Британский оператор сети сократил ошибку прогноза солнца вдвое с помощью ИИ

Если вы продаёте ИИ как способ сократить выбросы, качества модели недостаточно. Нужно показать, что изменилось в работе заказчика: сколько топлива он перестал сжигать, сколько электроэнергии сэкономил и во что обошлись вычисления. Простой пример — прогноз солнечной генерации. Чем точнее оператор сети знает, сколько энергии поступит от панелей, тем лучше он может планировать работу остальных источников.

В авторской колонке MIT Technology Review Мэри Николс и Джереми Таманини проверяют, насколько обещания климатической пользы ИИ подкреплены внедрениями. Их вывод: отдельные работающие решения есть, но публичных свидетельств пока недостаточно, чтобы считать большие прогнозы подтверждёнными. Для основателей и продуктовых команд здесь полезный урок: между хорошей моделью и измеримым эффектом остаётся работа, которую презентация за вас не сделает.

Где ИИ уже помогает

Самый понятный пример в материале — сотрудничество британского National Grid ESO с Open Climate Fix. По данным, которые приводят авторы, проект позволил вдвое сократить ошибку прогноза солнечной генерации. Они связывают это с предотвращением выбросов сотен тысяч тонн углекислого газа в год.

Механика вполне прикладная. Оператору нужно заранее свести производство и потребление электричества. Облачность меняется, солнечные станции выдают разную мощность, а ошибки приходится компенсировать другими источниками. Более точный прогноз помогает использовать доступную солнечную генерацию. При этом двукратное снижение ошибки прогноза само по себе не означает двукратного снижения выбросов: это разные метрики, между которыми нужно установить связь.

Есть примеры и в транспорте. Согласно описанному в колонке независимому исследованию, оптимизация маршрутов Didi Chuxing сократила выбросы на поездку в среднем на 16%. Здесь понятна цепочка: меньше объездов — меньше пройденное расстояние и расход топлива. Но показатель на одну поездку ещё не отвечает на вопрос, как изменились суммарные выбросы сервиса при росте числа заказов.

Почему прогноз на 2035 год ещё ничего не гарантирует

Авторы обсуждают исследование, оценившее потенциальное сокращение глобальных выбросов благодаря ИИ в 3,2–5,4 млрд тонн CO₂-эквивалента ежегодно к 2035 году. В расчёте учитывался собственный энергетический след ИИ. Основные ожидаемые улучшения приходятся на электроэнергетику, мясную и молочную отрасли, а также транспорт.

Ключевое слово здесь — «потенциальное». Например, в пищевой отрасли расчёт предполагает, что ИИ поможет сделать альтернативные белки достаточно вкусными и дешёвыми, чтобы покупатели заменяли ими животные продукты. Подобрать рецептуру недостаточно: потребуются производство, доступная цена, дистрибуция и устойчивый спрос.

Проверка внедрений в самой колонке тоже имеет ограничения. Второй автор использовал Claude Code для анализа публичной информации, после чего результаты сверяли с документами и публикациями. Это обзор доступных сведений, а не полный аудит отраслей. Отсутствие публичного кейса не доказывает отсутствие проекта. А найденный успешный кейс не показывает, насколько легко его повторить у другого заказчика.

Наконец, ИИ может помогать увеличивать добычу нефти и газа. Поэтому считать только полезные применения недостаточно. И прогноз выбросов всех дата-центров нельзя автоматически приписывать одному ИИ: эти площадки обслуживают и другие вычислительные задачи.

Что измерять в своём продукте

Практический вывод для команды — заранее договориться с заказчиком, какой физический результат вы проверяете. Для маршрутизации это могут быть километры и расход топлива при сопоставимых условиях. Для энергосистемы — изменение использования генерации и связанного с ней объёма выбросов. Точность модели остаётся промежуточным показателем.

Затем стоит учесть затраты на обучение и работу модели, определить период сравнения и проверить, сохраняется ли эффект после пилота. Отдельно нужно зафиксировать допущения: чем рассчитываются выбросы, какие данные доступны и что изменилось в бизнесе за время эксперимента. Такой подход даёт заказчику основание для решения о закупке, а команде — честное понимание ценности продукта. Именно этих связей между внедрением и результатом, по мнению авторов колонки, пока не хватает большим климатическим обещаниям индустрии.