Tekoälyn ympäristövaikutukset: mitä oikeasti tapahtuu, kun käytät chattia, kuvia ja agentteja
“Miten kannattaisi suhtautua huoleen tekoälytyökalujen ympäristövaikutuksista?”
Tämä lause nousee esiin lähes jokaisessa koulutuksessa, jonka olen vetänyt viimeisen vuoden aikana. Näin monimutkaisen aiheen käsittelyyn ei ole kuitenkaan yleensä varattu aikaa, vaan minut on tilattu puhumaan tekoälyn mahdollisuuksista puolessa tunnissa tai tunnissa sillä ja tuolle alalle. Siksipä tämä artikkeli oli nyt pakko kirjoittaa.
Huoli on täysin aiheellinen. Samaan aikaan se on usein hieman epäjohdonmukainen, sillä yleensä emme ole juurikaan huolestuneita työkontekstissa aiheutetusta hiilijalanjäljestä. Työn arjessa syntyy koko ajan digitaalista jalanjälkeä: käytännössä kaikkea sitä sähkönkulutusta, joka liittyy videopalavereihin, pilvipalveluihin, isoihin liitteisiin, jatkuvaan synkronointiin ja mediakierroksiin. Tekoäly kuuluu samaan kokonaisuuteen, vaikka sen kuorma syntyy osin eri tavalla. Joissain käytöissä tekoälyn kuorma on kevyt (lyhyt tekstichat), toisissa käyttötavoissa kuorma kasvaa nopeasti (kuvien ja videoiden generointi, agentit ja pitkä iterointi).
Siksi en lähtisi kysymään ensimmäisenä “käytänkö tekoälyä vai en”, vaan: missä käytössä siitä on oikeasti hyötyä, ja missä se on lähinnä hupia tai turhaa toistoa? Kun tämän erottaa, ympäristövaikutusten pienentäminen muuttuu yllättävän käytännölliseksi.
Kyse ei ole ‘tekoälystä’ yleisesti, vaan käyttötavasta ja volyymista: lyhyt tekstichat on eri asia kuin kuvagenerointi, video tai taustalla iteroiva agentti.
Tässä artikkelissa avaan aiheen kansankielellä ja annan käytännön vinkit, joilla voit hillitä kuormaa ilman, että luovut hyödyllisistä työtavoista.
Tiivistelmä: miten suhtaudut tekoälyn ympäristövaikutuksiin käytännössä?
Tekoälyn ympäristövaikutukset riippuvat eniten käyttötavasta ja volyymista. Lyhyt tekstichat on usein kevyempi, mutta kuorma kasvaa nopeasti, jos mukaan tulee kuvagenerointi, video tai agenttimainen käyttö, jossa sama tehtävä tehdään monessa vaiheessa. Vesi liittyy usein datakeskusten jäähdytykseen, ei siihen, että yksittäinen chat “kuluttaisi vettä” samalla tavalla joka kerta.
3 tekoa, joilla pienennät vaikutusta eniten
- Vähennä turhaa raskasta käyttöä: trendikuvat, turha iterointi ja tarpeettoman raskas video.
- Tee tiiviimpiä pyyntöjä: vähemmän edestakaista korjailua ja lyhyemmät taustat.
- Käytä tekoälyä siellä, missä siitä on hyötyä: työtehtäviin, joissa säästyy aikaa tai syntyy parempi lopputulos.
Nyrkkisääntö: yksittäinen pyyntö on harvoin ongelma – toistot ja raskaat käyttötavat ratkaisevat.
Mitä “tekoälyn ympäristövaikutukset” tarkoittaa käytännössä?
Kun käytät generatiivista tekoälyä, ympäristövaikutus ei synny yhdestä asiasta, vaan yleensä kolmesta palasesta. Näitä on helpoin ajatella näin: laskenta, datakeskus, sähkö.
1) Sähkö, jota kuluu laskentaan
Tekoäly tuottaa vastauksen laskemalla. Mitä enemmän “laskettavaa”, sitä enemmän sähköä kuluu. Laskentaa kasvattaa erityisesti:
- pitkä tausta (pitkät tekstit, pitkät keskusteluketjut)
- pitkä vastaus
- monta yritystä tai korjauskierrosta
- raskaammat tuotokset, kuten kuvat ja video
2) Datakeskuksen jäähdytys ja infrastruktuuri
Laskenta tuottaa lämpöä. Datakeskukset jäähdyttävät laitteita eri tavoilla, joskus veden avulla. Siksi “vesikeskustelu” liittyy usein jäähdytykseen ja sähkön tuotantoon, ei siihen että yksittäinen chat “juo vettä”.
Veden määrä vaihtelee paljon sen mukaan, miten datakeskus on rakennettu ja missä se sijaitsee, eikä käyttäjä yleensä voi valita, missä datakeskuksessa oma pyyntö käsitellään. Siksi käyttäjän kannalta tärkeintä on oma käyttötapa ja toistot: lyhyt tekstichat on eri asia kuin kuvagenerointi, video tai pitkä iterointi. (Lähde: Yle )
3) Sähkön päästöintensiteetti
Sama kilowattitunti voi tarkoittaa eri CO₂e-päästöjä eri maissa ja eri aikaan. Tästä syystä sama tekoälypyyntö voi “näyttää” eri päästöltä riippuen siitä, millä sähköllä se käytännössä pyörii – ja missä datakeskus sijaitsee.
“Kuluttaako tekoäly vettä?”
Ylen artikkeli tiivistää olennaisen eron: yksi ChatGPT-kysely voi tuottaa tuhansia kertoja enemmän päästöjä kuin toinen. Syynä on se, mitä pyydetään (teksti vs kuva vs video), kuinka pitkää taustaa malli lukee ja kuinka monta kierrosta pyyntö vaatii.
Yle antaa myös esimerkin, että “yksi keskustelu ChatGPT:n kanssa voi kuluttaa puoli litraa vettä”, jos pyytää esimerkiksi tiivistelmän isosta tekstistä tai matkasuunnitelman. Tämä kannattaa ymmärtää esimerkkitapauksena raskaasta pyynnöstä, ei yleissääntönä jokaiselle chat-viestille.
Ei ihme, jos tekoälyn energiankulutus tuntuu sekavalta. Lukuja löytyy joka suuntaan, ja ne voivat silti olla yhtä aikaa ‘oikeita’, koska ne mittaavat eri asioita. Esimerkiksi Googlen Geminiä koskevissa arvioissa on puhuttu pienistä kulutusluvuista per tekstipyyntö, eli tavallinen tekstiprompti, mutta se ei automaattisesti kerro mitään kuvageneroinnista, videoista tai agenteista. Siksi paras tapa ymmärtää aihetta on katsoa käyttötapaa: lyhyt tekstichat on eri asia kuin kymmeniä kierroksia pyörivä agentti tai trendikuvien generointi.
Miksi chat ei yleensä ole pahin, mutta kuvat ja agentit voivat olla
1) Chat ja tekstigenerointi: viestin pituus ratkaisee usein
Peruschatti on usein kohtuullinen, jos:
- taustat ovat lyhyitä
- et pyydä kymmeniä versioita
- et jatka samaa ketjua pitkään “jatketaan tästä” -tyylillä
Miksi? Koska tekoäly laskee tekstiä tokeneina.
Mitä tokenit ovat?
Token on tekoälyn käyttämä “tekstin laskentapalanen”. Se voi olla:
- lyhyt sana (“ja”)
- sanan osa (pitkä sana voi pilkkoutua)
- välimerkki tai numeropätkä
Kun syötät pitkän dokumentin tai pyydät pitkän vastauksen, tokeneita kertyy enemmän → laskentaa kertyy enemmän. Lisäksi pitkä keskusteluketju tarkoittaa, että malli “lukee taustaa” joka kierroksella, ja se kasvattaa kuormaa nopeasti. MIT Technology Review kuvaa tätä vaihtelua ja korostaa, että yhden pyyntöjen energiankulutus voi vaihdella paljon riippuen siitä, pyydätkö tekstiä, kuvia vai videoita, mitä mallia käytetään ja missä pyyntö käsitellään.
2) Kuvagenerointi: miksi se on raskaampaa
Kuvagenerointi on usein raskaampaa kuin tekstivastaus, koska kuva syntyy yleensä useina parannuskierroksina, eli iteraatioina.
Mitä iterointi tarkoittaa?
Iterointi tarkoittaa toistoa: malli tekee kuvalle “parannuskierroksia” ennen kuin lopputulos on valmis. Käytännössä:
- syntyy karkea versio
- sitä korjataan
- sitä korjataan lisää
- tätä toistetaan useita kierroksia
Siksi “tehdään pari hassua trendikuvaa” voi skaalassa olla iso juttu, jos miljoonat tekevät samaa.
Hyvä uutinen: kuvageneroinnin energiankulutusta voidaan vähentää selvästi. Tutkimuksessa havaittiin, että sopivilla asetuksilla ja järkevällä tuotantotavalla kuvien luomiseen tarvittava energiankulutus voi pienentyä noin 48 %, samalla kun lopputuloksen laatu pysyy käytännössä samalla tasolla. (Lähde: arXiv-preprint)
3) Kehittäjäkäyttö: ketkä tätä tekevät ja miksi kuorma kasvaa
“Kehittäjäkäyttö” ei tarkoita vain ohjelmistokoodareita. Tyypillisiä ovat:
- ohjelmistokehittäjät ja data-analyytikot
- markkinoinnin ja viestinnän “power userit”, jotka tekevät automaatioita, raportteja, skriptejä
- ihmiset, jotka testaavat, korjaavat ja ajavat uudelleen (QA, testaus, tuotantoprosessit)
Kuorma kasvaa, koska:
- taustat ovat pitkiä (paljon tokeneita)
- samaa tehtävää yritetään monta kertaa
- syntyy paljon edestakaista iterointia (“vielä yksi korjaus, vielä yksi testi”)
4) Agentit: tekoäly, joka tekee hommia puolestasi (ja voi tehdä niitä paljon)
Tässä kohtaa on hyvä tarkentaa yksi asia: aika harvalla suomalaisyrityksellä on vielä oikeasti “agentteja” laajassa käytössä. Ja tässä artikkelissa en tarkoita MyGPT-tyyppisiä räätälöityjä chatteja tai Copilotin valmiita assistentteja, vaan autonomisempia järjestelmiä, joissa tekoäly tekee tehtävää useassa vaiheessa ja käyttää työkaluja itse. Useimmissa organisaatioissa ‘agentti’ tarkoittaa vielä käytännössä ohjattua työnkulkua, ei itsenäisesti pyörivää automaatiota.
Käytännössä agentti on tekoäly, joka:
- pilkkoo tehtävän osiin
- tekee hakuja ja selaa lähteitä
- lukee materiaalia ja tekee johtopäätöksiä
- kokeilee uudelleen, jos ei löydä riittävää vastausta
- tuottaa lopputuloksen (teksti, raportti, toimenpidelista)
Yksi käyttäjän pyyntö voi siis muuttua:
- suunnitteluksi
- hakukierroksiksi
- lähteiden lukemiseksi
- uudeksi hakukierrokseksi
- lopulliseksi kirjoittamiseksi
Tämä tarkoittaa käytännössä monta mallikutsua yhden pyynnön sisällä, ja siksi agenttimainen käyttö voi kasvaa kuormassa nopeasti, jos sille ei aseteta rajoja. MIT Technology Review korostaa, että juuri käyttömuoto ja tuotoksen tyyppi voivat tehdä yhdestä pyynnöstä toista tuhansia kertoja raskaamman.
Kuvatrendit: miksi “hauska karikatyyri” on ympäristö- ja yksityisyysasia
Yle nostaa esiin karikatyyrikuvatrendin: ihmiset lataavat kuvan ja pyytävät tekoälyä tekemään sarjakuvamaisen version, joskus vielä “kaiken sen perusteella mitä tekoäly tietää minusta”. Forbes kuvaa, että trendi leviää laajasti eri ammattiryhmissä ja ideana on, että lopputulos heijastaa myös työelämää ja käyttäjän aiempia keskusteluja.
Tässä on kaksi pointtia, jotka kannattaa sanoa ääneen:
1) Ympäristö: kuvat kuormittavat usein enemmän kuin teksti
Ylen ydin on kirkas: tekoälyllä tuotetut kuvat kuormittavat laskentaa mittakaavassa, ja yksittäisen pyynnön vaikutus vaihtelee paljon. Siksi ympäristöä ajatellen helpoin “arjen ekoasetus” on tämä: skippaa trendihenkinen kuvagenerointi, tee kuvat tarpeeseen.
2) Yksityisyys: sama trendi rakentaa sinusta profiilia
Kun lataat kasvokuvan ja kerrot työstäsi, annat helposti pois enemmän kuin ajattelit: tunnistettavaa kuvaa ja yksityiskohtia roolista, rutiineista, organisaatiosta. Euronewsin mukaan asiantuntijat varoittavat, että tällainen materiaali voi auttaa huijareita impersonointiin ja valeprofiileihin, ja neuvo on rajata sekä kuvaa että promptin yksityiskohtia (ei logoja, ei nimikylttejä, ei sijaintivihjeitä, ei työnantajaa). (Lähde: Euronews – ChatGPT’s AI caricature social media trend could be a gift to fraudsters, experts warn ja Forbes – ChatGPT Trend Turns People Into Caricatures — And Shows How Well AI Knows Us )
Viihde vs. hyötykäyttö
Kun ympäristövaikutus huolettaa, auttaa usein suhteuttaa asia johonkin tuttuun. Videostriimaus (Netflix, YouTube) on monelle päivittäistä viihdettä, ja sitä kertyy helposti tunteja viikossa. Siksi sen ympäristökuorma kasvaa nopeasti jo pelkästään siksi, että käyttöä on paljon. (IEA on myös huomauttanut, että striimauksen energiasta liikkuu netissä sekä realistisia että selvästi yläkanttiin olevia arvioita.)
Tekoälyssä taas iso ero tulee siitä, mitä sillä tekee: lyhyt tekstichat on usein kevyempi, mutta kuorma kasvaa nopeasti, jos mukaan tulee kuvien generointi, video tai agenttimainen käyttö, jossa sama tehtävä tehdään monessa vaiheessa.
Käytännön johtopäätös on tämä: yksittäinen teko voi olla pieni, mutta toistot ratkaisevat. Ja tämä ei koske vain tekoälyä, vaan koko sisältöketjua. Pieni esimerkki havainnollistaa, miksi vastuullisuudesta kannattaa puhua koko ketjuna.
Pieni esimerkki havainnollistaa, miksi vastuullisuudesta kannattaa puhua koko ketjuna.
Kun vertaa AI-avusteista tuotantoa ja perinteistä kuvausreissua, iso osa päästöistä voi syntyä yllättävän arkisista asioista: matkustuksesta, kalustosta ja järjestelyistä. Ja kun video julkaistaan, kokonaisvaikutus voi siirtyä vielä enemmän yleisön puolelle: katselu ja jakelu voivat kasvaa nopeasti isommaksi kuin itse tuotanto. Siksi vastuullisuuskysymys ei ole vain “tekoäly vai ei tekoäly”, vaan “mikä osa prosessia tuottaa eniten kuormaa tässä tapauksessa – ja mitä siitä voisi keventää”. Striimauksen kohdalla arviot vaihtelevat paljon, koska laite, verkko ja kuvanlaatu muuttavat kulutusta merkittävästi. (Lähde: International Energy Agency – The carbon footprint of streaming video: fact-checking the headlines )
Jos ympäristövaikutus mietityttää, suurin hyöty tulee usein siitä, että vähennetään turhaa raskasta käyttöä: trendikuvia, turhaa iterointia ja tarpeettoman korkeaa videolaatua – ja keskitytään siihen, missä tekoäly tuo oikeaa hyötyä.
Missä tekoäly oikeastaan pyörii: pilvessä vai omalla koneella?
Kun puhumme tekoälyn ympäristövaikutuksista, puhumme usein huomaamatta yhdestä oletuksesta: että tekoäly pyörii aina “jossain datakeskuksessa”. Usein näin onkin, koska ChatGPT-tyyppiset palvelut ja monet kuvatyökalut toimivat pilvessä.
Mutta kaikkea tekoälyä ei ole pakko käyttää pilven kautta. Osa tekoälymalleista voidaan ladata omalle tietokoneelle ja “ajaa” paikallisesti. Se tarkoittaa käytännössä tätä:
- pilvessä: kysymys lähetetään netin yli palvelimille, ja vastaus lasketaan datakeskuksessa
- paikallisesti: vastaus lasketaan omalla koneella (läppäri tekee työn)
Miksi tämä liittyy ympäristöön? Koska silloin “missä laskenta tapahtuu” muuttuu. Pilvessä laskenta käyttää datakeskusten sähköä ja jäähdytysjärjestelmiä. Paikallisesti laskenta käyttää sinun laitettasi ja kuorma on tyypillisesti sitä, että läppäri tekee hetken aikaa enemmän töitä.
Tässä ei ole yhtä automaattista voittajaa. Tärkeintä on ymmärtää perusperiaate: tekoälyn kuorma ei synny pelkästä “tekoälystä”, vaan siitä missä ja miten sitä ajetaan, ja kuinka raskaita tehtäviä sillä tehdään.
Voiko tekoälyä “ajaa” myös paikallisesti omalla läppärillä, ja onko se realistista?
Kyllä voi. Pilvipalvelut (ChatGPT-tyyppiset) ovat edelleen yleisin tapa, koska ne ovat helpoimpia: avaat palvelun ja alat käyttää. Paikallinen ajo läppärillä yleistyy, mutta se vaatii yleensä:
- pienen tai keskikokoisen mallin (isoimmat huippumallit ovat yleensä pilvessä)
- realistiset odotukset laadusta ja nopeudesta (perusläppärillä kaikki ei ole salamannopeaa)
- pienen asennus- ja säätövaivan (mallin lataus ja käyttöönotto)
Monelle lukijalle paikallinen tekoäly voi olla kiinnostava vaihtoehto kevyissä tehtävissä: ideointi, luonnostelu, tiivistys ja muotoilu. Isoissa kokonaisuuksissa, kuten pitkät aineistot, raskas analyysi, agenttimaiset työnkulut, kuvat ja video, pilvi on usein käytännöllisempi.
Konkreettiset vinkit: näin pienennät tekoälyn ympäristövaikutuksia arjessa
Tässä lista, miten pienennät tekoälyn ympäristövaikutuksia omalla kohdallasi. Täytyy silti saman tien sanoa, että jotkut ohjeista ovat ristiriidassa sen kanssa, miten itse neuvon esimerkiksi saamaan parasta mahdollista hyötyä tekoälystä. Tämä koskee esimerkiksi kontekstin eli taustatiedon käsittelyä.
1) Tee yksi hyvä pyyntö kerralla
- kerro tavoite ja tärkeimmät reunaehdot yhdessä viestissä
- pyydä lopputulos suoraan haluttuun muotoon (esim. “7 bulletia, max 120 sanaa”)
2) Pidä keskusteluketjut lyhyinä, kun mahdollista
- pitkä ketju = malli lukee paljon taustaa joka kierroksella
3) Valitse kevyt malli rutiiniin
- jos työkalussa on “mini/light”, käytä sitä perusasioihin
- säästä raskaat moodit tilanteisiin, joissa hyöty on selkeä
Näin valitset käytännössä oikean ja "ekologisimman" mallin
- Instant: valitse, kun teet rutiinia
Esim. otsikkoehdotukset, lyhyt muotoilu, tiivistys, ideointi, somepostauksen hiominen, lyhyt sähköposti. - Thinking: valitse, kun tehtävä vaatii oikeasti pohdintaa
Esim. haastava rakenne, strateginen sisältö, argumentointi, monivaiheinen suunnittelu, ristiriitaisten lähtötietojen yhteenveto. - Pro: säästä tilanteisiin, joissa hyöty on selkeä
Esim. laaja analyysi, vaativat kokonaisuudet, “haluan parhaan mahdollisen” -tasoinen työ. - Auto: hyvä oletus, jos et jaksa miettiä
Työkalu päättää puolestasi. Jos haluat minimoida kuormaa, valitse kuitenkin mieluummin Instant rutiiniin.
Nyrkkisääntö: tee perusasiat kevyellä moodilla ja vaihda raskaampaan vain, kun huomaat että tarvitset sitä.
3 helppoa esimerkkiä eri mallien toiminnoista
"Muotoile tämä kappale selkeämmäksi” → Instant
“Rakenna artikkeliin argumentti ja vastaväite” → Thinking
“Tee perusteellinen analyysi ja suositus” → Pro
4) Skippaa “hupikuvat” ja trendigenerointi
- kuvagenerointi on usein raskaampaa kuin teksti, ja trendit skaalautuvat nopeasti
5) Rajaa agentit
- aseta stop-ehdot: “tee 3 hakukierrosta ja lopeta”
- pyydä väliraportti ennen jatkoa
- vältä “pyöri taustalla kunnes valmis” -asetuksia
6) Jos et hyödynnä hakukoneen AI-yhteenvetoja, käytä perushakua
- Ylen haastattelema asiantuntija toteaa, että jos tiedon voi hakea helposti perinteisellä hakukoneella, se on energiataloudellisesti parempi vaihtoehto kuin tekoäly.
7) Jos osallistut kuvatrendiin, tee se “minimiriskillä”
- rajaa prompti (ei työnantajaa, ei kaupunkia, ei titteliä)
- rajaa kuva (crop, ei logoja, ei työbadgeja, ei sijaintivihjeitä)
Lopuksi: hyöty ensin on paras ekoasetus
Tekoälyn ympäristövaikutukset eivät ratkea syyllistämällä yksittäistä käyttäjää. Yle nostaa esiin saman: tarvitaan myös poliittista ohjausta ja eettisiä päätöksiä datakeskusten rakentamisessa.
Silti arjessa paras vaikutus tulee tästä:
✅ vähennä turhaa raskasta käyttöä (kuvat, video, pitkät agenttiajot)
✅ tee tiiviimpiä pyyntöjä ja vähemmän kierroksia
✅ käytä tekoälyä siellä, missä se tuo oikeaa hyötyä
