Энергопотребление ИИ-агентов: почему цифры «на один запрос» вводят в заблуждение

Климатолог Зик Хаусфатер на собственном опыте показал: ИИ-агенты для программирования потребляют примерно в 600 раз больше энергии, чем простой текстовый запрос. За восемь недель работы агент Claude Code израсходовал 170 кВт·ч электроэнергии дата-центра. Каждый его запуск инициировал в среднем 12 вызовов модели, а одна задача обрабатывала около 2,9 миллиона токенов. Обычный вопрос к ChatGPT или Gemini обходится в 0,24–0,34 Вт·ч. Разрыв колоссальный, и он ставит под сомнение привычные метрики.

Почему же цифры «на один запрос» обманчивы? Агент не просто отвечает на вопрос. Он автономно планирует шаги, пишет код, проверяет результат, находит ошибки и исправляет их. Всё это происходит без участия человека и требует множества обращений к модели. Оценивать такое потребление по старым меркам - всё равно что судить о расходе топлива самолёта по нормам для велосипеда. Разберёмся, откуда берутся эти цифры и что они означают для обычных пользователей.

Введение: 600-кратная разница, которую мы не замечаем

ИИ-агенты - это системы, которые выполняют сложные задачи самостоятельно. Они не ждут пошаговых инструкций. Получив цель, агент разбивает её на этапы, вызывает инструменты, анализирует промежуточные результаты и корректирует действия. Такой подход радикально меняет энергопотребление.

Эксперимент Хаусфатера с Claude Code стал публичной иллюстрацией этого сдвига. Программистский агент за два месяца потребил 170 кВт·ч. Для сравнения: столько же электричества средняя российская семья тратит за полтора-два месяца на все бытовые нужды. Простой текстовый запрос к ChatGPT или Gemini расходует 0,24–0,34 Вт·ч - примерно как светодиодная лампочка за несколько секунд. Разница в 600 раз возникает из-за того, что агент не просто генерирует ответ, а выполняет десятки операций, каждая из которых нагружает серверы дата-центра.

Старые метрики «на один запрос» создают иллюзию, что ИИ почти не влияет на энергосистему. Это опасно. Когда мы слышим про 0,3 Вт·ч, мы не видим реальной нагрузки от тысяч агентов, работающих часами над кодом, анализом данных или научными расчётами. В этой статье мы разложим кейс Хаусфатера на составляющие, выявим скрытые факторы потребления и объясним, почему системные изменения в энергоснабжении дата-центров важнее личных ограничений пользователей.

Кейс Claude Code: что показал эксперимент климатолога

Зик Хаусфатер - климатолог, который использует ИИ-агентов в профессиональной работе. Его эксперимент не был лабораторным: он просто фиксировал реальное потребление в течение восьми недель повседневного использования Claude Code для программирования. Результаты оказались отрезвляющими.

Суммарно агент потребил 170 кВт·ч электроэнергии дата-центра. Один промпт запускал в среднем 12 вызовов языковой модели. Каждая задача обрабатывала около 2,9 миллиона токенов. Эти три цифры - ключ к пониманию, почему агенты на порядки прожорливее обычных чат-ботов.

Почему 12 вызовов на один запрос - это норма для агента

ИИ-агент работает как опытный сотрудник, который не отдаёт результат сразу. Он получает задание, составляет план, выполняет первый шаг, проверяет его, находит ошибку, исправляет, снова проверяет - и только потом выдаёт финальный ответ. Каждое из этих действий требует отдельного обращения к модели.

В случае с программированием цепочка выглядит так: агент читает описание задачи, генерирует код, запускает его в тестовой среде, анализирует вывод, находит баг, переписывает фрагмент, тестирует снова. Это минимум 6-7 вызовов. Если задача сложная, количество обращений легко переваливает за десяток. Хаусфатер зафиксировал среднее значение 12 - и это не аномалия, а рабочий режим.

Обычный чат-запрос - это один вызов. Вы спросили - модель ответила. Никакой самопроверки, никаких итераций. Поэтому прямое сравнение «запроса к агенту» с «запросом к чат-боту» бессмысленно. Это разные по сложности операции, и их энергопотребление отличается на порядки.

2,9 миллиона токенов: что это значит на практике

Токен - это единица текста, которую модель обрабатывает за один раз. Грубо говоря, один токен равен 0,75 слова на русском или английском языке. Значит, 2,9 миллиона токенов - это около 2,2 миллиона слов. Для наглядности: «Война и мир» Льва Толстого содержит примерно 560 тысяч слов. Одна задача агента обрабатывает объём текста, сопоставимый с четырьмя такими романами.

Откуда такой объём? Агент читает документацию, анализирует существующий код, генерирует свой, получает сообщения об ошибках, перечитывает их, предлагает исправления. Всё это - текстовые данные, которые прогоняются через модель. Каждый токен требует вычислений, а вычисления требуют энергии. Обычный диалог с ChatGPT редко превышает несколько тысяч токенов за всю историю переписки. Разница - в сотни раз.

Эти цифры помогают понять, почему 170 кВт·ч за восемь недель - не преувеличение. Агент не просто «отвечает», он перерабатывает гигантские массивы информации, и каждая итерация добавляет нагрузку на серверы.

Скрытые факторы: что не учитывают цифры «на один запрос»

Оценки вроде «0,3 Вт·ч на запрос» основаны на простых текстовых взаимодействиях: один вопрос - один ответ. ИИ-агенты ломают эту модель. Три фактора делают старые метрики непригодными: мультимодальность, цепочки рассуждений и автономная работа.

Мультимодальность: когда запрос - это не только текст

Агенты работают не только с текстом. Claude Code, например, оперирует программным кодом, структурами данных, конфигурационными файлами, иногда - изображениями интерфейсов или диаграммами. Каждый тип данных требует дополнительных вычислений.

Генерация кода сложнее генерации обычного текста. Модель должна соблюдать синтаксис, учитывать зависимости, предсказывать поведение программы. Анализ изображений нагружает совсем другие слои нейросети. Даже если пользователь отправил текстовый запрос, агент в процессе работы может создать изображение графика, считать его и найти на нём аномалию. Каждое такое действие увеличивает счётчик токенов и расход энергии.

Метрика «на один текстовый запрос» игнорирует всё это многообразие. Она пригодна для чат-бота, но не для инструмента, который пишет, запускает и отлаживает код.

Рассуждения и самопроверка: скрытая работа агента

Современные модели используют цепочки рассуждений - chain-of-thought. Перед тем как выдать ответ, они проговаривают про себя промежуточные шаги: «сначала нужно сделать X, потом проверить Y, если не сработает - попробовать Z». Эти внутренние монологи не видны пользователю, но они потребляют токены и энергию.

Агент идёт дальше. Он не просто рассуждает - он проверяет свои выводы. Сгенерировал код - запустил - получил ошибку - проанализировал - исправил. Эта петля обратной связи может повторяться многократно. Хаусфатер зафиксировал 12 вызовов модели на один промпт - и значительная часть из них приходилась именно на самопроверку и исправление ошибок.

Оценка «на один запрос» предполагает, что модель отвечает с первой попытки. Для агентов это не так. Они перебирают варианты, и каждый вариант стоит денег и электричества.

Что это значит для экологии и что мы можем сделать

Суммарное влияние ИИ-агентов на выбросы CO₂ зависит от того, откуда дата-центры берут энергию. Если электричество вырабатывается на угольной станции, углеродный след огромен. Если на солнечной или ветряной - он близок к нулю. Поэтому вопрос источников энергии выходит на первый план.

Кейс Хаусфатера показывает масштаб: 170 кВт·ч за два месяца работы одного разработчика. Умножьте это на тысячи компаний, внедряющих ИИ-агентов для программирования, анализа данных и автоматизации, - и вы получите промышленные объёмы энергопотребления. В этом контексте личные ограничения пользователей теряют смысл.

Личные ограничения или чистая энергия: где рычаг влияния

Ваш редкий запрос к ChatGPT - это 0,0003 кВт·ч. Даже если вы пользуетесь чат-ботами каждый день, ваше годовое потребление не превысит нескольких киловатт-часов. Для сравнения: один час работы программистского агента расходует примерно 0,3 кВт·ч - столько же, сколько вы тратите на тысячу текстовых запросов.

Основное потребление генерируют корпоративные пользователи и дата-центры. Компании запускают агентов для обработки данных, написания кода, тестирования программ. Эти задачи работают часами и сутками. Отказ частного пользователя от ИИ-помощников не изменит общую картину. Системные изменения - перевод дата-центров на чистую энергию, повышение эффективности чипов, оптимизация алгоритмов - дают реальный эффект.

Хаусфатер подчёркивает: сосредоточиться на источниках энергии продуктивнее, чем на личных ограничениях. Эта мысль перекликается с анализом энергетического кризиса ИИ, где разбираются масштабы проблемы и возможные решения - от термоядерного синтеза до умной маршрутизации запросов.

Будущее: природный газ или возобновляемые источники?

Планы строительства новых дата-центров в США показывают тревожную тенденцию: три четверти новых мощностей ориентированы на природный газ. Это означает, что рост ИИ-инфраструктуры в ближайшие годы будет сопровождаться ростом выбросов.

Крупные технологические компании заявляют об амбициозных целях по переходу на возобновляемую энергию. Однако реальность пока расходится с заявлениями. Пример дата-центра Amazon в Техасе показывает, как даже компании с публичными обязательствами по нулевым выбросам строят газовые электростанции для обеспечения ИИ-нагрузок. Потенциальные выбросы такого объекта достигают 33 миллионов тонн CO₂ в год.

Разрыв между амбициями и реальностью создаёт риск: ИИ-индустрия может стать одним из крупнейших источников парниковых газов. При этом альтернативы есть. Солнечная и ветряная энергия дешевеют, аккумуляторные технологии развиваются. Вопрос в скорости перехода и готовности инвесторов вкладываться в чистую энергию, а не в быстрые газовые решения.

Вывод: переосмыслить метрики и смотреть на систему

Цифры «на один запрос» бесполезны для оценки ИИ-агентов. Они созданы для простых чат-ботов и игнорируют мультимодальность, цепочки рассуждений и автономную работу. Кейс Хаусфатера с Claude Code показал 600-кратную разницу между реальным потреблением агента и метрикой для текстового запроса. Это не исключение, а новая норма.

Обычному пользователю не стоит переживать из-за своих редких обращений к ChatGPT. Промышленное использование агентов и источники энергии дата-центров - вот что определяет экологический след ИИ. Системные изменения в энергоснабжении, а не личные ограничения, приведут к сокращению выбросов. Опыт разработчиков по оптимизации использования моделей подтверждает: даже небольшие технические изменения способны кратно снизить потребление ресурсов без потери качества.

Осознанное отношение к метрикам помогает принимать взвешенные решения. Когда мы видим заголовок «один запрос к ИИ потребляет 0,3 Вт·ч», мы понимаем: за этой цифрой стоит лишь верхушка айсберга. Реальная нагрузка на энергосистему создаётся агентами, работающими часами над сложными задачами. И решение этой проблемы лежит не в отказе от технологий, а в переходе на чистую энергию и повышении эффективности вычислений.