Aineeton arvonluonti

Miten vähennän tekoälykäyttöni ympäristökuormaa?

Datakeskusten sähkönkulutus kaksinkertaistuu lähes tuhanteen terawattituntiin vuoteen 2030 mennessä, jolloin kokonaiskulutus vastaa Japanin nykyistä sähkönkulutusta, ja tekoäly on tämän kasvun tärkein ajuri (IEA 2025). Suomen mittakaavassa määrä on yli kymmenkertainen: koko maan sähkönkulutus on noin 85 terawattituntia vuodessa.

Hyödyllisempi kysymys kuin “kuluttaako tekoäly paljon energiaa” onkin, mistä kuorma tarkalleen syntyy ja miten käyttäjä voi säännellä sitä. Vastaus saattaa yllättää: kaikki maailman AI-tekstikyselyt selittävät vain noin kaksi prosenttia tekoälydatakeskusten kulutuksesta (Ritchie 2026), ja yksittäinen Gemini-kysely vie Googlen (2025) mukaan vain sekunnin mikroaaltouunia vastaavan energian. Suuret erot syntyvät muualla: mediatyypeissä, mallivalinnoissa ja käyttötavoissa. Juuri niihin käyttäjä voi itse vaikuttaa. Kun käyttäjiä on miljardeja, pienetkin erot käyttötavoissa kertautuvat kokonaissummaan. Jo lyhyt kysely satoina miljoonina päivittäisinä käyttökertoina vastaa vuositasolla kymmenientuhansien kotitalouksien sähköä (Jegham ym. 2025).

Valokuva retrohenkisestä mintunvihreästä mikroaaltouunista keittiön työtasolla. Musta verkkoluukku, krominen kahva, hopeinen säätönuppi, kolme painiketta ja punainen digitaalinen ajastin, jossa lukee “00:01”, erottuvat valkoista laatoitusta ja puisia kaapistoja vasten.

Kuva 1. Googlen mukaan yksinkertainen AI-tekstikysely vie vain vähän energiaa, mutta kokonaiskuva on toinen. (Kuva: Magnific / Harri Heikkilä)

Miten tekoälyä käytetään vastuullisemmin?

Kielimalli käsittelee tekstiä tokeneina, karkeasti sanan kokoisina osina, ja energiankulutus skaalautuu tuotettujen tokenien määrän, mallin koon ja mediatyypin mukaan, ei kysymysten lukumäärän mukaan. Käyttäjä voi usein tehdä valinnan palvelun mallivalikosta. Isoja ovat lippulaivamallit, joiden nimessä lukee tyypillisesti Pro tai Opus, pieniä saman perheen kevytversiot, joiden tunnistaa sanoista Flash, mini tai Haiku. Kevytversio riittää hyvin arkiseen tiivistämiseen, kääntämiseen ja kielenhuoltoon, ja raskaan päättelytilan voi varata tehtäviin, jotka sitä oikeasti vaativat. Tehtävään sovitettu pieni malli voi leikata kulutusta jopa 90 prosenttia suorituskyvyn kärsimättä (UNESCO 2025). Kuormaa voi siis keventää muuttamatta sitä, mitä tekoälyllä lopulta saadaan aikaan. Energiatehokas käyttö on opittava taito, ja sen kannattaa oppia niin opettaja kuin opiskelijakin.

Kymmenen keinoa opiskelijalle ja opettajalle:

  1. Kysy itseltäsi, tarvitsetko juuri tähän tehtävääsi tekoälyä. Yksittäinen fakta löytyy hakukoneella noin kymmenesosalla kielimallikyselyn energiasta (de Vries 2023). Ero johtuu tekniikasta: hakukone noutaa tuloksen valmiista indeksistä, kun taas kielimalli laskee vastauksensa joka kerta alusta. Tekoälyn syvähaku voi käydä läpi kymmeniä tai satoja lähteitä yhtä vastausta varten.
  2. Suosi tekstiä kuvaa ennen ja kuvaa videota ennen. Yksi kuva voi vastata älypuhelimen täyttä latausta (Luccioni ym. 2024), ja videon pituuden kaksinkertaistaminen nelinkertaistaa kulutuksen (Delavande ym. 2025).
  3. Käytä kevyttä mallia rutiineihin ja isoa vain vaativaan työhön. Mistralin (2025) vertaisarvioidun elinkaarianalyysin mukaan kymmenen kertaa suurempi malli tuottaa samasta tehtävästä noin kymmenkertaiset ympäristövaikutukset. Se on käyttäjän tehokkain yksittäinen valinta.
  4. Kytke syvällinen päättely pois arkikäytöstä. Päättelymalli pilkkoo tehtävän välivaiheiksi ja tuottaa siten moninkertaisen määrän tokeneita. Se voi kuluttaa kymmeniä kertoja enemmän energiaa kuin perusmalli (Jegham ym. 2025).
  5. Ota vastaus keskusteluun, älä erillisenä tiedostona. Dokumentin generointi moninkertaistaa tokenien määrän. Omiin asetuksiin voi monessa tapauksessa kirjata pysyvän ohjeen tästä, ilman sellaista tekoäly rakentaa usein turhia liitetiedostoja.
  6. Kirjoita kehote kerralla kuntoon. Täsmällinen promtaus vähentää uusintakierroksia ja siten turhaa kulutusta.
  7. Muokkaa kohdennetusti, älä generoi koko tekstiä uudelleen, jos se ei ole tarpeen. Pyydä korjaus siihen kappaleeseen tai virkkeeseen, joka on pielessä, jolloin malli tuottaa muutaman rivin eikä koko dokumenttia.
  8. Niputa kysymykset samaan viestiin erillisten kyselyjen sijaan. Sama tausta-aineisto käsitellään silloin kerran eikä uudelleen jokaisen kysymyksen kohdalla.
  9. Aloita uusi keskustelu, kun aihe muuttuu. Jokainen jatkoviesti prosessoi koko aiemman keskusteluhistorian uudelleen. Käytännössä pitkän keskustelun kymmenes viesti voi siksi kuluttaa moninkertaisesti energiaa ensimmäiseen verrattuna, vaikka itse kysymys olisi yhtä lyhyt.
  10. Pyydä lyhyttä vastausta, kun lyhyt riittää. Lyhyemmät syötteet ja vastaukset voivat puolittaa kulutuksen (UNESCO 2025). Rajaa pituus jo kehotteessa.

Ekologisesti tietoinen tekoälyn käyttö ei ole askeettista rajoittamista, vaan sujuva ja tehokas toimintatapa. Klassinen muotoiluohje pätee tässäkin: vähemmän, mutta parempaa.

Lähteet

de Vries, A. 2023. The growing energy footprint of artificial intelligence. Joule. Vol. 7 (10), 2191–2194. Viitattu 22.8.2026. Saatavissa https://doi.org/10.1016/j.joule.2023.09.004

Delavande, J., Pierrard, R. & Luccioni, S. 2025. Video Killed the Energy Budget: Characterizing the Latency and Power Regimes of Open Text-to-Video Models. arXiv-esijulkaisu. Viitattu 21.8.2026. Saatavissa https://doi.org/10.48550/arXiv.2509.19222

Google. 2025. Measuring the environmental impact of delivering AI at Google Scale. arXiv-esijulkaisu. Viitattu 22.8.2026. Saatavissa https://doi.org/10.48550/arXiv.2508.15734

IEA. 2025. Energy and AI. World Energy Outlook Special Report. Pariisi: International Energy Agency. Viitattu 22.8.2026. Saatavissa https://www.iea.org/reports/energy-and-ai

Jegham, N., Abdelatti, M., Elmoubarki, L. & Hendawi, A. 2025. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference. arXiv-esijulkaisu. Viitattu 22.8.2026. Saatavissa https://doi.org/10.48550/arXiv.2505.09598

Luccioni, S., Jernite, Y. & Strubell, E. 2024. Power Hungry Processing: Watts Driving the Cost of AI Deployment? Teoksessa Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). New York: ACM, 85–99. Viitattu 22.8.2026. Saatavissa https://doi.org/10.1145/3630106.3658542

Magnific. 2026. Mint green kitchen appliance setup with microwave and kettle. Muokannut Harri Heikkilä. Viitattu 18.9.2026. Saatavissa https://www.magnific.com/free-ai-image/mint-green-kitchen-appliance-setup-with-microwave-kettle_420471325.htm

Mistral AI. 2025. Our contribution to a global environmental standard for AI. Viitattu 22.8.2026. Saatavissa https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai

Ritchie, H. 2026. How much electricity does AI consume? [2025 summary]. Sustainability by numbers. Viitattu 22.8.2026. Saatavissa https://hannahritchie.substack.com/p/ai-electricity-2025

UNESCO. 2025. Smarter, smaller, stronger: resource-efficient generative AI & the future of digital transformation. Pariisi: UNESCO. Viitattu 23.8.2026. Saatavissa https://unesdoc.unesco.org/ark:/48223/pf0000394521

Lue myös