CO2-optimering af AI-agenter: Nyt system skærer udledning med op til 58%

AI-agenter – systemer der selvstændigt udfører komplekse opgaver som software-reparation eller dataanalyse – bruger mange modelkald og dermed meget strøm. Det kan give betydelige CO2-udledninger. Nu viser et nyt forskningsprojekt, at udledningen kan reduceres markant, hvis man planlægger agenternes køretid efter, hvornår elnettet er grønnest, og hvor arbejdet kører. Læs hele paperet på arXiv.

Forskerne bag systemet, kaldet AgentDecarbonizer, har analyseret OpenClaw-agenters arbejdsbyrder og fundet, at udledningen afhænger af tre ting: hvor mange tokens modellen bruger, hvor godt kontekst-cachen genbruges, og hvor CO2-tungt det lokale elnet er. Det centrale indblik er, at mange agentopgaver har en deadline, men ikke behøver at køre med det samme. Der er altså et fleksibelt tidsvindue, hvor opgaven kan vente på et tidspunkt med lavere CO2-intensitet – eller flyttes til et elnet med grønnere strøm.

Udfordringen er, at tidsmæssig flytning kræver et pålideligt skøn over, hvor lang tid opgaven tager, og at rumlig flytning kan betyde, at kontekst-cachen skal genberegnes, hvilket koster ekstra strøm. AgentDecarbonizer håndterer begge dele ved at estimere opgavens varighed konservativt og vælge en tidsplan, der overholder deadline, samtidig med at den tager højde for cache-genberegning ved flytning.

I tests med 60 agentopgaver på fire forskellige elnet reducerede systemet CO2-udledningen med op til 57,9% sammenlignet med en baseline, der ikke tager hensyn til CO2, og med op til 37,5% sammenlignet med en baseline, der blot vælger det grønneste elnet ved opgavens start.

For virksomheder og organisationer, der kører mange AI-agenter i produktion, er resultatet relevant på to måder. For det første kan det sænke det direkte CO2-aftryk fra AI-arbejdsbyrder – noget der bliver stadig vigtigere i lyset af stigende krav om bæredygtighedsrapportering. For det andet kan det reducere energiomkostningerne, hvis man samtidig udnytter perioder med lavere elpriser, som ofte følger med lav CO2-intensitet.

Teknisk set er AgentDecarbonizer designet til at køre sideløbende med OpenClaw, en populær open-source agent-platform. Det betyder, at eksisterende agent-workflows potentielt kan få CO2-optimering uden at skulle omskrives – et vigtigt praktisk argument for adoption.