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 tzv. AI for Green (řešení širších environmentálních problémů) se zaměřují na využití technologií k ochraně klimatu, efektivnímu využívání zdrojů a podpoře oběhového hospodářství. Prokazatelně zvyšují efektivitu, což je zásadní pro zmírňování změny klimatu a dosahování cílů udržitelného rozvoje.
Technologie umělé inteligence (AI) a strojového učení (ML) nabízejí v energetickém sektoru významné příležitosti — například při optimalizaci provozu datových center nebo při predikci a řízení výroby energie, ať už z obnovitelných či tradičních zdrojů. [1]
Jedním z nejcitovanějších případů je projekt DeepMind společnosti Google, kde algoritmy ML snížily spotřebu energie na chlazení datového centra až o 40 % a dosáhly přibližně 15 % snížení celkového ukazatele PUE (Power Usage Effectiveness) datového centra. [2]
Tento typ úspory je významný: datová centra patří mezi obrovské spotřebitele energie, takže i relativně zlepšená účinnost vede k významným úsporám nákladů a značnému snížení emisí skleníkových plynů.
Umělá inteligence (AI) a strojové učení (ML) nacházejí v řízení výroby z obnovitelných zdrojů – zejména ve větrných a solárních elektrárnách – významné uplatnění. Přehledová studie Shahverdi et al. (2025) [4] ukazuje rostoucí využití AI/ML v energetické udržitelnosti, včetně optimalizace provozu obnovitelných zdrojů. Detailní studie Benitez & Singh (2025) [5] se zaměřuje na předpověď výroby ve fotovoltaických a větrných elektrárnách, kde ML metody zlepšují přesnost predikce a umožňují rychlejší reakci na výkyvy počasí a poptávky. Tímto způsobem lze v konkrétních případech dosáhnout vyšší účinnosti a spolehlivosti systému – přesto je většina využití zatím v rámci pilotních projektů nebo specifických aplikací.
Zároveň je dobré upozornit, že i když již existují úspěšné příklady použití AI/ML pro obnovitelné zdroje, energetické sítě nebo prediktivní údržbu, většina projektů je zatím pilotních nebo omezených na konkrétní aplikace, a nelze proto tvrdit, že by AI/ML již zásadně transformovalo celý energetický sektor. [1],[3]
Prediktivní údržba komplexních systémů – příklad Siemens
Použití prediktivní analýzy a strojového učení (ML) k řízení komplexních technických systémů může snížit plýtvání zdroji, zvýšit provozní spolehlivost a snížit náklady, na základě poznatků z pilotních aplikací. Například v letectví se využívají modely prediktivní údržby založené na datech ze senzorů (teplota, vibrace, parametry motoru), které pomáhají předvídat poruchy a snižovat neplánované prostoje. [6]
Příklad společnosti Siemens v rámci svého řešení Senseye Predictive Maintenance s podporou AI a IoT senzorů (senzory propojené do sítě, které monitorují provozní parametry zařízení, např. měření teploty, vibrací) pomáhá průmyslovým provozům předcházet poruchám, plánovat výměny součástí před selháním a tím snižovat neplánované prostoje. [7]
V rámci cíle uhlíkové neutrality pro vlastní provozy do roku 2030 Siemens využívá umělou inteligenci (AI) k optimalizaci spotřeby energie ve výrobních procesech a ke zlepšení udržitelnosti a transparentnosti v dodavatelském řetězci. Tyto iniciativy podporují technologie jako digitální dvojčata, edge computing a průmyslová AI. [8]
Transformace dodavatelských řetězců – příklady Amazon a DHL
Dodavatelské řetězce jsou častým zdrojem ESG rizik. Dle studie Belhadi et al. (2024) [9] 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. [9]
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) [10] 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) [11] 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) [12] 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. [11] [13]
Diskriminace a netransparentní rozhodování – příklad Amazon a Google
Umělá inteligence představuje vážnou společenskou hrozbu v podobě algoritmického zkreslení, které studie Toderas (2025) [14] hodnotí jako kritické riziko s nejvyšším možným skóre 20 z 25 bodů. Toto nebezpečí se konkrétně projevilo v reálných případech: například Amazon musel odstranit diskriminační náborový systém upřednostňující muže, americké soudy čelily skandálu s rasově zaujatým softwarem pro predikci recidivy a bankovní systémy opakovaně diskriminovaly menšiny při schvalování úvěrů.
Řešení nabízí tzv. vysvětlitelná AI (XAI). Studie Gonzala Gameze (2025) [15] analyzuje pomocí technik LIME a SHAP rozhodování modelů pro detekci nenávistných projevů na sociálních sítích. Cílem je odhalit, zda tyto systémy nejsou systematicky zaujaté proti konkrétním skupinám uživatelů. Technologické společnosti jako Google (DeepMind) se zavázaly k větší transparentnosti AI a vyvíjejí vlastní nástroje, ačkoliv konkrétní nasazení XAI v komerční praxi zůstává omezené. Podle studie Verdecchia et al. (2023) [16] se průmysl podílí na výzkumu XAI pouze 23 %. Řešení proto spočívá v kombinaci různorodých tréninkových dat, přísné regulace a nezávislého auditu AI systémů.
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) [17] 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
- Posilte řízení a dohled nad AI. EY (2025) [17] 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.
- 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.
- 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:
[1] IEA (2025) Energy and AI, IEA, Paris. Dostupné na: https://www.iea.org/reports/energy-and-aihttps://www.iea.org/reports/energy-and-ai
[2] Deepmind (n.d.). Deepmind AI Reduces Energy Used for Cooling Google Data Centers by 40%. Dostupné na: https://deepmind.google/
[3] Huang, H., Castruccio, S. & Genton, M. G. (2021) Forecasting High-Frequency Spatio-Temporal Wind Power with Dimensionally Reduced Echo State Networks. arXiv. Available at: https://arxiv.org/abs/2102.01141
[4] Shahverdi, N., Saffari, A. and Amiri, B. (2025). A systematic review of artificial intelligence and machine learning in energy sustainability: Research topics and trends. Energy Reports, 13, 5551–5578. Dostupné na: https://www.sciencedirect.com/science/article/pii/S2352484725003014
[5] Benitez, I. B. & Singh, J. G. (2025) ‘A comprehensive review of machine learning applications in forecasting solar PV and wind turbine power output’, Journal of Electrical Systems and Information Technology, 12, Article 54. Dostupné na: https://link.springer.com/article/10.1186/s43067-025-00239-4
[6] Rampersad-Jagmohan, M. & Wang, Y. (2024) ‘Predictive Analytics in Aviation Management’, in Advanced Manufacturing and Automation XIII, Lecture Notes in Electrical Engineering, vol. 1013, pp. 401–406. Dostupné na: https://www.researchgate.net/publication/378471410_Predictive_Analytics_in_Aviation_Management
[7] Siemens (2025) ‘AI-supported predictive maintenance: Siemens and Sachsenmilch are breaking new ground in the food and beverage industry’, Press release, 4 June. Dostupné na: https://press.siemens.com/global/en/pressrelease/siemens-advances-predictive-maintenance-artificial-intelligence-sachsenmilch
[8] Siemens AG (2025) ‘Siemens accelerates path toward AI-driven industries through innovation and partnerships’, Press release 31 March. Dostupné na: https://press.siemens.com/global/en/pressrelease/siemens-accelerates-path-toward-ai-driven-industries-through-innovation-and
[9] Belhadi, A., Mani, V., Kamble, S. S., Khan, S. A. R., & Verma, S. (2024). Artificial intelligence-driven innovation for enhancing supply chain resilience and performance under the effect of supply chain dynamism: an empirical investigation. Annals of Operations Research, 25. Dostupné na: https://www.semanticscholar.org/paper/Artificial-intelligence-driven-innovation-for-chain-Belhadi-Mani/3c6067c120790b142e9b581bfc82ca02db2ce095
[10] Luccioni, A.S., Viguier, S. and Ligozat, A.-L. (2023). Estimating the carbon footprint of BLOOM, a 176B parameter language model. Journal of Machine Learning Research, 24, 1–15. Dostupné na: https://www.jmlr.org/papers/volume24/23-0069/23-0069.pdf
[11] Deloitte Global (2024) Powering artificial intelligence: A study of AI’s footprint—today and tomorrow. Dostupné na: https://www.deloitte.com/global/en/issues/climate/powering-ai.html
[12] Wu, C.J., Raghavendra, R., Gupta, U., Acun, B., Ardalani, N., Maeng, K., Chang, G., Behram, F.A., Huang, J., Bai, C., et al. (2022). Sustainable AI: Environmental implications, challenges and opportunities. Proc. Mach. Learn. Syst., 4, 795–813. Dostupné na: https://www.researchgate.net/publication/355843251_Sustainable_AI_Environmental_Implications_Challenges_and_Opportunities
[13] Laville, S. (2025) ‘Call to make tech firms report data centre energy use as AI booms’, The Guardian, 7 February. Dostupné na: https://www.theguardian.com/technology/2025/feb/07/call-to-make-tech-firms-report-data-centre-energy-use-as-ai-booms
[14] Toderas, M. (2025). Artificial Intelligence for Sustainability: A Systematic Review and Critical Analysis of AI Applications, Challenges, and Future Directions. Sustainability, 17(17), 8049. Dostupné na: https://www.researchgate.net/
[15] Gamez, G. (2025). Analysis of Black-Box Models with Explainable AI on a Targeted Group Hate Speech Dataset in Social Media. In: RESEARCH and TECHNOLOGY – STEP into the FUTURE 2025, Vol. 20, No. 1, Transport and Telecommunication Institute, Riga, pp. 30–31.
[16] Verdecchia, R., Sallou, J., & Cruz, L. (2023). A systematic review of green ai. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. Dostupné na: https://research.tudelft.nl/en/publications/a-systematic-review-of-green-ai/
[17] EY (2025). Artificial intelligence ESG stakes. Dostupné na: https://www.ey.com/content/dam/ey-unified-site/ey-com/es-es/insights/rethinking-sustainability/documents/ey-artificial-intelligence-esg-stakes-discussion-paper.pdf