Fra chatbots til smarte kameraer: kunstig intelligens virker som gratis magi, men bag skærmen kører enorme, energislugende maskiner.
Kunstig intelligens vokser hurtigere end de fleste teknologier i de seneste årtier. Servere bygges til, modeller bliver større, og ingen ser, hvad der sker inde i datacentrene. Alligevel begynder regningen – strøm, vand, materialer – at stige markant.
Hvad der rent faktisk sker bag en simpel prompt
Hvert spørgsmål til en chatbot føles uskyldigt. Du taster lidt tekst, får et svar, færdig. Men for de få sætninger kører et batteri af chips et sted på fulde omdrejninger. Forskere fra MIT har for nylig forsøgt at kortlægge miljøomkostningerne ved denne digitale refleks.
Den nuværende bølge inden for generativ AI – modeller der producerer tekst, billeder, video og kode – kræver ekstremt meget regnekraft. Den regnekraft er koncentreret i store datacentre, hvor tusindvis af specialiserede grafikkort (GPU’er) arbejder samtidigt. De forbruger energi i to faser:
- træningsfasen: når en model lærer af gigantiske datamængder i uger eller måneder;
- inferensfasen: når millioner af brugere dagligt stiller spørgsmål til modellen.
En enkelt prompt til en avanceret chatbot kræver hurtigt fem gange mere elektricitet end en klassisk søgning på nettet.
Det forhold virker stadig håndterbart, men modellerne vokser i raketfart. Flere parametre betyder mere hukommelse, flere beregninger og længere beregningstider. Det oversættes direkte til højere energitoppe per bruger.
Datacentre der sluger lige så meget strøm som et land
Ifølge nylige tal steg strømforbruget i datacentre i Nordamerika fra 2.688 megawatt i slutningen af 2022 til 5.341 megawatt i slutningen af 2023. Altså er efterspørgslen cirka fordoblet på et år. Og AI er den vigtigste motor bag dette.
Globalt lå det årlige forbrug i datacentre i 2022 omkring 460 terawattimer. Det kan sammenlignes med det samlede elektricitetsforbrug i et land som Frankrig i samme år. Prognoser taler om en stigning til cirka 1.050 terawattimer i 2026, hvis den nuværende trend fortsætter.
| År | Global strøm fra datacentre (TWh) | Sammenligning |
|---|---|---|
| 2022 | ≈ 460 | Nogenlunde lig med Frankrig |
| 2026 (forventet) | ≈ 1.050 | Mere end en fordobling i forhold til 2022 |
Væksten forløber desuden ujævnt. Træning af en stor sprogmodel kan midlertidigt forårsage enorme toppe i strømbehovet. Netoperatører skal forudse dette. Når vedvarende kilder som vind og sol ikke kan dække disse udsving, skifter energileverandører oftere til hurtigt tilgængelige, men mere forurenende muligheder som dieselgeneratorer eller gaskraftværker.
AI øger ikke blot det samlede elektricitetsbehov, men presser også systemet i retning af kortvarig, forurenende spidsproduktion.
Smarte algoritmers skjulte tørst
Energi er kun én del af historien. De tusindvis af servere bliver varme og skal køles ned for at forblive pålidelige. Mange datacentre bruger vandkølede systemer. I gennemsnit drejer det sig om cirka to liter vand per kilowattime elektricitet.
Ved hundredvis af terawattimer opstår et astronomisk volumen af kølevand. Det vand kommer fra floder, grundvandslagene eller drikkevandssystemer, ofte i regioner der allerede kæmper med tørke eller landbrugskonflikter.
For lokale økosystemer kan dette ekstra pres blive mærkbart. Mindre vand i en flod betyder højere temperaturer og mindre ilt, hvilket skaber stress for fisk og andre organismer. I landbrugsområder må man sommetider vælge: kunstvanding, drikkevand eller digital infrastruktur.
Den digitale omstilling skubber stille vandforbruget i retning af servere, væk fra landbrug og natur.
Fra sand til chip: klimaomkostningen ved hardware
Det økologiske fodaftryk fra AI begynder længe før den første kodelinje køres. Hardwaren selv efterlader et kraftigt spor. For at muliggøre den nuværende AI-bølge købte datacentre i 2023 anslået 3,85 millioner GPU’er sammenlignet med 2,67 millioner året før. Og efterspørgslen fortsætter med at stige.
GPU’er er mere komplekse end klassiske CPU’er. De indeholder flere transistorer, avanceret litografi og en finmasket stak af materialer: kobber, silicium, sjældne jordarter, specielle gasser til chipproduktion. Hvert trin kræver energi og bruger kemikalier. Minedriften efter råstoffer fører til afskovning, jordforurening og store mængder affaldsmateriale.
Derefter følger transport: komponenter rejser ofte over flere kontinenter, fra råstof til færdigt produkt. Fly, skibe, lastbiler – alt tæller med i den samlede CO₂-balance for et AI-system.
Elektronisk affald som stille tikkende bombe
En GPU i et datacenter forbliver typisk kun i brug i få år. Nye generationer bliver hurtigere, kraftigere og mere energieffektive, så operatører udskifter konstant deres hardware. Gamle kort forsvinder ind i genbrugscirkler, der ikke altid fungerer transparent.
Uden ordentlig regulering ender en del i lande med minimale miljøregler. Dér udvinder arbejdere med ringe beskyttelse metaller fra gamle printplader, ofte gennem afbrænding i åben luft. Det forårsager giftig røg, jordforurening og sundhedsproblemer.
Hver “smart” opgradering af skyen kan generere tusindvis af kilo ekstra elektronisk affald.
Hvorfor en præcis effektberegning forbliver så vanskelig
Forskere, herunder hold fra MIT, indrømmer selv, at de endnu ikke kan kvantificere den fulde miljøeffekt af AI præcist. Sektoren ændrer sig for hurtigt. Modeller bliver udskiftet inden for måneder, chips får nye arkitekturer, datacentre flytter til andre lande med forskellige energimiks.
Derfor arbejder mange undersøgelser med grove estimater. De måler strømforbruget for bestemte modeller, kombinerer det med offentlige data om datacentre og udleder derfra klima- og vandeffekt. Vigtige huller forbliver: ikke alle producenter rapporterer tal, og forbruget afhænger stærkt af brugsprofilen.
Forskere efterlyser derfor mere kontekstuelle metoder: analyser der tager højde for, hvor strømmen kommer fra, hvordan vand tilføres, hvilke materialer der bruges i hvilke fabrikker, og hvor længe hardware holder.
Hvad betyder dette for virksomheder, myndigheder og brugere?
For virksomheder der anvender AI, rykker miljøbalancen oftere med til bordet. Store modeller kører på tung infrastruktur, men ikke enhver anvendelse har brug for det. Kompakte, målrettede modeller kan udføre samme arbejde for en brøkdel af energien.
- Virksomheder kan vælge mindre modeller og effektive arkitekturer.
- Myndigheder kan gøre energi- og vandrapportering obligatorisk for datacentre.
- Brugere kan omgås generative værktøjer mere bevidst, eksempelvis færre gentagne eller meningsløse prompts.
Et stigende antal cloud-udbydere lover grøn strøm til deres datacentre via vind, sol eller vandkraft. Det reducerer CO₂-udledningen per prompt, men løser ikke vandforbruget og materialeeffekten. Efterspørgslen efter fysisk infrastruktur fortsætter med at stige.
En tankemodel for den individuelle effekt
For at gøre skalaen håndgribelig kan du sammenligne AI-brug med daglige valg. Forestil dig, at en intensiv chatsession med en stor sprogmodel energimæssigt svarer til at oplade din smartphone flere gange. I sig selv virker det begrænset, men millioner af mennesker gør dette samtidigt, dag ud og dag ind.
Når udviklere desuden putter AI ind i alle apparater – fra tandbørste til bil – forskyder det basislinjen. Ting der tidligere skete lokalt og simpelt, læner sig pludselig op ad skyen. Tekstkorrektion, anbefalinger, simple filtre: alle disse ekstra beregninger hobes op.
Den største effekt af AI kommer ikke fra én spektakulær model, men fra tusindvis af små applikationer der løber kontinuerligt.
Hvor debatten nu bevæger sig hen
Diskussioner omkring AI handlede længe primært om jobtab, desinformation og sikkerhed. Klima- og vandsiden kommer først nu rigtigt i fokus. Beslutningstagere begynder at spørge sig selv, hvor meget ekstra infrastruktur deres region stadig kan bære, og under hvilke betingelser.
For lande som Danmark spiller endnu et aspekt ind: plads. Store datacentre tager ikke kun meget energi og vand, men også knappe arealer. Lokale myndigheder må afveje, hvad der skal prioriteres: boliger, landbrug, natur eller serverparker. AI accelererer den rummelige debat.
For teknikere åbner der sig et nyt fagområde: “grøn AI”. Det handler ikke kun om mere effektiv kodning, men også om modelvalg, hardwareplanlægning, genbrug af varme fra datacentre og design af cirkulære kæder for chips. Den der i dag bygger AI, vil oftere skulle dokumentere, hvor meget løsningen forbruger, og hvilke alternativer der er lettere.
