Подробный анализ использования Claude Code показывает, что ИИ-агенты могут потреблять значительно больше электроэнергии, чем простые чат-запросы, которыми часто описывают энергетический след ИИ. Климатолог Zeke Hausfather в течение восьми недель отслеживал свою активность с программирующим агентом и оценил примерно 170 киловатт-часов электроэнергии дата-центра для 1 138 введённых запросов.

Это составляет около 150 ватт-часов на один ввод — примерно в 600 раз больше, чем 0,24–0,34 ватт-часа, которые Google и OpenAI приводят для типичного текстового запроса. Это сравнение не является универсальным измерением всех рабочих нагрузок агентов, но оно показывает, сколько энергии может скрываться за одним запросом пользователя, когда программные агенты многократно вызывают модель, обрабатывают большие контексты и работают автономно.

Что Hausfather измерил в Claude Code

Hausfather опубликовал свои выводы через The Climate Brink; их также осветил The Decoder. В его локальных журналах Claude Code были зафиксированы количества токенов и вызовы модели за восемь недель использования. 1 138 запросов инициировали более 14 000 вызовов модели — около 12 вызовов на один ввод — и обработали примерно 3,2 миллиарда токенов.

Наибольшая часть этой обработки пришлась не на текст, видимый пользователю, а на управление контекстом. По данным анализа, около 96 процентов токенов — это чтение кэша, потому что агент многократно перечитывал накопленный контекст на последовательных шагах. Вывод модели, видимый на экране, составлял лишь около 0,4 процента обработанных токенов.

Hausfather оценил общее потребление в 170 кВт⋅ч, но дал широкий диапазон неопределённости — от 70 до 330 кВт⋅ч. Количества токенов были взяты из журналов Claude Code; перевод этих значений в потребление электроэнергии потребовал трёх отдельных методов оценки и предположений об энергии на токен.

Итоговая нагрузка оказалась неравномерной. Медианная сессия потребляла около 0,6 кВт⋅ч, тогда как среднесуточное потребление достигало 3,0 кВт⋅ч, в диапазоне от 1,2 до 5,9 кВт⋅ч. Самый интенсивный день, связанный с несколькими параллельными агентами, работавшими над геоданными, был оценён в 11 кВт⋅ч.

Почему простые сравнения запросов недостаточны

Google сообщила, что медианный текстовый запрос Gemini потребляет 0,24 ватт-часа. Генеральный директор OpenAI Сэм Альтман оценивал средний запрос ChatGPT в 0,34 ватт-часа. Эти цифры описывают узкие типы запросов и не обязательно сопоставимы с кодирующим агентом, который решает задачу на протяжении многих шагов.

Различие важно, потому что «один запрос» — это событие пользовательского интерфейса, а не постоянная единица вычислений. Обычный чат-диалог может включать примерно тысячу токенов, согласно сравнению Hausfather. Его вводы в Claude Code в среднем обрабатывали около 2,9 миллиона токенов, включая повторный контекст и промежуточные вызовы.

Модели рассуждений, веб-поиск, обработка изображений и аудио, генерация кода и многоагентные рабочие процессы — всё это может менять объём вычислений, стоящих за запросом. Агент также может повторять операции, проверять файлы, запускать тесты, исправлять код и вызывать инструменты перед выдачей результата. Поэтому панель продукта, показывающая только первоначальный запрос, может скрывать фактическую нагрузку.

Это не означает, что любое использование ИИ-агентов потребляет в 600 раз больше электроэнергии, чем чат-запрос. Эта цифра — оценка на основе интенсивного сценария использования одного пользователя Claude Code, сопоставленная с опубликованными низкими оценками для запросов. Однако она показывает, почему средние значения на один запрос нельзя считать полной бухгалтерией агентного ИИ.

Доказательства, неопределённость и вопрос углерода

Анализ предоставляет необычно конкретные данные об использовании, но не измеряет электроэнергию дата-центра напрямую. Диапазон неопределённости Hausfather существенен, а предположения об энергии на токен не могут быть независимо проверены извне компаний ИИ. The Decoder также отмечает, что посторонние не знают точную стоимость энергии на токен у ведущих коммерческих моделей.

Углеродный эффект зависит не только от объёма электроэнергии. Hausfather прогнозировал, что поддержание такого уровня использования в течение года потребует около 1,1 мегаватт-часа электроэнергии дата-центра, с диапазоном от 0,4 до 2,2 МВт⋅ч. Используя средний энергетический микс США, он оценил примерно 370 килограммов эквивалента диоксида углерода в год.

Это значение было бы ниже в преимущественно чистой сети и выше там, где энергия поступает из углеродоёмкой генерации. Hausfather считает, что выполнение той же нагрузки на в основном чистой электроэнергии может сократить углеродный след примерно на 90 процентов. Его вывод состоит в том, что источник электроэнергии может быть более важным рычагом, чем просьба к небольшому числу тяжёлых пользователей перестать использовать агентов.

Он также утверждает, что меньшие модели полезны для рутинных задач, потому что они потребляют примерно в пять–семь раз меньше энергии на токен, чем передовые модели, согласно его анализу. Это скорее рекомендация общего направления, чем универсальное правило закупки: эффективность модели, качество, задержка, аппаратное обеспечение и число повторных попыток — всё это влияет на конечный результат.

Что означают эти выводы для разработчиков и покупателей ИИ

Для разработчиков главный вывод — измерять полные прогоны агентов, а не считать пользовательские запросы. Команды должны отслеживать вызовы модели, входные и выходные токены, чтения кэша, вызовы инструментов, повторные попытки, параллельные рабочие процессы и общее время, затраченное на задачу. Эти метрики могут показать, что, казалось бы, недорогая функция создаёт значительную нагрузку на бэкенд.

Эти результаты также делают стратегии маршрутизации более значимыми. Меньшая модель может выполнять классификацию, поиск файлов, форматирование или простые изменения кода, тогда как более мощная модель остаётся для задач, действительно требующих глубокого рассуждения. Сокращение контекста, проектирование retrieval, кэширование и ограничения на автономные циклы могут снизить и стоимость, и потребление электроэнергии, хотя жёсткие ограничения также могут снизить надёжность.

Корпоративным покупателям следует спрашивать поставщиков, как они рассчитывают заявления об энергии и углероде. Число на один запрос может не учитывать скрытое рассуждение, кэшированный контекст, вызовы инструментов или накладные расходы дата-центра. Покупателям, оценивающим кодирующих ассистентов или развертывания workflow-агентов, нужны оценки, специфичные для рабочей нагрузки, а не только средние значения по лёгкому чат-трафику.

Анализ также поднимает вопрос развёртывания продуктов, рассчитанных на работу в течение дней или недель. Более длительные автономные задачи могут многократно увеличить спрос на энергию далеко за пределы того паттерна использования, который зафиксировал Hausfather. Это не прогноз, но причина включать в архитектуру агента контроль энергии, стоимости и завершения до масштабирования использования в организации.

За чем следить дальше

Следующим полезным сигналом станет независимое измерение энергии на токен для разных семейств моделей, аппаратных конфигураций и агентных фреймворков. Более прозрачная отчётность лабораторий ИИ сделает заявления поставщиков более сопоставимыми, особенно если компании будут раскрывать, включают ли их цифры рассуждение, кэширование, вызовы инструментов и накладные расходы на охлаждение.

Продуктовым командам также стоит следить за практическими инструментами контроля, такими как маршрутизаторы моделей, настройки бюджета контекста, ограничения на шаги агента и энергетические панели на уровне рабочей нагрузки. На уровне инфраструктуры доля новой мощности дата-центров, обеспечиваемой природным газом, а также инвестиции в чистую энергетику, расширение сетей, геотермальную или атомную генерацию определят, какая часть дополнительной электроэнергии превратится в выбросы.

Взгляд Creati.ai

Анализ Hausfather не показывает, что ИИ-агенты по своей природе расточительны, и не опровергает более низкие оценки энергопотребления для простого чата. Он показывает, что важна единица измерения. Для агента пользовательский запрос может быть лишь началом длинного вычислительного рабочего процесса.

Для разработчиков и корпоративных покупателей практический ответ — лучшее учётное измерение: измерять всю задачу, направлять работу к наименьшей подходящей модели и проектировать ограничения вокруг автономного выполнения. Дискуссия об энергии станет полезнее, когда отчётность на уровне продукта будет отражать то, что агенты действительно делают, а не только то, что вводят пользователи.