Doctor of Economic Sciences, Professor
Rector
Autonomous non-profit organization of higher education «International Banking Institute named after Anatoly Sobchak» (Saint Petersburg, Russia). Address: 191023, Nevsky prospect, 60, Saint Petersburg, Russia
д.э.н., профессор
Ректор
Автономная некоммерческая организация высшего образования «Международный банковский институт имени Анатолия Собчака» (Санкт-Петербург, Россия). Адрес: 191023, Невский пр., 60, Санкт-Петербург, Россия
Doctor of Economic Sciences, Associate Professor
First Vice-Rector
Autonomous non-profit organization of higher education «International Banking Institute named after Anatoly Sobchak» (Saint Petersburg, Russia). Address: 191023, Nevsky prospect, 60, Saint Petersburg, Russia, e-mail: zatevakhina@ibispb.ru
д.э.н., доцент
Первый проректор
Автономная некоммерческая организация высшего образования «Международный банковский институт имени Анатолия Собчака» (Санкт-Петербург, Россия). Адрес: 191023, Невский пр., 60, Санкт-Петербург, Россия, e-mail: zatevakhina@ibispb.ru
Doctor of Economic Sciences, Associate Professor
Professor
Autonomous non-profit organization of higher education «International Banking Institute named after Anatoly Sobchak» (Saint Petersburg, Russia). Address: 191023, Nevsky prospect, 60, Saint Petersburg, Russia, e-mail: sbogatyrev@ibispb.ru
д.э.н., доцент
Профессор
Автономная некоммерческая организация высшего образования «Международный банковский институт имени Анатолия Собчака» (Санкт-Петербург, Россия). Адрес: 191023, Невский пр., 60, Санкт-Петербург, Россия, e-mail: sbogatyrev@ibispb.ru
Цель исследования – разработать научное обоснование и систематизировать концепции цифровой экологии и зеленого искусственного интеллекта как направления устойчивого развития цифровой экономики, разработка подхода к оценке влияния экологических показателей ИИ на рыночную стоимость собственного капитала высокотехнологичных компаний.
Методы
Методологическую основу исследования составили системный, сравнительно-аналитический и стоимостной подходы. Использованы методы анализа и синтеза научной литературы по Green AI, сравнительного анализа корпоративной экологической отчетности технологических компаний, классификации показателей цифровой экологии, экспертно-аналитической интерпретации ESG- и климатических факторов, а также методы финансово-стоимостного моделирования. Для оценки влияния зеленого ИИ на стоимость компании применен метод дисконтированных денежных потоков, дополненный анализом экологических факторов, влияющих на выручку, операционные расходы, капитальные затраты и ставку дисконтирования.
Результаты
На основе проведенного исследования показано, что зеленый искусственный интеллект сформировался как ответ на рост вычислительных затрат машинного обучения и необходимость перехода от оценки моделей исключительно по точности к комплексной оценке их ресурсной эффективности. Выделены ключевые группы показателей цифровой экологии: операционные метрики, включающие энергопотребление, PUE (коэффициент эффективности использования энергии) загрузку вычислительных мощностей и энергию на один запрос; экологические метрики, включающие CO₂-эквивалент, водный след, ресурсное истощение и долю низкоуглеродной электроэнергии; а также метрики полезного эффекта, характеризующие вклад ИИ в снижение выбросов и повышение эффективности энергетики, транспорта, промышленности и природоохранного мониторинга.
Обобщены мировые практики зеленого ИИ, включая энергоэффективные модели, оптимизацию дата-центров, раскрытие экологических показателей и применение искусственного интеллекта для климатических задач. Рассмотрены российские кейсы, связанные с инструментами оценки углеродного следа машинного обучения и применением нейросетей в экологическом мониторинге.
Разработаны механизмы оценки влияния зеленого ИИ на стоимость высокотехнологичной компании через снижение себестоимости инференса, уменьшение ESG- и регуляторных рисков, повышение технологической эффективности и рост доверия корпоративных клиентов. На примере компании Mistral AI показано, что учет экологических факторов в методе дисконтирования денежных потоков способен изменить результат стоимостной оценки собственного капитала за счет корректировки денежных потоков, капитальных затрат и стоимости собственного капитала.
Основные выводы
Цифровая экология и зеленый искусственный интеллект переходят из сферы декларативной ESG-повестки в область измеримых инженерных и финансово-экономических решений. Экологический след ИИ становится самостоятельным объектом управления. Практическая значимость результатов заключается в возможности использования предложенного подхода для анализа корпоративной отчетности, оценки эффективности мероприятий по снижению ресурсной емкости ИИ и обоснования управленческих решений в сфере устойчивого цифрового развития.
The purpose of the study is to provide a scientific substantiation and systematization of the concept of digital ecology and green artificial intelligence as a direction of sustainable development of the digital economy, as well as to develop an approach to assessing the impact of environmental AI indicators on the market value of equity of high-technology companies.
Methods
The methodological basis of the study consists of systemic, comparative-analytical, institutional and value-based approaches. The research uses methods of analysis and synthesis of scientific literature on Green AI, comparative analysis of corporate environmental reporting of technology companies, classification of digital ecology indicators, expert-analytical interpretation of ESG and climate factors, as well as financial modeling methods. To assess the impact of green AI on company value, the discounted cash flow method is applied, supplemented by an analysis of factors affecting revenue, operating expenses, capital expenditures and the discount rate.
Results
Based on the study, it is shown that green artificial intelligence emerged as a response to the growth of computational costs in machine learning and to the need to move from evaluating models solely by accuracy to a comprehensive assessment of their resource efficiency. The key groups of digital ecology indicators are identified: operational metrics, including energy consumption, PUE, utilization of computing capacity and energy per request; environmental metrics, including CO₂ equivalent, water footprint, resource depletion and the share of low-carbon electricity; and useful-effect metrics that characterize the contribution of AI to reducing emissions and improving the efficiency of energy, transport, industry and environmental monitoring.
Global green AI practices are summarized, including energy-efficient models, data center optimization, disclosure of environmental indicators and the use of artificial intelligence for climate-related tasks. Russian cases related to tools for assessing the carbon footprint of machine learning and the use of neural networks in environmental monitoring are considered.
Mechanisms for assessing the impact of green AI on the value of a high-technology company are developed through reducing the cost of inference, lowering ESG and regulatory risks, improving technological efficiency and increasing the trust of corporate customers. Using Mistral AI as an example, it is shown that taking environmental factors into account in the discounted cash flow method can change the result of equity valuation by adjusting cash flows, capital expenditures and the cost of equity.
Main conclusions
Digital ecology and green artificial intelligence are moving from the sphere of a declarative ESG agenda into the area of measurable engineering and financial-economic solutions. The environmental footprint of AI is becoming an independent object of management. The practical significance of the results lies in the possibility of using the proposed approach to analyze corporate reporting, assess the effectiveness of measures aimed at reducing the resource intensity of AI and substantiate managerial decisions in the field of sustainable digital development.