Tekoälyn ympäristövaikutus ja waste AI, 2/5 Lenni Laukkanen

Huonosti johdettu tekoälyn käyttöönotto voi olla myös ympäristöongelma, 2/5

Blogisarjan ”AI ilman uudelleensuunnittelua on ESG-velka” osa 2/5

Tekoälyn ympäristökeskustelu jumittaa mallien tasolla. Kuinka paljon yksi kysely kuluttaa, kuinka paljon yksi koulutusajo kuormittaa. Paljon vähemmän puhutaan siitä, mitä tapahtuu organisaatioissa: piloteista, jotka eivät koskaan päädy tuotantoon, käyttötapauksista ilman arvoa ja kokeiluista ilman suunnitelmaa. Viisiosaisen tekoälyn vastuullisuutta käsittelevän esseesarjani toinen osa väittää, että tekoälyn ympäristövaikutus ratkaistaan yhtä paljon johtoryhmissä kuin datakeskuksissa.

Tekoälyn ympäristökeskustelussa lähes aina jää varjoon havainto siitä, että osaamme kyllä kysyä, kuinka paljon energiaa tekoäly kuluttaa, mutta emme kysy, kuinka paljon energiaa kuluttaa huonosti johdettu tekoälyn käyttöönotto.

Ero on olennainen. Ensimmäinen on teknologian ominaisuus, johon yksittäinen organisaatio vaikuttaa rajallisesti. Jälkimmäinen on johtamisvalinta, johon jokainen johtoryhmä vaikuttaa joka kuukausi.

Tämä on sarjan toinen osa. Avausosassa esitin, että tekoälyn käyttöönotto on ESG-kysymys ja että ilman uudelleensuunnittelua syntyy ESG-velkaa. Nyt katsotaan velan ensimmäistä erää: energia- ja resurssivelkaa.

Mittakaava on todellinen

Ensin tosiasiat pöytään, jotta keskustelu ei jää mielikuvien varaan. Kansainvälisen energiajärjestön IEA:n tuoreen analyysin mukaan datakeskusten globaali sähkönkulutus kasvoi 17 prosenttia vuonna 2025, kun sähkönkulutus kokonaisuudessaan kasvoi noin kolme prosenttia. Tekoälyyn erikoistuneiden datakeskusten kulutus kasvoi peräti 50 prosenttia, ja IEA arvioi tekoälykohtaisen sähkönkysynnän kolminkertaistuvan vuoteen 2030 mennessä. Datakeskukset kuluttivat vuonna 2024 noin 415 terawattituntia eli noin 1,5 prosenttia maailman sähköstä, ja IEA:n perusura vie luvun lähelle tuhatta terawattituntia (noin 945 TWh) vuoteen 2030 mennessä.

Tekoälyn käyttö ei siis ole ympäristön näkökulmasta neutraalia. Mutta luvut kertovat vasta puolet tarinasta.

Velka syntyy hukasta, ei käytöstä

Energiankulutus muuttuu ongelmaksi vasta, kun sille ei synny vastinetta. Sähkö, joka kuluu prosessiin, joka aidosti korvaa raskaamman työtavan tai parantaa päätöksiä tai työn arvoa, on investointi. Sähkö, joka kuluu pilottiin, joka kuolee proof of concept -vaiheeseen, on hukkaa – ja tällä hetkellä hukkaa syntyy paljon.

Gartner ennusti jo 2024, että vähintään 30 prosenttia generatiivisen tekoälyn hankkeista hylätään proof of conceptin jälkeen heikon datan laadun, riittämättömien riskikontrollien, kasvavien kustannusten tai epäselvän liiketoiminta-arvon vuoksi. Vuoden 2026 analyysissaan Gartner arvioi osuuden nousseen noin puoleen hankkeista. MIT:n GenAI Divide -raportti maalasi vielä synkemmän kuvan väittäessään, että valtaosa yrityspiloteista ei tuota mitattavaa tulosvaikutusta – luku on kiistelty ja menetelmiä on perustellusti kritisoitu, mutta edes kriitikot eivät väitä, että hukkaa ei olisi.

Jokainen näistä kuolleista piloteista on kuluttanut laskentakapasiteettia, sähköä, lisenssimaksuja ja – mikä usein unohtuu – asiantuntijoiden työaikaa, joka on sekin resurssi. Tälle ilmiölle tarvitaan nimi, ja nappaan sen vastinpariksi vastuullisen tekoälyn käsitteelle: waste AI. Responsible AI kysyy, toimiiko järjestelmä eettisesti ja turvallisesti. Waste AI -näkökulma kysyy, kannattiko tätä ylipäätään rakentaa?

Resurssivelka kertyy tunnistettavista lähteistä: piloteista, joilla ei ole omistajaa eikä tuotantopolkua; käyttötapauksista, jotka valittiin innostuksen eikä arvon perusteella; priorisoinnin puutteesta, jonka vuoksi kymmenen keskinkertaista kokeilua syö resurssit kahdelta merkittävältä; skaalauksen epäonnistumisesta, jossa toimivakin ratkaisu jää yhden tiimin leluksi; ja prosesseista, joissa tekoäly lisätään työnkulkuun kuluttamaan enemmän kuin se tuottaa – esimerkiksi generoimaan sisältöä, jonka joku toinen tekoäly sitten tiivistää takaisin.

Nyanssi: tehokkuus paranee, mutta se ei pelasta huonoa portfoliota

Rehellisyyden nimissä on sanottava, ettei tekoälyn ympäristökuva ole yksisuuntainen tai yksiulotteinen. IEA huomauttaa, että tekoälyn energiatehokkuus tehtävää kohden paranee ennennäkemätöntä vauhtia, ja green AI -tutkimus kehittää jatkuvasti keinoja – pienempiä malleja, kvantisointia, karsintaa, elinkaariarviointia – joilla sama lopputulos saadaan murto-osalla laskennasta. Tekoäly voi myös itse parantaa resurssitehokkuutta esimerkiksi energiaverkoissa, logistiikassa ja tuotannon optimoinnissa.

Mallien tehokkuusparannukset eivät kuitenkaan korjaa käyttöönoton hukkaa. Jos pilotin käyttökohteet on valittu tai priorisoitu huonosti, tehokkaampi malli tarkoittaa vain, että hukkaa tuotetaan energiatehokkaammin. Ympäristövaikutus ei ratkea pelkästään valitsemalla vihreämpi malli – se ratkeaa valitsemalla oikeat käyttötarkoitukset ja viemällä ne maaliin. Johtopäätös ei siis ole, että tekoälystä pitäisi luopua, vaan että sitä pitää käyttää tarkoituksenmukaisesti: oikea malli, oikea tehtävä, oikea mittakaava.

Mitä johtoryhmän pitäisi kysyä ennen seuraavaa pilottia

Vastuullinen tekoäly ei siis ole vain teknisesti tehokas malli, vaan harkittu käyttöönottoportfolio. Käytännössä se tarkoittaa, että ennen uuden pilotin käynnistämistä johdon pitäisi saada vastaus ainakin näihin kysymyksiin:

Mikä ongelma tällä ratkaistaan? Jos vastaus alkaa teknologiasta eikä tarpeesta, pilotti on jo vaarassa.
Mikä on polku tuotantoon? Jos kukaan ei osaa kuvata, miten kokeilu skaalataan, ollaan rakentamassa demoa, ei ratkaisua.
Mitä tämä kuluttaa – laskentaa, lisenssejä, ihmisten aikaa – ja suhteessa mihin hyötyyn? Karkea resurssiarvio riittää; sen puuttuminen ei.
Mitä lopetetaan, jos tämä aloitetaan? Portfolio ilman luopumispäätöksiä ei ole portfolio vaan kasa asioita.
Milloin ja millä kriteereillä tämä lopetetaan, jos se ei toimi? Hallittu lopettaminen on resurssiviisautta, ei epäonnistumista.

Yksikään kysymys ei ole tekninen. Energia- ja resurssivelka syntyy päätöksissä, ja siksi se myös puretaan päätöksissä. Nämä ovat kokeiluvaiheen kysymykset. Samat palaavat kovempina siinä vaiheessa, kun kokeilusta tehdään pysyvä toimintatapa. Tässä E-kirjain kohtaa G:n: ympäristövastuu ja hallintotapa ovat saman kolikon puolia, mihin palaan sarjan päätösosassa. Sitä ennen seuraava osa katsoo velan inhimillistä erää. Sitä, mitä tapahtuu ihmisille, kun tekoäly liimataan vanhan työn päälle.

Tiivistäen tekoälyn ympäristöjälki ei synny vain siitä, mitä mallit kuluttavat, vaan siitä, mitä organisaatiot jättävät suunnittelematta. AI without redesign = ESG debt – ja velan ensimmäinen erä laskutetaan kilowattitunteina, jotka eivät tuottaneet mitään.

Puhun näistä teemoista keynote-puheenvuoroissa, johtoryhmävalmennuksissa ja paneelikeskusteluissa. Jos haluat haastaa organisaatiosi ajattelua tekoälyn vastuullisesta käyttöönotosta, ota yhteyttä → lenni@lennilaukkanen.fi

Seuraava osa: Kun tekoäly ei vapauta aikaa vaan täyttää kalenterin

Edellinen osa: AI ei ole vain tehokkuustyökalu – se on ESG-kysymys

Lähteet

IEA (2026). Key Questions on Energy and AI (datakeskusten +17 % / AI-datakeskusten +50 % vuonna 2025; ~485→950 TWh 2025–2030). International Energy Agency.
Brookings Institution (2026). Global energy demands within the AI regulatory landscape (taustoittava; toistaa IEA:n lukuja).
Gartner (2024). Ennuste ≥30 % GenAI-hankkeista hylätään PoC:n jälkeen. Gartner (2026): Why Half of GenAI Projects Fail (~puolet).
MIT NANDA (2025). The GenAI Divide: State of AI in Business 2025. (Menetelmäkritiikki huomioiden.)
ScienceDirect (2024–2025). Green AI -katsausartikkelit – energiatehokkaat mallit, elinkaariarviointi, green-in/green-by AI.