Det snackas mycket om AI som en energitjuv. Sanningen är lite mer nyanserad. Den stora elnotan kommer framför allt när modeller tränas. När de väl är färdigtränade är själva användningen, särskilt för textfrågor, förvånansvärt strömsnål.

Träning vs användning

• Träning: att träna en stor språkmodell kan dra enorma mängder el. En ofta citerad uppskattning är att GPT-3:s slutliga träningskörning använde cirka 1 287 MWh el. Var man tränar och hur effektivt datacentret är spelar stor roll för utsläppen.

• Användning (inference): moderna, optimerade modeller för text ligger i storleksordningen 0,3 Wh per fråga. Äldre beräkningar landade snarare kring ~2,9 Wh per fråga, så ett rimligt spann är 0,3 till 3 Wh beroende på modell, svarslängd och infrastruktur.

Poängen: träningen är den stora puckeln, medan en enskild textfråga drar ungefär som att ha en LED-lampa tänd i några sekunder upp till någon minut.

Konkret: så står sig en AI-fråga mot vardagssaker

Nedan gör jag enkla jämförelser. Jag visar först energi så vi slipper trassla in oss i vilken elmix som används just där servrarna står. Längst ner finns även koldioxidexempel.

• En AI-textfråga: cirka 0,3–3 Wh.

• Titta på Netflix: ungefär 0,077 kWh per timme (= 77 Wh). Det mesta går i din TV eller mobil, inte i datacentret. Översatt: 1 timme Netflix ≈ 25–260 AI-frågor.

• Åka bensinbil: här jämför vi hellre i utsläpp än i energi. En typisk bensinbil släpper ut runt 0,167 kg CO₂ per km.

IEA uppskattar att 30 minuter Netflix ≈ 0,1 km med bensinbil i klimatpåverkan, vilket visar hur liten streamingens klimatpåverkan faktiskt är numera.

• Äta kött: nötkött är tungt. 1 kg nötkött ≈ 60 kg CO₂e i genomsnitt. En vanlig 200 g biff blir alltså runt 12 kg CO₂e. (Our World in Data)

Hur många AI-frågor motsvarar det i utsläpp?

För att jämföra äpplen med äpplen måste vi anta en elmix. Globalt ligger elens koldioxidintensitet i häradet ~0,44–0,48 kg CO₂/kWh. I Sverige är den ofta mycket lägre tack vare vattenkraft, kärnkraft och vind.

1 km med bensinbil (≈ 167 g CO₂)

Med global elmix och 0,3–3 Wh per fråga blir det grovt cirka 120–1 200 AI-frågor per kilometer. I Sverige, där elen är renare, handlar det ofta om tusentals frågor per kilometer.

200 g nötkött (≈ 12 000 g CO₂e)

Med global elmix och 0,3–3 Wh per fråga blir det ungefär 9 000–80 000 AI-frågor.

Det här är grova, men nyttiga storleksordningar. De beror på flera saker: hur långt svar du får, vilken modell som används, var servrarna står och hur effektivt datacentret är.

Varför hör man ändå att AI drar så mycket?

Två skäl:

Träningstopparna är extrema. Enstaka träningsprojekt kan kräva väldigt mycket effekt under veckor eller månader. Det är rubrikvänligt.

Skala. Även om en fråga är billig så blir summan stor när miljarder frågor ställs. Därför följs AI-boomen av diskussioner om elnät, nya kraftkällor och energieffektivisering i datacenter.

Hur kan man använda AI mer hållbart?

Välj text framför bild och video när det går. Tunga bild- och videomodeller drar mer.

Sikta på korta, precisa svar. Färre token in och ut betyder lägre energianvändning. Starta nya chattar när du fått ditt svar, istället för att ha lång med få konversationer. Det ökar dessutom tillförlitligheten.

Använd tjänster som köper eller producerar ren el och jobbar med effektivitet. Stora aktörer redovisar i allt högre grad energikällor och effektiviseringar.

Varför AI-företag bryr sig: Det handlar om pengar

AI-företag som OpenAI, xAI och Google har enorma incitament att minska energianvändningen – det är nämligen deras största kostnad! Data centers för AI kan sluka 20-30 gånger mer energi än traditionella, så varje watt räknas.

Google har till exempel använt AI för att minska sin data centers energiförbrukning med 30%. Det driver innovationer som on-device AI (körs på din telefon istället för molnet), vilket kan halvera energibehovet. I slutändan gynnar det miljön också, eftersom lägre kostnader leder till grönare lösningar.