Održivost veštačke inteligencije pod pritiskom rasta potrošnje energije

Masovna primena veštačke inteligencije (AI) je otvorila pitanje dugoročne održivosti. Globalna potrošnja električne energije za potrebe data centara trenutno iznosi oko 1,5 odsto ukupne potrošnje, a procene su da će do 2030. godine njeno učešće biti udvostručeno. Dodatni problem predstavlja porast potrošnje vode i stvaranje elektronskog otpada. Mada se energetska efikasnost tehnologije ubrzano povećava, brzina rasta primene AI i geografska koncentracija infrastrukture ostaju ključni faktori koji utiču na pitanje održivosti.

Budućnost održive AI neće zavisiti samo od toga koliko će AI postati pametan, već i od toga koliko će postati energetski i resursno efikasan — i gde će biti izgrađena infrastruktura koja ga pokreće.

Rast potrošnje energije

Prema podacima Međunarodne agencije za energiju (IEA), data centri na globalnom nivou troše oko 1,5% ukupne svetske potrošnje električne energije, a procenjuje se da će do 2030. godine potrošnja dostići 945 TWh (približno današnjoj potrošnji električne energije Japana), što je oko 3% ukupne svetske potrošnje električne energije.

Na prvi pogled, 3% svetske potrošnje možda ne deluje dramatično. Međutim, problem je u tome što se potrošnja ne raspoređuje ravnomerno. Data-centri se koncentrišu u relativno malom broju zemalja i regiona, a pojedinačni AI data-centri mogu predstavljati opterećenje uporedivo sa velikim industrijskim postrojenjima. Zbog toga pitanje održivosti AI-ja nije samo pitanje koliko resursa AI troši, već i gde se ti resursi troše i koliko brzo raste potražnja.

Potrošnju energije povezanu sa AI treba posmatrati na nekoliko nivoa. Prvi je energija potrebna za trening modela, odnosno proces tokom koga model uči na ogromnim količinama podataka. Drugi nivo je energija potrebna za svakodnevno korišćenje već obučenog modela (inference). Treći nivo obuhvata infrastrukturu koja omogućava njihovo funkcionisanje (serveri, mrežna oprema i sistemi za hlađenje).

U početku pažnja je uglavnom bila usmerena na ogromnu količinu energije koja se trošila za trening modela, ali kako ubrzano raste primena AI sve je veća potrošnja po osnovu svakodnevne upotrebe AI. Model koji je jednom obučen može tokom godina generisati milijarde odgovora. Zbog toga relativno mala potrošnja po pojedinačnom upitu može prerasti u značajnu ukupnu potrošnju.

IEA procenjuje da će upravo serveri sa hardverskim ubrzanjem, koji se pre svega koriste za AI zadatke (accelerated servers), biti jedan od glavnih pokretača budućeg rasta. U osnovnom scenariju njihova potrošnja električne energije raste oko 30% godišnje, dok je rast potrošnje konvencionalnih servera oko 9%. Stoga se procenjuje da će serveri za AI zadatke činiti gotovo polovinu povećanja potrošnje električne energije data-centara do 2030. godine.

Geografska koncentracija AI infrastrukture

Jedna od najvažnijih karakteristika AI infrastrukture jeste njena geografska koncentracija. Prema podacima IEA, SAD su 2024. godine imale učešće od oko 45% globalne potrošnje električne energije data centara, Kina oko 25%, a Evropa oko 15%. Dakle, ove tri velike regije zajedno predstavljaju približno 85% svetske potrošnje data-centara.

SAD imaju posebno izražen problem zbog kombinacije ogromnog broja data-centara i visoke potrošnje po stanovniku. Potrošnja električne energije data-centara u SAD iznosila je oko 540 kWh per capita 2024. godine, a prema IEA mogla bi premašiti 1.200 kWh per capita do 2030. godine.

Prema podacima Stanford AI Index-a za 2026. godinu, SAD su 2025. godine imale 5.427 data-centara, što je više od deset puta nego bilo koja druga zemlja. Slede Nemačka sa 529, Velika Britanija sa 523 i Kina sa 449 data-centara. Pri tome broj objekata nije savršen pokazatelj kapaciteta, jer se data-centri veoma razlikuju po veličini i računarskoj snazi.

Potrošnja električne energije za potrebe data centara u Kini nosi dodatnu problematiku jer gotovo 70% električne energije koju trenutno koriste kineski data-centri je proizvedena iz uglja, dok obnovljivi izvori čine nešto manje od 20%. U SAD prirodni gas predstavlja više od 40% izvora električne energije za data centre, dok obnovljivi izvori učestvuju sa oko 24%, a nuklearna energija sa približno 20%.

Ovi podaci pokazuju zašto nije dovoljno znati samo koliko energije AI troši. Isto AI opterećenje (workload) može imati potpuno različit klimatski otisak u zavisnosti od toga gde se izvršava i iz kog izvora dolazi električna energija.

Evropska unija (EU) ima manje kapacitete data centara u odnosu na SAD i Kinu. Učešće EU u globalnoj potrošnji električne energije iz data centara je smanjeno sa 25% u 2015. godini na oko 15% u 2024. godini. Međutim, kako bi sustigla globalne konkurente, Evropska komisija je postavila cilj da se kapacitet data centara u EU utrostruči u narednih 5-7 godina, što će se odraziti i na porast potrošnje električne energije za ove potrebe.

Prema dokumentu Evropske komisije iz juna 2026. godine, data-centri trenutno imaju učešće od oko 2,5% potrošnje električne energije EU, dok bi instalirani kapacitet trebalo da poraste sa približno 12 GW u 2025. godini na oko 28 GW do 2030. godine.

Međutim, EU ima važnu prednost u odnosu na SAD i Kinu u pogledu strukture energetskog sistema. IEA procenjuje da bi obnovljivi izvori i nuklearna energija zajedno mogli da obezbede oko 85% dodatne električne energije potrebne evropskim data-centrima do 2030. godine. To znači da evropski razvoj AI infrastrukture ne mora nužno imati isti ugljenični intenzitet kao razvoj u sistemima koji se u većoj meri oslanjaju na ugalj ili gas.

Ipak, postoji drugi problem, a to je kapacitet elektroenergetske mreže. IEA procenjuje da bi bez rešavanja problema sa mrežom oko 20% planiranih data-centre projekata globalno moglo biti izloženo riziku od kašnjenja. Evropska komisija i IEA zato sve više naglašavaju pitanje lokacije data-centara, dostupnosti mreže i sposobnosti elektroenergetskog sistema da prihvati velike nove potrošače.

Investiciona dinamika dodatno potvrđuje izrazitu koncentraciju globalnog AI ekosistema u SAD. Prema podacima Stanford AI Index Report-a za 2026. godinu, privatne investicije u AI u SAD dostigle su 285,9 milijardi dolara u 2025. godini, što je više od 23 puta od privatnih AI investicija u Kini, koje su iznosile 12,4 milijarde dolara. Istovremeno, SAD su tokom 2025. godine imale 1.953 novoosnovanih AI kompanija koje su privukle finansiranje, više od deset puta više nego bilo koja druga zemlja.

Ove brojke, međutim, treba tumačiti sa oprezom, budući da poređenje privatnih investicija može potceniti stvarni obim kineskih ulaganja u AI, imajući u vidu značajnu ulogu državnih fondova usmerenih na razvoj ove tehnologije.

Investiciona dominacija SAD takođe se ne ogleda nužno u jednakoj dugoročnoj prednosti u ljudskom kapitalu: broj AI istraživača i developera koji migriraju u SAD smanjio se za 89% u odnosu na 2017. godinu, pri čemu je samo tokom poslednje godine zabeležen pad od oko 80%. Ovi podaci ukazuju na to da se globalna AI konkurencija ne vodi samo kroz ulaganja u računarsku infrastrukturu, već i kroz sposobnost zemalja da privuku kapital, osnuju nove kompanije i obezbede visokokvalifikovanu radnu snagu potrebnu za razvoj i primenu AI tehnologija.

Voda i elektronski otpad

Energetski aspekt AI-ja je relativno lako razumeti. Mnogo manje poznat je njegov uticaj na resurse vode. Data-centri proizvode ogromne količine toplote i moraju neprekidno da se hlade. U zavisnosti od tehnologije hlađenja, deo vode se direktno troši u procesu hlađenja. Međutim, kako se voda koristi i pri proizvodnji električne energije kojom se data-centri napajaju, kao i tokom proizvodnje poluprovodnika i drugih komponenti, bitno je razlikovati direktnu i indirektnu potrošnju vode.

Jedna od najnovijih studija (Barnett-Itzhaki, 2026) procenjuje da bi globalni vodni otisak AI mogao dostići 4,2–6,6 milijardi m³ godišnje do 2027. godine, što je približno koliko iznosi ukupno godišnje zahvatanje vode u V. Britaniji. Pri tome se procenjuje da je približno dve trećine data-centara izgrađenih nakon 2022. godine smešteno u područjima sa određenim nivoom vodnog stresa.

Jedna procena kompanije Google pokazuje da prosečan tekstualni upit Gemini modelu troši oko 0,26 mililitara vode. To je zanemarljivo za pojedinačni upit, ali bi milion takvih upita odgovarao približno 260 litara vode. Problem, dakle, nije u tome što jedan korisnik potroši čašu vode kada postavi pitanje AI-ju, već u tome što se takvi zahtevi ponavljaju milijardama puta.

Rast primene AI ne povećava samo potrošnju električne energije i vode, nego raste i potreba za data centrima, a time i za zemljištem i materijalima potrebnim za proizvodnju servera i čipova. Nova studija Ujedinjenih nacija iz 2026. godine zato AI posmatra kroz širi carbon–water–land nexus.

Prema njihovim procenama, ukoliko ukupna potrošnja električne energije data-centara dostigne oko 945 TWh godišnje do 2030. godine, sa tom potrošnjom mogao bi biti povezan vodni otisak od približno 9,3 milijarde m³ godišnje. Pri tome, različiti načini obezbeđivanja energije imaju različite ekološke posledice: smanjenje emisija CO₂ ne znači automatski i smanjenje potrošnje vode ili zemljišta.

Studija kao ilustraciju navodi da prelazak sa uglja na bioenergiju može značajno smanjiti karbonski otisak, ali istovremeno višestruko povećati vodni i zemljišni otisak proizvodnje energije. Problem je dodatno izražen zbog geografske koncentracije infrastrukture pa se resursni pritisak ne raspoređuje ravnomerno širom sveta.

Konačno, uticaj AI ne završava se samo na korišćenju servera. Do 2030. godine AI infrastruktura mogla bi biti povezana sa stvaranjem oko 2,5 miliona tona elektronskog otpada godišnje. Dakle, iza jednog AI odgovora nalazi se mnogo duži lanac resursa. Potrebni su napredni poluprovodnici, energija za njihovu proizvodnju, serveri, data-centri, sistemi za hlađenje i elektroenergetska mreža.

Kada oprema zastari, nastaje elektronski otpad, a za proizvodnju nove generacije opreme potrebne su nove količine sirovina i energije. Sve to zajedno ukazuje da održivost AI treba procenjivati kroz čitav životni ciklus infrastrukture — od proizvodnje energije i čipova, preko potrošnje vode i zemljišta, do otpada na kraju radnog veka opreme.

Efikasniji AI — rešenje ili novi izvor potražnje?

Postoji i druga strana priče. AI tehnologija napreduje izuzetno brzo, a efikasnost hardvera i softvera se povećava. Potrošnja energije potrebna za izvršavanje pojedinačnog zadatka može značajno da se smanji kada se koriste efikasniji čipovi, optimizovani modeli i naprednije tehnike za svakodnevno korišćenje obučenog modela.

Međutim, problem nastaje zbog mogućeg Jevonsovog paradoksa što u konkretnom slučaju može značiti da povećanje efikasnosti korišćenja AI ne dovodi nužno do smanjenja njegove ukupne primene. Naprotiv, ako veća efikasnost smanji cenu korišćenja AI, to dodatno može podstaći njegovu veću upotrebu, tako da ukupna potrošnja čak poraste.

Jedan od ključnih izazova predstavlja činjenica da povećanje energetske i resursne efikasnosti AI infrastrukture ne mora automatski dovesti do smanjenja njenog ukupnog ekološkog otiska. Najnovija istraživanja (2026) ukazuju na više mogućih pravaca za povećanje održivosti AI, uključujući korišćenje energetski efikasnijeg i recikliranog hardvera, bolje projektovanje data-centara, integraciju njihovog rada sa elektroenergetskom mrežom i optimizaciju upravljanja AI opterećenjem.

Procenjuje se da korišćenje recikliranih ili starijih komponenti može smanjiti ukupne emisije data-centara za 10–20%, dok integracija AI data-centara sa elektroenergetskom mrežom može dodatno smanjiti emisije u sistemima sa visokim udelom obnovljivih izvora.

Istovremeno, mere usmerene na smanjenje jednog oblika ekološkog opterećenja mogu povećati drugi. Na primer, sistem hlađenja koji smanjuje potrošnju vode može zahtevati više električne energije, dok energetski efikasnije rešenje ne mora nužno imati najmanji vodni otisak. Zbog toga se održivost AI-ja ne može procenjivati samo jednim indikatorom.

Da li je masovna primena AI održiva?

Odgovor zavisi od toga šta podrazumevamo pod održivošću. Ako posmatramo potrošnju po jednom AI zadatku, trend je uglavnom pozitivan. Tehnologija postaje energetski i računarski efikasnija. Međutim, ako posmatramo ukupnu potrošnju, slika je drugačija. Broj AI korisnika i AI zadataka raste veoma brzo, modeli postaju kompleksniji, a istovremeno se grade novi data-centri.

Prema IEA osnovnom scenariju, ukupna potrošnja električne energije data-centara do 2030. godine više nego će se udvostručiti u odnosu na 2024. godinu. U tom periodu potrošnja servera povezanih sa AI raste oko 30% godišnje.

Još važnije, IEA procenjuje da će obnovljivi izvori obezbediti gotovo polovinu dodatne električne energije potrebne data-centrima do 2030. godine, ali će prirodni gas i ugalj zajedno i dalje obezbeđivati više od 40% dodatne proizvodnje do kraja decenije. Dakle, tehnološka efikasnost sama po sebi neće rešiti problem ukoliko rast potražnje bude brži od rasta efikasnosti.

Ipak, ovi podaci sami po sebi ne znače da je masovna primena AI neodrživa. Udeo data-centara u globalnoj potrošnji energije i dalje ostaje relativno mali, dok se energetska efikasnost tehnologije ubrzano povećava. Ključni problem predstavlja brzina rasta potražnje, geografska koncentracija infrastrukture i lokalna dostupnost energije i vode.

Zbog toga se pitanje održivosti AI sve više pomera sa nivoa pojedinačne tehnologije na nivo energetskog i vodnog sistema. Zemlje koje budu sposobne da razvoj AI infrastrukture povežu sa niskougljeničnom električnom energijom, dostupnim vodnim resursima, efikasnim sistemima hlađenja i odgovarajućim kapacitetom elektroenergetske mreže imaće znatno bolje uslove da iskoriste ekonomske koristi AI revolucije bez proporcionalnog povećanja njenog ekološkog otiska.

Drugim rečima, budućnost održive AI neće zavisiti samo od toga koliko će AI postati pametan, već i od toga koliko će postati energetski i resursno efikasan — i gde će biti izgrađena infrastruktura koja ga pokreće.

Članak je objavljen u najnovijem broju publikacije Makroekeonomske analize i trendovi koju izdaju Ekonomski institut u Beogradu i Privredna komora Srbije.