια και το νερό;
Περιλαμβάνονται οι έμμεσες επιπτώσεις;
Έχει ελεγχθεί ανεξάρτητα η μεθοδολογία;
Χωρίς αυτές τις πληροφορίες, ένας εντυπωσιακός αριθμός μπορεί να δημιουργήσει περισσότερη σύγχυση από όση γνώση προσφέρει.
Το μεγαλύτερο πρόβλημα ίσως δεν είναι η κάθε ερώτηση
Ας υποθέσουμε ότι μια τεχνολογία γίνεται δέκα φορές πιο αποδοτική.
Θα μπορούσε αυτό να μειώσει την περιβαλλοντική της επιβάρυνση;
Ναι, εφόσον η συνολική χρήση δεν αυξηθεί περισσότερο.
Αλλά υπάρχει και μια άλλη πιθανότητα.
Η τεχνολογία γίνεται φθηνότερη και ευκολότερη.
Περισσότεροι άνθρωποι αρχίζουν να τη χρησιμοποιούν.
Οι επιχειρήσεις ενσωματώνουν AI σε περισσότερα προϊόντα.
Εμφανίζονται νέες εφαρμογές που προηγουμένως δεν ήταν οικονομικά εφικτές.
Έτσι, παρά τη μείωση της κατανάλωσης ανά εργασία, η συνολική ζήτηση μπορεί να συνεχίσει να αυξάνεται.
Αυτό συνδέεται με το λεγόμενο rebound effect, δηλαδή το φαινόμενο κατά το οποίο η βελτίωση της αποδοτικότητας μπορεί να συνοδεύεται από αύξηση της χρήσης.
Ο IEA αναδεικνύει ακριβώς αυτή την πρόκληση.
Οι απλές ερωτήσεις κειμένου γίνονται πιο αποδοτικές.
Ταυτόχρονα, όμως, αυξάνεται η χρήση πολύ πιο απαιτητικών εφαρμογών, όπως η παραγωγή βίντεο, η σύνθετη συλλογιστική και οι AI agents που εκτελούν πολλαπλές εργασίες.
Ορισμένες από αυτές τις εργασίες μπορεί να χρειάζονται εκατοντάδες ή χιλιάδες φορές περισσότερη ενέργεια από ένα απλό αίτημα κειμένου.
Δεν μπορούμε επομένως να προβλέψουμε το συνολικό αποτύπωμα της AI μόνο από την αποδοτικότητα ενός μεμονωμένου chatbot.
Ποιος πληρώνει τελικά τον λογαριασμό;
Η πρώτη απάντηση είναι προφανής.
Οι εταιρείες που λειτουργούν τις υποδομές πληρώνουν για ηλεκτρική ενέργεια, εξοπλισμό, συντήρηση, ψύξη και προσωπικό.
Αλλά αυτή δεν είναι ολόκληρη η εικόνα.
Ένα μεγάλο data center μπορεί να χρειάζεται νέες γραμμές μεταφοράς ηλεκτρικής ενέργειας.
Μπορεί να απαιτεί αναβαθμίσεις στο δίκτυο.
Μπορεί να δημιουργεί πρόσθετη ζήτηση σε μια περιοχή όπου οι ενεργειακές υποδομές βρίσκονται ήδη υπό πίεση.
Και μπορεί να επηρεάζει την τοπική διαθεσιμότητα νερού.
Το ποιος πληρώνει για αυτές τις υποδομές εξαρτάται από τους κανόνες της αγοράς, τις συμφωνίες σύνδεσης, τις χρεώσεις δικτύου και τις αποφάσεις των ρυθμιστικών αρχών.
Δεν είναι σωστό να ισχυριστούμε ότι οι πολίτες πληρώνουν πάντοτε τον λογαριασμό των data centers.
Ούτε όμως ότι το κόστος παραμένει αποκλειστικά στις εταιρείες.
Ο IEA επισημαίνει ότι η συγκεντρωμένη και ταχεία αύξηση της ζήτησης μπορεί να δημιουργεί προκλήσεις για την προσιτότητα της ηλεκτρικής ενέργειας.
Παράλληλα, τονίζει ότι οι κατάλληλες πολιτικές και επενδύσεις μπορούν να περιορίσουν αυτές τις πιέσεις.
Το πραγματικό ερώτημα είναι ποιος αναλαμβάνει το κόστος των αναγκαίων αναβαθμίσεων και ποιος απολαμβάνει τα οικονομικά οφέλη.
Αυτό δεν είναι μόνο τεχνολογικό ζήτημα.
Είναι ζήτημα δημόσιας πολιτικής.
Το πραγματικό περιβαλλοντικό κόστος της AI
Τι γνωρίζουμε από δημοσιευμένες μετρήσεις και εκτιμήσεις
Περίπου 1,5% της παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας.
Πηγή: IEA, 2025Εκτιμώμενη συνολική κατανάλωση, αυξημένη κατά περίπου 17%.
Πηγή: IEA, 2026Κεντρική εκτίμηση του IEA, όχι βέβαιο μελλοντικό αποτέλεσμα.
Πηγή: IEA, 2026Εκτίμηση ηλεκτρικής κατανάλωσης για συγκεκριμένο προϊόν και περίοδο.
Πηγή: Google, Μάιος 2025Εκτίμηση άμεσης κατανάλωσης νερού ανά διάμεσο αίτημα κειμένου.
Πηγή: Google, Μάιος 2025Εκτιμώμενη άμεση κατανάλωση νερού από το σύνολο των data centers.
Πηγή: Lawrence Berkeley National LaboratoryAPPLEWORLDHELLAS.COM · AWH | AI
Και η Ελλάδα; Πρέπει να μας απασχολεί;
Ασφαλώς.
Η Ελλάδα επιδιώκει να αναπτύξει τις ψηφιακές υποδομές της και να προσελκύσει επενδύσεις σε υπηρεσίες cloud και data centers.
Τέτοιες επενδύσεις μπορούν να προσφέρουν νέες δυνατότητες για επιχειρήσεις, ψηφιακές υπηρεσίες και τεχνολογική ανάπτυξη.
Δεν πρέπει όμως να εξετάζονται μόνο με βάση το ύψος της επένδυσης.
Χρειάζεται να γνωρίζουμε πόση ηλεκτρική ισχύ απαιτούν.
Αν το δίκτυο μπορεί να υποστηρίξει τη ζήτηση.
Ποιες είναι οι ανάγκες ψύξης.
Αν υπάρχει χρήση νερού και από ποιες πηγές.
Πώς διαχειρίζονται τη θερμότητα.
Ποια είναι η πραγματική συνεισφορά τους στην τοπική οικονομία.
Και πώς εξασφαλίζεται ότι το περιβαλλοντικό κόστος δεν μεταφέρεται δυσανάλογα στις τοπικές κοινωνίες.
Ειδικά σε μια χώρα που αντιμετωπίζει κατά τόπους προβλήματα λειψυδρίας και αυξημένες ενεργειακές απαιτήσεις κατά τους θερινούς μήνες, η χωροθέτηση τέτοιων εγκαταστάσεων αξίζει ιδιαίτερη προσοχή.
Αυτό δεν σημαίνει ότι κάθε νέο data center αποτελεί περιβαλλοντική απειλή.
Σημαίνει ότι οι αποφάσεις πρέπει να βασίζονται σε διαφανείς, τοπικά τεκμηριωμένες μελέτες και όχι μόνο σε γενικές υποσχέσεις ανάπτυξης.
Οι ανανεώσιμες πηγές ενέργειας είναι η λύση;
Είναι σημαντικό μέρος της λύσης.
Η παραγωγή ηλεκτρικής ενέργειας από πηγές χαμηλών εκπομπών μπορεί να μειώσει το κλιματικό αποτύπωμα των data centers.
Αλλά δεν εξαφανίζει αυτομάτως όλες τις περιβαλλοντικές επιπτώσεις.
Οι εγκαταστάσεις εξακολουθούν να χρειάζονται υλικά, εξοπλισμό και υποδομές.
Επίσης, έχει σημασία πότε και πού παράγεται η καθαρή ηλεκτρική ενέργεια.
Μια εταιρεία μπορεί να αγοράζει πιστοποιητικά ή να συνάπτει συμβάσεις προμήθειας ανανεώσιμης ενέργειας.
Αυτό δεν σημαίνει απαραίτητα ότι κάθε ώρα λειτουργίας της εγκατάστασης τροφοδοτείται αποκλειστικά από ανανεώσιμες πηγές.
Η διαφορά ανάμεσα στη λογιστική αντιστάθμιση και στην πραγματική λειτουργία του τοπικού ηλεκτρικού συστήματος έχει σημασία.
Παράλληλα, η AI μπορεί να υποστηρίξει την ίδια την ενεργειακή μετάβαση.
Μπορεί να βοηθήσει στη βελτιστοποίηση δικτύων, στην πρόβλεψη ζήτησης, στη συντήρηση υποδομών και στη βελτίωση βιομηχανικών διαδικασιών.
Ο IEA αναγνωρίζει σημαντικές δυνατότητες εξοικονόμησης ενέργειας από εφαρμογές AI.
Όμως τα πιθανά οφέλη δεν αποτελούν αυτόματη αντιστάθμιση της ενέργειας που καταναλώνει ο κλάδος.
Πρέπει να μετρώνται ξεχωριστά.
Το περιβαλλοντικό κόστος αρχίζει πριν ανοίξουμε το chatbot
Μέχρι τώρα μιλήσαμε κυρίως για τη λειτουργία των υποδομών.
Υπάρχει όμως και το κόστος της κατασκευής τους.
Οι προηγμένοι επεξεργαστές απαιτούν σύνθετες βιομηχανικές διαδικασίες.
Χρειάζονται πρώτες ύλες, εξειδικευμένα εργοστάσια, ενέργεια και νερό.
Τα data centers απαιτούν κτίρια, συστήματα ηλεκτροδότησης, ψύξης και δικτύωσης.
Ο εξοπλισμός έχει συγκεκριμένη διάρκεια ζωής.
Κάποια στιγμή αντικαθίσταται, ανακυκλώνεται ή απορρίπτεται.
Αυτό σημαίνει ότι μια πλήρης περιβαλλοντική αξιολόγηση πρέπει να εξετάζει τον κύκλο ζωής των υποδομών.
Όχι μόνο την κατανάλωση κατά τη στιγμή που δημιουργείται μια απάντηση.
Η εξόρυξη υλικών, η παραγωγή μικροτσίπ και η διαχείριση ηλεκτρονικών αποβλήτων είναι πλευρές που συχνά απουσιάζουν από τις απλές συγκρίσεις κατανάλωσης ανά ερώτηση.
Πρέπει να αισθανόμαστε ενοχές κάθε φορά που χρησιμοποιούμε AI;
Όχι.
Και εδώ χρειάζεται να αποφύγουμε μια δεύτερη υπερβολή.
Δεν είναι λογικό να μετατρέπουμε κάθε ψηφιακή ενέργεια σε προσωπικό ηθικό δίλημμα.
Ένας γονιός που χρησιμοποιεί AI για να προετοιμάσει μια εκπαιδευτική δραστηριότητα δεν είναι υπεύθυνος για τον ενεργειακό σχεδιασμό μιας πολυεθνικής εταιρείας.
Ένας μαθητής που ζητά μια εξήγηση δεν μπορεί να γνωρίζει τη γεωγραφική θέση των διακομιστών που εξυπηρετούν το αίτημά του.
Και ένας επαγγελματίας που χρησιμοποιεί AI για μια πραγματικά χρήσιμη εργασία δεν πρέπει να αντιμετωπίζεται σαν να κάνει κάτι περιβαλλοντικά ανεύθυνο.
Αλλά υπάρχει διαφορά ανάμεσα στην ενοχή και στην επίγνωση.
Μπορούμε να χρησιμοποιούμε την AI συνειδητά.
Να αποφεύγουμε περιττές, ενεργοβόρες εργασίες όταν δεν προσφέρουν πραγματική αξία.
Να προτιμούμε απλούστερα εργαλεία για απλές ανάγκες.
Να μη δημιουργούμε δεκάδες εικόνες ή βίντεο χωρίς λόγο.
Να επιλέγουμε υπηρεσίες που δημοσιεύουν σαφείς πληροφορίες για το περιβαλλοντικό τους αποτύπωμα.
Και κυρίως, να ζητάμε από τις εταιρείες περισσότερη διαφάνεια.
Η μεγαλύτερη ευθύνη βρίσκεται σε εκείνους που σχεδιάζουν, χρηματοδοτούν και λειτουργούν τις υποδομές.
Πέντε ερωτήσεις που πρέπει να κάνουμε στις εταιρείες AI
Αν θέλουμε πραγματικά υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης, δεν αρκούν γενικές δηλώσεις για βιωσιμότητα.
Χρειαζόμαστε απαντήσεις.
1. Πόση ηλεκτρική ενέργεια καταναλώνουν πραγματικά οι υποδομές σας;
Με στοιχεία που να επιτρέπουν συγκρίσεις στον χρόνο.
2. Πόσο νερό χρησιμοποιείτε και σε ποιες περιοχές;
Η γεωγραφική θέση είναι κρίσιμη για την αξιολόγηση των τοπικών επιπτώσεων.
3. Τι περιλαμβάνουν οι περιβαλλοντικές μετρήσεις σας;
Μόνο την εκτέλεση του μοντέλου ή και την ψύξη, την παραγωγή ενέργειας και τον κύκλο ζωής του εξοπλισμού;
4. Ποιος επαληθεύει τους αριθμούς;
Οι ανεξάρτητοι έλεγχοι είναι σημαντικοί για την αξιοπιστία.
5. Ποιος πληρώνει για τις αναγκαίες ενεργειακές και υδατικές υποδομές;
Και πώς προστατεύονται οι τοπικές κοινωνίες από δυσανάλογες επιβαρύνσεις;
Αυτές οι ερωτήσεις δεν είναι εχθρικές προς την τεχνολογία.
Είναι απαραίτητες για να μπορέσουμε να την εμπιστευτούμε.
Η συζήτηση που αξίζει να κάνουμε και με τα παιδιά μας
Αυτό το θέμα έχει και μια ιδιαίτερα ενδιαφέρουσα εκπαιδευτική διάσταση.
Τα παιδιά μεγαλώνουν σε έναν κόσμο όπου οι ψηφιακές υπηρεσίες μοιάζουν να υπάρχουν παντού και να λειτουργούν χωρίς κόστος.
Όμως το διαδίκτυο δεν βρίσκεται πραγματικά «στο σύννεφο».
Βρίσκεται σε καλώδια, κέντρα δεδομένων, δίκτυα και φυσικές εγκαταστάσεις.
Μπορούμε να χρησιμοποιήσουμε αυτή την πραγματικότητα για να καλλιεργήσουμε περιβαλλοντική συνείδηση και κριτική σκέψη.
Να ρωτήσουμε ένα παιδί:
«Πού πιστεύεις ότι βρίσκεται η AI όταν της μιλάμε;»
«Τι χρειάζεται ένας υπολογιστής για να λειτουργήσει;»
«Γιατί οι μεγάλοι υπολογιστές χρειάζονται ψύξη;»
«Πώς μπορούμε να χρησιμοποιούμε την τεχνολογία χωρίς σπατάλη;»
Δεν χρειάζεται να τρομάξουμε τα παιδιά.
Χρειάζεται να τα βοηθήσουμε να καταλάβουν ότι η τεχνολογία αποτελεί μέρος του φυσικού κόσμου και ότι κάθε τεχνολογική επιλογή συνδέεται με πόρους και ανθρώπινες αποφάσεις.
Αυτό είναι ένα πολύτιμο μάθημα για την εποχή στην οποία θα μεγαλώσουν.
Συμπέρασμα: Η AI δεν χρειάζεται λιγότερες ερωτήσεις. Χρειάζεται περισσότερη διαφάνεια.
Η τεχνητή νοημοσύνη έχει τη δυνατότητα να προσφέρει σημαντικά οφέλη.
Στην επιστήμη.
Στην υγεία.
Στην εκπαίδευση.
Στην προσβασιμότητα.
Στην ενεργειακή αποδοτικότητα.
Στην καθημερινότητά μας.
Αλλά κανένα από αυτά τα οφέλη δεν καταργεί την ανάγκη να γνωρίζουμε το κόστος της.
Το περιβαλλοντικό αποτύπωμα της AI δεν μπορεί να συνοψιστεί σε μια εντυπωσιακή σύγκριση με ένα μπουκάλι νερό ή με μια ηλεκτρική συσκευή.
Είναι ένα σύνθετο ζήτημα που περιλαμβάνει ενέργεια, νερό, πρώτες ύλες, γεωγραφία, οικονομία και δημόσιες επιλογές.
Και ίσως το σημαντικότερο ερώτημα να μην είναι πόση ενέργεια καταναλώνει μια μεμονωμένη ερώτηση.
Αλλά αν η κοινωνία γνωρίζει αρκετά ώστε να αποφασίσει πώς, πού και με ποιους όρους θα αναπτυχθούν οι υποδομές αυτής της τεχνολογίας.
Γιατί όταν μια τεχνολογία υπόσχεται να αλλάξει ολόκληρο τον κόσμο, ο κόσμος δικαιούται να γνωρίζει τι χρειάζεται για να λειτουργήσει.
Και ποιος πληρώνει τελικά τον λογαριασμό.
Η Apple είναι
μόνο η αρχή.
Ειδήσεις, αναλύσεις, οδηγοί, τεχνολογία και podcasts. Μια ανεξάρτητη κοινότητα που εξερευνά όσα αξίζουν την προσοχή μας.
Ακολουθήστε στο Google ↗
AppleWorldHellas Podcast
Η Apple, η τεχνολογία και οι ιστορίες πίσω από τις εξελίξεις. Με ανεξάρτητη ματιά, συζήτηση και άποψη.
Πηγές και τεκμηρίωση
- International Energy Agency (IEA), 2026 — Key Questions on Energy and AI. Επικαιροποιημένα στοιχεία για την κατανάλωση των data centers, την ανάπτυξη της AI και τις ενεργειακές προκλήσεις.
https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary - International Energy Agency (IEA), 2025 — Energy and AI. Ανάλυση της ενεργειακής κατανάλωσης των data centers και προβλέψεις έως το 2030.
https://www.iea.org/reports/energy-and-ai/executive-summary - Google, 2025 — Measuring the Environmental Impact of Delivering AI at Google Scale. Τεχνική μεθοδολογία και εκτιμήσεις για ενέργεια, εκπομπές και νερό ανά διάμεσο αίτημα Gemini.
https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference - Lawrence Berkeley National Laboratory, 2024 — United States Data Center Energy Usage Report. Στοιχεία για την ηλεκτρική κατανάλωση και τη χρήση νερού στα αμερικανικά data centers.
https://eta.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report - Lawrence Berkeley National Laboratory, 2026 — United States Data Center Energy Usage Report: 2025 Update. Νεότερες εκτιμήσεις για την ενεργειακή ζήτηση των αμερικανικών data centers.
https://www.osti.gov/biblio/3374245
