Technische Samenvatting: Van Perceptie naar Actie: Kunnen UI-interventies Duurzame LLM-Chatbots Bevorderen

Probleemstelling

Large Language Model (LLM) chatbots worden steeds vaker geïntegreerd in dagelijkse workflows, wat aanzienlijke zorgen oproept over de duurzaamheid vanwege het energieverbruik en de CO2-voetafdruk. Terwijl de meerderheid van de mitigatiestrategieën zich richt op backend-optimalisaties—zoals efficiënte modelarchitecturen, hardware-acceleratoren en verbeteringen aan datacentra—blijft de gebruikersinterface (UI) laag onderbelicht. Huidig onderzoek negeert grotendeels hoe gebruikersinteracties en UI-interventies de cumulatieve energieconsumptie tijdens het dagelijks gebruik kunnen beïnvloeden. De auteurs stellen dat hoewel gebruikers welvaart uitdrukken over milieuproblematiek, er vaak een kloof bestaat tussen deze houding en daadwerkelijk gedrag, gedreven door onzichtbare energiekosten en frictie bij het nemen van beslissingen. Het kernprobleem is bepalen of duurzaamheidsgerichte UI-interventies effectief het energiebewustzijn kunnen vergroten en gebruikers kunnen sturen naar meer computationeel efficiënte interactiepatronen zonder de bruikbaarheid in gevaar te brengen.

Methodologie

De studie maakte gebruik van een driefasen-methodologie om dit probleem te onderzoeken:

1. Baseline Survey (RQ1): Een online enquête werd uitgevoerd met 77 deelnemers om de huidige gebruikersbewustzijn van LLM-energieverbruik, de ontvankelijkheid voor interventieconcepten en de bereidheid om prestatie-trade-offs te accepteren te beoordelen. De enquête maakte gebruik van schattingsvragen (bijv. het vergelijken van LLM-queries met Google-zoekopdrachten of het opladen van een iPhone) om mentale modellen en kenniskloven in kaart te brengen in plaats van technische nauwkeurigheid.
2. Prototype Implementatie: Onder leiding van de resultaten uit de enquête en principes van overtuigende technologie en keuzearchitectuur, implementeerden de auteurs een webgebaseerd LLM-chatbotprototype met vijf specifieke UI-interventies:
   • Drie-Modus Schakelaar: Hiermee kunnen gebruikers kiezen tussen "Energiezuinig", "Gebalanceerd" en "Prestatie" modi.
   • Energie-notitie: Toont een korte energie-inschatting bij elk LLM-antwoord.
   • Prompt Voorspelling: Geeft een energie-inschatting voordat de gebruiker een prompt verzendt.
   • Metrics Dashboard: Vat het energieverbruik over recente activiteiten samen.
   • Energie Analogieën: Herkadert energiehoeveelheden naar herkenbare alledaagse eenheden (bijv. het opladen van een telefoon).
   • Technische Notitie: De energie-inschatting werd berekend met behulp van een token-gebaseerd model ($E = \alpha \cdot T_{in} + \beta \cdot T_{out} + \zeta$), waarbij coëfficiënten werden geschaald volgens specifieke modelgroottes (GPT-4o, GPT-4o-mini, GPT-4.1-nano) om relatief verbruik te benaderen.
3. Veldstudie (RQ2): Een vijfdaagse veldstudie werd uitgevoerd met 11 frequente LLM-gebruikers die de prototype gebruikten in hun dagelijkse workflows. De gegevensverzameling omvatte dagelijkse bewustzijnscontroles (5-punt Likert-schaal), een vragenlijst aan het einde van de week en systeem-telemetrie (tokenaantallen, modusselectie, energie-inschattingen). De studie analyseerde gedragspatronen, bewustheidstrends en de energie-impact, waarbij het geobserveerde gedrag werd vergeleken met een contrafeitelijk scenario waarin alle interacties plaatsvonden in de "Prestatie" modus.

Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen aan het vakgebied van Human-Computer Interaction (HCI) en Green Software Engineering:

1. Survey Data: Een baseline survey over de bewustwording en perceptie van eindgebruikers met betrekking tot de energievoetafdruk van LLM-chatbots, waarbij de discrepantie tussen de waargenomen en werkelijke energiekosten wordt benadrukt.
2. Empirisch Bewijs: Data over hoe specifieke UI-interventies energiebewuste interactiepatronen in LLM-chatbots beïnvloeden, wat aantoont dat ontwerpkeuzes routinematig gedrag kunnen veranderen.
3. Replicatiepakket: Een publiek beschikbaar pakket met gedetailleerde survey-responsen, analyse-scripts en het geïmplementeerde werkende LLM-chatbotprototype om verder onderzoek te ondersteunen.

Resultaten

Bevindingen Baseline Survey:

• Bewustzijn vs. Kennis: Hoewel 94,8% van de respondenten aangaf enige kennis te hebben van AI-energieverbruik, schatten 88,3% het werkelijke verbruik foutief in (bijv. door het energieverbruik ten opzichte van een Google-zoekopdracht of een telefoonsessie aanzienlijk te overschatten of te onderschatten).
• Houding-Gedrag Kloof: Ondanks dat de bezorgdheid over het milieu hoog was, gaf slechts 39,0% van de deelnemers aan bereid te zijn een prestatie-trade-off te accepteren voor een lager energieverbruik.
• Ontvankelijkheid voor Interventie: 68,8% gaf de voorkeur aan een "Energiezuinige Modus", maar de bereidheid daalde wanneer expliciete prestatie-trade-offs werden geïntroduceerd.

Bevindingen Veldstudie:

• Gedragsverandering: In de veldstudie was de "Energiezuinige" modus verantwoordelijk voor 55,8% van de gelogde prompts (155/278). Opvallend genoeg gaf 90,9% van de deelnemers aan actief voor de Eco-modus te hebben gekozen wanneer een hoge nauwkeurigheid niet vereist was.
• Energiebesparing: Het geobserveerde totale geschatte energieverbruik was 164,72 Wh. Onder een contrafeitelijk scenario waarin alle prompts in de "Prestatie" modus zouden zijn uitgevoerd, zou het energieverbruik 309,44 Wh zijn geweest. Dit impliceert een reductie van 46,77% in de energievoetafdruk als gevolg van het geobserveerde gedrag.
• Impact van de Modus: Ondanks dat deze in minder dan 25% van de prompts werd gebruikt, was de "Prestatie" modus verantwoordelijk voor ongeveer 89% van de totale energievoetafdruk.
• Mechanisme van Verandering: De deelnemers verkortten de promptlengte niet significant. In plaats daarvan was het primaire gedragsmechanisme modus-wisseling in plaats van het inkorten van prompts.
• Bruikbaarheid: Alle interventies scoorden boven de 4/5 op bruikbaarheid. De "Drie-Modus Schakelaar" en de "Energie-notitie" werden als de meest invloedrijke interventies beoordeeld.
• Bewustzijnstrend: Het zelfgerapporteerde energiebewustzijn nam toe over de vijfdaagse periode (van een gemiddelde van 3,27 naar 4,44), gedreven door herhaalde, inspanningsarme interacties.

Betekenis en Claims

De auteurs beweren dat duurzaamheidsgerichte UI-interventies succesvol kunnen zijn in het verbeteren van het energiebewustzijn en het ondersteunen van meer energieverantwoorde interactiepatronen in LLM-chatbots. Het artikel houdt echter een bescheiden standpunt aan over de reikwijdte van deze bevindingen:

• Complementaire Rol: De auteurs stellen expliciet dat UI-interventies moeten worden geïnterpreteerd als complementair aan backend- en modelniveau-optimalisaties, en niet als een vervanging. UI-ontwerp kan routinematig, laag-risico gedrag veranderen, maar interacties met hoge kosten (die vaak hoge nauwkeurigheid vereisen) vereisen nog steeds efficiëntie aan de backend.
• Gedrag vs. Causaliteit: De gerapporteerde energiebesparingen zijn model-gebaseerde gedragsschattingen (contrafeitelijken) en geen door hardware gemeten causale effecten.
• Adresseren van Beslissingsfrictie: De studie suggereert dat onduurzaam gebruik vaak wordt gedreven door alledaagse beslissingsfrictie in plaats van een gebrek aan milieubewustzijn. Door trade-offs zichtbaar en gemakkelijk aanpasbaar te maken (bijv. via een Drie-Modus Schakelaar), kunnen interfaces geïnformeerde beslissingen ondersteunen zonder beperkingen op te leggen.
• Beperkingen: De auteurs erkennen beperkingen zoals de kleine steekproefomvang (n=11 voor de veldstudie), het potentieel voor rebound-effecten (gebruikers die trager reageren en dit compenseren met meer prompts) en de generaliseerbaarheid van de bevindingen gezien de technische achtergrond van de deelnemers. Zij concluderen dat deze resultaten "veelbelovende indicaties" zijn die verdere replicatie in grotere, meer diverse studies verdienen.