Een werkdocument van Franse economen, waaronder recentelijk Nobelprijswinnaar Philippe Aghion, onderzoekt de besparingen die worden gegenereerd door een predictief machine learning-model toegepast op waterzuivering. De studie analyseert een gespecialiseerd AI-beluchtingsregelsysteem dat is ingezet bij Franse waterzuiveringsinstallaties die worden beheerd door een wereldleider in drinkwatervoorziening.

Beluchting—het proces van lucht in afvalwater injecteren om de micro-organismen in stand te houden die organisch materiaal afbreken—is doorgaans de grootste enkele elektriciteitsverbruiker bij actiefslibbehandelingsinstallaties en vertegenwoordigt vaak 40–60% van het totale energieverbruik van een faciliteit. Het optimaliseren van deze stap is al lang een doelwit voor efficiëntieverbeteringen, maar conventionele regelsystemen vertrouwen op vaste schema's of handmatige aanpassingen die niet in realtime kunnen reageren op schommelende instroomvolumes, vervuilingsbelastingen en weersomstandigheden.

Met behulp van quasi-experimentele variatie in zowel de timing van adoptie als systeemstoringen schatten de onderzoekers het causale effect van AI op elektriciteitsgebruik, koolstofemissies en energie-uitgaven. Volgens het document vermindert fulltime AI-regeling het elektriciteitsverbruik van installaties met 5,4% en de koolstofemissies met 6%, terwijl de energie-uitgaven met 8,2% worden verlaagd. Deze reducties resulteren in wat de auteurs beschrijven als negatieve mitigatiekosten, wat betekent dat het systeem zich terugverdient door energiebesparingen en tegelijkertijd de kwaliteit van het gezuiverde afvalwater verbetert.

Het document merkt op dat de extra elektriciteitsvraag die door de AI-modellen zelf wordt gegenereerd minder dan 1% van de gerealiseerde besparingen bedraagt. Belangrijk is dat dit cijfer geen direct vergelijkbare offset in procentpunten is ten opzichte van de hierboven genoemde reducties van 5,4%, 6% en 8,2%; het geeft eerder aan dat het eigen elektriciteitsverbruik van het AI-systeem verwaarloosbaar klein is in verhouding tot de besparingen die het oplevert.

Naast directe efficiëntiewinst toont de studie aan dat met AI uitgeruste installaties veerkrachtiger zijn bij hoge operationele belasting tijdens extreme weersomstandigheden en pieken in chemische verontreinigingen. De systemen verbeteren ook het lastbeheer door elektriciteitsverbruik van piekuren naar daluren te verschuiven—een mogelijkheid die aansluit bij de groeiende behoefte van netbeheerders aan flexibiliteit aan de vraagzijde, aangezien intermitterende hernieuwbare energiebronnen een groter aandeel van de elektriciteitsopwekking innemen.

Om de bredere implicaties te beoordelen passen de auteurs het DICE-model (Dynamic Integrated Climate-Economy) toe—het geïntegreerde beoordelingskader ontwikkeld door Nobelprijswinnaar 2018 William Nordhaus dat economische activiteit aan klimaatuitkomsten koppelt—in drie diffusiescenario's. Zij concluderen dat de CO2-reducties gepaard met deze industriële AI-toepassing aanzienlijke wereldwijde welvaartswinst opleveren.

Het volledige document is beschikbaar bij de National Bureau of Economic Research (NBER).

In een reactie op het document op Marginal Revolution merkt de auteur van het blog op dat de onderzoekers hun bevindingen presenteren als een contrast met de bezorgdheid over het energiegebruik en de milieugevolgen van AI. De auteur kwalificeert deze bezwaren als "vrijwel volledig innumeriek en pretextueel" en betoogt dat het presenteren van het document als een weerlegging ze meer geloofwaardigheid verleent dan ze verdienen. De auteur merkt verder op dat het bredere effect van AI zal komen via vele incrementele verbeteringen van deze aard in een breed scala aan sectoren.