ChatGPT gezegen için zararlı mı?

TL;DR - Önemli Noktalar

Gözlem: Üretken yapay zekâ sistemleri, özellikle model eğitimi ve veri merkezlerinin işletimi (özellikle soğutma) yoluyla elektrik ve su tüketir. Bu tüketim gerçektir; “bulut” soyut değildir, fiziksel altyapıya dayanır.

Büyüklük sırası: Tipik bir sorgu, modele, altyapıya ve görevin karmaşıklığına bağlı olarak yaklaşık 0,3 ila 3 Wh enerji tüketir. Bu da kullanılan elektrik karışımına göre kabaca 0,2 ila 3 gram CO₂ emisyonuna karşılık gelebilir. Bireysel düzeyde etki görece sınırlıdır; ulaşım, ısınma veya beslenme gibi kalemlerle karşılaştırıldığında çoğu zaman ikincil kalır.

Sorunun doğası: Etki, bireysel kullanımdan ziyade kolektif ölçekte, veri merkezlerinin konumu, elektrik üretim karışımı, yerel su stresi, donanım üretimi (GPU’lar, sunucular, yarı iletkenler) ve şirketlerin şeffaflığı gibi yapısal faktörlere bağlıdır.

Eylem alanı: Daha ölçülü kullanım, daha iyi ölçüm (PUE, WUE, karbon kapsamları, verimlilik ölçütleri), teknik optimizasyon (daha küçük modeller, önbellekleme, RAG gibi yaklaşımlar) ve güçlü düzenleyici/kurumsal denetim.

ChatGPT gibi üretken yapay zekâ araçları baş döndürücü bir hızla hayatımıza girdi. Sadece iki yıl içinde, teknolojik bir merak olmaktan çıkıp milyonlarca insanın yazmak, öğrenmek, programlamak ve üretmek için günlük olarak kullandığı bir altyapıya dönüştü.

Ancak her teknolojik devrim gibi bu dönüşüm de bir maliyet sorusunu beraberinde getiriyor:

Bu araçların karbon ayak izi nedir?

Ne kadar enerji ve su tüketiliyor?

Bu sistemleri mümkün kılan altyapı ne kadar şeffaf?

Soruyu daha net soralım:

Üretken yapay zekânın kayda değer bir ekolojik maliyeti var mı? Varsa bu maliyet kimin sorumluluğunda — bireyin mi, şirketlerin mi, yoksa politika yapıcıların mı?

I – Yapay zekânın çevresel etkisi

Teknoloji yeni ve karmaşık olsa da üretken yapay zekânın çevresel etkisi giderek daha sistematik biçimde ölçülmeye başlanıyor. Bu sistemler tamamen dijital bir “boşlukta” çalışmaz: Her sorgu elektrik tüketir; her model eğitimi büyük ölçekli hesaplama gücü gerektirir; veri merkezleri ise yoğun ısı üretimini yönetmek için enerji ve çoğu zaman su kullanır.

Burada kritik bir ayrım var:

Yapay zekânın ayak izi yalnızca “kullanım”dan ibaret değildir. İki ana bileşen bulunur:

1. Altyapı: Veri merkezleri, elektrik üretimi, soğutma sistemleri.

2. Model: Modelin boyutu, eğitilme yöntemi, ne sıklıkta kullanıldığı ve ne kadar verimli çalıştığı.

   
   

Buna üçüncü bir boyut daha eklenir: donanımın yaşam döngüsü.GPU’lar (çok sayıda hesaplamayı paralel gerçekleştirmek üzere tasarlanmış işlemciler), sunucular ve yarı iletkenler; çıkarma, üretim, nakliye, bakım ve kullanım ömrü sonundaki elektronik atık aşamalarını içerir. Yani mesele yalnızca çalışırken harcanan elektrik değildir.

Bir sorgunun maliyeti ne kadar?

Mevcut tahminlere göre (kullanılan model, sorgu uzunluğu, altyapı verimliliği ve optimizasyon düzeyine bağlı olarak):

• ChatGPT’de tek bir sorgu yaklaşık 0,3 ila 3 Wh enerji tüketebilir.

• Bu, elektrik üretim karışımına göre yaklaşık 0,2 ila 3 gram CO₂ emisyonuna karşılık gelir.

  
  

Bu rakamlar belirsizlik içerir; çünkü şirketler ayrıntılı operasyonel verileri kamuya açık biçimde paylaşmaz. Ancak büyüklük sırası açısından fikir verir: Tek bir kullanım genellikle düşük ölçeklidir.

Asıl yoğunluk nerede?

Büyük bir yapay zekâ modelini eğitmek, haftalar ya da aylar boyunca binlerce GPU’nun eşzamanlı çalışmasını gerektirebilir. Bu aşama, toplam çevresel ayak izinin önemli bir bölümünü oluşturur ve genellikle “ilk eğitim” döneminde yoğunlaşır.

Başka bir deyişle: Çevresel maliyet çoğu zaman tek tek kullanıcı sorgularında değil,model eğitimi, altyapı kurulumu ve küresel ölçekte ölçeklendirme süreçlerinde yoğunlaşır.

Bu ayrım önemli. Çünkü tartışmanın odağını “Ben bugün üç soru sordum, dünyaya zarar verdim mi?” düzeyinden çıkarıp, “Bu sistemler nasıl tasarlanıyor, nerede çalıştırılıyor ve hangi enerjiyle besleniyor?” düzeyine taşır.

Su: Görünmeyen ama kritik bir maliyet

Tartışma çoğu zaman elektrikte kilitleniyor. Oysa mesele yalnızca watt-saat değil — litre de.

Yapay zekâ sistemlerinin çalıştığı veri merkezleri yalnızca enerji tüketmez; aynı zamanda önemli miktarda suya ihtiyaç duyar. Bu su, iki ana kanaldan devreye girer:

1. Elektrik üretimi sırasında dolaylı tüketim (Kapsam 2)

2. Veri merkezlerinin doğrudan soğutma ihtiyacı

   
   

Veri merkezleri ve su stresi

Food & Water Watch’un (2025) raporuna göre, Amerika Birleşik Devletleri’ndeki veri merkezleri her yıl milyarlarca litre su tüketiyor. Daha kritik olan ise şu: Bu tüketim zaman zaman kuraklık riski taşıyan bölgelerde yoğunlaşıyor.

Yapay zekânın yükselişi, bu talebi artırıyor; ancak veri merkezlerinin tam konumları, yerel su koşulları ve gerçek zamanlı tüketim verileri çoğu zaman sınırlı şeffaflıkla paylaşılıyor.

Bu durum özellikle suyun zaten kıt olduğu bölgelerde yerel gerilimlere yol açabiliyor. Küresel ölçekte küçük görünen bir artış, yerel ölçekte ciddi bir baskı anlamına gelebilir.

WUE: Suyun verimliliği nasıl ölçülüyor?

Bu noktada önemli bir gösterge devreye giriyor: WUE (Water Usage Effectiveness – Su Kullanım Verimliliği).

WUE, bir veri merkezinin su tüketimini, IT ekipmanının kullandığı enerji miktarıyla ilişkilendirir. Basitçe söylemek gerekirse:

Aynı hesaplama için ne kadar az su kullanılıyorsa, WUE o kadar iyidir.

Kaliforniya Üniversitesi Riverside’ın Making AI Less Thirsty (2023) çalışmasına göre, bir yapay zekâ modeli tarafından kullanılan her kilovat-saat elektrik, dolaylı olarak yaklaşık 3,1 litre su tüketimine yol açabilir.

Bu tüketimin büyük bölümü elektrik üretim süreciyle bağlantılıdır (GHG Protokolü kapsamında Kapsam 2).

Burada kullanılan kategoriler, çevresel etkileri sınıflandırmak için uluslararası standart olan GHG Protokolü’nden gelir:

• Kapsam 1: Doğrudan emisyonlar (örneğin tesis içindeki yakıt yanması)

• Kapsam 2: Tüketilen elektrikten kaynaklanan dolaylı emisyonlar

• Kapsam 3: Üretim, nakliye, donanım üretimi, kullanım ömrü sonu gibi diğer dolaylı etkiler

  
  

Bu ayrım önemli. Çünkü yapay zekânın su ayak izi yalnızca veri merkezinin musluğundan akan su değildir; elektrik üretim zincirine kadar uzanır.

Konum her şeyi değiştirebilir

Soğutma için doğrudan su tüketimi ise veri merkezinin bulunduğu yer, iklim koşulları ve kullanılan teknolojiye göre ciddi biçimde değişir.

Örneğin bazı tahminlere göre:

• Google tarafından işletilen belirli veri merkezlerinde kWh başına yaklaşık 1 litre su tüketilirken,

• ABD’nin yüksek sıcaklığa sahip bazı bölgelerinde bu rakam kWh başına 8–9 litreye kadar çıkabilmektedir.

  
  

Bu dramatik fark bize önemli bir şeyi gösteriyor:

Aynı sorgu, farklı bir şehirde çalıştırıldığında çevresel olarak çok farklı bir iz bırakabilir.

Bu değişkenlik, Hannah Ritchie’nin vurguladığı kritik noktayı doğrular:Tek bir sorgunun çevresel etkisi, kullanıcının göremediği faktörlere — veri merkezinin konumu, enerji kaynağı, altyapı verimliliği — büyük ölçüde bağlıdır.

Dolayısıyla “Bir sorgu kaç gram CO₂?” sorusu, tek bir sabit cevaba sahip değildir. Tahminlerin geniş aralıklar vermesinin nedeni budur.

Enerji tarafı: PUE ve altyapının rolü

Su tarafında olduğu gibi, enerji tarafında da belirleyici unsur yalnızca model değil, altyapının verimliliğidir.

Buradaki temel gösterge PUE (Power Usage Effectiveness – Güç Kullanım Verimliliği)’dir.

PUE, bir veri merkezinin toplam enerji tüketimini, IT ekipmanının (yani gerçekten hesaplama yapan donanımın) tükettiği enerjiye oranlar.

• PUE = 1,0’a ne kadar yakınsa, altyapı o kadar verimlidir.

• PUE yükseldikçe, soğutma, aydınlatma ve yardımcı sistemlerdeki enerji kaybı artar.

  
  

Bu ayrım kritik. Çünkü yapay zekâ sistemlerinin tükettiği enerji yalnızca “hesaplama”dan ibaret değildir. Sunucuların çalıştırılması, soğutulması ve sürekli işletilmesi de ciddi bir pay oluşturur.

Başka bir deyişle: Aynı model, düşük PUE’ye sahip modern bir veri merkezinde çalıştırıldığında, daha eski ve verimsiz bir tesise kıyasla belirgin biçimde daha düşük çevresel etki yaratabilir.

Dolayısıyla etkiyi belirleyen yalnızca “model ne kadar büyük?” sorusu değil;

“Nerede ve hangi verimlilik standartlarıyla çalışıyor?” sorusudur.

ChatGPT'ye sorulan tüm sorular eşit değildir

Bir başka önemli nokta: Her sorgu aynı değildir.

Basit bir metin sorusu ile karmaşık, uzun, çok adımlı bir görev arasında ciddi enerji farkı olabilir. Epoch AI (2024) gibi kaynaklara dayanan tahminler, bazı karmaşık görevlerin birkaç düzine Wh’ye kadar çıkabileceğini; aşırı senaryolarda yaklaşık 40 Wh seviyelerine ulaşabileceğini öne sürmektedir. Bu, basit bir sorgunun enerjisinin 100 katından fazlası olabilir.

Bu farklılık, üretken yapay zekânın etkisine dair tek ve sabit bir sayı vermeyi zorlaştırır. Aynı nedenle, farklı kaynaklardaki tahminler çelişkili görünebilir.

Hannah Ritchie’nin dikkat çektiği önemli bir nokta da şudur: Sıklıkla alıntılanan bazı değerler (örneğin sorgu başına 3 Wh), ihtiyatlı varsayımlara ve yukarı yönlü ekstrapolasyonlara dayanabilir. Daha yeni tahminler, basit bir sorgunun yaklaşık 0,3 Wh tüketebileceğini — yani yaklaşık on kat daha düşük olabileceğini — göstermektedir.

Bu değerler:

• Kullanılan modele,

• Altyapının verimliliğine,

• Sorgunun karmaşıklığına

bağlı olarak önemli ölçüde değişir.

Bu nedenle bu rakamları kesin değerler olarak değil, büyüklük sıraları olarak okumak daha sağlıklı bir yaklaşımdır.

Dolayısıyla, yapay zekâya her prompt girdiğimizde toplam “Tam olarak kaç gram x / y harcıyor?”, yerine “Bu, diğer faaliyetlerle karşılaştırıldığında hangi büyüklük düzeyindedir?” sorusunu sormamız daha anlamlı.

Metodoloji ve Varsayımlar: Rakamları okurken nelere dikkat etmeliyiz?

Yapay zekânın çevresel etkilerini değerlendirirken, hangi çerçevede ve hangi varsayımlarla ölçüm yapıldığını anlamak kritik. Örneğin, çoğu “sorgu başına” enerji ve karbon tahmini yalnızca kullanılan elektrikten kaynaklanan operasyonel emisyonları kapsar. Donanım üretimi, tedarik zinciri ve ömrü sonu etkilerini de içeren tam yaşam döngüsü analizleri (LCA) ise genellikle daha belirsizdir.

Etkiyi belirleyen bir diğer unsur, yapılan işin türüdür. Kısa bir metin, uzun bir diyalog, web araması, kod çalıştırma veya tekrar üretimler, tüketilen hesaplama gücü ve dolayısıyla enerji miktarını doğrudan etkiler. Ayrıca kullanılan modelin boyutu, mimarisi ve uygulanan optimizasyon teknikleri de sorgu başına enerji tüketimini önemli ölçüde değiştirebilir. Gerektiğinde daha küçük modelleri tercih etmek, enerji verimliliğini artırmak açısından etkili bir yöntemdir.

Çevresel etkiler, teknolojiyi nerede ve ne zaman kullandığınızla da yakından ilişkilidir. Elektrik kaynağı, günün saatleri, mevsimsel sıcaklıklar ve yerel su stresi, aynı modeli farklı zamanlarda veya farklı bölgelerde çalıştırdığınızda karbon ve su ayak izini değiştirebilir.

Son olarak, altyapı ve donanım da kritik bir rol oynar. Veri merkezlerinin enerji ve su verimliliği, kullanılan GPU ve sunucuların üretim süreçleri, donanımın ömrü ve yenilenme sıklığı, toplam çevresel etkiyi belirleyen unsurlar arasında yer alır. Bu nedenle rakamları değerlendirirken, yalnızca kullanımın kendisine değil, onu mümkün kılan tüm altyapıya ve koşullara da dikkat etmek gerekir.

Şeffaflık sorunu

Hannah Ritchie’nin de vurguladığı gibi, bu alandaki en büyük zorluklardan biri şeffaflık ve standardizasyon eksikliğidir.

Şirketler:

• Ayrıntılı model bazlı enerji tüketim verilerini nadiren paylaşır.

• Metodolojiler arasında birlik yoktur.

• Kapsam 2 ve Kapsam 3 etkileri genellikle ayrıntılı ayrıştırılmaz.

  
  

Bu nedenle tahminleri yorumlarken:

• Hangi varsayımlar kullanıldı?

• Hangi kapsamlar dahil edildi?

• Hangi altyapı senaryosu temel alındı?

sorularını sormak gerekir.

II – Bu rakamları bağlamına oturtmak

Bu rakamlar tek başına bakıldığında etkileyici görünebilir. Ancak bireysel tüketim bağlamında değerlendirilmeli ve özellikle diğer emisyon kaynaklarıyla karşılaştırılmalıdır. Önemli olan, iki ölçeği birbirinden ayırmaktır: tek bir kullanıcının marjinal etkisi (genellikle düşük) ve milyonlarca kullanıcının ve hızla büyüyen altyapının kümülatif etkisi (potansiyel olarak önemli).

Hannah Ritchie’nin (Sustainability by Numbers, 2024) tahminlerine göre, sorgu başına yaklaşık 3 Wh’lik ihtiyatlı bir varsayım üzerinden, ChatGPT’yi günde 10 kez sorgulayan bir kullanıcı günlük elektrik tüketiminin yaklaşık %0,2’sini kullanır ve kişisel CO₂ emisyonlarının yaklaşık %0,1 ila %0,2’sini oluşturur.

Bu aynı zamanda bir kişinin yıllık elektrik tüketiminin son derece küçük bir bölümüne karşılık geliyor ve bireysel ölçekte tekil sorguların etkisinin ne kadar sınırlı kaldığını gösteriyor. Bu karşılaştırma, dijital ölçülülüğün anlamlı olduğunu ancak ulaşım, ısınma veya gıda gibi büyük emisyon kalemlerinin yerini almadığını ortaya koyuyor.

Bazı tahminler, ChatGPT’nin sorgu başına yaklaşık 0,3 Wh tüketebileceğini, yani tipik bir arama motoru sorgusundan yalnızca biraz daha fazla enerji gerektirebileceğini öne sürüyor (Epoch AI, 2024; Hannah Ritchie, 2024). Gerçek etki ise büyük ölçüde istenen göreve, yanıtların uzunluğuna, kullanılan modele ve altyapıdaki optimizasyon düzeyine bağlıdır.

Hannah Ritchie’nin de belirttiği gibi, günde 100 sorgu gibi yoğun bir kullanımda bile bu oran, bireysel günlük elektrik tüketimi ölçeğinde mütevazı kalacak ve gündelik yaşamın temel enerji kullanımlarının oldukça gerisinde olacaktır.

Bu aşamada, suçluluk duygusuyla yönlendirilen “tamamen bırakma” refleksi yerine, daha bilinçli ve verimli kullanım alışkanlıklarını benimsemek daha rasyonel bir yaklaşımdır: daha hedefli sorgular, gereksiz yeniden üretimlerden kaçınma ve gerçekten ihtiyaç duyulan çıktıyı talep etme gibi.

Bir büyüklük sırası sezgisi vermek gerekirse: 0,3 Wh, ortalama 12 W’lık bir LED ampulün yaklaşık 1 dakika 30 saniyede tükettiği enerjiye eşittir. Aynı enerji miktarı, yaklaşık 2500 W’lık bir elektrikli fırın tarafından yarım saniyeden daha kısa sürede tüketilir.* Bu karşılaştırmalar, basit bir sorgunun enerjisinin gündelik birçok eylemin yanında ne kadar küçük kaldığını gösteriyor.

Bazı davranış değişiklikleri — örneğin araba kullanımının azaltılması veya beslenme tercihlerinin değiştirilmesi — yapay zekâ kullanımını tamamen durdurmaktan çok daha büyük bir çevresel etki yaratabilir. Bununla birlikte, küresel ölçekte biriken kullanımın ve genişleyen altyapının etkisi endüstriyel ve politik bir mesele olmaya devam ediyor.

Hannah Ritchie ayrıca, düzenli ChatGPT kullanımının varsayımlara bağlı olarak yılda birkaç kilogram ile yaklaşık on kilogram CO₂ arasında bir emisyona yol açabileceğini belirtmektedir. Bu değer, birey başına ortalama yıllık emisyonlarla (birkaç ton CO₂) karşılaştırıldığında oldukça düşüktür.

* Bir LED ampulün gücü 4 ile 20 W arasında değişmekte olup ortalama yaklaşık 12 W’tır. Bu nedenle 0,3 Wh enerji, 0,3 / 12 = 0,025 saat ≈ 1,5 dakika (yaklaşık 90 saniye) içinde tüketilir. Benzer şekilde 2000–3000 W aralığında (ortalama 2500 W) bir elektrikli fırın 0,3 Wh enerjiyi 0,3 / 2500 = 0,00012 saat ≈ 0,43 saniyede tüketiyor.

Bu grafik, karbon ayak izini azaltmaya yönelik farklı eylemlerin göreli etkisini özetlemektedir. Clean Air Task Force, Opportunity Green veya Future Cleantech Architects gibi çevre ve enerji politikalarında sistemik değişim için çalışan kuruluşlara bağış yapmak, yapay zekâ dâhil dijital araçların ara sıra kullanımını azaltmak gibi bireysel mikro optimizasyonlara kıyasla potansiyel olarak çok daha büyük bir iklim etkisi yaratabilir. Temel fikir şudur:

Kolektif ve yapısal eylemlerin kaldıraç etkisi, bireysel mikro kullanımların optimizasyonundan genellikle çok daha büyüktür. Bu, bireysel davranışların önemsiz olduğu anlamına gelmez; ancak etki büyüklüğü açısından önceliklendirme yapılması gerektiğini gösteriyor.

Scientific Reports’ta (2024) yayımlanan bir çalışma da bu tartışmaya ilginç bir boyut eklemektedir. Araştırmaya göre, yapay zekâ aracılığıyla metin veya illüstrasyon üretmek, özellikle uzun süreli bilgisayar kullanımını içeren insan süreçleriyle karşılaştırıldığında, bazı durumlarda daha az CO₂e emisyonuna yol açabilir.

Bu sonuç büyük ölçüde kullanılan varsayımlara bağlıdır: çalışma süresi, ekipman türü, yineleme sayısı, altyapının enerji karışımı ve kullanılan model gibi faktörler sonucu önemli ölçüde etkileyebilir. Ancak çalışma önemli bir noktaya işaret etmektedir: çevresel ayak izi her zaman sezgisel değildir ve yapay zekâ bazı durumlarda daha enerji yoğun süreçlerin yerini alabilir.

Söz konusu çalışmada, bir sayfa metin üretimi için yapay zekâ (örneğin BLOOM veya ChatGPT) ile insan tarafından bilgisayar kullanılarak yapılan yazım süreci karşılaştırılmıştır. Bulgulara göre, belirli varsayımlar altında yapay zekâ sayfa başına yaklaşık 130 ila 1500 kat daha az CO₂e üretebilmektedir. Bu farkın önemli bir nedeni, yapay zekânın daha hızlı çalışması ve toplam bilgisayar kullanım süresini kısaltmasıdır.

Elbette bu oranlar sabit değildir ve büyük ölçüde metodolojik tercihlere bağlıdır. Ancak genel eğilim, yapay zekânın ekolojik “aşırı maliyetinin” insan temelli dijital alternatiflere kıyasla sistematik olarak daha yüksek olmadığını göstermektedir. Başka bir ifadeyle, yapay zekâ her durumda çevresel olarak daha kötü bir seçenek değildir; bazı bağlamlarda daha verimli bir alternatif olabilir.

Bu bulgular, tartışmayı basit bir “AI iyi mi kötü mü?” ikiliğinden çıkarıp daha önemli bir soruya taşır: Hangi kullanım senaryosu, hangi altyapı ve hangi enerji sistemi altında daha düşük toplam etki üretir?

Su: Büyüklük mertebeleri

Suya gelince, bazı tahminler üretken bir yapay zekâ sorgusunun, veri merkezinin konumuna, elektrik karışımına ve kullanılan soğutma sistemine bağlı olarak dolaylı biçimde yaklaşık 7 ila 47 ml su tüketebileceğini göstermektedir. Bu tahmin, esas olarak elektrik üretimi ve bazı durumlarda veri merkezi soğutma altyapısı için kullanılan suyu kapsamaktadır.

Günde 10 sorgu yapmak, bir yıl boyunca yaklaşık 25 ila 170 litre su tüketimine karşılık gelir. Bu miktar kabaca tek bir duş ya da banyoya eşdeğerdir ve sığır eti gibi su yoğun gıda ürünleriyle ilişkili su ayak izinin oldukça küçük bir bölümünü oluşturur.

Kesin farklılıklar varsayımlara — çalışma süresi, kullanılan ekipman, altyapı türü, enerji karışımı ve model verimliliği gibi faktörlere — büyük ölçüde bağlıdır. Ancak genel eğilim, yapay zekânın ekolojik “aşırı maliyetinin” insan temelli dijital alternatiflerden sistematik olarak daha yüksek olmadığını göstermektedir.

Bu karşılaştırma, büyüklük mertebelerini perspektife oturtmaya yardımcı olur. Literatürde (örneğin Li vd., 2023) sorgu başına dolaylı su tüketimi için yaklaşık 1 ila 50 ml aralığı verilmektedir; bu tüketim esas olarak elektrik üretimi ve veri merkezi soğutması yoluyla gerçekleşmektedir.

Bu ölçekte bireysel kullanımın su etkisi oldukça düşüktür: tek bir 100 gramlık bifteğin su ayak izine ulaşmak için birkaç yüz bin ila yaklaşık bir milyon sorgu gerekebilir. Dolayısıyla asıl mesele, bireysel ve ara sıra kullanımdan ziyade, küresel ölçekte büyüyen veri merkezi altyapısının kümülatif ve sistemik etkisidir.

Üretken yapay zekâ hâlâ genç bir teknolojidir. Bununla birlikte hızla gelişmekte ve çevresel etkisini azaltmaya yönelik somut stratejiler ortaya çıkmaktadır. Verimlilik kazanımları (donanım, modeller, orkestrasyon), geri tepme etkisiyle (daha fazla kullanım, daha fazla sorgu, daha fazla otomasyon) tamamen dengelenmedikleri sürece muhtemelen belirleyici bir rol oynayacaktır. Hannah Ritchie’nin de belirttiği gibi, yapay zekâ modelleri dâhil olmak üzere bilgisayar sistemleri, donanım, yazılım ve altyapı optimizasyonlarındaki ilerlemeler sayesinde zamanla genellikle daha verimli hâle gelir. Bu da, toplam kullanım artsa bile, sorgu başına enerji tüketiminin teknoloji ilerledikçe azalabileceği anlamına gelir.

Bazı teknik gelişmeler, sorguların ne zaman ve nerede yürütüleceğini optimize ederek enerji ayak izini azaltmaya şimdiden olanak tanımaktadır. Özellikle düşük karbonlu elektrik arzıyla uyumlu çalıştırma ve sistem verimliliğini artırma bu alanda öne çıkmaktadır.

Daha iyi orkestrasyon (mümkün olan en küçük modeli seçme, önbellekleme, yönlendirme ve sorgu optimizasyonu) da kullanılabilirliği azaltmadan ayak izini anlamlı ölçüde düşürebilir. Benzer şekilde, altyapıların su etkisini daha iyi ölçmeye ve yönetmeye yönelik çalışmalar sürmektedir; bu etki, soğutma teknolojisine, yerel elektrik karışımına ve veri merkezlerinin coğrafi konumuna bağlıdır.

Bu izleme özellikle önemlidir; zira Lawrence Berkeley Ulusal Laboratuvarı’na (2024) göre, büyük verimlilik iyileştirmeleri gerçekleşmezse, yapay zekâ ve dijital kullanımın büyümesi nedeniyle veri merkezlerinin elektrik tüketimi 2030’a kadar önemli ölçüde artabilir.

Kamuya açık ve karşılaştırılabilir ölçütler olmadan, performans, maliyet ve çevresel verimlilik arasında denge kurmak zor olmaya devam etmektedir. Bu bağlamda PUE ve WUE gibi göstergelerin düzenli ve şeffaf biçimde yayımlanması, etkilerin ölçülebilir ve karşılaştırılabilir hâle gelmesini sağlayacaktır.

Etkilerin coğrafi dağılımı da kritik bir meseledir. Bazı veri merkezleri, elektriğin daha karbon yoğun olduğu veya suyun kıt olduğu bölgelerde yer almaktadır; bu durum çevresel yükün belirli alanlara kaymasına yol açabilir. Dolayısıyla soru yalnızca yapay zekânın “ne kadar” tükettiği değil, bu tüketimin “nerede” ve “hangi koşullar altında” gerçekleştiğidir.

Hannah Ritchie’nin analizinde de vurgulandığı gibi, yapay zekânın çevresel etkisi büyük ölçüde yapısal faktörlere — veri merkezi verimliliğine, elektrik karışımına ve altyapı tercihlerine — bağlıdır. Bu faktörler, bireysel kullanım düzeyinden bağımsız olarak, gerçek ayak izini belirgin biçimde etkileyebilir.

Maddilik: Donanım, GPU’lar ve yaşam döngüsü

Ekolojik tartışmanın önemli bir bölümü “görünmez” katmanda, yani donanımda yatmaktadır. Üretken yapay zekâ modelleri GPU ve sunucu filolarına dayanır; bu da yarı iletkenlere dayalı bir donanım değer zincirini içerir:

• Kaynakların çıkarılması ve işlenmesi

• Bileşenlerin üretimi ve montajı

• Nakliye, kurulum ve bakım

• Ömür sonu yönetimi (elektronik atık)

  
  

Yaşam döngüsü değerlendirmesinde (LCA) çevresel etki yalnızca kullanım sırasında tüketilen elektrikten ibaret değildir; altyapının üretimi, işletimi ve yenilenmesi için harekete geçirilen emisyon ve kaynaklar da hesaba katılmalıdır.

Yapay zekâ daha yaygın hâle geldikçe, altyapı verimliliği, ekipman ömrünün uzatılması ve malzeme kullanımının optimize edilmesi, enerji ve su kadar önemli kaldıraç noktalarına dönüşmektedir. Bu yaklaşım, dijital sistemlerin etkisinin yalnızca doğrudan enerji tüketimiyle değil, onları mümkün kılan fiziksel ve enerji altyapısıyla birlikte değerlendirilmesi gerektiğini vurgulayan analizlerle tutarlıdır.

Yapay Zekâ: Sorun mu, kaldıraç mı?

Yapay zekâ yalnızca bir çevre maliyeti değildir; aynı zamanda potansiyel bir kaldıraçtır. Birleşmiş Milletler Çevre Programı’na (UNEP) göre yapay zekâ şunlara katkıda bulunabilir:

• İklim risklerini, kuraklıkları ve selleri daha doğru tahmin etmek

• Enerji üretim ve dağıtım ağlarını optimize etmek

• Uydu görüntüleri aracılığıyla çevresel izlemeyi iyileştirmek

• Kirlilik ve ormansızlaşma kaynaklarını büyük ölçekte tespit etmek

  
  

Bu uygulamalar çevresel maliyetten muaf değildir; ancak özellikle enerji, tarım ve kaynak yönetimi alanlarında sistem verimliliğini artırarak emisyonların azaltılmasına da katkı sağlayabilirler. Dolayısıyla temel mesele, inovasyonu net pozitif çevresel fayda üreten kullanımlara yönlendirmektir.

UNEP ayrıca geri tepme etkisine dikkat çekmektedir: bazı yapay zekâ uygulamaları, özellikle artan otomasyon veya yeni talep yaratımı yoluyla, toplam enerji ve kaynak tüketimini artırabilir. Otonom araçlar veya yoğun işlem gücü gerektiren sistemler buna örnek verilebilir. Nihai etki, büyük ölçüde teknolojik, enerjiye ilişkin ve düzenleyici tercihlere bağlıdır.

Daha geniş ve tehlikeli riskler

Yapay zekâ, çevresel etkilerin ötesinde daha geniş risk kategorileri de taşımaktadır:

• Kötüye kullanım riskleri: Dezenformasyon veya biyolojik tehditler gibi kasıtlı zarar üretimi

• Arıza riskleri: Beklenen davranış ile fiilî sistem davranışı arasındaki farklardan doğan tehlikeler

• Sistemik riskler: İş gücü piyasası şokları, eşitsizliklerin artışı veya aşırı kaynak tüketimi gibi toplumsal etkiler

  
  

Burada özellikle ChatGPT gibi konuşma tabanlı sistemlerin bireysel kullanımıyla ilişkili emisyonlara odaklanıyoruz. Bununla birlikte, yapay zekâ kaynaklarının önemli bir kısmı içerik çiftlikleri tarafından da kullanılmaktadır: otomatik web sayfası üretimi, platformları dolduran seri içerik üretimi veya deepfake oluşturma gibi.

Ne yazık ki, deepfake üretiminin büyük bir bölümü pornografik niteliktedir ve çoğu zaman ilgili kişilerin rızası olmadan gerçekleştirilmektedir. Bu durum, teknolojinin çevresel etkilerinin ötesinde etik ve hukuki boyutlarını da gündeme getirmektedir. Bu nedenle bazı kuruluşlar, yapay zekânın gelişimini daha iyi yönlendirmek ve riskleri azaltmak amacıyla politika ve güvenlik alanında çalışmaktadır. İşte tam bu noktada, yeni teknolojiler karşısında kolektif sorumluluk ve yönetişim meselesi devreye girmektedir.

ChatGPT veya diğer üretken yapay zekâ araçlarının kullanımı çevresel açıdan tamamen nötr değildir. Ancak bugüne kadar mevcut veriler, bireysel ölçekte etkinin oldukça sınırlı kaldığını ve optimizasyon imkânlarının gerçek olduğunu göstermektedir. Hannah Ritchie’nin vurguladığı gibi, ChatGPT’nin düzenli kullanımı dahi yıllık bireysel enerji tüketiminin ve emisyonlarının çok küçük bir bölümünü temsil eder. Büyüklük mertebesi açısından bakıldığında, günlük kullanım yılda yalnızca birkaç kilogram CO₂’ye karşılık gelebilir; bu miktar, bir bireyin ortalama yıllık emisyonlarıyla (birkaç ton CO₂) kıyaslandığında oldukça düşüktür.

Meselenin özü, ölçeği yanlış yorumlamamaktır: makul ve bilinçli kullanım anlamlıdır; ancak asıl belirleyici faktörler altyapıların verimliliği, kullanılan elektrik karışımı ve bu sistemleri geliştiren ve işleten şirketlerin teknik tercihleridir. Genel çevresel etki, izole bireysel kullanıcı seçimlerinden ziyade veri merkezlerinin verimliliği ve enerji kaynağının karbon yoğunluğu gibi yapısal unsurlara bağlıdır.

Önemli olan, verimsiz bir suçluluk duygusuna kapılmadan aklıselimi korumaktır. Bu araçları ölçülü, bilinçli ve gerçekten faydalı amaçlarla kullanmak, tutarlı bir ekolojik yaklaşımla uyumludur. Doğru ölçek algısı, belirli kullanımların etkisini abartmaktan kaçınmaya ve çevresel ayak izini azaltmak için gerçekten yüksek kaldıraçlı eylemleri belirlemeye yardımcı olur.

İklim üzerinde daha anlamlı bir fark yaratmak isteyenler için, asıl kaldıraç noktaları genellikle enerji sistemlerinin dönüşümü, politika değişiklikleri ve yüksek etkili kurumsal müdahalelerdir.

Etkinizi Ölçün / Kontrol Edin – Hızlı Kontrol Listesi

Genel tartışmadan daha somut ve doğrulanabilir bir çerçeveye geçmek için:

• Kullanımınızı nitelendirin:Kısa metin mi, uzun konuşma mı, görüntü/video üretimi mi? Ne sıklıkta? Kaç yeniden üretim?

• Aralıklarla tahmin edin:Varsayımsal değerleri aralık olarak düşünün (örneğin “standart” sorgu başına 0,3–3 Wh; daha karmaşık görevler için daha yüksek). Bir hafta boyunca yaklaşık sorgu sayınızı not edin.

• Metrik talep edin (kurumsal kullanımda):PUE, WUE, veri merkezi konumu (ülke/bölge), elektrik karışımı veya karbon yoğunluğu ve kapsanan emisyon kapsamları (Scope 2 / Scope 3).

• Kaynağında azaltın:Daha hedefli istemler yazın, gereksiz yinelemeleri sınırlayın, “sadece denemek için” üretimden kaçının ve mümkün olduğunda yeterli olan en küçük modeli tercih edin.

  
  

Bu yaklaşım, yalnızca izole tahminlere odaklanmak yerine etkileri bağlam içinde değerlendirmeyi ve ölçülebilir büyüklüklere yerleştirmeyi öneren analizlerle tutarlıdır. Sonuç olarak, bilinçli kullanım önemlidir — ancak gerçek dönüşüm, bireysel mikro optimizasyonlardan çok daha büyük ölçekli yapısal değişimlerde yatmaktadır.

Mini Vaka Çalışması: 7 Günlük Kullanım Denetimi

7 gün boyunca 140 metin isteği (≈ günde 20) ve 20 görüntü oluşturma işlemi gerçekleştirdiğinizi varsayalım.

Muhafazakâr varsayımlar: Metin isteği başına ortalama 1 Wh (mevcut tahminlerle tutarlı, genellikle 0,3–3 Wh aralığında orta bir değer) ve görüntü başına 10 Wh (görüntü üretimi genellikle metinden daha fazla hesaplama gerektirdiği için makul bir örnek varsayım).

Hesaplama: 140 × 1 Wh = 140 Wh20 × 10 Wh = 200 WhToplam = 7 gün boyunca 340 Wh, yani 0,34 kWh.

Bu varsayımları iki katına çıkarsak bile bireysel ölçekte mütevazı bir düzeyde kalırız. Karşılaştırma için bu, bir hanenin haftalık elektrik tüketiminin çok küçük bir bölümüne karşılık gelir; haftada 1 kWh’ın altında bir tüketimdir.

Bu çalışmanın amacı kesin bir değer vermek değil, kullanımın nerede yoğunlaştığını görmektir. Bu yoğunluk genellikle görüntü üretimi, video üretimi veya uzun ve karmaşık konuşmalar gibi daha fazla hesaplama gerektiren görevlerde ortaya çıkar. Bu büyüklük mertebesi, Hannah Ritchie’nin analizleriyle tutarlıdır ve tipik üretken yapay zekâ kullanımının bireysel enerji etkisinin, günlük yaşamdaki diğer enerji kalemlerine kıyasla düşük kaldığını göstermektedir.

Sık Sorulan Sorular

Bir ChatGPT sorgusu, bir Google aramasından daha fazla kirliliğe neden olur mu?

Ortalama olarak birçok tahmine göre evet; ancak fark, görevin karmaşıklığına, modele ve sistem optimizasyonlarına büyük ölçüde bağlıdır. Tahminler varsayımlara duyarlıdır ve dikkatli yorumlanmalıdır.

Yapay zekâ öncelikle elektrik mi yoksa su mu tüketir?

Her ikisi de söz konusudur. Elektrik hesaplamayı sağlar; su ise hem elektrik üretimi hem de veri merkezi soğutması yoluyla doğrudan veya dolaylı biçimde devreye girer. Etki altyapıya bağlıdır.

Çevre dostu olmak için yapay zekâ kullanmayı bırakmalı mıyım?

Orta düzeyde bireysel kullanımda etki genellikle diğer yaşam alanlarına kıyasla düşüktür. Ana emisyon azaltım kaldıraçları çoğunlukla enerji sistemlerinde ve altyapılardadır.

Etki neden çalışmalar arasında bu kadar farklılık gösteriyor?

Çünkü varsayımlar değişir: model boyutu, donanım, veri merkezi konumu, elektrik karışımı ve metodoloji sonuçları önemli ölçüde etkiler. Şeffaflık eksikliği de belirsizliği artırır.

Yapay zekânın çevresel etkisini somut olarak nasıl azaltabilirim?

Bireysel düzeyde: kullanımı optimize edin (daha hedefli istemler, daha az yineleme, gereksiz üretimden kaçınma). Kolektif düzeyde: enerji verimliliğini, düşük karbonlu elektrik kullanımını ve şeffaf raporlamayı teşvik edin.

Uzun bir metin sohbeti, birkaç kısa sorgudan daha fazla mı enerji tüketir?

Çoğu durumda evet; çünkü işlem süresi ve bağlam miktarı arttıkça hesaplama yükü de artar.

PUE ve WUE ne anlama gelir (ve neden önemlidir)?

Bunlar veri merkezlerinin enerji ve su verimliliğini ölçen göstergelerdir. Şeffaf biçimde yayımlandıklarında altyapı performansını karşılaştırmayı mümkün kılarlar.

Şirketler hangi somut adımları atabilir?

Model optimizasyonu, daha verimli donanım, düşük karbonlu elektrik kullanımı, altyapı iyileştirmeleri ve düzenli, karşılaştırılabilir çevresel raporlama.

Bu kaldıraç noktaları, yapay zekânın gerçek çevresel etkisini belirleyen temel unsurların bireysel mikro kullanımlardan ziyade yapısal faktörler olduğunu göstermektedir.

Okuduğunuzu beğendiniz mi? Aylık bültenimize abone olun

Kaynaklar ve Referanslar

• MIT Haberleri (2025) — Açıklama: Üretken Yapay Zekanın Çevresel Etkisihttps://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117

• Hannah Ritchie (2024) — ChatGPT ve Üretken Yapay Zekanın Karbon Ayak İzi — Sayılarla Sürdürülebilirlikhttps://www.sustainabilitybynumbers.com/p/carbon-footprint-chatgpt

• Li ve diğerleri (2023) — Yapay Zekayı Daha Az “Susuz” Hale Getirmek: Yapay Zeka Modellerinin Gizli Su Ayak İzini Ortaya Çıkarma ve Ele Alma, Kaliforniya Üniversitesi Riversidehttps://arxiv.org/pdf/2304.03271.pdf

• Epoch AI (2024) — ChatGPT ne kadar enerji kullanıyor?https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use

• Luccioni ve diğerleri (2024) — Yapay zekâ tarafından üretilen metin ve görüntülerin çevresel etkisi, Scientific Reports, Naturehttps://www.nature.com/articles/s41598-024-54271-x

• Dodge ve diğerleri (2023) — Yapay Zekanın Çevresel Etkisini Azaltmak, Association for Computing Machinery (ACM)https://dl.acm.org/doi/10.1145/3581784.3607034

• Harvard Business Review (2024) — Yapay Zekanın Çevresel Etkilerinin Eşitsiz Dağılımıhttps://hbr.org/2024/07/the-uneven-distribution-of-ais-environmental-impacts

• Birleşmiş Milletler Çevre Programı (UNEP) — Yapay Zekanın çevresel bir sorunu var. İşte dünyanın bu konuda yapabileceği şeyhttps://www.unep.org/news-and-stories/story/ai-has-environmental-problem-heres-what-world-can-do-about

• Uluslararası Enerji Ajansı (IEA) — Veri Merkezleri ve Veri İletim Ağlarıhttps://www.iea.org/reports/data-centres-and-data-transmission-networks

• Lawrence Berkeley Ulusal Laboratuvarı (2024) — Amerika Birleşik Devletleri Veri Merkezi Enerji Kullanım Raporuhttps://eta.lbl.gov/publications/united-states-data-center-energy

• Food & Water Watch (2025) — Veri merkezlerinin çevresel etkisihttps://www.foodandwaterwatch.org/2025/01/16/data-centers-water-use-energy