Naše planeta a AI

Stav / aktualizace poznatků: 27. září 2026

AI už dnes pomáhá předpovídat počasí, hledat úniky metanu v satelitních datech, sledovat změny v přírodě, přesněji dávkovat postřik nebo řídit některé energetické systémy.

V řadě konkrétních úloh už nejde o příslib. Máme zkušenosti z reálného provozu a měřitelné výsledky.

Výzkum ale ukazuje i druhou část obrazu: schopnost lépe vidět problém není totéž jako schopnost jej vyřešit. A vyšší efektivita jednoho kroku ještě nemusí znamenat lepší výsledek celku.

AI nám umožňuje vidět víc a dělat víc.

Ani jedno ale neurčuje, co skutečně uděláme.

Nejde nám proto o katalog všech ekologických použití AI. Na několika dobře doložených oblastech budeme sledovat tři otázky:

Co už díky AI dokážeme lépe vidět?
Kde už díky ní dokážeme něco skutečně změnit?
A kde se mezi technickou schopností a výsledkem otevírá mezera?

1. Když díky AI vidíme víc

Předpovídat. Odhalovat. Monitorovat.

Právě tady patří schopnosti AI k nejlépe doloženým. Současně zde dobře vidíme hranici mezi tím, že o problému víme více, a tím, že se díky tomu skutečně něco změní.

Počasí: předpovídat lépe už umíme

AI se už používá v reálném provozu při předpovídání počasí. Evropské centrum ECMWF nasadilo vlastní AI systémy a strojové učení se stalo praktickou součástí moderní meteorologie.

To je poměrně pevná půda.

Méně jistý je další krok: zda přesnější a rychlejší předpověď skutečně sníží škody způsobené extrémním počasím. Mezi předpovědí a výsledkem stojí varování, připravenost lidí a institucí, infrastruktura a schopnost včas jednat.

Lepší předpověď tedy není totéž co lépe zvládnuté důsledky.

AI už může významně rozšířit naši schopnost předvídat. Co s touto schopností uděláme, je další otázka.

Metan: odhalit problém ještě neznamená vyřešit ho

Satelity dokážou zachytit velké úniky metanu a AI pomáhá velké množství těchto pozorování zpracovat. Systém MARS programu OSN pro životní prostředí pak upozorňuje provozovatele a státní instituce na konkrétní zdroje emisí.

V desítkách doložených případů po upozornění skutečně následoval zásah, který emise omezil.

Tady už tedy vidíme celý řetězec:

data → odhalení problému → upozornění → zásah → skutečná změna

Vedle toho ale stojí druhý výsledek. Podle výzkumných podkladů přišla v roce 2025 odezva přibližně na 12 % upozornění.

A právě to ukazuje hranici technologie velmi konkrétně.

AI může zkrátit cestu od „nevíme“ k „víme“. Sama ale nepřeklene vzdálenost mezi „víme“ a „uděláme“.

Příroda: monitoring roste rychleji než důkazy o dlouhodobém výsledku

AI výrazně rozšiřuje možnosti sledování přírody. Dokáže zpracovávat velké množství snímků, rozpoznávat živočichy, analyzovat změny prostředí nebo pomáhat rozhodnout, kam vyslat hlídky v chráněných územích.

Máme i příklady, kdy tyto informace vedly ke konkrétní změně ochrany. Systém PAWS například pomáhal směrovat hlídky, které následně nacházely a odstraňovaly pasti.

Tady ale zatím vede důležitá hranice poznání:

AI už prokazatelně rozšiřuje naši schopnost přírodu sledovat a v některých případech podle získaných informací měnit ochranná opatření. Podstatně méně důkazů máme o tom, že právě použití AI vede ve větším měřítku k dlouhodobé obnově populací nebo celých ekosystémů.

Lépe vidět stav přírody tedy už umíme.

Zda ji díky tomu také dlouhodobě lépe chráníme, víme podstatně méně.

2. Když díky AI dokážeme lépe zasahovat

Vidět je první krok. AI ale umí také optimalizovat: hledat způsob, jak něčeho dosáhnout s menší spotřebou, přesnějším zásahem nebo lepším načasováním.

Právě tady se objevuje další hranice.

Efektivnější jednotlivý krok ještě nemusí znamenat lepší výsledek celku.

Energie: úspora na jednom místě nemusí znamenat nižší spotřebu celkem

AI může v konkrétních provozech pomáhat snižovat spotřebu energie nebo lépe řídit energetické systémy. Výzkumné podklady obsahují reálná nasazení při řízení chlazení datových center i při práci s výrobou větrné energie.

Tyto úspory jsou skutečné.

Z nich ale ještě neplyne, že AI snižuje celkovou spotřebu energie.

Příklad je jednoduchý. Jestliže na jednu výpočetní úlohu potřebujeme méně energie, zvýšili jsme efektivitu. Pokud ale současně začneme podobných úloh dělat mnohonásobně více, může celková spotřeba přesto růst.

Efektivnější řešení ještě samo o sobě neznamená lepší celkový výsledek.

Výzkum dobře podporuje rozdíl mezi spotřebou na jednu úlohu a spotřebou celého systému. Podstatně obtížnější je určit, jak velký bude tento efekt u konkrétních způsobů využití AI.

AI tedy může prokazatelně zvýšit efektivitu konkrétního procesu. Z toho samotného nelze vyvodit, že díky AI klesá celková environmentální zátěž.

Voda: lepší řízení ano, celkové úspory zatím méně jisté

AI může pomáhat předpovídat spotřebu vody, hledat poruchy, řídit zavlažování nebo podporovat rozhodování ve vodních systémech.

Pro tyto schopnosti máme lepší podklady než pro tvrzení, že AI už ve velkém měřítku prokazatelně snižuje celkovou spotřebu vody.

Rozdíl je podstatný:

lepší informace a lepší řízení vytvářejí možnost úspory. Nejsou samy o sobě důkazem, že k celkové úspoře skutečně došlo.

Zemědělství: záleží na tom, co optimalizujeme

Přesné robotické postřikování ukazuje velmi konkrétní možnost: zasáhnout tam, kde je postřik potřeba, místo plošného použití.

V terénních podmínkách byly naměřeny nižší dávky herbicidu i nižší herbicidní zatížení vody odtékající z pole.

To je měřitelný environmentální přínos.

Jiný víceletý terénní výzkum ale ukázal druhou stránku. Při nevhodně nastavené citlivosti systému mohlo omezení postřiku přispět k většímu množství semen plevelů v půdě. Krátkodobá úspora tak může vytvořit problém, který se projeví později.

Tyto výsledky si neodporují. Ukazují něco důležitého o samotné optimalizaci.

Nestačí, že AI něco optimalizuje.

Záleží na tom, co jí zadáme jako cíl, podle čeho měříme úspěch a jak dlouhý časový horizont sledujeme.

3. AI sama neurčuje, kam její schopnosti povedou

Počasí, metan, příroda, energie, voda i zemědělství ukazují různé části stejného obrazu.

AI může rozšířit naše schopnosti.

Sama ale neurčuje jejich směr.

Oceány: stejná schopnost, rozdílné využití

U oceánů je to vidět zvlášť dobře.

AI může pomáhat sledovat rybolov, vyhodnocovat data o pohybu lodí nebo získávat lepší informace o stavu mořského prostředí. To může podporovat ochranu a lepší řízení rybolovu.

Podobné schopnosti ale mohou zároveň pomáhat zdroje vyhledávat a využívat efektivněji.

Výzkum podporuje využití AI pro monitoring a řízení rybolovu i existenci tohoto dvojího použití. Podstatně méně jistoty máme o dlouhodobém celkovém dopadu na stav oceánů a biodiverzity.

Stejná technická schopnost může pomáhat přírodu chránit i zvyšovat tlak na její zdroje. O směru rozhoduje také cíl, pravidla a způsob použití.

A jakou stopu zanechává samotná AI?

Dosud jsme se dívali především na to, co může AI dělat s environmentálními problémy.

Jenže AI sama potřebuje výpočetní techniku, elektřinu, chlazení, vodu a materiály.

Spotřeba elektřiny datových center roste a výzkum zachycuje také jejich vodní a materiálové dopady. Při jejich interpretaci je ale nutná přesnost:

Datová centra nejsou totéž co AI.
AI není totéž co generativní AI.
Trénování modelu není totéž co jeho každodenní používání.
Přímá spotřeba vody v datovém centru není totéž co voda spotřebovaná při výrobě elektřiny.

Proto není poctivé vzít jedno číslo o spotřebě datových center a označit je za „stopu AI“.

Zároveň dnes neumíme vytvořit jeden spolehlivý účet, který by na jednu stranu položil všechny environmentální přínosy AI, na druhou její energetickou, vodní a materiálovou stopu a na konci vydal jednoduchý verdikt.

Celkový environmentální účet AI dnes neznáme.

Víme ale dost na to, abychom nepřehlíželi ani jednu jeho stranu.

Model není realita. Doporučení není rozhodnutí.

S rostoucí schopností AI analyzovat složité systémy může vznikat ještě jedno pokušení: považovat její výstup za objektivnější než lidský úsudek.

Tak jednoduché to není.

AI nemá lidskou pohodlnost, osobní prospěch nebo ambici v našem smyslu. Z toho ale neplyne, že její úsudek je „čistý“.

Model pracuje s daty, která dostal. Sleduje cíl, který byl nějak stanoven. Výsledek ovlivňuje i to, co jsme se rozhodli měřit a co zůstalo mimo model.

AI nám může pomoci vidět víc.

To ale ještě neznamená, že její model je realita nebo že jeho doporučení je rozhodnutí.

Výzkum dobře ukazuje význam zvoleného cíle a prostředí, ve kterém se systém používá. Méně toho zatím víme o tom, jak velké je právě v environmentálním rozhodování riziko, že lidé začnou automatizovanému doporučení přikládat nepřiměřenou autoritu.

Co tedy výzkum ukazuje jako celek?

Jednoduchý verdikt typu „AI je pro planetu dobrá“ nebo „AI planetě škodí“ dostupná evidence nepodporuje.

Podstatně pevněji můžeme říct pět věcí.

AI už v konkrétních environmentálních úlohách přináší měřitelné výsledky.
Lepší předpovědi, odhalování emisí, přesnější zásahy v zemědělství, efektivnější provoz nebo rozsáhlejší monitoring přírody nejsou jen hypotetické možnosti.

Nejsilnější výsledky se často týkají schopnosti lépe měřit, předpovídat a optimalizovat.
Méně toho víme o dlouhodobém výsledku pro celé ekosystémy nebo o celkovém environmentálním dopadu AI.

Mezi informací a výsledkem stojí rozhodnutí a schopnost jednat.
Metan ukazuje velmi konkrétně, že ani kvalitní a včasná informace nemusí vést k zásahu.

Efektivita jednotlivého kroku není totéž co výsledek celku.
Skutečná úspora na jednu úlohu může existovat současně s růstem celkové spotřeby.

Stejná schopnost AI může sloužit rozdílným cílům.
Výsledek závisí také na tom, co optimalizujeme, jaká pravidla platí a kdo a jak podle získaných informací jedná.

A právě tady se environmentální výzkum potkává s otázkou Homo Sapiens AI:

Čím víc dokážeme vidět a čím větší máme možnost jednat, tím obtížnější je předstírat, že naše rozhodnutí s jejich důsledky nesouvisí.

To není závěr vědecké studie. Je to autorská interpretace toho, kam nás výsledky dovedly.

AI může rozšiřovat prostor, ve kterém dokážeme problém poznat a někdy také ovlivnit. Tím může rozšiřovat i prostor naší odpovědnosti.

Ne však naši všemocnost.

O výsledku nerozhoduje jednotlivec sám. Roli mají instituce, pravidla, infrastruktura, ekonomické podmínky a další lidé.

Odpovědnost proto dává smysl vztahovat k tomu, co můžeme poznat, co můžeme ovlivnit a o čem skutečně rozhodujeme.

A zůstává jedna otázka:

Co když budeme stále přesněji vidět, co se děje — a přesto podle toho nezměníme své jednání?

Pod povrchem: co víme a kde jsou hranice

Pro čtenáře, který chce vidět pevnost půdy pod jednotlivými závěry, následuje podrobnější vrstva. Shrnuje, co současné poznatky podporují — a co z nich zatím vyvozovat nemůžeme.

Kde stojíme dnes

Oblast Co dnes podklady podporují Co z toho zatím neplyne
Počasí AI už funguje v provozním předpovídání počasí. Že lepší předpověď sama vede k menším škodám nebo vyšší odolnosti.
Metan AI pomáhá hledat velké úniky a existují případy, kdy upozornění vedlo k omezení emisí. Že dostupná informace automaticky vede k zásahu.
Biodiverzita AI výrazně rozšiřuje monitoring a někdy mění konkrétní ochranná opatření. Že díky AI už máme doloženou dlouhodobou obnovu populací a ekosystémů ve větším měřítku.
Energie V konkrétních procesech může AI zvyšovat energetickou efektivitu. Že proto klesá celková spotřeba nebo environmentální zátěž.
Voda AI zlepšuje předpovědi a podporu rozhodování. Že už máme dobře doložené rozsáhlé absolutní úspory vody.
Zemědělství V konkrétních podmínkách může snížit množství postřiku a jeho únik do okolí. Že stejný výsledek nastane při každém nastavení nebo zůstane stejný v delším čase.
Oceány a rybolov AI podporuje monitoring a řízení; podobné schopnosti mohou být využity i k intenzivnějšímu využívání zdrojů. Že známe čistý dlouhodobý dopad AI na oceány a biodiverzitu.
Stopa AI Výpočetní infrastruktura má energetické, vodní a materiálové dopady. Že stopu datových center můžeme jednoduše označit za stopu AI nebo že už známe její celkový environmentální účet.
Autorita modelu Výsledek závisí také na cíli, datech, tom, co měříme, a na prostředí použití. Že AI představuje neutrální „hlas reality“ nebo že známe velikost jejího vlivu na lidský úsudek v environmentálním rozhodování.

Výzkumný podklad podle jednotlivých tvrzení rozlišuje silnou evidenci, rostoucí evidenci, časný signál, otevřenou hypotézu a spor. Tabulka tato rozlišení převádí do běžného jazyka, aniž by měnila jejich význam.

Co stále nevíme

Neumíme poctivě sečíst všechny environmentální přínosy AI, odečíst její vlastní infrastrukturu, růst využití a nepřímé důsledky a získat jedno číslo, které by rozhodlo, zda je AI „dobrá“ nebo „špatná“ pro planetu.

Nevíme přesně, nakolik úspory umožněné AI povedou k nižší celkové spotřebě a nakolik je převáží další růst využití.

Máme také podstatně více důkazů o schopnosti AI přírodu monitorovat než o jejím příspěvku k dlouhodobé obnově populací a ekosystémů.

A zatím máme omezenější přímé podklady pro to, jak velkou autoritu lidé přisuzují doporučením AI právě při rozhodování o životním prostředí.

To nejsou mezery, které bychom měli zaplnit odhadem.

Jsou součástí dnešního stavu poznání.

O co se tento Horizont opírá

Aktualizace vychází z výzkumného podkladu H11 se stavem poznání k 27. září 2026.

Mezi klíčové podklady patří zejména:

Úplný výzkumný podklad obsahuje 42 zdrojových záznamů a rozlišuje sílu evidence, její hranice a otevřené otázky.

Jak tato aktualizace vznikla

Výzkumné podklady a jejich zpracování vznikaly s využitím AI. Zahrnují poznatky dostupné do 27. září 2026.

Co rozhodoval člověk

Po dokončení výzkumné rešerše následovala samostatná lidská kurátorská kontrola autora. Ta rozhodla o významovém rámci této aktualizace, o zachování důležitých nejistot a o oddělení doložených závěrů od autorské interpretace.

Klíčovou hranicí zůstává rozlišení mezi tím, co AI umožňuje lépe vidět nebo dělat, a tím, v jaký environmentální a lidský výsledek se tato možnost skutečně promění.

Jak vznikl tento text

AI jsme využili také při redakčním zpracování schváleného stavu poznání do této webové podoby. Při tomto zpracování nebyl přidán nový výzkum ani nové faktické závěry.

Původní myšlenky knihy, jejich interpretace, lidská kurace a konečné rozhodnutí o tom, co bude publikováno, zůstávají na autorovi.

Proto zde rozlišujeme mezi tím, co dnes dovolují říci dostupné poznatky, tím, co zatím nevíme, a otázkami, které si z tohoto obrazu odnášíme pro Homo Sapiens AI.