Az AI ára energiában: adatközpontok, COP31 és ami az AI energiafogyasztásából az API-számládon látszik

Az AI energiafogyasztása 2026 szeptemberében egyszerre lett klímapolitikai, energetikai és üzleti téma. Szeptember 17-én az Nvidia, a Google és az Emerald AI szövetséget alapított, hogy az AI-adatközpontok alkalmazkodni tudjanak a villamosenergia-hálózat terheléséhez, szeptember 21-én pedig a novemberi antalyai klímacsúcs, a COP31 török elnöksége bejelentette, hogy az AI-cégektől az energiafelhasználásuk nyilvánosságra hozatalát és tiszta energiát vár. Ugyanebben a hónapban Massachusetts előírta, hogy a 25 MW feletti csúcsigényű adatközpontok maguk gondoskodjanak tiszta áramról, Ausztráliában pedig az Anthropic egy 2,16 gigawattos AI-kampuszon bérelt kapacitást a Claude futtatására.

Egy magyar kis- vagy középvállalat vezetője joggal kérdezi, hogy mindez mennyiben tartozik rá, hiszen nem adatközpontot épít, csak leveleket és árajánlatokat íratna a ChatGPT-vel vagy a Claude-dal. Közvetlenül kevéssé, közvetve viszont nagyon is: ugyanaz a számítás, amely az áramot fogyasztja, a te API-számládon tokenként jelenik meg, a jól megválasztott modell és a gyorsítótár pedig egyszerre csökkenti mindkettőt. A folytatásban 2026. szeptember 22-i állapot szerint végigvesszük, mennyi energiát visz el egy AI-válasz a nyilvános mérések alapján, mit mutatnak a nagy nemzetközi számok, mit jelent a COP31-vállalás és a hálózati szövetség, végül forintra számolva azt is, hogyan lehet egy KKV AI-használata olcsóbb és takarékosabb egyszerre.

Röviden

• A Google 2025. augusztus 21-i mérése szerint egy medián Gemini szöveges kérés 0,24 wattóra energiát, 0,03 gramm szén-dioxid-egyenértéket és 0,26 milliliter vizet igényel, Sam Altman, az OpenAI vezérigazgatója szerint pedig egy átlagos ChatGPT-kérés körülbelül 0,34 wattórát fogyaszt.
• A Hugging Face 2025. decemberi AI Energy Score mérése szerint a gondolkodó (reasoning) üzemmódú modellek átlagosan harmincszor annyi energiát használnak, mint a gondolkodás nélküliek, szélsőséges esetben pedig több százszor annyit.
• A Nemzetközi Energiaügynökség (IEA) adatai szerint az adatközpontok 2024-ben 415 TWh áramot, a világ villamosenergia-fogyasztásának nagyjából 1,5%-át használták el, ez 2030-ra körülbelül 945 TWh-ra, vagyis több mint a duplájára nőhet.
• A COP31 török elnöksége 2026. szeptember 21-én jelentette be az antalyai AI-vállalást, amely az energiafelhasználás nyilvánosságra hozatalát és a tiszta energiát várja el a cégektől, a pontos tartalma és az aláírók köre azonban még nem ismert.
• Egy tízfős iroda közvetlen AI-energiafogyasztása saját becslésünk szerint havonta néhány kilowattóra, a valódi mozgástér a feladathoz illő modellben, a gondolkodási szint beállításában és a gyorsítótár (prompt caching) használatában van, ami egy tipikus chatbotnál az API-számlát is nagyjából a felére csökkentheti.

Mennyi áramot fogyaszt egy AI-válasz?

A nyilvános gyártói mérések szerint egy rövid szöveges AI-válasz nagyjából 0,24 és 0,34 wattóra közötti energiát igényel, ami egy 10 wattos LED-izzó másfél-két percnyi működésének felel meg. Hosszú, gondolkodó üzemmódban futó vagy képet generáló kérésnél ennek a sokszorosa is lehet, ezért az átlag csak kiindulópont.

A legrészletesebb nyilvános mérést a Google tette közzé 2025. augusztus 21-én Amin Vahdat és Jeff Dean jegyzésével. Eszerint a Gemini alkalmazásokban egy medián szöveges kérés 0,24 wattóra energiát, 0,03 gramm szén-dioxid-egyenértéknyi kibocsátást és 0,26 milliliter vizet igényel, ami a Google szerint nagyjából öt csepp víz, energiában pedig kevesebb mint kilenc másodpercnyi tévézés. A módszertan azért figyelemre méltó, mert a modellt futtató gyorsítóchipek mellett a tartalékban tartott, üresjáratban álló gépek, a kiszolgáló processzorok és memóriák, valamint az adatközpont hűtésének és egyéb rezsijének fogyasztását is beszámítja. Ha csak az aktív TPU- és GPU-fogyasztást vennék figyelembe, a Google saját számítása szerint 0,10 wattóra jönne ki, vagyis a szűkebb módszer a valós érték felénél is kevesebbet mutatna.

Az adatközpont-rezsi mérésére a szakma a PUE (Power Usage Effectiveness) mutatót használja, amely az adatközpont teljes energiafelhasználásának és az informatikai eszközök fogyasztásának hányadosa. Ha egy létesítmény PUE-értéke 1,1, akkor minden, a szerverekre jutó 100 wattórához további 10 wattóra hűtés, áramátalakítás és világítás társul. A Google ugyanebben a közleményben azt is jelezte, hogy 2024 májusa és 2025 májusa között a medián szöveges kérés energiaigénye 33-ad részére, teljes szénlábnyoma 44-ed részére csökkent, ami jól mutatja, milyen gyorsan javul a hatékonyság kérésenként.

Az OpenAI oldaláról Sam Altman 2025 júniusában, „The Gentle Singularity” című blogbejegyzésében közölt egy számot: eszerint egy átlagos ChatGPT-kérés körülbelül 0,34 wattórát használ, nagyjából annyit, amennyit egy sütő valamivel több mint egy másodperc alatt vagy egy nagy hatékonyságú izzó néhány perc alatt fogyaszt, vízből pedig egy teáskanálnyi mennyiség tizenötöd részét. A szám nagyságrendben egybevág a Google adatával, a mögötte álló módszertant azonban az OpenAI nem hozta nyilvánosságra, ezért óvatosan érdemes kezelni.

Egy harmadik adatpontot a francia Mistral AI adott 2025. július 22-én, amikor a Carbone 4 tanácsadó céggel és a francia környezetvédelmi ügynökséggel (ADEME) készített életciklus-elemzést tett közzé a Mistral Large 2 modellről. Eszerint a Le Chat asszisztens egy 400 tokenes válasza 1,14 gramm szén-dioxid-egyenértéket és 45 milliliter vizet jelent, a modell tanítása pedig 2025 januárjáig 20,4 ezer tonna szén-dioxid-egyenértéket és 281 000 köbméter vizet emésztett fel. A víznél látható nagy eltérés a Google 0,26 millilitere és a Mistral 45 millilitere között elsősorban módszertani: az életciklus-szemlélet a közvetlen üzemeltetésnél jóval szélesebb kört vesz figyelembe, így a két szám nem hasonlítható össze egy az egyben.

Az Altman-sor vízadata saját átszámítás: 0,000085 gallon nagyjából 0,32 milliliternek felel meg.

Miért ekkora a szórás a számok között?

Egy AI-válasz energiaigényét leginkább az határozza meg, mekkora modell, mennyi szöveget és milyen hardveren állít elő. A Mistral elemzésének egyik legfontosabb megállapítása, hogy a környezeti hatás nagyjából arányos a modell méretével: egy tízszer nagyobb modell nagyságrendileg tízszer nagyobb hatással jár. A válasz hossza szintén számít, mert a nyelvi modell a szöveget tokenenként, egymás után állítja elő, minden egyes token pedig egy teljes számítási kört jelent a modellen.

A token az a szótöredéknyi szövegdarab, amellyel a nyelvi modellek számolnak. Egy magyar mondat a ragok miatt jellemzően több tokenre bomlik, mint egy ugyanolyan hosszú angol mondat, így ugyanaz a feladat magyarul általában egy kicsit több számítást és pénzt igényel. A kibocsátást ezen felül erősen befolyásolja, hogy az adott régióban milyen arányban termelnek szénből, gázból, atomenergiából vagy megújuló forrásból áramot.

A gondolkodó modellek rejtett energiaszámlája

A gondolkodó (reasoning) modellek a végső válasz előtt belső gondolatmenetet generálnak, ami az energiafogyasztásban is meglátszik. A Hugging Face 2025. december 4-én frissítette az AI Energy Score nevű nyílt összehasonlítását, amelyben Sasha Luccioni és csapata azonos feladatokon mérte a modellek fogyasztását. Az eredmény szerint a gondolkodásra képes modellek átlagosan harmincszor annyi energiát használnak, mint a gondolkodás nélküliek, a bekapcsolt gondolkodás pedig 300 és 800 közötti szorzóval több tokent termel.

A legszélsőségesebb példa a kis méretű SmolLM3-3B modell volt, amely ezer kérésre kikapcsolt gondolkodással 18,35 wattórát, bekapcsolt gondolkodással 12 791 wattórát fogyasztott, ez 697-szeres különbség. Hasonló nagyságrendű ugrást mértek a Phi-4-reasoning-plus modellnél (514-szeres) és a DeepSeek-R1-Distill-Llama-70B-nél (154-szeres). A mérés nyílt súlyú modelleken készült, így a zárt kereskedelmi modellekre nem vihető át egy az egyben, az irány viszont egyértelmű: a gondolkodás az egyik legnagyobb energiafaló, amelyet egy felhasználó közvetlenül befolyásolhat.

Ez a pénztárcádon is látszik. Az OpenAI és az Anthropic gondolkodó modelljeinél a belső gondolkodási tokeneket kimeneti tokenként számlázzák, akkor is, ha a válaszban nem jelennek meg. Egy 400 tokenes, látható e-mail-válasz mögött így könnyen ott lehet további 1 500 vagy 2 000 token gondolkodás, ami a drágább, kimeneti kategóriában fut, miközben a feladat egyszerűsége miatt semmit sem tesz hozzá az eredményhez.

Mit jelent ez egy tízfős irodában?

Tegyük fel, hogy egy képzeletbeli tízfős budapesti könyvelőiroda minden munkatársa naponta 30 kérdést tesz fel egy AI-asszisztensnek, havonta 21 munkanapon. Ez havi 6 300 kérés, amelyet az óvatosabb, 0,34 wattórás OpenAI-átlaggal szorozva 2 142 wattórát, azaz nagyjából 2,1 kilowattórát kapunk. Saját becslésünk szerint egy liter víz felforralása 15 fokról nagyjából 0,1 kilowattórát igényel (4,19 kJ/kg·fok × 85 fok ≈ 356 kJ), vagyis az iroda teljes havi AI-használata körülbelül 21 liter víz felforralásának felel meg.

Ha ugyanezek a kérések mind gondolkodó módban futnának, a Hugging Face harmincszoros átlagával számolva a havi fogyasztás 64 kilowattórára ugrana, ami már nagyjából 640 vízforralásnyi energia. Ez a számítás durva közelítés, hiszen sem a gyártók átlagai, sem a harmincszoros szorzó nem a te konkrét feladataidra vonatkozik. Arra viszont jó, hogy lássuk az arányokat: egy KKV közvetlen AI-lábnyoma kicsi a fűtéshez vagy a céges autókhoz képest, a beállításokon múló különbség viszont akár harmincszoros is lehet.

Mekkora az AI energiafogyasztása világszinten?

A Nemzetközi Energiaügynökség (IEA) „Energy and AI” jelentése szerint az adatközpontok 2024-ben nagyjából 415 terawattóra áramot fogyasztottak, ami a világ villamosenergia-felhasználásának körülbelül 1,5%-a. Az IEA alapforgatókönyve szerint ez 2030-ra nagyjából 945 terawattórára, vagyis több mint a duplájára nőhet, főként az AI terjedése miatt.

Az adatközpont olyan létesítmény, amelyben szerverek, tárolók és hálózati eszközök ezrei futnak folyamatos áramellátással és hűtéssel, az AI-adatközpontokban pedig ezek jelentős része a modellek tanítására és futtatására szolgáló GPU vagy más gyorsítóchip. A modell futtatását, vagyis azt, amikor a már betanított modell a felhasználók kérdéseire válaszol, a szakma inferenciának hívja. A napi használat energiaigénye ebből a részből adódik, míg a tanítás egyszeri, de rendkívül nagy fogyasztású folyamat.

Az IEA szerint az adatközpontok áramfogyasztása 2017 óta évente nagyjából 12%-kal nő, ami több mint négyszer gyorsabb, mint a teljes villamosenergia-fogyasztás növekedése. A 2030-ra várt 945 terawattóra valamivel több, mint Japán mai teljes áramfogyasztása. A 2024-es fogyasztás 45%-a az Egyesült Államokra, 25%-a Kínára, 15%-a Európára jutott, az Egyesült Államokban pedig az IEA szerint 2030-ig a villamosenergia-igény növekedésének közel felét az adatközpontok adják. 2035-re az ügynökség forgatókönyvei 700 és 1 700 terawattóra közötti sávot vázolnak fel, ami azt is jelzi, mekkora a bizonytalanság.

Az egyes létesítmények mérete is sokat elárul. Az IEA szerint egy tipikus, AI-ra fókuszáló adatközpont annyi áramot fogyaszt, mint 100 000 háztartás, a jelenleg épülő legnagyobbak pedig ennek a hússzorosát. A koncentrációt jól mutatja az amerikai Virginia állam Loudoun megyéje, ahol a szeptemberi hírek szerint már 250 adatközpont működik.

Hatékonyabb válasz, mégis több áram?

Első ránézésre ellentmondásnak tűnik, hogy a Google szerint egy év alatt a harmincharmadára esett egy kérés energiaigénye, az IEA mégis a fogyasztás megduplázódását várja. A magyarázat a közgazdaságtanból ismert Jevons-paradoxon: ha egy erőforrás használata hatékonyabb és olcsóbb lesz, jellemzően sokkal többen és sokkal többre használják, így az összfogyasztás a hatékonyság javulása ellenére is nő. Az AI-nál ráadásul a használat jellege is átalakul, mert az egyszerű csevegést egyre inkább a sok lépésben dolgozó, gondolkodó modelleket és ügynököket futtató munkafolyamatok váltják fel, amelyek feladatonként nagyságrendekkel több tokent mozgatnak meg.

Egy KKV számára ebből az a tanulság, hogy a kérésenkénti hatékonyság javulására nem érdemes építeni, ha közben a céged AI-használata tízszeresére nő, ezért tudnod kell, hány kérést, hány tokent és milyen modellel futtatsz.

Mi az a COP31 Antalya-vállalás és miért az energiafogyasztás nyilvánosságra hozatala a lényege?

Az antalyai AI-vállalás (Antalya Pledge on AI) a COP31 klímacsúcs török elnökségének 2026. szeptember 21-én bejelentett politikai kezdeményezése. Célja, hogy az AI tervezését, beszerzését, energiaellátását és mérését a klímavédelem szolgálatába állítsa, első számú elvárása pedig az, hogy a cégek hozzák nyilvánosságra az energiafelhasználásukat és tiszta energiával működjenek.

A vállalást Murat Kurum, a COP31 elnöke, Törökország környezetvédelmi és urbanizációs minisztere jelentette be. A Climate Home News beszámolója szerint Kurum úgy fogalmazott (saját fordításunkban), hogy elvárják a cégektől, hogy átláthatóan kezeljék az energiafelhasználásukat, működésüket pedig tiszta energiával lássák el. A pontos szöveg szeptember 22-ig nem jelent meg, a Climate Home News pedig külön kiemelte, hogy egyelőre azt sem tudni, tartalmaz-e majd kötelező tisztaenergia-vállalást, illetve aláírásra hívják-e a kormányokat és a vállalatokat.

A bejelentés hangulatát Simon Stiell, az ENSZ klímaügyi vezetője adta meg, aki szerint az AI-cégek vezetői „vékony jégen állnak, ami a működési engedélyüket illeti, a közvélemény támogatását tekintve pedig már mélyen a víz alá süllyedtek” (saját fordítás). A lap által idézett előrejelzések szerint az adatközpontok üvegházgáz-kibocsátása 2024 és 2030 között több mint a duplájára nőhet, az évtized végére pedig az adatközpontok együttesen több áramot fogyaszthatnak, mint a világ öt legnagyobb fogyasztóját kivéve bármelyik ország.

Miért éppen a nyilvánosság a vállalás közepe?

Amit nem mérnek, azt nem lehet összehasonlítani, márpedig ma éppen ez a helyzet az AI energiafogyasztásával. A Google és a Mistral közölt részletes, módszertannal alátámasztott számokat, a legtöbb szolgáltató viszont csak elszórt adatokat tesz közzé, vagy semmit sem. Így egy vállalati vevő nem tudja eldönteni, melyik hasonló képességű modell a takarékosabb, a kormányok pedig nehezen tervezik meg a hálózatfejlesztést.

Az Európai Unióban ennek a kérdésnek már van jogi háttere is. Az EU mesterségesintelligencia-rendelete (EU AI Act) az általános célú AI-modellek szolgáltatóitól a műszaki dokumentációban a modell ismert vagy becsült energiafogyasztásának rögzítését is elvárja, az uniós energiahatékonysági irányelv pedig a legalább 500 kW informatikai teljesítményű adatközpontokat kötelezi arra, hogy energiahatékonysági adataikat egy európai adatbázisba jelentsék. Az antalyai vállalás ezt a logikát vinné globális szintre, önkéntes alapon.

Egy magyar KKV-t a vállalás közvetlenül nem kötelez semmire. Közvetve azonban elérheti: ha a céged nagyvállalati partnereknek szállít, azok beszállítói kérdőíveiben megjelenhetnek a digitális szolgáltatások környezeti hatására vonatkozó kérdések, a nyilvánosságra hozott adatok pedig lehetővé teszik, hogy a szolgáltatóválasztásnál az ár és a képesség mellé harmadik szempontként a hatékonyságot is odategyed.

Nvidia és Google energiaszövetsége, 32 milliárd dolláros ausztrál kampusz: mit jelent ez?

A két szeptemberi hír ugyanannak a problémának két oldala: az AI-hoz rengeteg áram kell, a hálózatok viszont nem bővülnek elég gyorsan. Az Nvidia és a Google szövetsége azt próbálja elérni, hogy az adatközpontok rugalmasan igazodjanak a hálózathoz, a queenslandi kampusz pedig megmutatja, milyen léptékű fogyasztókról beszélünk.

Mit csinál az AI Energy Management Alliance?

A SiliconANGLE szeptember 17-i beszámolója szerint az AI Energy Management Alliance (AEMA) alapító tagjai az Nvidia, a Google és az Emerald AI, mellettük további 18 vállalat és több áramszolgáltató is támogatja a kezdeményezést. A szövetség a rugalmas adatközpontokat népszerűsíti. A rugalmas adatközpont olyan létesítmény, amely csökkenteni tudja az áramfelvételét, amikor a villamosenergia-hálózat túlterhelt, például úgy, hogy az AI-tanítási futtatásokat a lakossági csúcsidőszakon kívülre ütemezi, a helyszíni akkumulátorokból vesz áramot, szükség esetén pedig a tárolt energiát vissza is táplálja a hálózatba.

A tagok már most kínálnak ilyen megoldásokat. A Google keresletoldali szabályozási (demand response) kapacitása a cég márciusi közlése szerint meghaladja az 1 gigawattot, az Nvidia a Rubin grafikus kártyákat használó üzemeltetőknek kínálja DSX Flex nevű szoftverét, amely a hálózati jelzések alapján optimalizálja a fogyasztást, az Emerald AI Emerald Conductor nevű szoftvere pedig arra szolgál, hogy a szerverfürtök a hálózat terhelésekor csökkentsék a fogyasztásukat. Az Emerald AI augusztusban 150 millió dollárt gyűjtött, a tagok pedig egy közös, 100 megawattos adatközponton is dolgoznak a virginiai Manassasban. A szövetség első feladatai között szerepel az áramkimaradásokra vonatkozó legjobb gyakorlatok kidolgozása, az energiaoptimalizálási mérőszámok szabványosítása és a technikai adatok megosztásának ösztönzése.

A hálózati rugalmasságnak más eszközei is vannak. Az Nvidia DSX Ready programja a szeptemberi hírek szerint a Tesla Megapack akkumulátorait is tartalék energiaforrásként kezeli az AI-gyáraknál, a Google WeatherNext 3 modellje pedig 5 kilométeres felbontású, óránkénti, kifejezetten az energiaszektornak szóló időjárás-előrejelzést ad. Az üzenet az, hogy az AI-adatközpont a jövőben nem passzív fogyasztó lesz, hanem a hálózat aktív, szabályozható része.

Mekkora a queenslandi Western Downs kampusz?

Az ausztrál ABC News szeptember 18-i összefoglalója szerint az Anthropic bérleti megállapodást írt alá a szingapúri Zerra DC által fejlesztett Western Downs-i adatközpont-kampuszon, amelyet a sajtó 32 milliárd dolláros beruházásként emleget. Fontos részlet, hogy az ausztrál sajtó ausztrál dollárban adja meg az összeget, amerikai dollárban tehát ennél kisebb beruházásról van szó. A kampusz Queensland államban, Dalby közelében, Brisbane-től nagyjából 250 kilométerre épül, 725,5 hektáron.

A számok egy magyar olvasónak is sokat mondanak. A kampusz csúcsteljesítménye 2,16 gigawatt, ami saját összevetésünk szerint nagyjából a Paksi Atomerőmű teljes, körülbelül 2 000 megawattos beépített teljesítményének felel meg. Az ABC szerint teljes kapacitáson a létesítmény naponta 43 és 47 gigawattóra közötti áramot venne fel, ami Queensland átlagos fogyasztásának nagyjából 25 és 30 százaléka közé esik. A hűtést a tervek szerint teljes egészében levegővel, zárt vízkörös rendszerrel oldják meg, az első ütem vízigénye teljes üzemben napi 21 000 liter, a napi vízigény 40%-át pedig helyben újrahasznosított vízzel fedeznék.

Az Anthropic a Claude-ot az első épületből üzemeltetné, amelynek 2027-ben kell elkészülnie, a teljes kampusz építése négy-hat évig tarthat. A fejlesztő a tervek szerint hosszú távú áramvásárlási szerződéseket (PPA) köt megújulóenergia-termelőkkel, az Anthropic bérlete pedig az ausztrál külföldi befektetéseket vizsgáló testület (FIRB) jóváhagyásától függ. A projekt nagyjából 1 400 állandó munkahelyet ígér a térségnek.

Miért szigorítanak az amerikai államok?

A TechCrunch 2026. szeptember 9-i cikke szerint Maura Healey, Massachusetts kormányzója végrehajtási rendeletben írta elő, hogy a 25 megawattnál nagyobb csúcsigényű adatközpontoknak saját áramot kell biztosítaniuk, amely megfelel az állam tisztaenergia-követelményeinek. A rendelet szerint a fogyasztásukat teljes egészében tiszta energiával kell fedezniük, ennek alternatívája, hogy a közelben új termelőkapacitás építését finanszírozzák, vagy befizetnek egy, a lakossági fogyasztókat védő alapba. A kormányzó közben felfüggesztette az adatközpontok forgalmiadó-mentességi kérelmeinek befogadását, a településeket pedig arra kérte, hogy ne írjanak alá titoktartási megállapodást az adatközpont-fejlesztőkkel.

Massachusetts a TechCrunch szerint három hónapon belül a harmadik amerikai állam, amely korlátozza az adatközpontokat: New York júliusban leállította az 50 megawattnál nagyobb létesítmények építését, Texas pedig augusztusban a közműszabályozó és a hálózatüzemeltető általi auditot írt elő. Szerintünk hosszabb távon ez azzal járhat, hogy nőnek az AI-szolgáltatók energiaköltségei és beruházási terhei, ami előbb-utóbb az árakban is megjelenhet, bár erre ma még nincs közvetlen bizonyíték.

Hogyan jelenik meg az energia az API-számládon?

Az API-számla tokenekben méri a munkát, minden feldolgozott vagy előállított token pedig valódi számítást, vagyis áramot jelent. A kimeneti token azért drágább, mert egyenként, egymás után készül, a gyorsítótárazott bemenet pedig azért olcsó, mert a szolgáltatónak nem kell újra kiszámolnia. A számla így az energiafogyasztás jó, de nem tökéletes helyettesítő mutatója.

Az API (application programming interface) az a csatorna, amelyen keresztül egy szoftver, például egy n8n-munkafolyamat vagy egy webes chatbot, közvetlenül eléri a modellt. A szolgáltatók ezen a csatornán jellemzően millió tokenenként számláznak, külön árral a bemenetre és a kimenetre. Az OpenAI 2026. szeptember 3-án bemutatott GPT-6 Astra modellje például millió bemeneti tokenenként 10 dollárba, millió kimeneti tokenenként 50 dollárba kerül, az OpenAI dokumentációja szerint pedig a GPT-5.6 és az újabb modellek gyorsítótárazott bemenete a normál bemeneti ár tizedébe, vagyis az Astránál 1 dollárba kerül. Kerekített, 320 Ft-os dollárárfolyammal (2026. szeptember 21-én 1 dollár nagyjából 317 Ft volt) ez 3 200, 16 000 és 320 forintot jelent millió tokenenként.

Miért drágább a kimeneti token, mint a bemeneti?

A bemenetet, vagyis a kérdést, az utasításokat és a csatolt dokumentumot a modell egy lépésben, párhuzamosan dolgozza fel, ami a hardvert hatékonyan kihasználja. A kimenetet viszont tokenről tokenre állítja elő, minden új tokenhez újra végigfut a modellen, így egy kimeneti token jóval több gépidőt köt le, mint egy bemeneti. Ezért van az, hogy a szeptemberi árlistákon a kimeneti token jellemzően háromszor-ötször drágább a bemenetinél, a hosszú, bőbeszédű válasz és a láthatatlan gondolkodási tokenek pedig a legdrágább tételek, pénzben és energiában egyaránt.

A gyorsítótárazott bemenet ennek a fordítottja. Az OpenAI dokumentációja szerint a gyorsítótár a korábban már kiszámolt belső állapotokat (key-value states) használja újra, így csökken a válasz kezdetéig tartó feldolgozási idő, a szolgáltató pedig a megspórolt számítás egy részét árengedményként adja tovább.

Mit nem mutat meg a számla?

A token ára nem közvetlen energiamérő. Az árban benne van a szolgáltató árrése, a hardver beszerzése, a fejlesztés és a tanítás költsége, sőt a piaci verseny is, amit jól mutat, hogy az OpenAI a GPT-5.6 Sol modellt 2026 őszén promóciós áron kínálja. Két különböző szolgáltató árából így nem lehet egyenesen arra következtetni, hogy melyik modell takarékosabb, ahogy a számla azt sem mutatja meg, hogy az adatközpont milyen áramot használ, mennyi vizet párologtat el a hűtés, vagy mekkora kibocsátással járt a szerverek gyártása.

Egy szolgáltatón belül viszont a számla jó iránytű. Ugyanannál a cégnél a kisebb modell, a rövidebb válasz, a kevesebb gondolkodás és a több gyorsítótár-találat szinte mindig kevesebb számítást jelent, így ha a forintban mért költséged csökken, nagy valószínűséggel az AI-használatod energiaigénye is csökken. Ez a gyakorlati kapocs a COP31 nagypolitikája és a te havi számlád között.

Melyik modellt válaszd, ha a költség és az energia is számít?

A legkisebb olyan modellt, amely az adott feladatot megbízhatóan elvégzi. A Mistral életciklus-elemzése szerint a környezeti hatás nagyjából a modell méretével arányos, a szeptemberi árlisták pedig ugyanezt mutatják pénzben: egy egyszerű e-mail-válasz ára modelltől függően a forint töredéke és 45 Ft között mozoghat.

Az alábbi táblázat saját becslés, amelyhez a szeptemberi hírekben közölt API-árakat és kerekített, 320 Ft-os dollárárfolyamot használtunk. A feladat egy ügyfélszolgálati e-mail megválaszolása, amelyhez feltételezésünk szerint 1 500 bemeneti token (utasítás, előzmény, beérkezett levél) és 500 kimeneti token kell, a havi oszlop 2 000 ilyen levéllel számol. A számítás menete az első sorra: 1 500 × 0,15 / 1 000 000 = 0,000225 dollár, 500 × 0,47 / 1 000 000 = 0,000235 dollár, együtt 0,00046 dollár, ami 320 forinttal szorozva 0,15 Ft.

A legolcsóbb és a legdrágább változat között havi szinten 294 és 89 600 forint a különbség, ami több mint háromszázszoros eltérés ugyanarra a feladatra, a gondolkodás pedig önmagában három és félszeresére növeli az Astra költségét, holott egy udvarias, tárgyszerű válaszlevélhez nincs szükség hosszas belső mérlegelésre. A legolcsóbb sor ugyanakkor nem automatikusan a legjobb választás: a kínai szolgáltatók API-jainál személyes adatok esetén külön meg kell vizsgálni az adatkezelés helyét és feltételeit, a minőséget pedig mindig a saját leveleiden kell kipróbálnod.

Routing: minden feladatnak a maga modellje

A routing az a gyakorlat, amikor a beérkező feladatokat előre meghatározott szabályok alapján különböző modellekhez irányítod. Egy képzeletbeli debreceni webshopnál például a rendelési státuszra vonatkozó kérdéseket egy kis, olcsó modell kezelheti, a reklamációkat egy közepes modell, a bonyolult, több dokumentumot érintő jogi vagy pénzügyi kérdéseket pedig egy frontmodell, esetleg emberi ellenőrzéssel. A szabályokat egy n8n-munkafolyamat vagy egy egyszerű osztályozó modell is el tudja végezni, így a drága kapacitás csak oda jut, ahol valóban megtérül.

A kisebb modell kevesebb számítással állítja elő ugyanazt a tokent, így a számlát és az áramfelvételt egyszerre csökkenti. A Mistral ajánlásai között ez szó szerint is szerepel: a felhasználó igényeihez leginkább illő modellméret kiválasztását javasolják, a vállalati beszerzésben pedig a modellméret és a hatékonyság szempontjának beépítését.

Gondolkodási szint: csak ott, ahol kell

A legtöbb mai frontmodellnél beállítható, mennyit gondolkodjon a modell a válasz előtt, ez a beállítás pedig az egyik leghatékonyabb eszközöd. Egy tapasztalati szabály szerint a gondolkodást akkor érdemes bekapcsolni, ha a feladat több lépésből álló következtetést, számítást vagy tervezést igényel, például egy árajánlat összeállítását több árlistából vagy egy szerződés kockázatainak elemzését. Egy e-mail átfogalmazásához, egy termékleírás megírásához vagy egy hívásjegyzet összefoglalásához viszont a legalacsonyabb szint is bőven elég.

Fenntartható AI-használat egy KKV-ban: modellválasztás és gyorsítótár

A fenntartható AI-használat egy KKV-ban nem lemondást jelent, hanem azt, hogy ugyanazt az eredményt kevesebb számítással éred el. A két legerősebb eszköz a feladathoz illő modell kiválasztása és a gyorsítótár tudatos használata, ezeket egészíti ki a válasz-gyorsítótár, a rövidebb kimenet és a nem sürgős feladatok kötegelése.

Hogyan működik a gyorsítótár (prompt caching)?

A prompt caching olyan technika, amelyben a szolgáltató eltárolja a kérés állandó elejének, vagyis előtagjának feldolgozási eredményét, így ha a következő kérés ugyanazzal az előtaggal indul, ezt a részt nem kell újra kiszámolnia. Az OpenAI dokumentációja szerint a gyorsítótárazás a támogatott modelleknél alapértelmezetten be van kapcsolva, a GPT-5.6 és az újabb modelleknél legalább 1 024 tokenes előtagtól működik, a gyorsítótárazott tokenek pedig a normál bemeneti ár tizedébe kerülnek. Az előtag egyszeri beírása és egyszeri újrafelhasználása a dokumentáció szerint együtt a normál ár 1,35-szörösébe kerül, szemben a kétszeri teljes feldolgozás kétszeres árával, a tárolt állapot pedig ezeknél a modelleknél az utolsó használat után legalább 30 percig megmarad. Hasonló megoldást az Anthropic és a Google is kínál, eltérő feltételekkel.

Az OpenAI dokumentációja által is javasolt gyakorlati szabály egyszerű: a stabil utasítások és a közös referenciaanyag, például a házirend, az árlista és a stílusútmutató kerüljenek a kérés elejére, a változó tartalom, vagyis a felhasználó kérdése és a dátum pedig a végére. Aki a dátumot vagy a felhasználó nevét a rendszerüzenet elejére írja, minden egyes kérésnél elrontja a gyorsítótárat, mert az előtag már az első sorban eltér.

Számolt példa: egy képzeletbeli balatoni panzió chatbotja

Vegyünk egy képzeletbeli balatoni panziót, amelynek weboldalán egy AI-chatbot válaszol a vendégek kérdéseire. Minden kérdés elé 8 000 tokennyi állandó tudásanyag kerül (házirend, szobatípusok, árak, programajánló), ehhez jön egy 200 tokenes vendégkérdés, a válasz pedig 400 token. Havonta 3 000 kérdéssel számolunk, az árak a GPT-6 Astra és a Meta Muse Spark 1.3 szeptemberi listaárai, az árfolyam kerekített 320 Ft. A gyorsítótáras változatnál 80%-os találati aránnyal számoltunk, mert az éjszakai szünetek után az első kérdés újra beírja az előtagot, a beírást pedig az OpenAI fent idézett 1,35-ös szorzója alapján a normál ár 1,25-szörösével vettük.

Az első sor 8 200 bemeneti és 400 kimeneti tokenből adódik (0,082 + 0,02 = 0,102 dollár, azaz 32,64 Ft). A második sornál egy gyorsítótár-találat 8 000 token × 1 dollár / 1 000 000 = 0,008 dollárba, a 200 tokenes kérdés 0,002 dollárba, a válasz 0,02 dollárba kerül, ez együtt 0,03 dollár, vagyis 9,60 Ft. Egy beíró kérés 8 000 token × 12,5 dollár / 1 000 000 = 0,1 dollárt, a kérdéssel és a válasszal együtt 0,122 dollárt, azaz 39,04 Ft-ot jelent. A 80 és 20 százalékos súlyozással 0,8 × 9,60 + 0,2 × 39,04 = 15,49 Ft jön ki kérdésenként, ami havonta 46 464 Ft.

A tanulság kettős. A gyorsítótár egyetlen prompt-átrendezéssel a felére csökkentette a legerősebb modell számláját, a legnagyobb ugrást viszont a feladathoz illő, kisebb modell hozta. Egy panzió GYIK-chatbotjához nincs szükség a piac legerősebb, számítógép-kezelésre optimalizált modelljére, a kisebb modell pedig a számla mellett a Mistral által leírt méretarányos összefüggés alapján a kérésenkénti energiaigényt is nagyságrendileg csökkenti. A Muse Spark 1.3 gyorsítótár-áraira nem találtunk nyilvános adatot, ezért azt a sort gyorsítótár nélkül számoltuk.

Válasz-gyorsítótár és kötegelt feldolgozás

A válasz-gyorsítótár a prompt cachingtől független, alkalmazásszintű megoldás: ha ugyanaz a kérdés újra és újra beérkezik, a rendszer az egyszer már jóváhagyott választ adja vissza, modellhívás nélkül. A panziónál ilyen lehet a reggeli időpontja, a parkolás vagy a kisállattartás szabálya, amelyekre a válasz hetekig nem változik. A legegyszerűbb változat egy n8n-munkafolyamat és egy táblázat vagy adatbázis, amely a gyakori kérdéseket és a jóváhagyott válaszokat tárolja, a finomabb változat pedig a hasonló jelentésű kérdéseket is felismeri. Az így kiszolgált kérdéseknél a modellhívás energiaigénye és költsége egyaránt nulla.

A kötegelt (batch) feldolgozás a nem sürgős feladatoknál segít. Az OpenAI Batch API-ja a normál ár feléért dolgozik, cserébe a kérések nem azonnal, hanem 24 órán belül futnak le, ami egy webshop termékleírásainak éjszakai frissítésénél vagy egy havi riport előkészítésénél semmit sem változtat a folyamaton. A Mistral ajánlásai között a kérések csoportosítása is szerepel a felesleges számítás elkerülésére.

Hogyan tedd takarékosabbá a céged AI-használatát lépésről lépésre?

Egy 30 napos, négy hétre bontott programmal a legtöbb KKV mérhetően csökkentheti az AI-költségét és vele az energiaigényét, fejlesztés nélkül vagy minimális fejlesztéssel. A lényeg a mérés: előbb nézd meg, hol megy el a token, utána állíts a modellen, a gondolkodási szinten és a gyorsítótáron.

• Készíts leltárt az első héten: írd össze, mely folyamatokban használtok AI-t (ChatGPT- vagy Claude-előfizetés, API, beépített funkciók más szoftverekben), a szolgáltatói felületekről pedig töltsd le az elmúlt hónap token- és költségadatait.
• Sorold három szintre a feladatokat: egyszerű (átfogalmazás, osztályozás, rövid válasz), közepes (összefoglalás, termékleírás, levélválasz) és összetett (több dokumentumos elemzés, tervezés, fejlesztés).
• Rendelj modellt minden szinthez, a szabályt pedig rögzítsd a munkafolyamatban, hogy az egyszerű feladatok ne a legdrágább modellhez fussanak be.
• Állítsd be a gondolkodási szintet: az egyszerű és a közepes feladatoknál a legalacsonyabb szintről indulj, magasabbra pedig csak akkor lépj, ha a minőség ezt indokolja.
• Rendezd át a promptokat gyorsítótár-barát szerkezetűre: az állandó utasítások és a tudásanyag kerüljenek előre, a változó részek a végére, a szolgáltató használati adataiban pedig ellenőrizd, hogy a gyorsítótárazott tokenek aránya valóban nő-e.
• Rövidítsd a kimenetet: kérj tömör formátumot, állíts be felső tokenkorlátot, a hosszú magyarázatot pedig csak akkor kérd, ha valaki tényleg elolvassa.
• Tedd kötegeltbe a nem sürgős feladatokat, a leggyakoribb, változatlan válaszú kérdésekre pedig vezess be válasz-gyorsítótárat.
• A negyedik héten mérd újra a token- és költségadatokat, hasonlítsd össze a kiinduló állapottal, a felülvizsgálatot pedig ismételd meg havonta.

Az utolsó sorhoz egy magyarázat: a képernyőképek alapján kattintó és gépelő, számítógép-használó AI-modellek minden lépésben új képet és az addigi előzményeket kapják meg, így egy harminclépéses feladat több százezer bemeneti tokent is felemészthet. Ha a CRM-ednek vagy a webshopodnak van API-ja, ugyanez egy n8n-munkafolyamattal és egy olcsó modellel néhány ezer tokenből megoldható.

Hogyan mérd és hogyan kommunikáld a céged AI-lábnyomát?

A pontos mérés egy KKV-nál ma még nem lehetséges, mert a legtöbb szolgáltató nem közöl modellenkénti energiaadatot. Jó közelítést ad viszont, ha a kérések számát a nyilvános kérésenkénti adatokkal szorzod, a becslést pedig a módszertannal együtt dokumentálod. A kommunikációban pedig inkább a takarékossági lépésekről beszélj, mint hangzatos zöld címkékről.

Kiindulópontnak a Google 0,24 és Sam Altman 0,34 wattórás kérésenkénti adata megfelel, gondolkodó modelleknél vagy hosszú dokumentumoknál viszont érdemes felfelé korrigálni, a becslés mellé pedig odaírni, milyen feltételezésekkel számoltál. Az üvegházgáz-kibocsátás elszámolásában a felhőszolgáltatásként vásárolt AI a közvetett, úgynevezett Scope 3 kibocsátások (vásárolt szolgáltatások) közé tartozik, a legtöbb KKV-nál pedig ezen belül is kis tételt jelent.

A beszállítói kérdőívekre és a nagyvállalati ügyfelek kérdéseire úgy tudsz a legjobban felkészülni, ha a saját szolgáltatóidtól is megkérdezed, milyen régióban futnak a kéréseid, milyen arányban használnak megújuló energiát, mekkora az adatközpontjaik PUE-értéke, illetve közölnek-e modellenkénti energiaadatot. Aki önkéntes alapon fenntarthatósági adatokat szeretne közölni, annak az EFRAG által kidolgozott, kifejezetten KKV-knak szóló önkéntes jelentési standard (VSME) adhat keretet.

Vigyázz a zöld címkékkel

A zöld állításoknál az óvatosság jogi kérdés is. Az Európai Unió 2024/825-ös irányelve a fogyasztók zöld átállásban való szerepvállalásáról, amelyet a tagállamoknak 2026. szeptember 27-től kell alkalmazniuk, a tisztességtelen kereskedelmi gyakorlatok közé sorolja az általános, alá nem támasztott környezetvédelmi állításokat, valamint azt is, ha egy termék semleges vagy csökkentett kibocsátását pusztán kibocsátáskompenzációra alapozzák. Egy „klímasemleges AI-chatbot” vagy „zöld mesterséges intelligencia” típusú reklámszöveg ezért kockázatos lehet, a pontos hazai alkalmazásról pedig érdemes jogásszal egyeztetni.

Ennél jóval biztonságosabb és hitelesebb, ha konkrét, ellenőrizhető lépésekről beszélsz. Egy mondat arról, hogy az ügyfélszolgálati chatbotod a gyakori kérdésekre modellhívás nélkül válaszol, a többire pedig a feladathoz illő, kisebb modellt használ, többet mond minden zöld jelzőnél.

Mire számíts a COP31 után és 2027-ben?

A következő hónapokban az AI energiafogyasztása a klímapolitika egyik fő témája marad. A novemberi antalyai COP31-en dől el, hogy az antalyai AI-vállalás önkéntes szándéknyilatkozat marad, vagy konkrét, mérhető adatközlési kötelezettséget hoz, a technológiai cégek pedig addig döntik el, csatlakoznak-e hozzá.

Az AI Energy Management Alliance tervezett mérőszám-szabványai idővel összehasonlíthatóbb adatokat hozhatnak. A queenslandi kampusz első épülete 2027-ben indulhat, az amerikai államok pedig egymás után szabályozzák az adatközpontokat. Az IEA előrejelzése szerint 2030-ig a fogyasztás bővülése folytatódik, szerintünk pedig a kérésenkénti hatékonyság javulása a jövőben sem fogja ellensúlyozni a használat növekedését.

A mi ítéletünk egyszerű: egy magyar KKV-nak nem kell lelkiismeret-furdalást éreznie azért, mert AI-t használ, hiszen a közvetlen energiaigénye kicsi. Az viszont indokolatlan pazarlás, ha egy egyszerű levélhez a legdrágább, leghosszabban gondolkodó modellt futtatja, vagy minden kérésnél újraküldi ugyanazt a húszoldalas dokumentumot gyorsítótár nélkül. A takarékos AI-használathoz ugyanis nem kell külön zöld projekt: egyszerűen jó mérnöki és üzleti gyakorlatról van szó, amely a számlán is meglátszik.

Miben segít a Convergo?

Ha szeretnéd tudni, mennyi tokent, pénzt és energiát visz el ma a céged AI-használata, az AI-felmérés, stratégia és oktatás szolgáltatásunkban közösen feltérképezzük a folyamataidat, majd kijelöljük, hol érdemes kisebb modellre, alacsonyabb gondolkodási szintre vagy gyorsítótárra váltani. A workflow automatizáció keretében n8n-alapú routingot és válasz-gyorsítótárat építünk, hogy minden feladat a hozzá illő modellhez kerüljön. Ha ügyfélszolgálati asszisztensre van szükséged, tudásbázis-alapú chatbotot készítünk gyorsítótár-barát szerkezettel, a meglévő rendszereid bekötéséhez pedig egyedi AI-integrációt kínálunk. Az első lépés egy ingyenes egyeztetés, ahol átnézzük a jelenlegi AI-számláidat.