Tässä oppaassa
Tekoälyllä on fyysinen infrastruktuuri
Tekoälymalli saattaa näyttäytyä ohjelmistona näytöllä, mutta sen käyttö vaatii pitkän fyysisen ketjun. Kaivokset ja jalostamot toimittavat raaka-aineet, puolijohdetehtaat valmistavat prosessorit ja muistit, laitevalmistajat kokoavat palvelimet ja datakeskukset tarjoavat sähkön, verkkoyhteydet ja jäähdytyksen.
Tämä ero on tärkeä, koska käytönaikainen sähkö on vain yksi osa elinkaarta. Jo ennen kuin palvelin käsittelee ensimmäisen kehotteensa, energiaa ja materiaaleja on käytetty sen sirujen, piirilevyjen, virtalähteiden, tallennuslaitteiden ja jäähdytyslaitteiston valmistamiseen sekä niitä ympäröivän rakennuksen rakentamiseen.
Mikään yksittäinen luku ei kuvaa koko tätä jalanjälkeä. Rajaukset vaihtelevat tutkimusten välillä: osa laskee mukaan vain tietotekniset laitteet, kun taas toiset kattavat rakennukset, sähköinfrastruktuurin, veden, verkot, uusimisvälit tai elinkaaren lopun käsittelyn. Uskottavan arvion on kerrottava, mitä siihen sisältyy.
Kehittyneillä siruilla on jalanjälki toimitusketjun alkupäässä
Tekoälykiihdyttimet yhdistävät prosessoreita, suuren kaistanleveyden muistia, piirilevyjä, jäähdytyskomponentteja ja monimutkaista sirukotelointia. Niiden valmistus vaatii äärimmäisen tarkasti hallittuja tuotanto-olosuhteita, toistuvia käsittelyvaiheita, ultrapuhdasta vettä, sähköä, erikoiskaasuja ja kemikaaleja.
Pienemmät puolijohteiden prosessisolmut voivat lisätä laskentatehoa, mutta valmistuksesta ei tule vaikutuksetonta. The Shift Projectin katsaus toteaa, että energiankulutus, vedenkulutus ja kasvihuonekaasuvaikutukset piipinta-alan yksikköä kohti voivat kasvaa valmistusprosessien kehittyessä, samalla kun julkiset tuotetiedot ovat yhä puutteellisia.
Tehokkuutta on siksi tarkasteltava kahdella tasolla. Uudempi kiihdytin saattaa suorittaa saman työkuorman pienemmällä sähkönkulutuksella, mutta laitteiston ennenaikainen uusiminen synnyttää myös uuden valmistuksen jalanjäljen. Paras lopputulos riippuu työkuorman käsittelyn tehokkuudesta, käyttöiästä, käyttöasteesta ja siitä, mitä korvatulle laitteistolle tapahtuu.
Tekoälylaitteisto käyttää monia metalleja ja keskittyneitä toimitusketjuja
Palvelimet sisältävät terästä, alumiinia, kuparia, piitä sekä pienempiä määriä monia erikoismateriaaleja, joita käytetään elektroniikassa, akuissa, magneeteissa, liittimissä ja sähköjärjestelmissä. The Shift Projectin kokoaman ADEME-tutkimuksen mukaan digitaalisissa laitteissa voi esiintyä yli 50 metallia.
Kyse ei ole pelkästään kunkin materiaalin massasta. Kaivostoiminta, jalostus ja komponenttien valmistus tapahtuvat eri maissa, joissa energiaan, veteen, saastumiseen, työoloihin ja hallintoon liittyvät olosuhteet voivat erota suuresti. Pienellä määrällä vaikeasti jalostettavaa materiaalia voi olla vaikutus, joka ei näy valmiin palvelimen painossa.
Toimitusketjut ovat myös maantieteellisesti keskittyneitä. Stanfordin AI Index korostaa kehittyneiden puolijohteiden valmistuksen ja tekoälyn laskentakapasiteetin keskittymistä harvoihin maihin. Tämä keskittyminen voi synnyttää teollisia pullonkauloja ja jakaa hyödyt ja ympäristöhaitat epätasaisesti.
Myös palvelimia ympäröivä rakennus on laskettava mukaan
Tekoälyinfrastruktuuri vaatii muutakin kuin kiihdyttimiä sisältäviä laitetelineitä. Datakeskuksissa käytetään betonia, rakenneterästä, sähköasemia, varajärjestelmiä, akkuja, muuntajia, kytkinlaitteistoja, kaapeleita, pumppuja, lämmönvaihtimia, jäähdytystorneja ja verkkolaitteita.
Valmistukseen ja rakentamiseen sitoutuneet päästöt ovat usein käytönaikaisia päästöjä pienemmät, kun sähköverkko perustuu vahvasti fossiiliseen energiaan, mutta ne eivät ole merkityksettömiä. Niiden suhteellinen merkitys kasvaa sähkön hiili-intensiteetin pienentyessä, sillä betoni, teräs, elektroniikka ja korvaavat laitteet kuuluvat edelleen elinkaareen.
Laitos ja tietotekniset laitteet myös ikääntyvät eri tahtiin. Googlen Nebraskassa sijaitsevasta Agate-datakeskuksesta vuonna 2026 tehdyssä ilmoituksessa laitoksen tyypilliseksi suunnittelukäyttöiäksi kuvataan yli 25 vuotta ja rakennuksen rungon ja vaipan käyttöiäksi 30–50 vuotta. Sisäiset tietotekniset, sähköiset ja jäähdytyksen osajärjestelmät puolestaan uusitaan tai nykyaikaistetaan moduuleittain. Tämä on yhden toimijan kuvaus yhdestä datakeskuksesta, ei koko alan yleispätevä sääntö.

Laitteiston uusiminen synnyttää uuden jalanjäljen
Nopeampien kiihdyttimien kysyntä voi lyhentää käytännön uusimisvälejä, vaikka vanhempi laitteisto toimisi edelleen. Uudet laitteet voivat parantaa suorituskykyä wattia kohti, mutta niiden valmistus vaatii jälleen materiaaleja, teollisuuden energiaa, kuljetuksia ja asennuksia.
Käytöstä poistettu laitteisto ei automaattisesti muutu jätteeksi. Osa palvelimista ja komponenteista voidaan siirtää vähemmän vaativiin työkuormiin, kunnostaa, myydä edelleen tai käyttää varaosina. Turvallinen tietojenkäsittely, yhteensopivuus, energiatehokkuus ja huoltokustannukset ratkaisevat, onko uudelleenkäyttö käytännössä mahdollista.
Se, mitä ei voida käyttää uudelleen, päätyy elektroniikkajätteen käsittelyyn. UNU-INWEHin raportti viittaa ennusteeseen, jonka mukaan tekoälyyn liittyvää elektroniikkajätettä voi syntyä jopa 2,5 miljoonaa tonnia vuodessa vuoteen 2030 mennessä. Tämä on tulevaisuutta koskeva arvio eikä nykytilanteen mitattu kokonaismäärä, ja se riippuu vahvasti käyttöönottoa ja uusimista koskevista oletuksista.
Voidaanko tekoälyn materiaalijalanjälkeä pienentää?
Suorimmat keinot ovat laitteiston pidempi käyttöikä, palvelimien korkea käyttöaste, korjattavat ja modulaariset järjestelmät, uudelleenkäyttö ennen kierrätystä, puhtaampi valmistus ja arvokkaiden materiaalien parempi talteenotto. Toimijat voivat myös julkaista tuotekohtaisia jalanjälkitietoja ja uusimiskäytäntöjään, jotta parannukset voidaan todentaa.
Myös ohjelmistovalinnoilla on merkitystä. Pienemmät, käyttötarkoitukseen sopivat mallit, tehokas päättely, eräkäsittely, kvantisointi ja yksinkertaisten tehtävien ohjaaminen kevyempiin järjestelmiin voivat tuottaa hyödyllistä työtä nykyisellä laitteistolla. Tehostaminen pienentää kokonaisjalanjälkeä vain, jos kysynnän kasvu ei kumoa säästöjä.
Parempi mittaaminen on olennaista. Raportoinnissa tulisi erottaa käytönaikainen sähkö sitoutuneista päästöistä, määritellä elinkaaren rajaukset ja erottaa koko yrityksen keskiarvot laitoskohtaisista tiedoista. Tavoitteena ei ole liittää jokaiseen kehotteeseen yhtä tarkkaa materiaalilukua, vaan tehdä infrastruktuuripäätöksistä läpinäkyvämpiä ja vertailukelpoisempia.
Lisätietoa ja lähteet
- United Nations University — Environmental Cost of AI's Energy Use
- The Shift Project — AI, data and computing infrastructure
- Stanford AI Index 2026
- International Energy Agency — Energy and AI
- US EPA — Electrical and electronic components manufacturing
- Nebraska Data Center 2026 Annual Report — Agate LLC

