Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
Dit artikel construeert een longitudinale dataset en een nieuw analytisch kader om aan te tonen dat de huidige publieke data niet over de noodzakelijke granulariteit en causale identificatie beschikt om te verifiëren of de efficiëntie van AI-inferentie een Jevons-paradox aandrijft, aangezien de geobserveerde prijsstabiliteit en niet-geverifieerde volumegroei een definitieve conclusie verhinderen over de vraag of efficiëntie de totale energievraag uiteindelijk zal beperken of vergroten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin het slimmer en goedkoper maken van een machine om te exploiteren er juist toe leidt dat we deze zo veel meer gaan gebruiken, waardoor het totale energieverbruik door het dak gaat. Dit is de kern van een vraag die economen al meer dan een eeuw bezighoudt, bekend als de Jevons-paradox. Het suggereert dat wanneer we efficiënter worden in het gebruik van een hulpbron, we die hulpbron niet noodzakelijkerwijs besparen; in plaats daarvan moedigt de lagere kost ons aan om deze zo agressief te gebruiken dat ons totale verbruik groeit. Vandaag de dag is deze vraag verschoven van de kolenmijnen naar de digitale wereld, gecentreerd rond kunstmatige intelligentie. Terwijl AI-modellen sneller en goedkiger worden om te exploiteren, woedt er een felle discussie over de vraag of deze efficiëntie de enorme energiehonger van de sector zal beperken of, omgekeerd, een explosie in de vraag zal aanwakkeren die ons vermogen om energie op te wekken overtreft. Om dit te beslechten, moeten we drie dingen tegelijkertijd zien gebeuren: de prijs van het gebruik van de AI, het volume van hoeveel het wordt gebruikt, en de werkelijke energie die het verbruikt.
Een onderzoeker genaamd Eugen Spivak probeerde deze drie puzzelstukjes voor de jaren 2022 tot 2026 te vinden. Het doel was om één enkel, verenigd verslag op te stellen dat de prijs van AI-tekst, de hoeveelheid gegenereerde tekst en de energie die nodig is om deze te creëren, bijhoudt, allemaal voor dezelfde diensten en tijdsperioden. Spivak besteedde jaren aan het verzamelen van gegevens uit publieke bronnen, inclus�aseer archiefversies van prijzenpagina's van elf grote AI-ontwikkelaars, verklaringen over hoeveel tokens (de basisunits van tekst) werden verwerkt, en gepubliceerde cijfers over het energieverbruik. Het resultaat was een enorme grootboekhouding met meer dan duizend prijsinstellingen, tientallen volume-verklaringen en meer dan honderd energiecijfers. De meest significante bevinding van dit werk is echter niet een bevestiging van de paradox, maar een onthulling over de data zelf: het publieke verslag bevat simpelweg niet de informatie die nodig is om de vraag te beantwoorden.
Het onderzoek onthulde dat hoewel we over veel getallen beschikken, ze zelden op een manier samenvallen die een eerlijke vergelijking mogelijk maakt. Wanneer onderzoekers bijvoorbeeld naar de prijzen van specifieke AI-modellen in de loop van de tijd keken, ontdekten ze dat de kosten voor een enkel model zelden veranderden. In bijna 700 gevallen waarin hetzelfde model op verschillende momenten werd gecontroleerd, bleef de prijs exact gelijk. De spectaculaire prijsdalingen die vaak in het nieuws worden aangehaald, kwamen niet doordat ontwikkelaars de kosten van bestaande hulpmiddelen verlaagden, maar doordat er nieuwe, goedkopere modellen op de markt kwamen terwijl de oude duur bleven. Dit onderscheid is cruciaal omdat het betekent dat de "prijs" van AI verschuift door productwijzigingen, en niet alleen door efficiëntiewinsten.
Toen de onderzoeker probeerde deze prijzen te koppelen aan hoeveel mensen de AI daadwerkelijk gebruikten, werd de data nog gefragmenteerder. Voor de twee grootste aanbieders, Google en OpenAI, zijn er duidelijke verklaringen die laten zien dat de hoeveelheid gegenereerde tekst op hun platforms ongelooflijk snel groeide, met een factor meer dan vier of vijf per jaar tussen 2025 en 2026. Tegelijkertijd daalden de prijzen voor hun standaardmodellen niet; sterker nog, voor veel categorieën stegen ze zelfs. Dit creëert een verwarrend beeld waarbij het gebruik explodeert terwijl de kosten per eenheid niet dalen. Er blijft echter een kritische kloof bestaan: de volume-verklaringen specificeren niet precies welk type tekst zij tellen. Ze kunnen inputtekst, outputtekst of gecachte data bevatten, terwijl de prijslijsten alleen specifieke soorten output dekken. Zonder te weten of de volume-cijfers en de prijs-cijfers exact hetzelfde onderwerp bespreken, is het onmogelijk om te zeggen of de groei in gebruik een directe reactie was op een prijsdaling.
Het ontbrekende stukje dat het hele plaatje onmogelijk maakt, zijn de energiegegevens. Hoewel er veel claims zijn over hoeveel energie een AI gebruikt, vermelden de meeste van deze claims niet de grenzen van hun meting. Sommige cijfers tellen alleen de computerchips, terwijl andere het hele gebouw, de koelsystemen en de elektriciteit die wordt gebruikt om de servers draaiende te houden wanneer ze zelfs in ruststand zijn, meerekenen. Omdat deze metingen op verschillende schalen worden genomen, kunnen ze niet betrouwbaar met elkaar worden vergeleken, laat staan worden gekoppeld aan de prijs- en volumegegevens. De studie vond dat het in meer dan de helft van de beoordeelde energiecijfers onmogelijk was om precies vast te stellen wat er werd gemeten. Zonder een duidelijke, consistente meting van energie per eenheid werk, en zonder een duidelijke link tussen prijs en volume, kan de data niet aantonen of efficiëntie de hogere consumptie aanjaagt.
Uiteindelijk concludeert dit rigoureuze onderzoek dat we nog niet kunnen zeggen of AI lijdt aan de Jevons-paradox. Het publieke verslag is te fragmentarisch om te bewijzen dat efficiëntiewinsten zorgen voor een piek in het totale energieverbruik, noch kan het bewijzen dat efficiëntie dit gebruik uiteindelijk zal beperken. De data tonen aan dat het AI-gebruik snel groeit, maar het toont niet aan dat deze groei wordt veroorzaakt door lagere prijzen of betere efficiëntie. De onderzoeker betoogt dat om dit mysterie op te lossen, de bedrijven die deze systemen bouwen, moeten beginnen met het publiceren van duidelijkere gegevens. Ze moeten precies vermelden wanneer een prijs van kracht wordt, specifiek aangeven wat hun volume-cijfers tellen, en de grenzen van hun energiemetingen definiëren. Totdat deze details worden verstrekt, zal het debat over de energetische toekomst van AI een kwestie van theorie blijven in plaats van feit, waardoor we niet weten of de machine een duurzaam hulpmiddel wordt of een onverzadigbare consument van stroom.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.