Ny metod ska mäta AI:s klimatpåverkan – så funkar det

Ramverket har tagits fram tillsammans med forskare från Stanford University och Tsinghua University. Enligt Watershed har även företag som Block och Okta samt organisationen Business Council on Climate Change deltagit i arbetet.

Enligt företaget ökar behovet av en gemensam metod i takt med att AI blir en allt större del av företagens verksamhet. Samtidigt varierar dagens uppskattningar kraftigt beroende på vilka antaganden som görs och vilka delar av AI-systemet som räknas in. I vitboken, där ramverket redogörs, konstaterar Watershed att olika beräkningsmetoder kan ge resultat som skiljer sig med flera tiopotenser.

Enligt företaget är målet inte att ta fram ett exakt facit, utan att skapa ett gemensamt ramverk som kan utvecklas i takt med att AI-leverantörer börjar redovisa mer detaljerad information om energianvändning och utsläpp.

Så fungerar ramverket

Watershed beskriver sitt ramverk som ett första försök att skapa en enhetlig metod för att uppskatta klimatpåverkan från företags användning av generativ AI. Enligt företaget är målet inte att ge ett exakt svar, utan att ge företag ett sätt att börja mäta utsläppen med den information som redan finns tillgänglig och successivt förbättra beräkningarna när mer data blir tillgänglig.

Ramverket bygger på tre huvuddelar: en gemensam avgränsning av vad som ska räknas med, en gemensam måttenhet och en beräkningsmodell som anpassas efter hur mycket data företaget har tillgång till.

Steg 1: Kartlägg hur AI används

Det första steget är att skapa en överblick över hur AI används i verksamheten.

Watershed rekommenderar att företag identifierar vilka AI-tjänster som används, vilka leverantörerna är och på vilket sätt de används. Det kan handla om AI-assistenter som Copilot eller Gemini, språkmodeller som används via API:er eller AI-funktioner som är inbyggda i andra affärssystem. Samtidigt bör företaget samla in den AI-relaterade data som finns tillgänglig.

Steg 2: Bestäm vad som ska räknas med

Enligt Watershed räcker det inte att bara mäta den el som används när en AI-modell besvarar en fråga.

Ramverket utgår från ett bredare livscykelperspektiv. Förutom energianvändningen vid själva användningen omfattar beräkningen även utsläpp från modellträning, datacentrets energianvändning, reservkapacitet samt klimatpåverkan från tillverkningen av den hårdvara som används. Syftet är att olika AI-tjänster ska kunna jämföras på ett mer likvärdigt sätt.

Watershed konstaterar samtidigt att flera av dessa delar fortfarande är förknippade med stora osäkerheter, framför allt hur utsläppen från modellträningen ska fördelas mellan olika användare.

Steg 3: Välj beräkningsnivå

En central del i ramverket är att företag inte behöver vänta på perfekt data.

I stället delas beräkningen in i tre nivåer.

Den första nivån, Spend Tier, används när företaget endast känner till sina kostnader för AI-tjänster. Då uppskattas utsläppen utifrån hur mycket företaget spenderar.

Den andra nivån, Activity Tier, bygger på företagets faktiska användning. Här används bland annat antalet AI-tokens – de textenheter som språkmodeller använder när de bearbetar och genererar text. Många företag följer redan antalet tokens eftersom de ligger till grund för kostnaderna hos flera AI-leverantörer.

Den tredje nivån, Provider Tier, bygger på uppgifter direkt från AI-leverantören, exempelvis energianvändning och utsläpp per token. Enligt Watershed ger denna nivå de mest träffsäkra resultaten, men få leverantörer redovisar i dag den information som krävs.

Steg 4: Efterfråga bättre data

Eftersom tillgången till data är den största begränsningen uppmanar Watershed företag att börja ställa högre krav på sina AI-leverantörer.

Företaget rekommenderar att efterfråga uppgifter om bland annat energianvändning per token, datacentrens geografiska placering, utsläpp från modellträning och klimatpåverkan från den hårdvara som används. Ju mer detaljerad information som finns tillgänglig, desto mer träffsäkra blir beräkningarna.

Steg 5: Använd resultaten för att minska utsläppen

Watershed betonar att syftet med ramverket inte bara är att redovisa utsläpp utan också att minska dem.

Enligt företaget finns flera åtgärder som företag kan använda redan i dag. Bland annat rekommenderas att välja mindre energikrävande AI-modeller när uppgiften inte kräver de mest avancerade modellerna. I vitboken anges att resonemangsmodeller kan använda omkring 30 gånger mer energi än enklare modeller för liknande uppgifter.

Andra åtgärder är att skriva kortare och mer precisa promptar, välja regioner med elproduktion som har lägre klimatpåverkan och – när sådan information finns – väga in AI-leverantörernas användning av fossilfri el vid upphandling.

Vill bana väg för en gemensam standard

En viktig del av ramverket är också att AI-leverantörer ska börja redovisa mer information om sina modeller.

Watershed föreslår därför ett standardiserat format där leverantörer bland annat redovisar energianvändning per token, utsläpp från modellträning, datacentrens energianvändning och vilken elmix som används. Enligt företaget skulle det göra det möjligt för företag att jämföra olika AI-tjänster och väga in klimatpåverkan vid val av leverantör.

Samtidigt betonar Watershed att ramverket inte är någon officiell standard. Företaget beskriver det som ett första förslag inom ett område där någon internationellt vedertagen metod ännu inte finns. Ramverket är också utformat för att kunna utvecklas i takt med att AI-leverantörer publicerar mer detaljerad information om sina modeller och datacenter.

Miljö & Utveckling söker Watershed för en kommentar.