Yapay zekânın yönetilen Jevons yapısı, AI kullanımının bir yandan üretim, operasyon ve enerji sistemlerinde verimliliği artırarak birim çıktı başına enerji ve karbon kullanımını azaltabilmesi, diğer yandan hesaplama talebi, veri merkezi ölçeği ve AI'nin mümkün kıldığı ek ekonomik faaliyet nedeniyle toplam enerji tüketimini ve emisyonları artırabilmesi arasındaki koşullu ilişkidir. Çalışma, yakın dönem literatürünü dört temel mekanizma altında birleştirir: hesaplama ve ölçek talebi (M1), verimlilik ve teknolojik ilerleme (M2), yeşil inovasyon ve yapısal dönüşüm (M3) ve geri tepme/Jevons etkisi (M4). Derlenen çalışmaların ortak örüntüsü, AI'nin enerji ve karbon yoğunluğunu düşürmesinin sık raporlanmasına karşılık mutlak enerji ve emisyon etkisinin sabit olmamasıdır. Net sonuç; gelir ve gelişmişlik düzeyi, insan sermayesi, endüstriyel yapı, düzenleme, AI olgunluğu, bölgesel/uzamsal bağlam ve firma-finans koşulları gibi moderatörlere bağlıdır.

Çalışmanın merkezi ayrımı yoğunluk ile mutlak tüketim arasındadır. Bir işletmenin aynı çıktıyı daha az enerjiyle üretmesi veya bir AI destekli sistemin enerji verimliliğini artırması, ekonominin ya da firmanın toplam enerji kullanımının da mutlaka azalacağı anlamına gelmez. Verimlilik maliyetleri düşürür, üretimi ve hesaplama kullanımını cazip hale getirir ve bunun sonucunda ek ölçek, ilk tasarrufun bir bölümünü veya tamamını geri alabilir. Bu nedenle yazarlar AI'nin çevresel etkisini “iyi” veya “kötü” şeklinde sabit bir teknoloji özelliği olarak değil, yönetişim ve uygulama koşulları tarafından belirlenen bir denge olarak ele almaktadır.

Makale yeni bir saha ölçümü, yeni bir AI modeli veya nicel meta-analiz sunmaz. Scopus, IEEE Xplore, ACM Digital Library ve Google Scholar üzerinden yapılan yapılandırılmış arama ile özellikle 2022 sonrası çalışmaları inceleyerek temsilî bir literatür seti oluşturur. Yazarlar güçlü ekonometrik tasarımlar, yaşam döngüsü analizleri ve tekno-ekonomik modeller gibi daha güçlü araştırma tasarımlarına daha fazla ağırlık verdiklerini belirtmektedir. Bununla birlikte çalışma bütün literatürü kapsamadığını, mekanizma eşleştirmelerinin örnekleyici olduğunu ve kanıt tabanında önemli coğrafi/metodolojik asimetriler bulunduğunu açıkça kabul eder.

İki zıt görünen AI–enerji anlatısı

Yapay zekâ ile enerji arasındaki tartışmada iki temel anlatı bulunmaktadır. Birinci anlatı AI'nin üretim süreçlerini, binaları, lojistiği, enerji sistemlerini ve yönetim kararlarını optimize ederek aynı ekonomik çıktının daha az kaynakla üretilmesini sağlayabileceğini vurgular. Bu perspektifte AI bir enerji-verimlilik teknolojisidir.

İkinci anlatı ise AI'nin kendisinin giderek büyüyen bir elektrik tüketicisi olduğuna odaklanır. Büyük modellerin eğitimi, çıkarım hizmetleri, veri merkezleri, soğutma, ağ altyapısı ve sürekli büyüyen hesaplama kapasitesi yeni elektrik talebi yaratmaktadır. Özellikle hesaplama ölçeğinin hızlı büyüdüğü durumlarda bu ek talep, temiz enerji kapasitesinin büyümesinden daha hızlı ilerleyebilir.

Kaynak çalışma bu iki anlatının aynı anda doğru olabileceğini savunur. Bir teknoloji birim çıktı başına enerjiyi düşürürken aynı zamanda toplam ekonomik faaliyeti yeterince büyütürse toplam enerji tüketimi artabilir. Çalışmanın kullandığı Jevons çerçevesinin temel mantığı budur.

Yapay Zekâda Jevons Paradoksu Nedir?

Yapay zekâ bağlamındaki Jevons paradoksu, AI'nin birim hesaplama, üretim veya hizmet başına enerji kullanımını azaltan verimlilik kazanımlarının maliyeti düşürüp kullanımı ve toplam çıktıyı büyüterek başlangıçtaki enerji tasarrufunun bir bölümünü ya da tamamını geri alabilmesi durumudur. Bu nedenle daha verimli AI veya AI destekli üretim, tek başına daha düşük toplam enerji tüketimini garanti etmez.

Kavramsal olarak üç farklı sonuç mümkündür. Verimlilik kazancı ölçek artışından büyükse toplam tüketim azalabilir. Ölçek artışı verimlilik kazancının yalnız bir bölümünü geri alırsa toplam tüketim yine düşebilir fakat beklenenden daha az düşer. Ölçek ve talep artışı tasarruftan daha büyükse enerji yoğunluğu azalırken toplam tüketim artabilir. Jevons paradoksu özellikle bu son durumu açıklamak için kullanılır.

Çalışma AI'yi yalnız bilgi işlem altyapısı olarak değil, aynı zamanda ekonomik aktiviteyi dönüştüren bir genel amaçlı teknoloji olarak ele aldığı için rebound etkisini veri merkezi sınırlarının ötesinde düşünmektedir. AI daha fazla üretim, yeni hizmetler, daha hızlı ürün geliştirme veya daha düşük hizmet maliyeti sağladığında enerji tüketimindeki ölçek etkisi AI sunucularının doğrudan tüketimiyle sınırlı kalmayabilir.

Çalışmanın dört mekanizmalı çerçevesi

Kaynak, AI–enerji–ekonomi ilişkisini dört mekanizmayla düzenler. M1 ve M4 enerji ve karbon kullanımını artırıcı yönde; M2 ve M3 ise azaltıcı yönde çalışmaktadır.

M1 — Hesaplama ve ölçek talebi

Birinci artırıcı mekanizma AI'nin kendi hesaplama altyapısından kaynaklanır. Kaynağın aktardığı makro-enerji modellemeleri, AI kaynaklı veri merkezi güç talebinin elektrik talebi üzerinde yukarı yönlü baskı oluşturabileceğini; bunun elektrik fiyatları ve emisyonlar üzerinde de etkiler yaratabileceğini bildirmektedir.

Altyapı literatüründe özellikle AI'nin sürekli çalışan veri merkezi yüklerini büyüterek yeni bir baseload talep oluşturabileceği tartışılmaktadır. Kritik nokta yalnız veri merkezinin ne kadar elektrik kullandığı değildir; bu talebin hangi elektrik sistemi içinde ve hangi hızda büyüdüğüdür. AI yükü temiz üretim kapasitesinden hızlı artarsa elektrik sisteminin marjinal üretimi daha karbon yoğun kaynaklardan karşılanabilir.

Kaynak ayrıca yaşam döngüsü karbon hesabının kullanılan sınırlar ve muhasebe tercihleri nedeniyle geniş ölçüde değişebileceğini aktarır. Böylece yalnız “bir model daha verimli hale geldi” ölçütü çevresel sürdürülebilirlik için yeterli değildir. Model boyutunun büyümesi veya kullanım sayısının artması, görev başına sağlanan verimlilik avantajını aşındırabilir.

M2 — Verimlilik ve teknolojik ilerleme

İkinci mekanizma AI'nin enerji ve kaynak verimliliğini artırmasıdır. Kaynakta incelenen firma düzeyindeki çalışmalar, özellikle Çin imalat sektöründe AI benimsenmesinin enerji verimliliği, kaynak verimliliği ve kurumsal enerji yoğunluğu ile olumlu yönde ilişkilendirildiğini raporlamaktadır.

Sistem düzeyindeki bazı çalışmalar AI'nin embodied technological progress aracılığıyla enerji üretkenliğini artırabildiğini, kentsel enerji sistemlerinin dayanıklılık ve verimliliğini geliştirebildiğini ve ülkeler arası imalat verilerinde enerji yoğunluğunu düşürebildiğini bildirmektedir.

Ticari binalar üzerine yapılan çalışmalar da AI tabanlı kontrol ve optimizasyonun ölçekli biçimde enerji ve karbon azaltma potansiyeli taşıdığını raporlamaktadır. Ancak bu bulgular “AI kullanılan her bina mutlaka daha az enerji tüketir” şeklinde evrenselleştirilemez; kaynak çalışmanın bütün çerçevesi zaten sonuçların uygulama koşullarına bağlı olduğunu vurgulamaktadır.

M3 — Yeşil inovasyon ve yapısal dönüşüm

Üçüncü mekanizma doğrudan noktasal enerji tasarrufundan daha geniştir. AI, inovasyon süreçlerini ve ekonomik yapıyı değiştirerek enerji/karbon sonucunu etkileyebilir. Kaynakta yer verilen Çin merkezli quasi-experimental çalışmalar, ulusal AI innovation and development pilot zones uygulamalarını daha düşük kentsel karbon emisyonları, yeşil enerji kullanımı, endüstriyel yapı değişimi ve daha yüksek carbon-emission efficiency gibi sonuçlarla ilişkilendirmektedir.

Bu kanalın mantığı şudur: AI yalnız mevcut üretim hattını yüzde olarak daha verimli çalıştırmakla kalmayabilir; hangi sektörlerin büyüdüğünü, firmaların hangi teknolojilere yatırım yaptığını, üretim faktörlerinin nasıl dağıldığını ve sermayenin hangi yeniliklere aktığını da etkileyebilir.

Finansman bu dönüşümün önemli bir parçasıdır. Kaynakta ele alınan çalışmalar, green finance erişiminin AI ile enerji verimliliği arasındaki bağlantıyı güçlendirebileceğini bildirmektedir. Böylece teknik olarak mümkün olan bir enerji-verimlilik kazanımı, finansman eksikliği nedeniyle uygulamada gerçekleşmeyebilir.

M4 — Geri tepme ve AI çağında Jevons etkisi

Dördüncü mekanizma, makalenin kavramsal omurgasını oluşturan rebound etkisidir. Kaynakta öne çıkarılan firma düzeyindeki bir çalışma, AI kullanımının karbon yoğunluğunu azaltırken toplam karbon emisyonlarını artırabildiğini ve artışın AI ile desteklenen gelir büyümesi üzerinden ortaya çıktığını raporlamaktadır.

Bu sonuç yoğunluk ile toplam arasındaki farkı açık biçimde gösterir. Örneğin bir firmanın üretim başına enerji ihtiyacı düşebilir; ancak firma daha fazla ürün veya hizmet üretmeye başlarsa toplam enerji kullanımı aynı kalabilir ya da artabilir.

Bu nedenle kaynak çalışma “verimlilik arttı” gözlemini çevresel başarının tek başına yeterli kanıtı saymaz. Hem birim başına performansın hem de toplam fiziksel enerji ve emisyon ayak izinin izlenmesi gerektiğini savunur.

AI Enerji Yoğunluğunu Düşürürken Toplam Enerji Tüketimini Nasıl Artırabilir?

AI enerji yoğunluğunu düşürürken toplam enerji tüketimini artırabilir çünkü yoğunluk birim ekonomik çıktı başına enerji kullanımını ölçerken toplam tüketim üretilen bütün çıktının enerji gereksinimini ölçer. AI'nin sağladığı verimlilik üretimin maliyetini düşürür ve üretim, hizmet veya compute miktarı enerji verimliliğinden daha hızlı büyürse toplam enerji kullanımı artabilir.

Bu ayrım matematiksel olarak kavramsal düzeyde şöyle düşünülebilir: toplam enerji kullanımı, birim çıktı başına enerji ile toplam çıktı miktarının birlikte sonucudur. Birim enerji gereksinimi azalırken toplam çıktı çok daha hızlı artıyorsa çarpımın sonucu büyüyebilir. Bu açıklama çalışmanın yeni bir denklemi veya ölçümü değildir; kaynakta kullanılan intensity–absolute ayrımının öğretici gösterimidir.

Dolayısıyla AI'nin çevresel performansını yalnız “bir işlem artık daha az watt-saat gerektiriyor” gibi bir metrikle değerlendirmek yeterli değildir. Aynı işlemin kaç kez yapıldığı, AI sayesinde hangi yeni talebin ortaya çıktığı ve üretimin ne kadar büyüdüğü de hesaba katılmalıdır.

Kaynak Şekil 1'in bilimsel mantığının yeniden kurulması

Yedi moderatör: sonucu belirleyen koşullar

Çalışmada dört mekanizmanın yanında yedi moderatör grubu tanımlanır. Bunlar enerji verimliliğindeki düşüşün mutlak enerji ve emisyonlarda da düşüşe dönüşüp dönüşmeyeceğini etkileyen koşullardır.

AI'nin Mutlak Enerji ve Karbon Etkisinin İşaretini Hangi Koşullar Belirler?

Çalışmaya göre AI'nin mutlak enerji ve karbon etkisinin işaretini tek başına model verimliliği değil; insan sermayesi, düzenleme, AI olgunluğu, endüstriyel yapı, temiz elektrik kapasitesinin zamanlaması, hesaplama altyapısının konumu, finansmana erişim ve firmanın özellikleri gibi moderatörler belirler. Verimlilik ve yapısal kazanımlar ölçek ve rebound etkisini aşarsa mutlak tüketim düşebilir; ölçek ve rebound daha güçlü olursa yoğunluk düşmesine rağmen mutlak tüketim artabilir.

D1 — Gelir ve gelişmişlik düzeyi

Ülkeler arası karşılaştırmalar, AI kaynaklı enerji-verimlilik kazanımlarının bütün ekonomilerde aynı büyüklükte oluşmadığını göstermektedir. Kurumsal kapasite, teknoloji altyapısı ve ekonomik gelişmişlik düzeyi aynı AI uygulamasının enerji sonucunu değiştirebilir.

D2 — İnsan sermayesi

AI sistemlerinin varlığı tek başına verimlilik sağlamaz. Sistemin doğru kullanımı, süreçlerin yeniden tasarlanması ve AI çıktılarının üretime entegre edilmesi çalışanların becerilerine bağlı olabilir. Kaynakta incelenen çalışmalar insan sermayesini özellikle şirketlerin enerji tüketimi üzerindeki AI etkisinin belirleyicilerinden biri olarak raporlamaktadır.

D3 — Endüstriyel yapı

Ekonomik çıktı yüksek enerji yoğunluklu sektörlerden daha düşük yoğunluklu veya daha teknoloji ağırlıklı sektörlere kayıyorsa AI ile birlikte görülen enerji/karbon iyileşmelerinin bir bölümü yapısal değişim üzerinden gerçekleşebilir. Bu nedenle yalnız firma içi optimizasyon değil, ekonomideki sektör bileşimi de önemlidir.

D4 — Düzenleme ve politika

Kaynak sentezinin en belirgin politika mesajlarından biri, yoğunluk hedeflerinin tek başına yeterli olmayabileceğidir. Firmalar enerji başına daha fazla üretim yaparken toplam tüketim büyümeye devam edebilir. Bu nedenle yazarlar absolute instruments olarak tanımlanan bağlayıcı araçları ve veri merkezi büyümesini yöneten politika tasarımlarını önemli görmektedir.

D5 — AI olgunluğu ve eşik etkileri

AI'nin enerji/karbon etkisinin doğrusal olmadığına ilişkin çalışmalar bulunmaktadır. Teknoloji çok erken aşamada olduğunda kurulum ve öğrenme maliyetleri nedeniyle beklenen verimlilik sağlanmayabilir. Belirli bir olgunluk seviyesinden sonra yararlar güçlenebilir; ancak başka bir turning point sonrasında ölçek etkisi veya artan kullanım kazanımları aşındırabilir.

D6 — Temiz şebeke zamanlaması ve hesaplamanın konumu

Aynı veri merkezi yükü farklı elektrik sistemlerinde farklı karbon sonucuna sahip olabilir. Elektriğin büyük bölümü düşük karbonlu üretimden karşılanıyorsa ek compute talebinin karbon etkisi, fosil marjinal üretime bağımlı bir sistemden farklıdır.

Kaynak bu nedenle “clean-grid sequencing” fikrini öne çıkarır: temiz enerji üretim kapasitesinin AI elektrik talebinden önce veya en azından onunla uyumlu hızda geliştirilmesi gerekir. Talep temiz arzdan daha hızlı büyürse verimlilik kazanımlarına rağmen toplam emisyon baskısı artabilir.

Benzer şekilde compute altyapısının uzamsal yerleşimi de önemlidir. Hesaplama kapasitesinin daha temiz elektrik sistemlerine yönlendirilmesi, aynı bilişim işinin karbon ayak izini değiştirebilir.

D7 — Finansman ve firma özellikleri

Firmaların AI destekli enerji-verimlilik teknolojilerine yatırım yapabilmesi sermaye ve finansman koşullarına bağlıdır. Green finance erişimi, teknik olarak uygulanabilir projelerin hayata geçmesi için katalizör rolü oynayabilir.

Bu yaklaşım, AI'nin enerji kazanımını “modeli satın al ve tasarruf et” biçiminde otomatik bir sonuç olmaktan çıkarır. Verimlilik, teknoloji kadar organizasyonun yatırım ve uygulama kapasitesinin de ürünüdür.

Kaynak Şekil 2: Net etkinin işareti ne zaman değişir?

Çalışmanın Yöntemi ve Bulguları

Literatür nasıl toplandı?

Yazarlar AI'nin enerji tüketimi, karbon emisyonları ve ekonomik sonuçlarla ilişkisini inceleyen yakın dönem literatür için yapılandırılmış bir arama gerçekleştirdiklerini bildirmektedir. Taranan başlıca kaynaklar Scopus, IEEE Xplore, ACM Digital Library ve Google Scholar'dır. Merkezi çalışmaların ileri ve geri atıf taramasıyla ek kaynaklar da belirlenmiştir.

Arama özellikle 2022 ve sonrasına odaklanmıştır. Yazarlar bunun nedenini AI–enerji tartışmasının bu dönemde hızla büyümesi olarak açıklamaktadır.

Bir çalışma, AI'yi enerji veya karbon boyutuyla birlikte maliyet, üretkenlik veya ekonomik büyüme gibi ekonomik bir boyuta bağlıyorsa ya da AI'nin hangi koşullarda enerji kullanımını artırıp azalttığını araştırıyorsa dahil edilmeye aday olmuştur.

Başlık ve özetler bu ölçütlere göre taranmış; peer-reviewed empirical ve review studies önceliklendirilmiştir. Ardından tartışmanın ana mekanizma ve moderatörlerini temsil eden bir çalışma kümesi seçilmiştir.

Bu yöntem sistematik derleme veya meta-analiz midir?

Kaynak çalışma ayrıntılı PRISMA tipi çalışma sayıları, tam arama dizileri, duplicate-removal akışı, bias değerlendirmesi veya nicel effect-size pooling vermediği için klasik anlamda kapsamlı bir sistematik derleme ya da meta-analiz olarak sunulmamalıdır. Yazarlar kendi yöntemlerini yakın dönem literatürden odaklanmış ve temsilî bir kanıt kümesini seçen kısa bir sentez olarak sınırlandırmaktadır.

Çalışmalar nasıl kodlandı?

Seçilen her çalışma dört mekanizmadan birine veya birden fazlasına ve ilgili moderatörlere göre sınıflandırılmıştır. Her çalışma için enerji veya karbon üzerindeki raporlanan etkinin yönü kaydedilmiş; ayrıca sonucun yoğunluk metriği mi yoksa mutlak enerji/emisyon metriği mi olduğu ayrıştırılmıştır.

Bu ayrım metodolojik olarak kritiktir, çünkü enerji yoğunluğu ile toplam enerji tüketimi aynı yönde hareket etmek zorunda değildir.

Kanıta ağırlık verme yaklaşımı

Yazarlar bütün kaynak türlerini eşdeğer kabul etmediklerini belirtmektedir. Explicit identification içeren ekonometrik çalışmalar, yaşam döngüsü analizleri ve tekno-ekonomik modeller gibi daha güçlü araştırma tasarımlarına daha fazla; kısa kavramsal notlara ise daha az ağırlık verdiklerini ifade etmektedir.

Buna rağmen makale bireysel çalışmalar için standartlaştırılmış bir kalite puanı veya risk-of-bias tablosu sunmamaktadır. Bu nedenle “daha fazla ağırlık” yaklaşımı nicel meta-analitik ağırlıklandırma olarak anlaşılmamalıdır.

Temsilî mekanizma–kaynak eşleştirmesi

Kaynak, bir çalışmanın birden fazla mekanizmaya katkı sağlayabileceğini ve tablodaki çalışmaların bütün literatürün eksiksiz listesi olmadığını özellikle belirtmektedir.

Birleştirici bulgu: sabit trade-off değil, yönetilen trade-off

Makalenin sentez sonucu “AI enerji tasarrufu sağlar” ile “AI enerji tüketimini artırır” arasında tek taraf seçmek değildir. Çalışma bunun yerine iki etkinin aynı sistem içinde birlikte bulunabildiğini ileri sürmektedir.

Enerji veya karbon yoğunluğu açısından azaltıcı bulgular çok sayıda çalışmada raporlanmaktadır. Buna karşılık mutlak enerji tüketimi ve emisyonlar, AI'nin kendi compute talebi ile AI'nin ekonomik ölçeklendirmeyi ne kadar hızlandırdığına bağlı olarak artabilir veya azalabilir.

Bu nedenle yazarların önerdiği ana politika sorusu “AI enerji kullanır mı?” değildir. Daha işlevsel soru, hangi yönetişim ve altyapı koşullarında verimlilik kazanımlarının ölçek/rebound etkisinden daha büyük olacağıdır.

Politika açısından çıkarımlar

1. Yalnız yoğunluk hedefleri yeterli olmayabilir. Bir ekonomik sistem birim çıktı başına daha az enerji kullanırken toplam üretim hızla büyürse mutlak enerji tüketimi artabilir. Bu nedenle politika değerlendirmesinin mutlak enerji ve emisyon göstergelerini de izlemesi gerekir.

2. Temiz şebeke kapasitesinin zamanlaması önemlidir. Kaynağın sentezlediği çalışmalar, AI elektrik yükünün temiz üretim kapasitesinden daha hızlı büyümesi halinde çevresel kazanımların zayıflayabileceğini göstermektedir. Bu nedenle clean-grid sequencing kritik bir yönetişim aracıdır.

3. Compute altyapısının konumu önemlidir. Veri merkezlerinin ve hesaplama altyapısının daha düşük karbonlu elektrik sistemlerine yönlendirilmesi net emisyon etkisini değiştirebilir.

4. Bağlayıcı politika araçları gerekebilir. Yalnız teknolojik verimlilik beklentisine dayanmak, rebound etkisini kontrol etmeye yetmeyebilir. Kaynakta incelenen politika literatürü, veri merkezi büyümesi ve kurumsal enerji kullanımı üzerinde daha doğrudan düzenleme seçeneklerini tartışmaktadır.

Yönetim açısından çıkarımlar

Kaynak, net enerji kazanımını AI benimsenmesinin otomatik sonucu değil, kurumsal kapasite olarak yorumlamaktadır. İnsan sermayesi, green finance erişimi ve embodied technological progress gibi koşullar gerçek verimlilik kazanımının oluşmasında rol oynar.

Bu nedenle firma yöneticilerinin yalnız “AI sonrası enerji yoğunluğu düştü” metriğini izlemesi yeterli değildir. Toplam elektrik tüketimi, toplam emisyon, üretim hacmi, AI compute kullanımı ve ekonomik çıktı birlikte değerlendirilmelidir.

Çalışmanın güçlü yönleri

• Enerji-verimlilik ve veri-merkezi-talebi literatürlerini tek çerçevede bir araya getirir.
• Yoğunluk ile mutlak tüketim arasındaki kritik farkı görünür hale getirir.
• Tek bir “AI iyi/kötü” sonucu yerine mekanizma ve koşul yaklaşımı kullanır.
• Teknik mekanizmaları ekonomi ve yönetişim koşullarıyla ilişkilendirir.
• Politika açısından regulation, grid timing, spatial siting, AI maturity, human capital ve finance gibi müdahale noktalarını açıkça tanımlar.

Çalışmanın temel sınırlılıkları

Odaklanmış fakat eksiksiz olmayan literatür: Çalışma bütün AI–enerji literatürünü kapsamayı hedeflemez. Seçilen kaynaklar temsilîdir ve Tablo 1'deki mekanizma eşleştirmeleri illustrative, not exhaustive olarak tanımlanmıştır.

Coğrafi asimetri: AI'nin enerji ve karbon yoğunluğunu düşürdüğünü bildiren ampirik çalışmaların önemli bölümü Çin kaynaklıdır. Bunun nedeni kısmen Çin'in AI pilot-zone politikalarının ve zengin firma/provincial veri yapısının quasi-experimental araştırma üretmiş olmasıdır.

Metodolojik asimetri: Azaltıcı kanıtların önemli bölümü Çin merkezli ekonometrik çalışmalardan gelirken artırıcı enerji talebi kanıtlarının önemli bölümü Batı veya küresel modelleme ve altyapı çalışmalarından oluşmaktadır. Bu iki kanıt türü doğrudan aynı araştırma tasarımından üretilmediği için dikkatli karşılaştırılmalıdır.

Mutlak emisyon kanıtının daha sınırlı olması: Kaynağa göre mutlak emisyon, longitudinal tasarım ve cross-country sonuçlara ilişkin kanıt, intensity literatüründen daha incedir ve önemli ölçüde modelleme çalışmalarında bulunmaktadır.

Kaynak türlerinin karışımı: Literatür peer-reviewed empirical studies ile reviews dahil farklı tasarımları içermektedir. Bütün çalışmalar aynı nedensel güven düzeyine sahip değildir.

Meta-analitik etki büyüklüğü yoktur: Çalışma dört mekanizmayı kavramsal olarak uzlaştırmaktadır; “M2, M1'den ortalama yüzde X daha güçlüdür” türünde nicel bir karşılaştırma sunmamaktadır.

Çalışmanın desteklediği sonuçlar

• AI kullanımının enerji ve karbon yoğunluğunu düşürdüğünü bildiren önemli bir yakın dönem literatürü bulunmaktadır.
• AI'nin kendi hesaplama ve veri merkezi talebi mutlak enerji tüketimini artırıcı yönde çalışabilir.
• Verimlilik kazanımları rebound ve ekonomik ölçek artışı nedeniyle kısmen veya tamamen geri alınabilir.
• Mutlak enerji ve emisyon etkisi uygulama koşullarına bağlıdır.
• Düzenleme, insan sermayesi, AI olgunluğu, endüstriyel yapı, finansman ve compute altyapısının yeri net sonucu değiştirebilir.
• Enerji yoğunluğu ile mutlak enerji tüketimi ayrı metrikler olarak izlenmelidir.

Çalışmanın desteklemediği sonuçlar

• AI'nin bütün ülkelerde veya bütün sektörlerde enerji tüketimini kesin olarak azalttığı gösterilmemiştir.
• AI'nin bütün koşullarda toplam enerji tüketimini artırdığı da gösterilmemiştir.
• AI'nin net küresel enerji etkisi için tek bir yüzde veya TWh değeri hesaplanmamıştır.
• Çalışma kendi yeni veri merkezi ölçümlerini üretmemektedir.
• Çalışma kendi saha deneyi veya enerji sistemi simülasyonunu yürütmemektedir.
• Çalışma kapsamlı meta-analiz değildir.
• Yoğunluk düşüşü, otomatik olarak mutlak emisyon düşüşü anlamına gelmez.
• Çalışmanın Çin ağırlıklı azaltıcı kanıtları bütün dünya ekonomilerine doğrudan genellenemez.

Kaynak ve Yöntem Notu

Özgün çalışma: The Governed Jevons Paradox of Artificial Intelligence: A Brief, Evidence-Anchored Synthesis of Mechanisms and Moderators in the AI–Energy–Economy Nexus

Yazarlar: Muhammad Bilal; Ali Hassaan Mughal

Corresponding author: Muhammad Bilal

PDF'deki afiliyasyon: Muhammad Bilal — Independent Researcher, Germany; Ali Hassaan Mughal — Independent Researcher, USA.

Dış bibliyografik doğrulama notu: SSRN kaydı Muhammad Bilal için TUM School of Management / Technical University of Munich, Ali Hassaan Mughal için Texas Wesleyan University bağlantısı göstermektedir. Bu dış kayıt, PDF'deki “Independent Researcher” afiliyasyonunun yerine geçirilmemiştir.

Kaynak türü: Brief evidence-anchored synthesis; working paper / preprint.

Yazım tarihi: 8 Haziran 2026.

SSRN yayımlanma tarihi: 1 Temmuz 2026.

SSRN kayıt numarası: 6901458.

DOI: 10.2139/ssrn.6901458.

Hakemlik durumu: Hakemli dergi makalesi olarak doğrulanmamıştır. Kaynak PDF kendisini “Preprint submitted to Working paper” olarak tanımlar.

Lisans: PDF içinde açık lisans beyanı bulunmamaktadır. SSRN bibliyografik kaydı yeniden kullanım için izin gerektiren all-rights-reserved durumunu göstermektedir.

Arama kaynakları: Scopus, IEEE Xplore, ACM Digital Library ve Google Scholar; ayrıca merkezi çalışmalar üzerinden forward ve backward citation tracing.

Zaman odağı: Başlıca 2022 ve sonrası literatür.

Dahil etme mantığı: AI'yi enerji veya karbon ile ve bunun yanında maliyet, üretkenlik veya büyüme gibi ekonomik bir boyutla ilişkilendiren ya da AI'nin enerji kullanımını hangi koşullarda artırıp azalttığını inceleyen çalışmalar.

Kanıt organizasyonu: Dört mekanizma — M1 compute & scale demand, M2 efficiency & technological progress, M3 green innovation & structural change, M4 rebound/Jevons — ve yedi moderatör grubu altında kodlama.

Değerlendirme ayrımı: Energy/carbon intensity ile absolute energy/emissions birbirinden ayrı tutulmuştur.

Kanıt ağırlığı: Explicit identification içeren ekonometrik çalışmalar ile life-cycle ve techno-economic models daha güçlü tasarımlar olarak değerlendirilmiş; kısa kavramsal notlara daha az ağırlık verilmiştir. Kaynak nicel meta-analitik weighting raporlamamaktadır.

Finansman: None.

Competing interests: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Generative AI declaration: Yazarlar büyük dil modeli desteğinin makalenin yapılandırılması ve taslak yazımında kullanıldığını; metnin kendileri tarafından gözden geçirilip düzenlendiğini ve yayın sorumluluğunu üstlendiklerini belirtmektedir.

CRediT — Muhammad Bilal: Conceptualization, Methodology, Writing – original draft, Writing – review & editing.

CRediT — Ali Hassaan Mughal: Conceptualization, Methodology, Writing – original draft, Writing – review & editing.

Temel yorum sınırı: Çalışma yakın dönem literatürün seçilmiş bir bölümünü uzlaştırıcı bir kavramsal çerçevede organize eder. Sonuçları evrensel nedensel etki büyüklükleri veya bütün AI sistemleri için değişmez enerji yasaları olarak okunmamalıdır.