由法國經濟學家（包括近期諾貝爾獎得主Philippe Aghion）撰寫的工作論文，探討了將預測式機器學習模型應用於污水處理所帶來的節約效果。該研究分析了一套部署於由全球水務供應龍頭營運之法國污水處理廠的專用AI曝氣控制系統。

曝氣——即將空氣注入廢水中以維持分解有機物的微生物群——通常是活性污泥處理廠中最大的單一用電設備，經常佔全廠總能耗的40至60%。優化此環節一直是提升效率的重點目標，但傳統控制系統依賴固定排程或人工調整，無法即時應對波動的進水量、污染物負荷及天氣條件。

研究人員利用採用時點與系統中斷的準實驗變異，估算AI對用電量、碳排放及能源支出的因果影響。根據論文，全時AI控制使處理廠用電量降低5.4%、碳排放減少6%，同時能源支出削減8.2%。這些降幅形成了作者所稱的負減排成本，意味該系統透過節能即可自行回本，同時還改善了放流水水質。

論文指出，AI模型本身所產生的額外用電需求不到所達成節能量的1%。重要的是，該數值並非與上述5.4%、6%及8.2%降幅可直接比較的百分點抵消量；而是表明AI系統自身的耗電量相對於其產生的節能效果微乎其微。

除了直接的效率提升外，研究還發現配備AI的處理廠在極端氣象事件和化學污染物高峰期間，面臨高營運壓力時表現出更強的韌性。該系統還透過將用電從尖峰時段移轉至離峰時段來改善負載管理——此一能力與電網營運商對需求端彈性日益增長的需求相符，尤其是在間歇性再生能源佔發電比重持續上升之際。

為評估更廣泛的影響，作者在三種普及情境下應用了DICE（動態整合氣候經濟）模型——該整合評估框架由2018年諾貝爾獎得主William Nordhaus開發，將經濟活動與氣候結果相連結。他們得出結論：此工業AI應用案例所帶來的CO₂減排可創造可觀的全球福利收益。

完整論文可於國家經濟研究局（NBER）取得。

在Marginal Revolution部落格上對該論文的評論中，作者指出研究人員將其發現定位為對AI能源使用與環境影響擔憂的反證。該作者將那些反對意見形容為「幾乎完全缺乏數據基礎且具借題發揮之嫌」，並認為將論文塑造成反駁反而賦予了這些意見不應有的可信度。作者進一步觀察指出，AI的廣泛影響將來自跨產業的許多類似漸進式改善。