AI och miljön: hur mycket energi drar AI?

AI miljöpåverkan handlar om hur mycket el, vatten och hårdvara som behövs för att träna och köra AI-modeller. Många AI-system bygger på maskininlärning, alltså modeller som tränas på data för att hitta statistiska mönster, och alla dessa beräkningar kräver fysisk utrustning.

Det gör frågan ganska konkret. Det handlar inte om att en modell ”tänker” och därför drar energi, utan om servrar, chip, kylning och elnät. Om du vill förstå varför både träning och användning kräver så många beräkningar kan du läsa mer om hur en AI tränas.

Vad menar man med AI:s miljöpåverkan?

När man pratar om AI och miljön menar man oftast fyra saker. För det första hur mycket el som går åt när modeller tränas och används. För det andra vilka klimatutsläpp den elen leder till. För det tredje vatten och kylning i datahallar. För det fjärde material och tillverkning av chip, servrar och annan utrustning.

• Elförbrukning: beräkningar i chip och servrar kräver el.
• Klimatpåverkan: samma mängd el kan ge olika utsläpp beroende på hur elen produceras.
• Vatten: kylning och elproduktion kan kräva vatten.
• Hårdvara: fler modeller och fler datahallar betyder mer utrustning som måste byggas och bytas ut.

Det är därför det blir missvisande att bara fråga vad en enda prompt kostar. Den siffran kan vara intressant, men den visar inte hela bilden. Den stora miljöeffekten uppstår i hela kedjan, från träning till drift i stor skala.

Hur mycket el drar AI egentligen?

Det finns inte en enda exakt siffra för AI ensam. De bästa globala siffrorna gäller oftast datahallar snarare än bara AI. Datahallar driver också molntjänster, lagring, nätverk och många andra digitala tjänster.

IEA uppskattar att världens datahallar använde ungefär 415 TWh el år 2024. Det motsvarar ungefär 1,5 procent av världens elanvändning. I sitt grundscenario uppskattar IEA omkring 945 TWh år 2030, alltså knappt 3 procent av världens elanvändning. AI pekas ut som en viktig drivkraft bakom ökningen, men alla dessa terawattimmar är inte AI.

Här är det bra att stanna vid enheterna. Wh, wattimme, är ett mått på energi. TWh, terawattimme, är samma sak fast i mycket större skala och används för att beskriva elanvändning för hela sektorer eller länder.

Mått	Siffra	Vad det betyder
Datahallars elanvändning 2024	cirka 415 TWh	gäller hela datahallssektorn, inte bara AI
Andel av global elanvändning 2024	cirka 1,5 %	visar att datahallar fortfarande är en minoritet globalt
IEA:s grundscenario för 2030	cirka 945 TWh	snabb ökning om efterfrågan fortsätter
Andel av global elanvändning 2030	knappt 3 %	fortfarande inte hela elsystemet, men en tydlig tillväxt

Är det träningen eller användningen som drar mest?

Båda kan vara viktiga, men på olika sätt. Träning är när modellen justeras med stora mängder data. Det sker ofta under en begränsad period och kan kräva mycket datorkraft. Inferens på engelska *inference* är när en färdig modell tar emot frågor och räknar fram svar.

För en modell som används av många människor kan den samlade användningen över tid bli mycket stor. Miljontals eller miljarder frågor läggs ihop. Då kan den totala energin för drift bli lika viktig som själva träningen, och ibland viktigare.

Det går därför inte att säga att bara träningen spelar roll. För vissa system är träningen den stora posten. För populära tjänster kan den löpande driften dominera över tid.

Hur mycket energi går åt per fråga?

För vanliga textfrågor finns mätningar som visar att energin ibland ligger på några tiondels wattimme. Google har rapporterat att den typiska textprompten i Gemini Apps i deras mätning låg på 0,24 Wh. Samma mätning gav 0,03 gCO2e och 0,26 mL vatten som medianvärde.

Även här behöver måtten förklaras. gCO2e betyder gram koldioxidekvivalenter. Det är ett sätt att mäta klimatutsläpp. Två system kan använda lika mycket el men ändå ge olika gCO2e, eftersom elen kan komma från olika energikällor med olika utsläpp.

Det betyder inte att alla AI-frågor kostar lika lite. Resultatet gäller en viss typ av textanvändning i ett visst system och med en viss metod. Bildgeneratorer, video, långa kontextfönster eller mer avancerade arbetsflöden kan kräva betydligt mer energi än en vanlig kort textfråga.

Det viktiga är alltså skillnaden mellan en fråga och hela systemet. En vanlig textfråga kan vara liten i sig. Men många små frågor, från många användare, i många tjänster, blir tillsammans en stor energianvändning.

Varför skiljer sig siffrorna åt så mycket?

Olika uppskattningar räknar olika saker. Vissa räknar bara energin i själva grafikprocessorn, ofta kallad GPU. Andra räknar hela servern, kylningen, nätverket, lagring, tomgång och annan drift i datahallen. Då blir siffran större.

Det är därför två siffror kan se ut att säga emot varandra fast de egentligen mäter olika delar av samma system. Samma sak gäller vatten. En uppskattning kan bara räkna kylning i datahallen. En annan kan också räkna vatten som används indirekt i elproduktionen eller i tillverkning av chip.

Platsen spelar också roll. Samma modell kan ge lägre klimatpåverkan där elen har lägre utsläpp och där kylningen är effektiv. Men själva beräkningarna försvinner inte. Det som ändras är hur stor den totala påverkan blir runt omkring dem.

Varför drar AI energi över huvud taget?

För att förstå miljöfrågan hjälper det att se vad dagens AI faktiskt är. Det handlar om modeller som tränats på data för att hitta statistiska mönster. De är inte medvetna system, utan kör många matematiska operationer på specialiserade chip.

Därför varierar också energibehovet på ett ganska logiskt sätt. Ju större modell, ju mer data som ska bearbetas, och ju längre indata och svar, desto fler beräkningar måste hårdvaran göra. En kort textfråga kräver mindre arbete än att skapa en högupplöst bild eller analysera en lång video.

Miljöpåverkan är alltså kopplad till hur mycket beräkning människor väljer att bygga in i systemen, hur ofta systemen används och hur effektiv infrastrukturen är. Det är mer konkret än ordet AI ibland får det att låta.

El är inte allt: vatten, kylning och platsen spelar roll

Datahallar måste kylas. I vissa anläggningar sker det mest med luft. I andra används mer vattenintensiva lösningar, till exempel avdunstningskylning. Därför kan två datahallar med liknande elanvändning ha olika lokal påverkan.

Vattenfrågan blir extra viktig i områden där vatten redan är en bristvara. Samma sak gäller elnätet. En ny stor anläggning kan kräva mycket kapacitet på en viss plats, även om den globala siffran ser måttlig ut.

Det gäller också i länder med relativt fossilfri el och svalt klimat. Sådana förutsättningar kan minska utsläpp och kylbehov, men de tar inte bort behovet av el, mark, reservsystem och hårdvara. Därför behöver man skilja på global energianvändning och lokal påverkan.

Hur kan man minska AI:s miljöpåverkan?

Det finns inga enkla lösningar, men det finns tydliga sätt att minska påverkan. Ett är att använda mindre modeller när de räcker. Ett annat är att undvika onödigt tunga uppgifter, till exempel bild eller video när vanlig text räcker. Företag kan också välja effektivare hårdvara och bättre planerad drift.

• Välj en mindre modell om uppgiften är enkel.
• Undvik att skapa bild eller video när vanlig text räcker.
• Mät hela systemet, inte bara energin i ett enskilt chip.
• Förbättra nyttjandegraden så att servrar inte står på tomgång i onödan.
• Planera datahallar med hänsyn till elnät, kylning och lokal vattenstress.

En rimlig slutsats är därför dubbel. En vanlig textfråga behöver inte vara särskilt energitung i moderna system. Men den samlade effekten av snabb tillväxt i AI, fler datahallar och mer avancerade arbetsflöden är ändå viktig att följa noga.

Vanliga frågor

Drar en fråga till en chattbot mycket el?

För en vanlig textfråga i ett effektivt system kan energin ligga runt några tiondels wattimme. Det är inte särskilt mycket per fråga. Men när många användare ställer väldigt många frågor blir den totala energin stor.

Är det rätt att säga att AI ensam står för 1,5 procent av världens el?

Nej. Siffran runt 1,5 procent gäller datahallar globalt enligt IEA, inte bara AI. AI är en viktig orsak till ökningen, men datahallar används också för många andra digitala tjänster.

Vad drar mest energi, att träna modellen eller att använda den?

Det beror på modellen och hur mycket den används. Träning kan vara mycket intensiv under en period. För en tjänst med många användare kan den samlade användningen över lång tid bli minst lika viktig, och ibland större.

Varför finns så olika siffror om AI:s vattenanvändning?

Olika beräkningar mäter olika delar av systemet. En del räknar bara kylning i datahallen. Andra räknar också vatten som används indirekt i elproduktion eller i tillverkning av chip, så siffrorna går inte alltid att jämföra rakt av.

Betyder AI:s miljöpåverkan att man inte bör använda AI alls?

Inte nödvändigtvis. Frågan är snarare när AI ger nytta som motiverar resursanvändningen. Vissa uppgifter kan lösas med enklare verktyg, medan andra användningar kan spara tid, material eller energi någon annanstans i systemet.

Källor

• https://developers.google.com/machine-learning/intro-to-ml/what-is-ml
• https://www.iea.org/reports/energy-and-ai
• https://www.iea.org/reports/energy-and-ai/executive-summary
• https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference

Skriven av AI-redaktionen. Texten är researchad och faktakontrollerad mot källorna ovan.

Senast uppdaterad: 26 oktober 2026