Η φούσκα της Τεχνητής Νοημοσύνης ανεβάζει ρεύμα, νερό και επιτόκια παγκοσμίως: επιδοτήσεις σε data centers, κόστος σε φόρους, απειλή για νοικοκυριά και κλίμα.
Προμηνύεται ότι στο τέλος το τίμημα θα το πληρώσουν οι φορολογούμενοι και τα νοικοκυριά.
Σημείωση: το παρόν άρθρο αποτελεί προσωπική έρευνα (Στέλιος Θεοδωρίδης)
Από ρίσκο επενδυτών σε ρίσκο για όλους
Μέχρι πρόσφατα, η φούσκα της Τεχνητής Νοημοσύνης (AI) έμοιαζε να είναι πρωτίστως ένα πρόβλημα για επενδυτές: για τα venture funds, τις εισηγμένες εταιρείες που «ποντάρουν» στην ανάπτυξη και για τις τράπεζες που χρηματοδοτούν μεγάλα τεχνολογικά έργα.
Όμως αυτό το ρίσκο απειλεί να μεταφερθεί —ξεκινώντας από τις ΗΠΑ— στη μεγάλη μάζα του πληθυσμού.
Ο λόγος είναι απλός: το οικοσύστημα της γενετικής τεχνητής νοημοσύνης χρειάζεται τεράστια υποδομή (data centers, δίκτυα, ηλεκτρική ισχύ, νερό για ψύξη), και αυτή η υποδομή:
- είτε χρηματοδοτείται άμεσα ή έμμεσα από δημόσιο χρήμα (επιδότηση, φοροαπαλλαγή, ειδικά τιμολόγια, εγγυήσεις),
- είτε ανεβάζει το κόστος σε κρίσιμες αγορές όπως η ηλεκτρική ενέργεια και το κόστος χρήματος (επιτόκια/δάνεια).
Το συνολικό σχήμα θυμίζει σε πολλούς ένα πυραμιδικό σύστημα: όσο υπάρχει νέα ροή κεφαλαίων, το οικοδόμημα στέκεται.
Αν όμως κοπεί η ροή ή αποδειχθεί ότι τα υποσχόμενα έσοδα δεν πλέον έρχονται, τότε η κατάρρευση θα είναι δύσκολο να αποφευχθεί — εκτός κι αν κάποιος τραβήξει εγκαίρως το «χειρόφρενο».
Ακόμη και εκπρόσωποι διεθνών οργανισμών, βλέποντας το μέγεθος της ζημιάς (π.χ. στο παγκόσμιο κλίμα και στους υδάτινους πόρους), μιλούν πλέον για την ανάγκη περιορισμών.
Παραδείγματα όπως η Ιρλανδία ή το Τέξας (μια περιοχή που κάποτε παρουσιαζόταν ως πρότυπο ανανεώσιμων πηγών στις ΗΠΑ) δείχνουν προς τα πού μπορεί να πάει η κατάσταση όταν η ζήτηση από data centers ξεπερνά τις αντοχές δικτύου και πολιτικής.
Οι ΗΠΑ από «φθηνή ενέργεια» σε ακριβό ρεύμα
Οι Ηνωμένες Πολιτείες είχαν για δεκαετίες τη φήμη της χώρας με τη φθηνή ενέργεια.
Σε μια αγορά όπου η βενζίνη μετριέται σε γαλόνια και επί χρόνια θεωρούνταν «ψυχολογικό όριο» τα 2–3 δολάρια για 3,8 λίτρα, η υπερκατανάλωση ενέργειας αποτελούσε στοιχείο τρόπου ζωής — όχι μόνο στις μεταφορές, αλλά και στην καθημερινότητα.
Σε αντίθεση με πολλές ευρωπαϊκές κοινωνίες, στις ΗΠΑ για μεγάλο διάστημα:
- δεν υπήρχε ισχυρή κουλτούρα εξοικονόμησης,
- τα σπίτια και οι επιχειρήσεις κρατούσαν συχνά φώτα αναμμένα,
- η χρήση κλιματιστικών ήταν σχεδόν «δεδομένη» σε μεγάλες ζώνες της χώρας.
(Κάποιες φορές, η συνεχής φωταγώγηση λειτουργούσε ακόμη και ως αποτρεπτικό για μικροδιαρρήξεις.)
Όμως οι εποχές αλλάζουν. Σήμερα, ακόμη και η λειτουργία κλιματισμού μπορεί να γίνει οικονομικό ρίσκο για νοικοκυριά.
Ενώ στη Γερμανία οι τιμές ρεύματος παρουσιάζουν πτώση, στις ΗΠΑ εμφανίζονται ιστορικά υψηλά.
Σύμφωνα με δημοσιογραφικές αναφορές, το πρώτο εξάμηνο του 2025 οι καταναλωτές πλήρωσαν κατά μέσο όρο 10% περισσότερο από λίγους μήνες νωρίτερα.
Και αυτός είναι ο εθνικός μέσος όρος. Σε επιμέρους περιοχές όπως η Βόρεια Ντακότα ή το Μιζούρι, οι αυξήσεις λέγεται ότι ξεπέρασαν το +33%.
Πολλά μέσα ενημέρωσης αποδίδουν την ευθύνη κυρίως στο «ράλι της AI»: στην ανάγκη ηλεκτροδότησης νέων, γιγαντιαίων data centers.
Ενδεικτικά, η μέση τιμή ανέβηκε από 13 σεντ/κιλοβατώρα το 2020 σε σχεδόν 18 σεντ μέσα σε πέντε χρόνια, με ανθρώπους της αγοράς να προειδοποιούν ότι «τα χειρότερα δεν έχουν έρθει ακόμη».
Το «ράλι της Τεχνητής Νοημοσύνης» και τα γιγαντιαία data centers
Η βασική οικονομική τριβή είναι η εξής: η ζήτηση ρεύματος ανεβαίνει απότομα, αλλά η προσφορά νέας ενέργειας δεν προλαβαίνει.
Όπως έχει δηλώσει ο Rob Kelter, ανώτερος νομικός σύμβουλος του Environmental Law & Policy Center (Περιβαλλοντικός οργανισμός με έδρα το Σικάγο), οι τιμές ανεβαίνουν «κυρίως επειδή η αιφνίδια αύξηση της ζήτησης —σε μεγάλο βαθμό από AI data centers και άλλους υπερ-καταναλωτές— δεν καλύπτεται από επαρκή νέα παραγωγή».
Και προειδοποιεί ότι ρυθμιστικές αρχές και νομοθέτες πρέπει να αντιδράσουν γρήγορα.
Πόση ενέργεια «τρώει» η AI στην πράξη;
Ένα τυπικό AI rack με GPUs μπορεί να έχει ονομαστική ισχύ που θυμίζει «στόλο» από σπορ αυτοκίνητα — και να καταναλώνει συνεχώς ενέργεια επιπέδου μικρής κωμόπολης.
Ως παράδειγμα τάξης μεγέθους τα 600 kW για ένα rack, με συνεχή κατανάλωση.
Παράλληλα, εκτιμήσεις (όπως αυτές που αποδίδονται σε αναλύσεις της Goldman Sachs) περιγράφουν μια τεράστια άνοδο: μέχρι το 2030 ο παγκόσμιος ενεργειακός «πυρετός» μπορεί να αυξηθεί κατά 165%, ενώ η AI εκτιμάται ότι θα φτάσει να αποτελεί περίπου το 1/3 της αγοράς data centers.
Γιατί αυτό μεταφράζεται σε κόστος για τα νοικοκυριά;
Επειδή:
- τα δίκτυα έχουν συγκεκριμένη χωρητικότητα,
- οι επενδύσεις σε παραγωγή/μεταφορά θέλουν χρόνο,
- και πολλές συμφωνίες γίνονται με «σούπερ τιμές» για μεγάλους πελάτες (hyperscalers), μεταφέροντας το βάρος αλλού.
Η αναλύτρια της ntv Sandra Navidi έχει περιγράψει το αποτέλεσμα ωμά: «Οι τεχνολογικές εταιρείες κλείνουν εξαιρετικές τιμές με τους παρόχους σε βάρος των ιδιωτικών νοικοκυριών.
Ξαφνικά οι πολίτες πληρώνουν περισσότερο. Ουσιαστικά, ο μικρός άνθρωπος χρηματοδοτεί έμμεσα τις πιο κερδοφόρες εταιρείες των ΗΠΑ».
Απορρύθμιση και ακριβό ρεύμα: μια επικίνδυνη συνταγή
Η πίεση στις τιμές δεν είναι μόνο τεχνικό ζήτημα. Είναι και πολιτική επιλογή.
Αξίζει να τονιστεί ότι υπό την κυβέρνηση Τραμπ η AI προωθείται ως πεδίο χωρίς ρύθμιση και ότι πολιτείες που θα επιχειρήσουν να «σπάσουν» ένα τέτοιο μορατόριουμ ρύθμισης μπορεί να δεχτούν αυστηρές κυρώσεις.
Ταυτόχρονα, τα data centers χτίζονται ακριβώς εκεί όπου η ζήτηση «τινάζει» τις τιμές — και όπου δαπανώνται εκατοντάδες δισεκατομμύρια από tech κολοσσούς.
Για να εξασφαλιστεί αδιάλειπτη λειτουργία, συχνά επιστρατεύονται:
- γεννήτριες βενζίνης και αερίου (θόρυβος/ρύποι),
- πολλαπλά επίπεδα εφεδρείας,
- συμβάσεις ισχύος που «κλειδώνουν» το δίκτυο υπέρ του μεγάλου πελάτη.
Αυτό δημιουργεί ένα διπλό παράδοξο:
- Η AI παρουσιάζεται ως «ψηφιακή πρόοδος».
- Στην πράξη, η ενεργειακή της βάση συχνά θυμίζει επιστροφή σε βρώμικες εφεδρείες.
Αυξήσεις τιμών εκατοντάδων τοις εκατό κοντά σε data centers
Τα δεδομένα που αναφέρονται είναι σοκαριστικά.
Στην Πενσιλβάνια, για παράδειγμα, οι τιμές παραγωγής ηλεκτρικής ενέργειας ανέβηκαν μέσα σε έναν χρόνο από περίπου 29 δολάρια/MWh την ημέρα σε περίπου 270 δολάρια, με τάση περαιτέρω αύξησης — και μόνο παρέμβαση του κυβερνήτη φέρεται να ανέκοψε την εκτόξευση.
Η λογική της μετακύλισης είναι απλή:
- ο διαχειριστής δικτύου μεταφέρει το αυξημένο κόστος στους πελάτες,
- και όσο πιο κοντά βρίσκεται ένα νοικοκυριό σε data center, τόσο πιο έντονη μπορεί να είναι η πίεση στο τοπικό δίκτυο και στα τιμολόγια.
Σύμφωνα με αναφορά του Bloomberg, τα αμερικανικά νοικοκυριά κοντά σε data centers πληρώνουν σήμερα κατά μέσο όρο 267% περισσότερο για ρεύμα σε σχέση με πριν από πέντε χρόνια.
Neoclouds, «AI Gigafactories» και η λατρεία των Gigawatt
Τα νέα data centers —μερικές φορές αποκαλούνται neoclouds ή AI gigafactories— αξιολογούνται συχνά όχι με βάση τη χρησιμότητα/έξοδο (output), αλλά με βάση την κατανάλωση ισχύος.
Ένα έργο που «τραβάει» gigawatt ακούγεται πιο σύγχρονο, πιο ισχυρό, πιο «μεγάλο» από ένα έργο σε megawatt.
Όμως εδώ υπάρχει μια ουσιαστική στρέβλωση:
- είναι σχετικά εύκολο να μετρήσεις πόσο ρεύμα καίει ένα data center,
- είναι πολύ δυσκολότερο να μετρήσεις τι αξία παράγει (ποια προϊόντα, ποια έσοδα, ποια παραγωγικότητα, ποια κοινωνική ωφέλεια).
Με άλλα λόγια, ο δείκτης επιτυχίας κινδυνεύει να γίνει: «πόση ενέργεια απορροφώ», όχι «πόσο λύνω πραγματικά προβλήματα».
Επιδοτήσεις, φορολογικά κίνητρα και επιστροφή σε άνθρακα και πυρηνικά
Η επιλογή τοποθεσίας για τέτοια κέντρα δεν καθορίζεται πάντα από τεχνικά κριτήρια ή βιωσιμότητα. Συχνά καθορίζεται από:
- πιθανές επιδοτήσεις,
- φορολογικά καθεστώτα,
- πρόσβαση σε υπάρχουσες μονάδες παραγωγής (ακόμη και παλιές/ανενεργές),
- πολιτικές συμφωνίες.
Αξίζει να κάνουμε αναφορά σε ένα παράδειγμα που προκαλεί αντιδράσεις: την αξιοποίηση ενός πυρηνικού σταθμού στην περιοχή του Harrisburg, γνωστού από το ατύχημα τήξης πυρήνα το 1979 (Three Mile Island).
Η Microsoft το χαρακτήρισε «μοναδική ευκαιρία» σε σχετική επικοινωνία.
Δεν είναι δύσκολο να δει κανείς ποιοι τρίβουν τα χέρια τους: εταιρείες ορυκτών καυσίμων και πυρηνικής ενέργειας.
Το πλαίσιο γίνεται ακόμη πιο ειρωνικό αν θυμηθούμε ότι:
- το 2015 υπήρχαν περίοδοι όπου στο Τέξας αναφερόταν ότι, λόγω πλεονάσματος ΑΠΕ, το ρεύμα ήταν πρακτικά «δωρεάν» σε συγκεκριμένες ώρες,
- ενώ σήμερα, στο ίδιο «μητροπολιτικό» περιβάλλον ενέργειας, η ζήτηση από data centers μπορεί να δίνει άλλοθι για επιστροφή σε πιο ρυπογόνες επιλογές.
Το κόστος του χρήματος: επιτόκια, χρέος και ο «αχόρταγος» δανεισμός
Σαν να μην έφταναν οι λογαριασμοί ρεύματος, υπάρχει και δεύτερος μεγάλος μηχανισμός μεταφοράς κόστους: το χρέος.
Καθώς οι εταιρείες AI και οι κατασκευαστές υποδομών έχουν «αχόρταγη» ανάγκη από κεφάλαιο, η ζήτηση για δανεισμό και χρηματοδότηση ανεβαίνει.
Με τα επιτόκια ήδη σε ανοδική τάση, το κόστος αυτό αργά ή γρήγορα φτάνει:
- σε επιχειρήσεις (άρα σε τιμές προϊόντων/υπηρεσιών),
- σε δήμους/πολιτείες (άρα σε φόρους),
- σε νοικοκυριά (άρα σε δάνεια, πιστώσεις, κόστος ζωής).
Το ρίσκο κατασκευής: κανείς δεν ξέρει «συνταγή»
Η κατασκευή ενός AI data center θεωρείται ριψοκίνδυνη γιατί:
- κανείς δεν έχει απόλυτα αξιόπιστη συνταγή κόστους/χρόνου,
- οι τεχνολογικοί κύκλοι αλλάζουν γρήγορα,
- η υποδομή μπορεί να ολοκληρωθεί και να είναι ήδη «παλιά» σε 2–3 χρόνια.
Αναφέρεται χαρακτηριστικά η CoreWeave (Compute-as-a-Service), ως εταιρεία που φέρεται να έχει στοιχηματίσει επιθετικά σε στοίβες Nvidia hardware χωρίς να βγάζει τα αναμενόμενα έσοδα.
Ο blogger Ed Citron υποστηρίζει ότι η CoreWeave χάνει σχεδόν 1 δισ. δολάρια ανά τρίμηνο και χαρακτηρίζει τη συγκυρία (δανειζόμενος έναν όρο που αποδίδεται στον Cory Doctorow) ως «Enshittifinancial Crisis»: μια χρηματοοικονομική κρίση που τροφοδοτείται από προϊόντα/υπηρεσίες χαμηλής αξίας αλλά υψηλής επένδυσης.
Ανησυχούν και επενδυτές: ο venture capitalist Alex Davis φέρεται να έχει γράψει ότι ο «κερδοσκοπικός» κλάδος των data centers τον προβληματίζει βαθιά και ότι η στρατηγική «χτίσε το και θα έρθουν» μπορεί να είναι παγίδα.
Ένας μικρός, συγκεντρωμένος και δύσκολα βιώσιμος κλάδος
Παρά τον θόρυβο, η αγορά υπηρεσιών AI compute είναι εκπληκτικά μικρή και συγκεντρωμένη.
Η ωμή εκδοχή αυτού του ισχυρισμού είναι:
- για να βγάλεις χρήματα «με ασφάλεια», πρέπει να είσαι Microsoft (OpenAI) ή Nvidia,
- δεν υπάρχουν πολλοί άλλοι παίκτες με αντίστοιχη ισχύ,
- δεν φαίνεται να υπάρχει ο αναμενόμενος πολλαπλασιασμός νέων προϊόντων/πελατών.
Αυτό, αν ισχύει, είναι κόκκινη σημαία: όταν ο κλάδος «τρέφεται» από λίγους γίγαντες και από συνεχές κεφάλαιο, μοιάζει περισσότερο με μηχανή χρηματοδότησης υποδομής παρά με πλουραλιστική αγορά καινοτομίας.
Αναφέρεται επίσης ότι η Softbank αναζητούσε επενδυτές για πληρωμή 22,5 δισ. δολαρίων προς την OpenAI στο πλαίσιο του project data centers Stargate, ενώ αναλυτές χαρακτήριζαν τα σχέδια «τρομερά» και υπερβολικά ριψοκίνδυνα.
Υπαρξιακή κρίση» των data centers: boom ή hype
Την ίδια στιγμή, Ευρωπαίοι πολιτικοί εμφανίζονται πρόθυμοι να εγκρίνουν AI gigafactories στις περιφέρειές τους, ως επενδυτικές ευκαιρίες και ως «αναπτυξιακό αφήγημα».
Πως γίνεται λοιπόν να συνυπάρχουν:
- η εικόνα του boom,
- με αναφορές για κλείσιμο data centers,
- και με δυσκολία χρηματοδότησης;
Η απάντηση είναι κυνική: πρόκειται για στοίχημα τύπου πόκερ. Ένα «gamble» που στο τέλος μπορεί να θυμίζει Ponzi scheme (γνωστό στα ελληνικά ως πυραμιδικό/χιονοστιβάδα).
Η λογική που περιγράφεται είναι:
- Όποιος μπήκε νωρίς, ίσως έκανε cash-out.
- Όσοι μπαίνουν αργά, στηρίζουν την αποτίμηση των πρώτων.
- Για να διατηρηθεί το hype χρειάζεται διαρκές νέο κεφάλαιο.
- Με τα επιτόκια να ανεβαίνουν, η εμπιστοσύνη γίνεται ακριβή.
- Χωρίς κρατικές εγγυήσεις/επιδοτήσεις, πολλά έργα μπορεί να μην «βγαίνουν» χρηματοοικονομικά.
Ο Ed Citron το συνοψίζει: οι developers data centers συγκεντρώνουν χρήματα για μήνες (ή και έναν χρόνο) πριν βγάλουν ούτε ένα σεντ.
Και το πιο ανησυχητικό: δεν υπάρχει καν σαφής, κοινά αποδεκτή απάντηση στο «πόσο κάνει και πόσο παίρνει να χτιστεί ένα data center;» — ενώ από αυτό ακριβώς εξαρτάται το πώς βγάζουν χρήματα τέτοια projects.
70% υψηλότερα επιτόκια: όταν το χρέος «δαγκώνει»
Η κατάσταση θυμίζει έργα όπως νέα πυρηνικά εργοστάσια: μεγάλα, μακρόχρονα, με ρίσκο καθυστερήσεων και τεράστιο capex, που συχνά βγαίνουν μόνο με κρατική στήριξη.
Αναφέρεται άρθρο των New York Times για συμβόλαιο χρέους της Applied Digital (operator data centers), όπου η εταιρεία χρειάστηκε να πληρώσει έως και 3,75 ποσοστιαίες μονάδες παραπάνω από άλλες με παρόμοια πιστοληπτική ικανότητα — δηλαδή περίπου 70% υψηλότερο επιτόκιο.
Αυτό σημαίνει κάτι απλό: όσο ανεβαίνει το κόστος κεφαλαίου, τόσο πιο δύσκολα δικαιολογούνται τα «όνειρα» που δεν έχουν ακόμη μετατραπεί σε σταθερά έσοδα.
Όταν η υπόσχεση παραγωγικότητας δεν έρχεται: «95% αποτυχία»
Ένα από τα πιο βαριά επιχειρήματα είναι ότι, παρά τα τεράστια έξοδα, ελάχιστες εταιρείες έχουν δει πραγματική αύξηση παραγωγικότητας από την AI.
Παρατίθεται χαρακτηριστικά η διατύπωση που αποδίδεται σε μελέτη του MIT:
«Το 95% των projects AI είναι αποτυχίες.»
Το «παράδοξο» των AI coding assistants
Στον προγραμματισμό, ειδικοί (όπως αναφέρεται, από την Cerbos) μιλούν για το παράδοξο των AI coding assistants: υπόσχονται ταχύτητα, αλλά το συνολικό αποτέλεσμα πολλές φορές είναι απλώς «ψευδαίσθηση ταχύτητας» και τελικά μπορεί να επιβραδύνει την παραγωγή, ειδικά όταν μπαίνουν στην εξίσωση:
- code review,
- debugging,
- τεχνικό χρέος,
- ασφάλεια.
Η κατάσταση υπογραμμίζει ότι το εντυπωσιακό αφήγημα πως μια ομάδα θα γίνει «10 φορές πιο παραγωγική» συχνά δεν στέκει όταν μπαίνουν πραγματικοί έλεγχοι ποιότητας.
Και ότι το management μπορεί να κυνηγά ένα «φάντασμα», χωρίς αποδείξεις ύπαρξης.
Vibe coding: πιο γρήγορα bugs, πιο γρήγορα στην παραγωγή
Αναφέρεται επίσης ότι το AI-generated code μπορεί να φέρνει σοβαρές παρενέργειες ασφάλειας.
Με βάση ευρήματα που αποδίδονται σε μελέτη της Apiiro (2024), το AI code εμφάνιζε:
- 322% περισσότερες πιθανότητες για privilege escalation,
- 153% περισσότερα σχεδιαστικά σφάλματα.
Και ως συνολική εικόνα:
- η ελαττωματική software έκδοση γίνεται deploy 4x πιο γρήγορα,
- «διαρρέει» secrets 40% συχνότερα,
- εμφανίζει 2,5x περισσότερα κρίσιμα κενά σε CVSS scans.
Με άλλα λόγια: το οικοσύστημα μπορεί να «πιέζεται» να παραδώσει γρήγορα, αλλά αυτό που τελικά παραδίδει είναι τεχνικό χρέος και αυξημένος κίνδυνος.
Planned obsolescence, άδειες χρήσης και εξάρτηση: το αντίθετο της ψηφιακής κυριαρχίας
Η αγορά στρέφει το βλέμμα και στο business model του hardware, κυρίως γύρω από την Nvidia (και δευτερευόντως το ARM).
Η βασική ιδέα: μεγάλο μέρος του οικοσυστήματος AI εξαρτάται από λίγους κατασκευαστές chips/πλατφορμών.
Και αυτό δημιουργεί:
- τεχνολογική εξάρτηση,
- εμπορική εξάρτηση (άδειες, drivers, οικοσυστήματα),
- γεωπολιτική εξάρτηση (ποιος ελέγχει την αλυσίδα).
Γίνεται λόγος για ένα μοντέλο που θυμίζει planned obsolescence: ο κύκλος ζωής της GPU «μικραίνει» επιχειρησιακά, όχι επειδή χαλάει, αλλά επειδή:
- αλλάζουν απαιτήσεις λογισμικού,
- αλλάζουν άδειες χρήσης,
- περιορίζεται η υποστήριξη drivers,
- και το «παλιό» γίνεται μη ανταγωνιστικό πριν αποσβεστεί.
Εδώ εμφανίζεται και ο καυστικός όρος «Brickware»: υποδομές δισεκατομμυρίων που ίσως σε λίγα χρόνια έχουν περιορισμένη χρησιμότητα ή απαιτούν συνεχή πληρωμή/αναβάθμιση για να παραμείνουν λειτουργικές και παραγωγικές.
Το συμπέρασμα των επικριτών είναι σκληρό: τα AI gigafactories είναι, από πολλές απόψεις, το αντίθετο της ψηφιακής κυριαρχίας, γιατί «κλειδώνουν» χώρες/εταιρείες σε συγκεκριμένες στοίβες τεχνολογίας, προμηθευτές και άδειες.
Περιβάλλον: ρεύμα, νερό, CO₂ και ηλεκτρονικά απόβλητα
Ακόμη κι αν κάποιος αγνοήσει τους χρηματοοικονομικούς κινδύνους, υπάρχει η υλική πραγματικότητα: η AI στο σημερινό της μοντέλο «τρέχει» πάνω σε:
- τεράστια κατανάλωση ηλεκτρισμού,
- υψηλές ανάγκες νερού (ψύξη),
- σημαντικές εκπομπές CO₂,
- επιτάχυνση παραγωγής ηλεκτρονικών αποβλήτων.
Η Ιρλανδία ως «προειδοποίηση»
Στην Ιρλανδία, αναφέρεται ότι τα data centers ευθύνονται ήδη για περίπου το 1/5 της κατανάλωσης ρεύματος, με τάση ανόδου προς το 1/3.
Και, σύμφωνα με τον Guardian όπως παρατίθεται, αυτό δεν είναι εύκολο να καλυφθεί από ανανεώσιμες πηγές — άρα ενδέχεται να κυριαρχήσουν ορυκτά καύσιμα στο ενεργειακό μίγμα «για να βγει η δουλειά».
«Καθαρός άνθρακας» και υποχώρηση της ενεργειακής μετάβασης
Είναι άξια αναφοράς το γεγονός ότι:
- η Κίνα χτίζει data centers κοντά σε περιοχές άνθρακα,
- στις ΗΠΑ επανέρχεται ρητορική τύπου «όμορφος, καθαρός άνθρακας»,
- η Ιρλανδία εξετάζει LPG terminals,
- και ακόμη και φτωχότερες χώρες μπορεί να μπουν στο ίδιο μοτίβο.
Αναφέρεται το παράδειγμα του Πακιστάν: η φθηνή ηλιακή ενέργεια είχε αρχίσει να εκτοπίζει τον άνθρακα με αξιοσημείωτη ταχύτητα, αλλά τα data centers «περιμένουν στη γωνία» να απορροφήσουν ελεύθερη ισχύ από μονάδες που διαφορετικά θα έβγαιναν εκτός.
Το νερό ως αόρατος πόρος (μέχρι να μην είναι)
Η υπεύθυνη κλιματικής στρατηγικής στην Hugging Face, Sasha Luccioni, έχει επανειλημμένα εκφράσει ανησυχία ότι αντί να προλάβουμε το πρόβλημα, προσποιούμαστε πως:
- «δεν υπάρχει» ή
- «αν υπάρχει, κάπως θα λυθεί».
Αξίζει να αναφέρουμε ότι η εκπαίδευση μοντέλων τύπου GPT-4/5 μπορεί να κοστίζει:
- δισεκατομμύρια λίτρα νερού,
- τεράστιες ποσότητες ηλεκτρικής ενέργειας,
- και να προκαλεί χιλιάδες τόνους CO₂.
Και επειδή τα μοντέλα δεν εκπαιδεύονται μία φορά, αλλά ξανά και ξανά (νέες εκδόσεις, fine-tuning, retraining), δημιουργείται μια σταθερή «χρυσοφόρα» ροή ζήτησης για παραγωγούς ενέργειας.
ΟΗΕ: εκκλήσεις για μορατόριουμ
Παρά την κυρίαρχη αφήγηση «καινοτομία με κάθε κόστος», εμφανίζονται πλέον πιο καθαρές εκκλήσεις για περιορισμούς.
Το Forbes (όπως αναφέρεται) σημείωσε τον Αύγουστο του 2025 ότι η AI «δεν βασίζεται σε αλγορίθμους, αλλά σε ηλεκτρισμό, νερό και εκπομπές CO₂».
Ακόμη πιο αυστηρή είναι η διατύπωση που αποδίδεται στον ειδικό εισηγητή για ασφαλές πόσιμο νερό της Επιτροπής Ανθρωπίνων Δικαιωμάτων του ΟΗΕ (έκθεση Οκτωβρίου 2025): η άνοδος της AI και των κρυπτονομισμάτων εκτοξεύει τη ζήτηση επεξεργασίας δεδομένων, πολλαπλασιάζει τα mega data centers και προκαλεί «σημαντική και ανησυχητική» ζήτηση νερού και «δραματική» αύξηση κατανάλωσης ηλεκτρισμού, με σοβαρούς κινδύνους για υδάτινα οικοσυστήματα και χωρίς βιώσιμη προοπτική.
Cui bono; Ποιος ωφελείται;
Αυτό είναι ίσως το πιο πολιτικό ερώτημα: ποιος κερδίζει και ποιος πληρώνει;
Η εικόνα που διαμορφώνεται είναι:
- Τα AI data centers κοστίζουν ασύλληπτα ποσά.
- Τα έσοδα/προϊόντα που δικαιολογούν αυτά τα ποσά είναι ασαφή ή ανεπαρκή.
- Το κόστος δανεισμού ανεβαίνει.
- Οι τιμές ρεύματος ανεβαίνουν.
- Δημόσιοι πόροι (φόροι) μπαίνουν στο παιχνίδι με επιδοτήσεις/διευκολύνσεις.
- Νερό και ηλεκτρισμός γίνονται πιο σπάνιοι/ακριβοί πόροι.
- Τα χρήματα (ιδιωτικά, τραπεζικά ή δημόσια) καταλήγουν τελικά σε λίγες τσέπες, μεταξύ των οποίων και υπερ-πλούσιοι.
Και ως παράπλευρη απώλεια: επειδή οι τιμές ανεβαίνουν τόσο ώστε να ξαναγίνεται «ελκυστικός» ο άνθρακας και ο πυρηνικός ηλεκτρισμός, το κλίμα μπαίνει σε πρόσθετο κίνδυνο.
Πως να αναγνωρίσετε «φούσκα» στην AI (πριν πληρώσετε το τίμημα)
Η συζήτηση για «φούσκα» δεν είναι μόνο συνθηματολογία. Υπάρχουν ενδείξεις που, όταν εμφανίζονται μαζί, αξίζουν προσοχή.
Δείκτες αγοράς και χρηματοδότησης
- Απόκλιση CAPEX–εσόδων: τεράστια επένδυση σε υποδομή χωρίς ανάλογη αύξηση κύκλου εργασιών.
- Πίεση για “land grab”: «χτίζουμε πρώτοι, βρίσκουμε πελάτες μετά».
- Αύξηση κόστους δανεισμού ειδικά για τον κλάδο (spread πάνω από την αγορά).
- Υπερσυγκέντρωση: λίγοι προμηθευτές/πελάτες «κρατούν» όλο το οικοσύστημα.
Δείκτες προϊόντος (product reality check)
- Δεν υπάρχουν σταθερά repeatable use cases που να αποδίδουν ROI σε ευρεία κλίμακα.
- Τα έργα παραμένουν σε pilot mode για μήνες/χρόνια.
- Η επιτυχία μετριέται με εντυπώσεις (demo, benchmarks) αντί για επιχειρησιακούς δείκτες (κόστος/απόδοση/ποιότητα).
Τι σημαίνει «υπεύθυνη AI» σε επίπεδο υποδομών (Green & Lean AI)
Η υπεύθυνη AI δεν είναι μόνο δεοντολογία δεδομένων. Είναι και μηχανική κόστους και πόρων.
Τεχνικές επιλογές που μειώνουν ρεύμα/κόστος
- Smaller models / right-sizing: χρήση μικρότερων μοντέλων όπου επαρκούν (π.χ. για ταξινόμηση, αναζήτηση, tagging).
- Quantization & distillation: συμπίεση μοντέλων για χαμηλότερη κατανάλωση.
- Caching: αποθήκευση συχνών απαντήσεων/αποτελεσμάτων για να μειωθούν τα inference calls.
- RAG με φειδώ: retrieval μόνο όταν χρειάζεται, αλλιώς κόστος εκτοξεύεται.
- Χρονοπρογραμματισμός workloads σε ώρες χαμηλής ζήτησης (όπου το επιτρέπει η εφαρμογή).
Ενεργειακή διαφάνεια (το “nutrition label” της AI)
Οι οργανισμοί μπορούν να απαιτούν από προμηθευτές:
- εκτίμηση kWh ανά 1.000 queries (ή ανά batch εργασίας),
- εκτίμηση λίτρων νερού ανά κύκλο ψύξης,
- αναφορά carbon intensity ανά περιοχή/ζώνη λειτουργίας,
- πολιτική για e-waste και κύκλο ζωής hardware.
Πλαίσιο πολιτικής: τι μπορούν να κάνουν κράτη και ρυθμιστές αρχές χωρίς να «σκοτώσουν» την καινοτομία
Αν οι κυβερνήσεις θέλουν να αποφύγουν να μετατραπεί η AI σε κοινωνικοποίηση ζημιών (και ιδιωτικοποίηση κερδών), υπάρχουν εργαλεία πολιτικής που δεν είναι «απαγόρευση», αλλά όροι και κανόνες.
Ρυθμίσεις για δίκτυο και τιμολόγια
- Cost causation: όποιος προκαλεί ανάγκη ενίσχυσης δικτύου να πληρώνει αναλογικά (όχι να μετακυλίεται στους οικιακούς).
- Demand response υποχρεώσεις για μεγάλους καταναλωτές (να μειώνουν φορτίο σε κρίσεις).
- Διαφάνεια συμβάσεων όταν υπάρχουν ειδικά τιμολόγια σε hyperscalers.
Όροι για επιδοτήσεις και φοροαπαλλαγές
- Επιδοτήσεις μόνο με ρήτρες απόδοσης (jobs, τοπική αξία, ενεργειακή απόδοση).
- Υποχρέωση για ΑΠΕ πρόσθετες (additionality): όχι «αγοράζω πράσινα πιστοποιητικά», αλλά χτίζω/χρηματοδοτώ νέα καθαρή παραγωγή.
- Ρήτρες νερού σε περιοχές με υδατικό στρες.
Πρακτικός οδηγός για επιχειρήσεις: πως να υπολογίσετε το πραγματικό TCO της AI
Πολλές εταιρείες πέφτουν στην παγίδα να μετράνε μόνο το κόστος συνδρομής ενός μοντέλου. Όμως το Total Cost of Ownership (TCO) περιλαμβάνει πολύ περισσότερα.
Checklist TCO (σε απλή γλώσσα)
- Κόστος compute (training + inference).
- Κόστος δεδομένων (καθαρισμός, δικαιώματα, αποθήκευση).
- Κόστος ασφάλειας (red teaming, monitoring, secrets management).
- Κόστος ποιότητας (human review, hallucination handling).
- Κόστος νομικής συμμόρφωσης (GDPR, πνευματικά δικαιώματα, συμβάσεις).
- Κόστος ενέργειας/υποδομής αν λειτουργεί on-prem ή σε dedicated clusters.
- Κόστος τεχνικού χρέους (maintenance, regression, vendor lock-in).
KPI που αξίζει να ζητά το management (αντί για «εντυπώσεις»)
- Ποσοστό automated output που περνά quality gates χωρίς rework.
- Μείωση lead time από αίτημα σε παραγωγή (με ασφάλεια).
- Ποσοστό περιστατικών ασφάλειας/διαρροών πριν/μετά.
- Καθαρό οικονομικό όφελος ανά τμήμα (όχι γενικές υποσχέσεις).
Συμπέρασμα: «βγείτε γρήγορα» ή τραβήξτε χειρόφρενο
Οι επικριτές υποστηρίζουν ότι το υποτιθέμενο «Ponzi» της γενετικής AI τρέχει στο φουλ και ότι το να επενδύσει κανείς τώρα γίνεται ολοένα πιο ριψοκίνδυνο.
Ένας λόγος είναι ότι εδώ και σχεδόν πέντε χρόνια, πολλοί κατασκευαστές δεν έχουν καταφέρει να υλοποιήσουν τις υποσχέσεις τους σε κλίμακα που να δικαιολογεί την ένταση των επενδύσεων.
Ο σαρκασμός έχει γίνει μέρος της κουλτούρας: ο CEO της OpenAI, Sam Altman, εμφανίζεται συχνά ως meme που υπόσχεται ότι «με λίγα ακόμη τρισεκατομμύρια» θα έρθει η AGI — σαν το «δωρεάν μπύρα αύριο».
Παράλληλα έχει εδραιωθεί η πικρή φράση ότι στην AI έχουμε «ανάπτυξη προϊόντος από τον πελάτη»: επειδή οι κατασκευαστές δεν ξέρουν ακριβώς ποιο είναι το killer use case, οι πελάτες καλούνται να ανακαλύψουν μόνοι τους για τι κάνει το εργαλείο.
Και αυτό γίνεται πιο εύκολο όταν τα χρήματα δεν έρχονται από τον πελάτη αλλά (μέχρι τώρα) από τον επενδυτή που ανταμείβει το αυτοκόλλητο «AI inside».
Το ερώτημα είναι: για πόσο ακόμη;
Αναφέρεται ότι η OpenAI ήθελε (σε προβλέψεις που κυκλοφόρησαν το καλοκαίρι του 2025) να γράψει ζημιές 50 δισ. δολαρίων μέχρι το 2029, πριν έρθει ο «μυθικός» κερδοφόρος γύρος.
Αλλά, όπως σημειώνεται, οι αριθμοί σε αυτό το πεδίο ξεπερνιούνται γρήγορα — και κανείς δεν μπορεί να εγγυηθεί καν ότι οι σημερινές δομές θα υπάρχουν σε τέσσερα χρόνια.
Το μόνο βέβαιο: αν η επέκταση συνεχιστεί χωρίς φρένα, το κόστος θα συνεχίσει να μεταφέρεται σε λογαριασμούς, φόρους, νερό και κλίμα.
Συχνές Ερωτήσεις (FAQ) για αναγνώστες
«Η τεχνητή νοημοσύνη είναι όντως φούσκα ή απλώς νέα τεχνολογία;»
Μπορεί να είναι και τα δύο: μια πραγματική τεχνολογία με χρήσιμες εφαρμογές, αλλά με υπερβολικές αποτιμήσεις/επενδύσεις σε σχέση με τη σημερινή απόδοση.
«Τα data centers δεν δημιουργούν θέσεις εργασίας;»
Δημιουργούν, αλλά συχνά:
- λιγότερες μόνιμες θέσεις από όσες υπονοείται,
- με μεγάλο μέρος της αξίας να φεύγει σε προμηθευτές hardware/ενέργειας,
- ενώ το κόστος δικτύου/νερού μπορεί να επιβαρύνει την τοπική κοινωνία.
«Υπάρχει τρόπος να έχουμε AI χωρίς εκτόξευση κατανάλωσης;»
Ναι, σε μεγάλο βαθμό μέσω:
- αποδοτικότερων μοντέλων,
- καλύτερου software design,
- σωστού sizing,
- και κανόνων αγοράς/δικτύου που δεν επιδοτούν σιωπηρά τη σπατάλη.
