A generatív mesterséges intelligencia által létrehozott rövid videók rejtett karbonlábnyoma: a fenntarthatósági paradoxon vizsgálata a közösségimédia-marketingben
DOI:
https://doi.org/10.15170/MM.2026.60.03.01Kulcsszavak:
Zöld MI, algoritmikus zöldremosás, rövid formátumú videómarketing, digitális karbonlábnyom, generatív MI, ESG-jelentéstétel, fenntartható marketingAbsztrakt
A TANULMÁNY CÉLJA
A generatív mesterséges intelligencia (MI) által létrehozott rövid formátumú marketingvideók gyors elterjedése alapvetően átalakítja a digitális tartalomgyártást, ugyanakkor egyre élesebb ellentmondásba kerül a vállalatok Net Zero kötelezettségvállalásaival és az Európai Unió fenntarthatósági jelentéstételi elvárásaival. A tanulmány e fenntarthatósági feszültséget vizsgálja, különös tekintettel a Runway, Pika és Sora típusú videógeneráló rendszerek marketingalkalmazásából származó, jellemzően rejtett karbonkibocsátásra.
ALKALMAZOTT MÓDSZERTAN
A kutatás kétpilléres módszertani megközelítést alkalmaz. Egyrészt strukturált irodalmi áttekintést végez a 2019–2026 között megjelent, az MI-etika, a környezettudomány és a marketing metszéspontján elhelyezkedő szakirodalom alapján, másrészt szcenárióalapú karbonmodellezéssel becsüli a generatív videók előállításának környezeti terheit különböző energiaintenzitási és hálózati karbonintenzitási forgatókönyvek figyelembevételével az alkalmazott MI modell architektúrája és energiaadatai függvényében.
LEGFONTOSABB EREDMÉNYEK
Az eredmények igazolják, hogy a videógenerálás átlagosan mintegy harmincszor nagyobb energiaigényű, mint a képgenerálás, és nagyságrendekkel meghaladja a szöveggenerálás energiafelhasználását. A modellezés szerint egy évi 2500 MI-videót előállító kétfős marketingcsapat éves karbonkibocsátása a modellválasztástól és a hálózati energiamixtől függően nagyságrendekben szóródik: közepes modell és átlagos hálózat mellett ~22,6 kg CO₂, a legkedvezőtlenebb esetben (nagyméretű modell, fosszilis hálózat) a becslési sávval együtt akár ~900 kg CO₂. A kutatás rámutat arra, hogy e kibocsátások jelentős része az árnyék MI- (shadow AI-) gyakorlatok és az MI-specifikus fenntarthatósági mutatók hiánya miatt láthatatlan marad a vállalati ESG- és Scope 3 jelentésekben, elősegítve az algoritmikus zöldremosás jelenségét.
GYAKORLATI JAVASLATOK
A jelentéstételi hiányosság kezelésére a tanulmány bevezeti a Carbon Per Mille- (C-CPM-) mutatót, amely a hagyományos marketingteljesítmény-mutatókat karbonintenzitási dimenzióval egészíti ki. Emellett bemutatja, hogy a könnyűsúlyú modellek alkalmazása, a kvantizálás és a karbontudatos renderelési ütemezés együttesen jelentős kibocsátáscsökkentést tesz lehetővé a kimeneti minőség érdemi romlása nélkül. A kutatás ezzel új elméleti és gyakorlati keretet kínál a generatív MI fenntartható alkalmazásának mérésére és irányítására a digitális marketingben.
Hivatkozások
A * jel a strukturált mintába tartozó 37 forrást jelöli; a többi célzott hivatkozáskereséssel bevont kontextuális mű.
Adobe Express (2025). How often should you really post on social? https://www.adobe.com/express/learn/blog/how-often-should-you-post-content
* Alzoubi, Y., & Mishra, A. (2024). Green artificial intelligence initiatives: Potentials and challenges. Journal of Cleaner Production, 468, 143090. https://doi.org/10.1016/j.jclepro.2024.143090
Animoto (2026). State of video 2026: Balancing AI innovation and human authenticity. https://animoto.com/state-of-video
* Anthony, L. F. W., Kanding, B., & Selvan, R. (2020). Carbontracker: Tracking and predicting the carbon footprint of training deep learning models. arXiv. https://doi.org/10.48550/ar-Xiv.2007.03051
Benbya, H., Pachidi, S., & Jarvenpaa, S. (2021). Artificial intelligence in organizations: Implications for information systems research. Journal of the Association for Information Systems, 22(2). https://doi.org/10.17705/1jais.00662
* Bouza, L., Bugeau, A. and Lannelongue, L. (2023). How to estimate carbon footprint when training deep learning models? A guide and review. Environmental Research Communications, 5(11), 115014. https://doi.org/10.1088/2515-7620/acf81b
Bozsik, N., Fűrész, Á., & Szeberényi, A. (2025). Smart Energy, Conscious Future: The Role of Artificial Intelligence in Energy Efficiency. In: Belak, J., Nedelko, Z. (eds.), 9th FEB International Scientific Conference: Sustainable Management in the Age of ESG and AI: Navigating Challenges and Opportunities, Maribor (pp. 511–520). https://doi.org/10.18690/um.epf.5.2025.47
* Budennyy, S., Lazarev, V., Zakharenko, N., Korovin, A., Plosskaya, O., Dimitrov, D., Arkhipkin, V., Oseledets, I., Barsola, I., Egorov, I., Kosterina, A., & Zhukov, L. (2022). eco2AI: Carbon emissions tracking of machine learning models as the first step towards sustainable AI. Doklady Mathematics, 106, 118–128. https://doi.org/10.1134/s1064562422060230
* Chien, A. A., Lin, L., Nguyen, H. B., Rao, V., Sharma, T., & Wijayawardana, R. (2023). Reducing the carbon impact of generative AI inference (today and in 2035). In: HotCarbon ’23: Proceedings of the 2nd Workshop on Sustainable Computer Systems (Article 11, pp. 1–7.) https://doi.org/10.1145/3604930.3605705
* Chung, J.-W., Wu, R., Ma, J. J., & Chowdhury, M. (2026). Where do the Joules go? Diagnosing inference energy consumption. arXiv. https://doi.org/10.48550/arXiv.2601.22076
* Cowls, J., Tsamados, A., Taddeo, M., & Floridi, L. (2021). The AI gambit: Leveraging artificial intelligence to combat climate change – opportunities, challenges, and recommendations. AI & Society, 38(1), 283–307. https://doi.org/10.1007/s00146-021-01294-x
Delavande, J. (2025a). How much power does a SOTA open video model use? Hugging Face. https://huggingface.co/blog/jdelavande/text-tovideo-energy-cost
* Delavande, J., Pierrard, R., & Luccioni, S. (2025b). Video Killed the Energy Budget: Characterizing the latency and power regimes of open Text-to-Video models. arXiv. https://doi.org/10.48550/arXiv.2509.19222
* Desislavov, R., Martínez-Plumed, F., & Hernández-Orallo, J. (2023). Trends in AI inference energy consumption: Beyond the performance-vs-parameter laws of deep learning. Sustainable Computing: Informatics and Systems, 38, 100857.https://doi.org/10.1016/j.suscom.2023.100857
* Dodge, J., Prewitt, T., Combes, R. T. D., Odmark, E., Schwartz, R., Strubell, E., Luccioni, A. S., Smith, N. A., DeCario, N., & Buchanan, W. (2022). Measuring the carbon intensity of AI in cloud instances. arXiv. https://doi.org/10.48550/arXiv.2206.05229
Dudás, K. (2013). Fenntarthatatlan növekedés, fenntarthatatlan fogyasztás. Fenntarthatatlan marketing? Marketing & Menedzsment, 47(4), 24–35.
Eccles, R. G., Ioannou, I., & Serafeim, G. (2014). The impact of corporate sustainability on organizational processes and performance. Management Science, 60(11), 2835–2857. https://doi.org/10.1287/mnsc.2014.1984
European Commission (2023). Commission Delegated Regulation (EU) 2023/2772 of 31 July 2023 supplementing Directive 2013/34/EU of the European Parliament and of the Council as regards sustainability reporting standards. (Official Journal of the European Union.) https://eur-lex.europa.eu/eli/reg_del/2023/2772/oj (utolsó letöltés: 2026.03.12.)
* Famularo, J. (2023). Corporate social responsibility communication in the ICT sector: Digital issues, greenwashing, and materiality. International Journal of Corporate Social Responsibility, 8, 1–25. https://doi.org/10.1186/s40991-023-00082-8
* Fischer, R. (2025). Ground-truthing AI energy consumption: Validating CodeCarbon against external measurements. arXiv. https://doi.org/10.48550/arXiv.2509.22092
Gao, B., Wang, Y., Xie, H., Hu, Y., & Hu, Y. (2023). Artificial intelligence in advertising: Advancements, challenges, and ethical considerations in targeting, personalization, content creation, and ad optimization. SAGE Open, 13(4). https://doi.org/10.1177/21582440231210759
* Garg, S., Haralayya, B., Qudah, A. A. M., Maguluri, P. L., Szeberényi, A., & Sameen, Z. A. (2024). The impact of artificial intelligence on management productivity and efficiency. Business Management and Economics Engineering, 22(1), 424–434. https://doi.org/10.2139/ssrn.5000221
Horváth, K. G. (2020). Az Európai Zöld Megállapodás és a 2021–2027-es többéves pénzügyi keret kapcsolata. Európai Tükör, 23(1), 91–
110. https://doi.org/10.32559/et.2020.1.5
Horváth, K. G. (2023). Vállalati fenntarthatóság és fenntartható vállalkozások. Acta Humana: Emberi Jogi Közlemények, 11(3), 165–184. https://doi.org/10.32566/ah.2023.3.8
HubSpot (2025). Not another state of marketing report: 2025 marketing trends. https://www.hubspot.com/state-of-marketing (utolsó letöltés: 2026.02.13.)
Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9
* Karaarslan, E., & Aydın, Ö. (2024). Generate impressive videos with text instructions: A review of OpenAI Sora, Stable Diffusion, Lumiere and comparable models. TechRxiv. https://doi.org/10.36227/techrxiv.170862194.43871446/v1
* Khan, S., Naz, N. S., Mazhar, T., Tariq, M. U., Shahzad, T., Guizani, S., & Hamam, H. (2025). Green AI techniques for reducing energy consumption in AI systems. Array, 29, 100652. https://doi.org/10.1016/j.array.2025.100652
* Kirkpatrick, K. (2023). The carbon footprint of artificial intelligence. Communications of the ACM, 66, 17–19. https://doi.org/10.1145/3603746
Kovács, Sz., Végh, M., & Szabó, I. (2025). Nyílt innováció és mesterséges intelligencia: az új innovációmenedzsment dimenziói. Marketing & Menedzsment, 59(különszám), 52–61. https://doi.org/10.15170/MM.2025.59.KSZ.01.05
* Lacoste, A., Luccioni, A., Schmidt, V., & Dandres, T. (2019). Quantifying the carbon emissions of machine learning. arXiv. https://doi.org/10.48550/arXiv.1910.09700
* Li, B., Jiang, Y., & Tiwari, D. (2025). Carbon in motion: Characterizing Open-Sora on the sustainability of generative AI for video generation. ACM SIGEnergy Energy Informatics Review. 4. 160–165. https://doi.org/10.1145/3727200.3727224
Lin, B. (2025). Research on the impact, risks and ethical boundaries of AI-generated content in advertising creativity and delivery. Frontiers in Humanities and Social Sciences, 5(8), 285–289. https://doi.org/10.54691/c5z3a890
* Liu, Y., Zhang, K., Li, Y., Yan, Z., Gao, C., Chen, R., Yuan, Z., Huang, Y., Sun, H., Gao, J., He, L., & Sun, L. (2024). Sora: A review on background, technology, limitations, and opportunities of large vision models. arXiv. https://doi.org/10.48550/arXiv.2402.17177
* Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment? In: Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‚24) (pp. 85–99.). Association for Computing Machinery. https://doi.org/10.1145/3630106.3658542
Luo, C., Hasan, N. A. M., Zamri bin Ahmad, A. M., & Lei, G. (2025). Influence of short video content on consumers’ purchase intentions on social media platforms with trust as a mediator. Scientific Reports, 15(1), 16605. https://doi.org/10.1038/s41598-025-94994-z
* Montgomery, A. W., Lyon, T. P., & Barg, J. (2023). No end in sight? A greenwash review and research agenda. Organization &
Environment, 37(2), 221–256. https://doi.org/10.1177/10860266231168905
Mustak, M., Salminen, J., Plé, L., & Wirtz, J. (2021). Artificial intelligence in marketing: Topic modeling, scientometric analysis, and research agenda. Journal of Business Research, 124, 389–404. https://doi.org/10.1016/j.jbusres. 2020.11.001
Najafloo, A., Soltani, A., & Szeberényi, A. (2025). Enhanced Marketing Strategies in the Metaverse: Opportunities and Challenges. Acta Carolus Robertus, 15(1), 246–263. https://doi.org/10.33032/acr.6235
* Patterson, D., Gonzalez, J., Hölzle, U., Le, Q. V., Liang, C., Munguía, L.-M., Rothchild, D., So, D. R., Texier, M., & Dean, J. (2022). The carbon footprint of machine learning training will plateau, then shrink. arXiv. https://doi.org/10.48550/arXiv.2204.05149
* Pimenow, S., Pimenowa, O., & Prus, P. (2024). Challenges of artificial intelligence development in the context of energy consumption and impact on climate change. Energies, 17(23), 5965. https://doi.org/10.3390/en17235965
* Reco (2025). 2025 state of shadow AI report. https://www.reco.ai/state-of-shadow-ai-report
* Sætra, H. (2021). A framework for evaluating and disclosing the ESG related impacts of AI with the SDGs. Sustainability, 13(15), 8503. https://doi.org/10.3390/su13158503
Schellewald, A. (2021). Communicative forms on TikTok: Perspectives from digital ethnography. International Journal of Communication, 15, 1437–1457.
* Schmidt, V., Luccioni, A., Lacoste, A., & Dandres, T. (n.d.). Machine learning CO2 impact calculator. https://mlco2.github.io/impact/ (utolsó letöltés: 2026.03.01.)
* Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2019). Green AI. arXiv. https://doi.org/10.48550/arXiv.1907.10597
* Sharma, V., Kour, M., Vass, V., & Szeberényi, A. (2026). How Does Sustainability Governance Shape the Green Finance and Climate Nexus?. Sustainability, 18(2), 1022. https://doi.org/10.3390/su18021022
* Silic, M., Silic, D., & Kind-Trüller, K. (2025). From shadow IT to shadow AI – threats, risks and opportunities for organizations. Strategic Change, 35(1). https://doi.org/10.1002/jsc.2682
* Singer, U., Polyak, A., Hayes, T., Yin, X., An, J., Zhang, S., Hu, Q., Yang, H., Ashual, O., Gafni, O., Parikh, D., Gupta, S., & Taigman, Y. (2022). Make-A-Video: Text-to-video generation without text-video data. arXiv. https://doi.org/10.48550/arXiv.2209.14792
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104(1), 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Somov, A. G., Ergunova, O. T., & Szeberényi, A. (2025). The influence of artificial intelligence on decision-making in the field of personnel management of large corporations. In: Krastev, V., Rani, C., Ergunova, O., Kansra, P. and Kajla, T. (eds.), Empowering human resources through human-computer interaction (pp. 181–206.). IGI Global Scientific Publishing. https://doi.org/10.4018/979-8-3373-1676-5.ch007
* Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. Proceedings of the
57th Annual Meeting of the Association for Computational Linguistics, 3645–3650. https://doi.org/10.18653/v1/p19-1355
Szeberényi, A., Akbar, S., Araz, N., & Balku, R. (2025). Interactive and Immersive Advertising in the Metaverse: User Perceptions and Engagement Compared to Traditional Online Environments. Acta Carolus Robertus, 15(Special Issue), 3–19. https://doi.org/10.33032/acr.7019
Szeberényi, A., Fűrész, Á., & Rokicki, T. (2024). Renewable energy in Hungary: Awareness, challenges, and opportunities. In: Belak, J., Nedelko, Z. (eds.), 8th FEB International Scientific Conference: Challenges in the Turbulent Economic Environment and Organizations’ Sustainable Development (pp. 509–518.). Maribor. https://doi.org/10.18690/um.epf.5.2024
Synthetic Labs. (2025). Wan2.1 vs Sora, Runway, Kling, Pika. Synthetic Labs. https://syntheticlabs.xyz/2025/03/10/wan2-1-ai-videocomparison/
* van Wynsberghe, A. (2021). Sustainable AI: AI for sustainability and the sustainability of AI. AI and Ethics, 1(1), 213–218. https://doi.org/10.1007/s43681-021-00043-6
* Verdecchia, R., Sallou, J., & Cruz, L. (2023). A systematic review of Green AI. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 13, 1–26. https://doi.org/10.1002/widm.1507
* Vergallo, R., Aprile, M., Cruz, L., Vadacca, R., & Mainetti, L. (2025). Large-scale evaluation of quantization for reducing the energy footprint of deep learning models. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5719661
World Resources Institute (WRI), & World Business Council for Sustainable Development (WBCSD) (2011). Corporate value chain (Scope 3) accounting and reporting standard. GHG Protocol. https://ghgprotocol.org/scope-3-standard
* Xiao, L., Li, X., & Zhang, Y. (2023). Exploring the factors influencing consumer engagement behavior regarding short-form video advertising: A big data perspective. Journal of Retailing and Consumer Services, 70, 103170. https://doi.org/10.1016/j.jretconser.2022.103170
* Xing, Z., Dai, Q., Hu, H., Wu, Z., & Jiang, Y.- G. (2023). SimDA: Simple diffusion adapter for efficient video generation. arXiv. https://doi.org/10.48550/arXiv.2308.09710
* Yu, Y., Wang, J., Liu, Y., Yu, P., Wang, D., Zheng, P., & Zhang, M. (2024). Revisit the environmental impact of artificial intelligence: The overlooked carbon emission source? Frontiers of Environmental Science & Engineering, 18, 158. https://doi.org/10.1007/s11783-024-1918-y
Downloads
Megjelent
Hogyan kell idézni
Folyóirat szám
Rovat
License
Copyright (c) 2026 Marketing & Menedzsment
This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License.
