Обучение и работа ИИ стремительно увеличивают энергопотребление дата-центров. В ответ отрасль пересматривает подходы к разработке ПО, архитектуре инфраструктуры и эксплуатации ЦОД. Разбираем, что такое зелёные ИТ, какие технологии уже работают и что происходит в России.
- 1. Введение
- 2. Green IT и Sustainable IT: как появилась концепция
- 3. Почему ИТ-инфраструктура потребляет больше энергии
- 4. Как измеряют «зелёность» ИТ-инфраструктуры
- 5. Какие технологии делают ИТ устойчивее
- 6. Что происходит в России
- 7. Как зелёные ИТ связаны с кибербезопасностью
- 8. Выводы
Введение
Развитие цифровых сервисов, облачных вычислений и искусственного интеллекта сделало энергопотребление ИТ-инфраструктуры важной инженерной задачей отрасли. Обучение и эксплуатация больших языковых моделей требуют колоссальных вычислительных ресурсов, а значит — больше электроэнергии и более мощных систем охлаждения.
По данным Международного энергетического агентства (IEA), в 2024 году дата-центры потребили около 415 ТВт·ч электроэнергии — примерно 1,5 % мирового потребления. К 2030 году этот показатель вырастет более чем вдвое — до 945 ТВт·ч, что сопоставимо с текущим годовым потреблением электроэнергии всей Японии. По оценке Gartner, эти показатели ещё выше.
Рисунок 1. Рост энергопотребления дата-центров (источник: Gartner)
Концепция Green IT (или Sustainable IT) заметно изменилась. Раньше внимание уделяли энергоэффективным серверам, виртуализации и системам охлаждения. Сейчас оптимизируют сами алгоритмы, архитектуру программного обеспечения и вычислительные нагрузки, чтобы снизить энергопотребление и углеродный след.
Green IT и Sustainable IT: как появилась концепция
Идея Green IT (зелёные ИТ) появилась задолго до бума искусственного интеллекта. Одной из первых инициатив в этой области стала программа Energy Star, которую в 1992 году запустило Агентство по охране окружающей среды США (EPA). Производителей поощряли выпускать более энергоэффективную компьютерную технику. Тогда речь шла об экономии электроэнергии.
Термин Green IT получил широкое распространение в середине 2000-х годов. Рост числа дата-центров увеличил энергопотребление, и компании искали способы сократить расходы. В 2007 году IBM объявила программу Project Big Green, инвестировав около $1 млрд в консолидацию дата-центров. Компания планировала объединить тысячи серверов примерно на 30 мейнфреймах System z. По оценкам IBM, это позволило бы сократить энергопотребление на 80 %, а занимаемую площадь — на 85 %.
Год спустя профессор Сан Муругесян в статье «Harnessing Green IT: Principles and Practices» сформулировал одно из первых академических определений Green IT как подхода к проектированию, производству, эксплуатации и утилизации ИТ с минимальным воздействием на окружающую среду.
Экологический эффект даёт не только ИТ-инфраструктура. Информационные технологии помогают снижать потребление ресурсов в других отраслях — промышленности, транспорте, энергетике. Так сформировалось более широкое понятие Sustainable IT, которое рассматривает ИТ как часть стратегии устойчивого развития бизнеса. Обычно выделяют два направления:
- Greening of IT — снижение экологического следа самой ИТ-инфраструктуры.
- Greening by IT — использование цифровых технологий для повышения эффективности и сокращения выбросов в других сферах.
Сегодня термины Green IT и Sustainable IT часто используют как синонимы. Green IT традиционно относится к технологиям и практикам снижения воздействия ИТ на окружающую среду. Sustainable IT подчёркивает их роль в стратегии устойчивого развития бизнеса. Суть одна: уменьшить потребление ресурсов, снизить выбросы и сделать жизненный цикл ИТ-инфраструктуры более эффективным.
Почему ИТ-инфраструктура потребляет больше энергии
Главным источником нагрузки для дата-центров долгое время оставались облачные сервисы, потоковое видео и хранение данных. Сейчас к ним добавился искусственный интеллект. Можно выделить пять основных причин роста энергопотребления.
1. ИИ-нагрузки
Обычные корпоративные приложения работают на центральных процессорах (CPU). Обучение и эксплуатация больших языковых моделей требуют тысяч графических ускорителей (GPU), которые работают одновременно неделями или даже месяцами. После обучения нагрузка не исчезает: каждый запрос пользователя к ИИ запускает новые вычисления.
Разница заметна даже на уровне одного запроса. Обычный поисковый запрос потребляет около 0,3 Вт·ч, тогда как запрос к большой языковой модели — порядка 2,9 Вт·ч, то есть почти в десять раз больше.
Масштаб современных дата-центров быстро увеличивается. Типичный ИИ-центр обработки данных сегодня потребляет столько же электроэнергии, сколько потребляют около 100 тыс. домохозяйств, а крупнейшие проекты, которые находятся в стадии строительства, будут потреблять в 20 раз больше.
В 2025 году энергопотребление всех дата-центров выросло примерно на 17 %, а специализированных ИИ-центров — почти на 50 %. По оценке Gartner, сегодня ИИ-серверы потребляют около одной пятой всей электроэнергии дата-центров, а к концу десятилетия их доля достигнет почти половины.
Рисунок 2. Энергопотребление ChatGPT vs LED-лампа и зарядка авто (источник: IEEE Spectrum)
2. Рост плотности вычислений
Современные ИИ-задачи требуют значительно более мощного оборудования, чем обычные корпоративные приложения. Если 10 лет назад типичная мощность одной серверной стойки составляла 4–5 кВт, а сегодня в большинстве коммерческих ЦОД — около 6–12 кВт, то стойки с GPU-ускорителями для задач искусственного интеллекта потребляют уже 20–40 кВт.
В отдельных ИИ-кластерах этот показатель превышает 80 кВт, а на новых архитектурах на базе NVIDIA Blackwell, достигает 132 кВт на стойку. Перспективные поколения (Blackwell Ultra, Rubin) нацелены на ещё более высокие показатели — 250–900 кВт на стойку.
Рост плотности вычислений меняет подход к проектированию дата-центров. Воздушного охлаждения становится недостаточно, поэтому операторы переходят на жидкостные системы охлаждения, увеличивают мощность источников бесперебойного питания и модернизируют инженерную инфраструктуру.
3. Рост объёма данных
Ещё одна причина — постоянное увеличение объёма данных. По оценке IDC, в 2024 году мировой объём созданных и скопированных данных достиг около 149 ЗБ, к концу 2025 года — примерно 181 ЗБ, а в 2026 году превысит 220 ЗБ.
Эти данные необходимо хранить, передавать, резервировать и анализировать. Каждый новый цифровой сервис, устройство интернета вещей или система видеонаблюдения увеличивают нагрузку на системы хранения и вычислительную инфраструктуру.
Рисунок 3. Данные, созданные во всём мире, в зеттабайтах (источник: Red9)
4. Переход в облако
Важным фактором остаётся массовая миграция сервисов в облачную инфраструктуру. Нагрузка, которая раньше была распределена между локальными серверами организаций, концентрируется в крупных дата-центрах гиперскейлеров.
В 2025 году Google увеличила энергопотребление на 37 % — до 43,6 ТВт·ч, из которых 42,4 ТВт·ч пришлись на дата-центры. Аналогичная динамика и у других крупных облачных провайдеров.
В России объём облачного рынка в 2025 году вырос на 29 % и достиг 416 млрд рублей. К 2030 году, по прогнозам, он превысит 1,2 трлн рублей.
Рост облачного рынка сопровождается развитием инфраструктуры дата-центров: суммарная разрешённая мощность коммерческих ЦОД уже составляет 841 МВт, а к 2028 году их потребность в электроэнергии увеличится почти втрое — с 0,84 до 2,34 ГВт.
5. Сопутствующая инфраструктура
Не только вычисления требуют энергии. В дата-центрах значительная часть электроэнергии расходуется на инженерную инфраструктуру: охлаждение, сетевое оборудование, источники бесперебойного питания, распределение электроэнергии и вспомогательные системы. В зависимости от эффективности ЦОД охлаждение потребляет от 7 % (в современных гиперскейлерах) до более чем 30% всей электроэнергии.
При этом в 2024 году на долю ИИ приходилось лишь 10–15 % мирового энергопотребления дата-центров. Остальные 85–90 % — это обычные корпоративные приложения, базы данных, веб-сервисы и стриминг. ИИ — мощный драйвер роста, но не единственный.
Эффект Джевонса в ИТ
На первый взгляд ситуация выглядит парадоксально. Современные процессоры, графические ускорители и алгоритмы становятся всё энергоэффективнее, а энергопотребление дата-центров продолжает расти.
Причину объясняет эффект Джевонса: повышение эффективности снижает стоимость вычислений, поэтому их начинают использовать значительно чаще. В результате суммарное потребление ресурсов не уменьшается, а увеличивается.
Поэтому сегодня Green IT охватывает не только повышение энергоэффективности оборудования, но и оптимизацию программного обеспечения, архитектуры приложений, вычислительных нагрузок и моделей искусственного интеллекта.
Как измеряют «зелёность» ИТ-инфраструктуры
Энергоэффективность дата-центров и ПО оценивают с помощью системы метрик. Одни показывают, сколько энергии тратится впустую. Другие — сколько воды уходит на охлаждение или какой углеродный след оставляет код. Разберём основные.
PUE — энергоэффективность дата-центра
PUE (Power Usage Effectiveness) — основная метрика для оценки эффективности дата-центров. Она показывает, какая часть потребляемой электроэнергии используется непосредственно вычислительным оборудованием, а какая расходуется на охлаждение, системы электропитания, освещение и другую инженерную инфраструктуру.
Формула:
PUE = Общее энергопотребление ЦОД / Энергопотребление ИТ-оборудования
Теоретически идеальное значение равно 1,0, когда вся электроэнергия расходуется только на вычисления. На практике таких дата-центров не существует.
По данным Uptime Institute, средний мировой показатель PUE в 2025 году составляет 1,54. Для современных гипермасштабируемых ЦОД хорошим считается уровень 1,2–1,3, а значение 1,4–1,5 соответствует эффективному коммерческому дата-центру.
Средний PUE в России — 1,5. При этом отдельные проекты показывают лучшие результаты: Яндекс строит ЦОД с PUE 1,1, МТС запустила модульный ЦОД с годовым PUE 1,15.
WUE — эффективность использования воды
Повышение плотности вычислений привело к росту требований к охлаждению. Поэтому вместе с PUE используют WUE (Water Usage Effectiveness). Метрика показывает, сколько воды расходуется на охлаждение оборудования на каждый киловатт-час энергии, потреблённой ИТ-оборудованием.
Формула:
WUE = Объём использованной воды / Энергопотребление ИТ-оборудования
Единица измерения — л/кВт·ч.
Метрику разработала организация The Green Grid, позднее она была включена в международный стандарт ISO/IEC 30134-9:2022. Чем ниже значение WUE, тем эффективнее используется система охлаждения.
CUE — углеродная эффективность
Даже энергоэффективный дата-центр может оставлять значительный углеродный след, если получает электроэнергию из источников с высокими выбросами CO₂. Для оценки используют CUE (Carbon Usage Effectiveness).
Формула:
CUE = Выбросы CO₂ / Энергопотребление ИТ-оборудования
Метрика показывает объём выбросов углекислого газа на единицу ИТ-нагрузки. Она зависит от эффективности оборудования и структуры энергосистемы региона. При использовании возобновляемых источников энергии значение CUE снижается, при работе от угольной генерации — увеличивается. CUE стандартизирована в ISO/IEC 30134-8:2022.
Вместе PUE, WUE и CUE образуют базовый набор показателей, по которым оценивают устойчивость современных дата-центров.
ERF — повторное использование энергии
ERF (Energy Reuse Factor) показывает, какая часть энергии, потребляемой дата-центром, используется повторно. Например, тепло от серверов направляют на отопление зданий, теплиц или систем горячего водоснабжения. Метрика особенно актуальна для ЦОД в странах с холодным климатом, где утилизация тепла экономически оправданна.
Формула:
ERF = Повторно использованная энергия / Общее энергопотребление дата-центра
Значение ERF находится в диапазоне от 0 до 1:
- 0 — энергия не используется повторно;
- 0,2–0,4 — хороший показатель для дата-центров с системами рекуперации тепла;
- выше 0,5 встречается редко и обычно характерно для специализированных проектов, где тепло постоянно востребовано.
В отличие от PUE, низкий ERF не всегда говорит о плохой эффективности дата-центра. На показатель сильно влияют климат, расположение объекта и наличие потребителей тепла поблизости. Поэтому ERF обычно рассматривают вместе с PUE, WUE и CUE.
Scope 1, 2 и 3 — выбросы по цепочке создания стоимости
Scope 1, Scope 2 и Scope 3 — международная классификация выбросов парниковых газов, используемая в ESG- и нефинансовой отчётности. Методология разделяет выбросы на три категории:
- Scope 1 — прямые выбросы компании, например от дизельных генераторов дата-центра.
- Scope 2 — косвенные выбросы, связанные с потреблением покупной электроэнергии.
- Scope 3 — выбросы по всей цепочке создания стоимости: производство серверов и другого оборудования, логистика, работа подрядчиков, эксплуатация и утилизация техники.
Для большинства крупных ИТ-компаний Scope 3 формирует основную часть углеродного следа, поэтому сегодня внимание уделяют не только энергоэффективности дата-центров, но и жизненному циклу оборудования и программного обеспечения.
SCI — углеродный след программного обеспечения
С развитием искусственного интеллекта стало очевидно, что на энергопотребление влияет не только оборудование, но и программное обеспечение. Для его оценки используют SCI (Software Carbon Intensity).
В 2024 году SCI стала международным стандартом ISO/IEC 21031:2024 — в рекордные для такой процедуры сроки, что отражает высокий интерес отрасли к оценке энергоэффективности программных продуктов.
SCI рассчитывают по формуле:
SCI = (E × I + M) / R
где:
E — энергопотребление программного обеспечения;
I — углеродоёмкость электроэнергии в регионе;
M — выбросы, связанные с производством оборудования;
R — функциональная единица (например, пользователь, транзакция или API-запрос).
В отличие от PUE, который оценивает инфраструктуру, SCI характеризует эффективность самого программного обеспечения. Чем ниже показатель, тем меньше углеродный след продукта при выполнении одной и той же задачи.
В 2025 году фонд Green Software Foundation представила расширение стандарта SCI for AI Assembly, которое учитывает весь жизненный цикл систем искусственного интеллекта — от обучения модели до её эксплуатации.
Таблица 1. Этапы жизненного цикла зелёного ИИ по отчёту SCI Assembly
|
Этап |
Действия |
|
Подготовка к работе |
Определение задачи, требований к ИИ-системе, ожидаемых результатов и взаимодействие с заинтересованными сторонами. |
|
Подготовка данных |
Сбор, очистка, нормализация и предварительная обработка данных, при необходимости — генерация синтетических данных. |
|
Разработка и обучение модели |
Выбор архитектуры модели, разработка признаков, обучение, настройка гиперпараметров, оптимизация вычислений, сравнение моделей, организация распределённого обучения и оценка качества. |
|
Интеграция системы |
Интеграция модели в информационную систему, разработка и тестирование компонентов взаимодействия. |
|
Развёртывание и эксплуатация |
Развёртывание модели, выполнение инференса, мониторинг производительности, контроль потребления ресурсов, FinOps, переобучение и сопровождение модели. |
|
Вывод из эксплуатации |
Вывод ИИ-системы из эксплуатации и завершение жизненного цикла. |
Какие технологии делают ИТ устойчивее
Метрики помогают выявить основные источники энергопотребления и выбросов углерода, а технологии — сократить их. Энергоэффективность повышают на всех уровнях ИТ-инфраструктуры: от инженерных систем дата-центров до архитектуры приложений и алгоритмов искусственного интеллекта. Ниже — основные технологии, которые используются для этого.
Инфраструктура дата-центров
Значительная часть электроэнергии расходуется не на вычисления, а на охлаждение и обслуживание оборудования. Поэтому операторы ЦОД в первую очередь повышают эффективность инженерной инфраструктуры.
Один из наиболее распространённых способов — фрикулинг (free cooling). Вместо постоянной работы компрессорных установок для охлаждения серверов используют наружный воздух. Такой подход позволяет существенно снизить энергопотребление в регионах с прохладным климатом. Использование CO₂-фрикулинга позволяет сократить энергопотребление систем охлаждения до 70 % по сравнению с традиционными компрессорными установками.
Российские примеры: Яндекс использует прямой фрикулинг — серверные стойки охлаждаются уличным воздухом круглый год. В дата-центрах компании применяется аэродинамический профиль, который направляет воздушные потоки для максимально эффективного теплоотвода. Отказ от компрессорного доохлаждения позволил достичь PUE 1,1.
МТС делает ставку на модульные ЦОДы с адиабатическим охлаждением. В системах кондиционирования используется испарительное охлаждение — вода распыляется на входе воздуха, что дополнительно снижает его температуру без значительного энергопотребления. Решения уже работают в разных климатических условиях — от Хабаровска до Санкт-Петербурга и Краснодара.
Selectel в дата-центре «Берзарина» использует прямой фрикулинг с адиабатическим доохлаждением. По сравнению с традиционными системами такая схема потребляет до 80 % меньше электроэнергии. Компания одной из первых в России применила динамические ИБП с двойным преобразованием энергии.
Рисунок 4. Охлаждение ЦОД с помощью циркуляции воздуха (Источник: ScienceDirect)
По мере роста плотности серверных стоек применяют жидкостное охлаждение. Оно эффективнее воздушного и позволяет обслуживать высокопроизводительные ИИ-кластеры. Наиболее распространены две технологии: прямое жидкостное охлаждение (Direct-to-Chip) и иммерсионное охлаждение, при котором серверы полностью погружают в диэлектрическую жидкость. В пилотных проектах иммерсионное охлаждение позволяет снизить PUE примерно до 1,04. Прямое жидкостное охлаждение снижает энергопотребление на уровне узлов в среднем на 1 кВт (около 16 %).
Крупные операторы ЦОД увеличивают долю энергии из возобновляемых источников и внедряют интеллектуальные системы управления охлаждением и электропитанием.
Рисунок 5. Конструкция водяного охлаждения в ЦОД (Источник: ScienceDirect)
Ещё одно направление — повторное использование тепла. Во многих европейских странах тепло от дата-центров используют для отопления жилых кварталов, офисов и промышленных объектов. Такой подход повышает показатель ERF (Energy Reuse Factor) и снижает общий углеродный след инфраструктуры.
Архитектура вычислительной инфраструктуры
Не менее важную роль играет организация вычислительных ресурсов.
Виртуализация объединяет рабочие нагрузки, позволяя запускать несколько виртуальных машин на одном физическом сервере. Таким образом повышается утилизация оборудования и снижается энергопотребление.
Дальнейшее развитие этого подхода — контейнеризация. Контейнеры используют общее ядро ОС, потребляют меньше ресурсов, чем виртуальные машины, и позволяют более эффективно использовать вычислительные мощности. Управление ими берёт на себя оркестрация (например, Kubernetes). Энергоэффективные планировщики оркестрации могут снижать энергопотребление кластера до 18 % без потери производительности.
Рисунок 6. Энергоэффективная оркестрация в Kubernetes (Источник: IEEE Xplore)
Автоматическое масштабирование (autoscaling) динамически подстраивает вычислительные ресурсы под текущую нагрузку: система выделяет мощности только при её росте и освобождает их после снижения нагрузки. Это позволяет избежать работы серверов вхолостую.
Развивается концепция carbon-aware computing (углеродно-ориентированные вычисления). Планировщик учитывает не только загрузку серверов, но и углеродоёмкость электроэнергии в конкретный момент времени и конкретном регионе. Ресурсоёмкие задачи переносят на часы, когда доля энергии из возобновляемых источников выше, в пределах 24-часового окна, или в регионы с более «зелёной» энергосистемой.
Рисунок 7. Углеродоёмкость электроэнергии в течение суток (источник: Microsoft)
Российский пример: Eco4cast (совместная разработка Сбера и AIRI) — открытая библиотека для снижения выбросов CO₂ при обучении нейросетей. Она определяет периоды минимальной углеродоёмкости электроэнергии и назначает облачные вычисления только на эти периоды. Планировщик может работать локально или переключаться между географическими зонами. Расчёт углеродного следа выполняется с помощью Python-пакета Eco2AI.
Программное обеспечение
Разработчики оптимизируют алгоритмы, уменьшают количество обращений к базам данных, используют кэширование, устраняют лишние фоновые процессы и сокращают объём передаваемых данных. Всё это снижает нагрузку на процессоры, память и сеть, а значит — уменьшает энергопотребление.
Это направление получило название Green Software Engineering. Его задача — проектировать программное обеспечение, которое выполняет те же функции, но требует меньше вычислительных ресурсов.
Чем меньше процессорного времени, обращений к памяти и сетевых операций выполняет приложение, тем ниже его показатель SCI (Software Carbon Intensity) — стандартизированная метрика углеродного следа программного обеспечения.
Российский пример: GreenOCR 2.0 (Smart Engines) — энергоэффективный ИИ для распознавания документов. Продукт работает на сверхлёгких нейросетевых архитектурах с 4,6-битным и 8-битным представлением данных. Модель не требует дискретных GPU и может работать даже на маломощных мобильных устройствах. При этом она на 20 % быстрее прошлых версий и в 10 раз точнее.
Искусственный интеллект
Отдельное направление Green IT — Green AI, цель которого заключается в снижении вычислительных затрат при обучении и эксплуатации моделей искусственного интеллекта. Для этого оптимизируют как сами модели, так и процесс их обучения и выполнения.
Наиболее распространённые методы:
- квантование (quantization) — уменьшение точности вычислений без заметной потери качества;
- прореживание (pruning) — удаление нейронов и связей, которые практически не влияют на результат;
- дистилляция знаний (knowledge distillation) — обучение компактной модели на основе уже обученной большой модели;
- архитектура «смесь экспертов» (mixture of Experts, MoE) — подход, при котором модель состоит из нескольких специализированных подсетей (экспертов) и управляющего механизма (гейта), распределяющего входные данные между ними. В отличие от традиционных моделей, где активируются все параметры, MoE активирует только часть экспертов. Можно значительно сократить объём вычислений и энергопотребление при сохранении качества отчётов.
Рисунок 8. Архитектура MoE: активируется только часть экспертов (Источник: BrainTools)
Не менее важна оптимизация инференса — этапа, когда модель отвечает на запросы пользователей. Для массовых сервисов именно этот этап зачастую определяет суммарное энергопотребление. Чаще всего используют:
- непрерывное батчирование запросов (continuous batching) — несколько пользовательских запросов обрабатываются одновременно, что повышает эффективность использования GPU;
- оптимизацию KV-cache — сохранение вычисленных ключей и значений для ранее обработанных токенов, чтобы не пересчитывать их заново при генерации каждого следующего слова;
- спекулятивную генерацию (speculative decoding) — небольшая модель предварительно генерирует вероятные токены, а большая подтверждает их, сокращая объём вычислений;
- выбор более компактных моделей для простых задач (model routing) — тяжёлые модели подключаются только при необходимости;
- оптимизация длины контекста и количества генерируемых токенов — снижает нагрузку на каждом запросе.
Помимо оптимизации самих моделей, энергоэффективность ИИ повышают за счёт специализированного оборудования. Новые поколения GPU, TPU и других ИИ-ускорителей выполняют больше вычислений при меньшем энергопотреблении.
NVIDIA в архитектуре Blackwell реализовала энергооптимизированные профили питания, позволяющие экономить до 15 % электроэнергии при сохранении более 97 % производительности. Система GB200 NVL72, объединяющая 72 GPU в одном rack с жидкостным охлаждением, обеспечивает до 25-кратного прироста производительности на ватт по сравнению с предыдущим поколением H100.
Google представила TPU Ironwood — новое поколение ИИ-ускорителей, созданное специально для инференса. Его энергоэффективность выросла почти в 30 раз по сравнению с первым облачным TPU 2018 года. За четыре поколения TPU углеродоёмкость ИИ-вычислений удалось сократить примерно втрое.
AMD представила ускорители Instinct MI350X и MI355X. MI355X обеспечивает до четырёх раз более высокую пиковую производительность по сравнению с MI300X. Однако это потребовало увеличения энергопотребления: с 750 Вт у MI300X до 1400 Вт у MI355X. В результате производительность на ватт выросла примерно вдвое — значительный прогресс, но заметно отстающий от роста пиковой производительности.
Вот такой парадокс: даже при значительном росте пиковой производительности увеличение энергопотребления не всегда даёт пропорциональный выигрыш в энергоэффективности.
Что происходит в России
Российский рынок дата-центров растёт вслед за спросом на облачные сервисы и искусственный интеллект. По данным iKS-Consulting, суммарная разрешённая мощность коммерческих ЦОД составляет 841 МВт, а общее количество стоек — 82,5 тыс. При этом аналитики отмечают, что реальные показатели выше: крупные корпоративные дата-центры Сбера, Яндекса и VK не всегда учитываются в открытой статистике, поэтому совокупная мощность рынка, по оценкам, уже превышает 1 ГВт.
Инфраструктура ещё не полностью готова к массовым ИИ-нагрузкам. Среднее энергопотребление одной стойки в российских ЦОД составляет 6,8 кВт, тогда как современные облачные и ИИ-ориентированные дата-центры проектируются из расчёта 20 кВт на стойку, а в отдельных проектах этот показатель достигает 40 кВт. Средний PUE российских ЦОД, по данным «Рексофт», составляет 1,5. Для сравнения: современные площадки с жидкостным охлаждением выходят на 1,1–1,2, а старые залы с фальшполом застревают на 1,8–2,0. Это требует модернизации инженерных систем, прежде всего электроснабжения и охлаждения.
Меняется и нормативная база. В июле 2025 года был принят Федеральный закон № 244-ФЗ, который впервые закрепил понятие центра обработки данных в законе «О связи». С 1 марта 2026 года Минцифры начало вести государственный реестр ЦОД. Это означает, что отрасль переходит к единым правилам регулирования и учёта.
Ещё одним важным событием стало утверждение ГОСТ Р 72343-2025 «Устойчивое цифровое развитие», который вступил в силу в январе 2026 года. Стандарт вводит единые подходы к оценке устойчивости цифровых продуктов, требует подтверждать заявления об их экологичности объективными показателями и предусматривает комплексную оценку — с учётом экологических, экономических и социальных факторов.
Документ разработали при участии АПКИТ, Национального альянса по устойчивому развитию, фонда «Сколково» и Российского института стандартизации. Это первый в мире национальный стандарт такого уровня, и его подход уже вызвал интерес у стран БРИКС.
Одновременно отрасль сталкивается с серьёзными энергетическими ограничениями. По прогнозу «Рексофт», к 2028 году потребность российских ЦОД в электроэнергии вырастет с 0,84 до 2,34 ГВт, то есть почти в три раза. При этом около 30% вычислительных нагрузок будут приходиться на ресурсоёмкие ИИ-задачи. Одной из главных проблем становится подключение новых дата-центров к электросетям: в отдельных регионах сроки могут достигать 3–4 лет.
В этих условиях операторы рассматривают локальную генерацию как дополнение к централизованному электроснабжению. По прогнозам ComNews, к 2030 году собственные источники энергии будут использовать 50–70 % российских дата-центров, а полностью автономными станут 25–30 % объектов (в 2025 году таких было всего 1 %).
Как зелёные ИТ связаны с кибербезопасностью
Средства защиты информации — одни из самых ресурсоёмких компонентов ИТ-инфраструктуры. Межсетевые экраны, IDS/IPS, SIEM-платформы, системы анализа трафика и криптографические механизмы непрерывно обрабатывают большие объёмы данных. Поэтому при разработке таких решений сегодня учитывают не только скорость обработки и точность обнаружения угроз, но и энергопотребление.
Это направление получило название Green Cybersecurity (зелёная кибербезопасность). Его цель — снизить энергопотребление средств защиты без ущерба для уровня безопасности.
Для устройств интернета вещей (IoT) и систем периферийных вычислений (edge computing) применяют облегчённые криптографические алгоритмы (lightweight cryptography). Они требуют меньше памяти и вычислений, поэтому подходят для датчиков, контроллеров и других устройств с ограниченными ресурсами. В августе 2025 года NIST утвердил стандарт лёгкой криптографии на базе алгоритмов семейства Ascon (NIST SP 800-232) для защиты встроенных систем.
В системах обнаружения атак используют оптимизированные модели машинного обучения. Вместо постоянного глубокого анализа всего сетевого трафика применяется многоуровневая обработка: сначала быстрые фильтры отсеивают безопасные события, а ресурсоёмкие алгоритмы запускаются только для подозрительных данных. Это снижает вычислительную нагрузку без заметной потери качества обнаружения угроз.
Например, исследовательский фреймворк GreenShield показал, что сочетание энергоэффективного машинного обучения и лёгкой криптографии позволяет сократить энергопотребление более чем на 67 % без заметного снижения точности обнаружения атак.
Ещё одно направление — оптимизация журналирования. Вместо записи всех событий подряд современные системы используют фильтрацию, агрегацию и интеллектуальное управление логами. Инструменты вроде Rsyslog позволяют фильтровать и агрегировать логи до их передачи в SIEM, снижая нагрузку на CPU, сеть и энергопотребление. Это уменьшает объём хранимых данных, снижает нагрузку на системы хранения и сокращает энергопотребление.
Кибератаки сами по себе также увеличивают расход энергии. После атак программ-вымогателей или криптомайнеров компаниям приходится восстанавливать данные из резервных копий, переустанавливать системы, проверять инфраструктуру и повторно выполнять вычисления. Все эти процессы требуют дополнительных вычислительных ресурсов и электроэнергии.
Особенно ресурсоёмкими становятся атаки на системы искусственного интеллекта. Отравление обучающих данных (data poisoning) может сделать модель непригодной для использования, из-за чего её приходится обучать заново. А обучение крупных моделей является одним из самых энергозатратных процессов в современной ИТ-инфраструктуре.
Энергоэффективность и безопасность связаны и на уровне архитектуры. Консолидация серверов, сокращение числа виртуальных машин, контейнеров и неиспользуемых сервисов уменьшают количество потенциальных точек входа для злоумышленников, упрощают сопровождение инфраструктуры и одновременно снижают энергопотребление.
Аналогичный эффект даёт оптимизация программного обеспечения: чем меньше лишних процессов, зависимостей и обращений к базам данных, тем ниже вычислительная нагрузка и меньше вероятность появления ошибок и уязвимостей.
Важную роль играет и инженерная инфраструктура дата-центров. Резервирование электропитания, интеллектуальное распределение нагрузки и эффективные системы охлаждения одновременно повышают отказоустойчивость сервисов и уменьшают потери энергии.
Таким образом, Green IT и кибербезопасность всё чаще решают общую задачу: повысить эффективность цифровой инфраструктуры, сократить эксплуатационные расходы и снизить риски — как финансовые, так и технологические.
Выводы
Рост вычислительных нагрузок заставил пересмотреть подход к проектированию ИТ-инфраструктуры. Сегодня энергоэффективность оценивают так же, как производительность и отказоустойчивость: используют измеримые метрики, оптимизируют архитектуру дата-центров, программное обеспечение и модели искусственного интеллекта. Это позволяет сократить эксплуатационные расходы без потери качества сервисов.
Российский рынок движется в том же направлении. Появление ГОСТ Р 72343-2025, развитие энергоэффективных ЦОД и отечественных решений для оптимизации вычислений показывают, что Sustainable IT становится частью практической инженерии. Для бизнеса это означает более рациональное использование инфраструктуры, а для ИТ- и ИБ-специалистов — ещё один критерий качества проектируемых систем.
