Agenci AI zużywają 136 razy więcej prądu niż chatboty - KAIST opublikował liczby, których branża wolała nie znać

Jeden agent AI zużywa tyle energii co żarówka LED świecąca przez cały dzień. Jedno zapytanie. Jeden task. I to nie jest problem przyszłości - to jest problem teraźniejszości, który branża technologiczna dotąd skutecznie ignorowała, skupiona na wyścigu możliwości modeli. KAIST właśnie skończyła ignorancji.

5 lipca 2026 roku południowokoreański Korea Advanced Institute of Science and Technology opublikował wyniki pierwszej na świecie kompleksowej analizy kosztów energetycznych autonomicznych agentów AI. Zespół badawczy po raz pierwszy przeanalizował koszt obliczeniowy i zużycie energii agentów AI, wykazując, że mogą zużywać nawet 136,5 raza więcej energii na zapytanie niż tradycyjna generatywna AI. Liczba 136,5x szybko obiegła branżę. Problem w tym, że to tylko wierzchołek góry lodowej.

Agent to nie chatbot. Naprawdę.

Zanim ktoś wzruszy ramionami i powie „no tak, agenci robią więcej, więc zużywają więcej” - warto zrozumieć, skąd bierze się ta przepaść. W przeciwieństwie do tradycyjnych chatbotów, które generują jedną odpowiedź na prompt, agenci AI wielokrotnie wywołują duże modele językowe, przeszukują internet, wykonują kod, korzystają z kalkulatorów i komunikują się z zewnętrznym oprogramowaniem podczas rozwiązywania złożonych zadań. To nie jest ewolucja - to fundamentalnie inny rodzaj obciążenia obliczeniowego.

Badanie pochodzi z KAIST, najlepszej koreańskiej uczelni technicznej. Zespołem kierował profesor Minsoo Rhu, a pierwszym autorem była doktorantka Jiin Kim. Wyniki zostały zaprezentowane w lutym na 32. IEEE International Symposium on High-Performance Computer Architecture (HPCA), jednej z najbardziej prestiżowych konferencji w dziedzinie projektowania systemów komputerowych. Badanie nie jest więc świeżym preprintem z akademickiej piaskownicy - przeszło przez twardy recenzencki filtr.

Wynik jest autentyczny: uruchamiając framework agentowy Reflexion na modelu Llama o 70 miliardach parametrów firmy Meta, pojedyncze zadanie pochłonęło 348,41 watogodzin, podczas gdy zwykła odpowiedź chatbota - 2,55 watogodziny. To właśnie te 136,5 raza, które cytują wszyscy.

Uwaga ⚠️

136,5x to wynik dla najbardziej intensywnego frameworku agentowego (Reflexion). Inny testowany framework - LATS - osiągnął 62-krotność bazowego zużycia. Ale nawet 62x to liczba, przy której każdy CFO powinien zakryć twarz dłońmi.

GPU, które płacisz, a które czekają

Sama liczba watogodzin to tylko część problemu. Drugie odkrycie KAIST jest pod względem ekonomicznym jeszcze bardziej bolesne. Badacze wykazali, że agenci AI mogą wydłużać czas odpowiedzi nawet 153,7 raza w porównaniu do tradycyjnych zapytań. Co bardziej zaskakujące, drogie procesory GPU zasilające te zadania pozostawały bezczynne przez 54,5 procent czasu wykonywania zadania, czekając aż zewnętrzne narzędzia zakończą swoją pracę. Sprzęt zużywa prąd, nawet gdy aktywnie nie wykonuje obliczeń AI.

To jest sedno problemu ekonomicznego. Agenci w pętli planowania i wywoływania narzędzi powodują, że drogie GPU siedzą bezczynnie przez 54,5% czasu czekając na zewnętrzne odpowiedzi. Ten koszt „nicnierobienia” jest poważnym czynnikiem ekonomicznym dla centrów danych, którego obecne usprawnienia efektywności w pełni nie rozwiązują.

Prościej: wynajmujesz Ferrari, żeby dostarczyć pizzę, a połowę czasu stoi na podwójnym żółtym, czekając aż dostawca znajdzie numer mieszkania. I nadal płacisz za wynajem. Jeśli plan AI na 2026 rok zakłada wdrożenie agentów autonomicznych, a większość korporacyjnych planów właśnie to zakłada, to każdy budżet obliczeniowy wyceniony na bazie tradycyjnego wnioskowania chatbotowego zawiera złą liczbę. Dostawcy sprzedający produkty agentowe po stałej cenie za wywołanie ponoszą ryzyko wykorzystania zasobów, które liczby KAIST czynią bardzo konkretnym.

198,9 gigawata - to jest pytanie geopolityczne

Zespół opracował scenariusz przyszłości, w którym 13,7 miliarda zapytań do agentów AI jest generowanych dziennie - wolumen odpowiadający obecnemu ruchowi wyszukiwarki Google. W tym scenariuszu zapotrzebowanie na moc w centrach danych wyniosłoby około 198,9 gigawatów, co znacznie przekracza skalę centrów danych AI obecnie budowanych (rzędu kilku gigawatów) i odpowiada mniej więcej połowie średniego zużycia energii przez Stany Zjednoczone.

Dla porównania: wszystkie elektrownie jądrowe na świecie łącznie produkują około 400 gigawatów mocy. KAIST mówi o konieczności wygenerowania niemal połowy tej liczby tylko dla agentów AI. Projekcja 198,9 gigawatów to scenariusz „co jeśli”, a nie prognoza - zakłada 13,7 miliarda zapytań agentowych dziennie bez żadnej poprawy efektywności w czasie. Ale ujawnia krytyczną lukę: istniejące prognozy energetyczne dla centrów danych nie uwzględniają „mnożnika autonomii” agentów, co oznacza, że przyszłe zapotrzebowanie na moc może być poważnie niedoszacowane.

Rhu ostrzegł, że firmy technologiczne nie mogą skupiać się tylko na tym, aby uczynić oprogramowanie inteligentniejszym, jeśli chcą zrównoważonej przyszłości. Zamiast tego branża technologiczna musi całkowicie przeprojektować modele AI, mikrochipy i sieci energetyczne centrów danych od podstaw, żeby obsłużyć to ogromne nowe obciążenie, zanim sieć się załamie.

Protip ✅

Przed wdrożeniem agenta autonomicznego w produkcji warto zmierzyć rzeczywiste zużycie energii na task - nie „liczbę wywołań API”. Różnica między tymi metrykami to właśnie ta przepaść, którą KAIST ujawnił. Narzędzia jak LangSmith czy Weights & Biases pozwalają monitorować zużycie zasobów na poziomie pojedynczego przebiegu agenta.

Jak to naprawić - i czy w ogóle wiadomo jak

Badanie nie jest tylko diagnozą. KAIST wskazuje też konkretne obszary do pracy. Profesor Rhu wprost mówi o konieczności podejścia „co-design” - jednoczesnej optymalizacji modeli AI, układów scalonych i infrastruktury energetycznej. Badanie KAIST jest pierwszą ilościową analizą kosztu obliczeniowego, opóźnienia odpowiedzi, zużycia energii i zapotrzebowania na moc w skali centrum danych przez agentów AI. Dotąd branża działała bez twardych liczb. Teraz je ma.

Zespół badawczy udostępnił jako otwartoźródłowy implementacje agentów AI oraz środowisko benchmarkowe użyte w artykule, aby badacze na całym świecie mogli je wykorzystać w dalszych pracach. To istotny gest - problem jest zbyt duży, żeby jedna uczelnia go rozwiązała.

Praktyczny kierunek optymalizacji leży w środowisku uruchomieniowym samego agenta. Opóźnienie wywołań narzędzi jest największym źródłem czasu bezczynności GPU, bo procesor czeka na odpowiedź narzędzia. Środowisko uruchomieniowe, które łączy wiele wywołań agenta w jedno wywołanie narzędzia, albo wstępnie pobiera prawdopodobne kolejne wywołania, może podciągnąć wykorzystanie GPU z powrotem do zakresu 70-80 procent i zmniejszyć koszt na zapytanie. Repozytorium KAIST z otwartymi benchmarkami jest punktem startowym dla takich badań.

Uwaga ⚠️

Modele rozumowania takie jak o3 czy Claude Opus 4.6 generują ukryte łańcuchy myślenia przed odpowiedzią. To osobny problem energetyczny, niezależny od agentów. Połączenie modelu rozumującego z frameworkiem agentowym to potencjalnie najdroższe obliczeniowo połączenie, jakie można zbudować - i właśnie to kombinacja, którą branża najbardziej entuzjastycznie testuje.

Kto zapłaci rachunek

Badanie pokazuje, że konkurencyjność w erze AI wykracza poza wydajność modeli i obejmuje efektywność centrów danych i infrastruktury energetycznej. To zdanie brzmi jak akademicki banał, ale niesie konkretne konsekwencje biznesowe.

Jeśli agent AI kosztuje 136 razy więcej energii niż chatbot, powinien kosztować odpowiednio więcej dla użytkownika końcowego. Dziś tak nie jest - większość usług agentowych jest wyceniona z myślą o szybkim zdobyciu rynku, a nie o rentowności. Już na początku 2024 roku badacze zaczęli sygnalizować, że modele rozumowania takie jak o1 i o3 mogą zużywać tysiące razy więcej mocy obliczeniowej niż standardowy model czatu, bo generują ukryte łańcuchy myślenia. Pod koniec 2025 roku, gdy agenci zaczęli trafiać do pierwszych wydań produkcyjnych, rozmowa o energii przeniosła się z trenowania na stałe obciążenie operacyjne. Szacunki branżowe z 2025 roku mówiły o 10-30-krotności zużycia energii chatbota dla jednego złożonego zadania agentowego, ale te liczby nie miały rygorystycznego pomiaru. KAIST te liczby teraz ma.

Microsoft wbudowuje agentowe możliwości bezpośrednio w Copilot, Google buduje agentów w Gemini, Anthropic stawia na Claude Code - wszyscy zakładają, że infrastruktura jakoś „dojdzie”. Badanie KAIST mówi wprost: nie dojdzie sama. Trzeba ją zaprojektować od nowa, razem z modelami i układami scalonymi. Dopóki tego nie zrobimy, każdy „inteligentniejszy” agent to po prostu droższy agent. I co gorsza - często wolniejszy, bo GPU przez połowę czasu czeka na wynik wyszukiwania w internecie.