Vilken AI vill vi ha? Dan Jerrestam menar debatten kring fördelarna och nackdelarna med AI riskerar att dölja den större utvecklingen. Läs Dans förra text om AI här.
Många påståenden görs om hur AI kommer att förändra samhället och vilket miljöavtryck tekniken får. Samtidigt växer behovet av elektricitet snabbt. Med en botten-upp analys av energin som krävs för dagens AI försöker denna artikel sätta siffror på utvecklingen. Utan fakta blir diskussionen om AI:s samhällsnytta, problem och politiska åtgärder lätt spekulativ.
De flesta påståenden om hur mycket elektricitet enstaka AI förfrågningar förbrukar är felaktiga och oftast baserat på felaktiga premisser. Vanligt är att de överskattas grovt, men det finns också ekonomer som hävdar tvärtom, troligen för att rättfärdiga utbyggnaden av data centers/hyperscalers.
Samma typ av botten-upp analys har författaren tillämpat på strömmande media, se ”Internet:… har måttliga effekter”, och han har även skrivit några artiklar om AI sen tidigare: ”AI-drömmen – den nya världsreligionen” samt ”AI-för vad och för vem?”
En AI-fråga jämfört med en Google-sökning
En fråga till en språkmodell kräver betydligt mer beräkning än en vanlig webbsökning. Google uppgav 2009 att en sökning krävde omkring 0,3 Wh. Med effektivare servrar och datahallar uppskattas dagens vanliga Google-sökning till omkring 0,04 Wh [1].
En studie av de mest avancerade modellerna från exempelvis OpenAI, Anthropic och Google – uppskattar en normal AI-fråga till omkring 0,31 Wh [2]. Det är cirka åtta gånger mer än en vanlig Google-sökning. Om modellen får extra beräkningskraft for att resonera kring en komplicerad fråga stiger medianen till 3,91 Wh, omkring 100 gånger en Google-sökning [2].
Tre användningar av AI
En enkel fråga: En fråga som ”När byggdes Stockholms stadshus?” kräver relativt lite beräkning. Men om miljarder människor börjar ställa frågor till AI i stället för att söka på nätet blir den sammanlagda energiförbrukningen betydande.
AI för dokument och information: Företag, myndigheter och privatpersoner kan låta AI söka i sina egna dokument och sedan formulera svar. Detta kallas RAG (Retrieval-Augmented Generation), ungefär ”sökning i egna dokument följd av ett AI-genererat svar”. Systemet hittar först relevanta textavsnitt och låter sedan språkmodellen bearbeta dem.
Texten delas upp i små delar, tokens, ungefär ord eller delar av ord och skiljetecken. Ju mer text modellen måste läsa och ju längre svar den ska producera, desto mer beräkning krävs. Ett välbyggt RAG-system som bara skickar relevanta textavsnitt till modellen kan därför vara betydligt energisnålare.
AI som expertsystem hos Försäkringskassan: Ett system som hjälper till att bedöma exempelvis en ansökan om sjukpenning kan behöva läsa ansökan, söka i lagar och föreskrifter, hitta relevanta regler och göra en juridisk och faktisk analys. Ett enda ärende kan därför kräva flera AI-beräkningar. Om modellen dessutom får extra tid för resonemang kan energiförbrukningen bli hundra gånger eller mer än för en enkel fråga.
Det relevanta måttet blir därför energi per färdigt och tillförlitligt handläggarstöd, inte energi per fråga.
Varför skiljer modellerna sig så mycket?
En viktig förklaring är MoE, Mixture of Experts. I en vanlig stor språkmodell används i princip hela modellen för varje beräkning. En MoE-modell består i stället av många delar, där ett slags växlingssystem väljer vilka som behöver användas.
En modell kan därför exempelvis innehålla många miljarder eller biljoner parametrar – tal som tillsammans representerar modellens förmågor – men bara använda några miljarder för varje ord som beräknas i svaret. Det kan ge hög kapacitet med betydligt mindre beräkning.
En mätning av GPT-OSS-20B visar detta tydligt: modellen innehåller 20,9 miljarder parametrar men använder omkring 3,61 miljarder vid varje beräkning. Den använde där mindre energi per 1 000 producerade tokens än de mer traditionellt uppbyggda Qwen3-32B och Yi-34B [3].
Storleken är alltså inte hela förklaringen
Det finns därför anledning att vara försiktig med jämförelser mellan amerikanska och kinesiska AI-modeller. En mycket stor kinesisk modell kan förbruka mer energi än en mindre amerikansk, utan att det säger något säkert om vilket land som utvecklat den effektivaste tekniken. Sedan tillkommer att energiförbrukningen att lära upp modellen kan vara upp till tusen gånger mindre för en kinesisk modell än för en amerikansk.
En rättvis jämförelse bör också ställa kinesiska MoE-modeller mot amerikanska MoE-modeller av liknande storlek och med ungefär lika många aktiva parametrar. En större modell behöver inte heller automatiskt använda proportionellt mer energi. Det beror på modellens konstruktion, hur mycket av den som aktiveras och hur effektivt den körs.
Varför kan energiförbrukningen skilja 25 gånger?
En omfattande mätstudie av 46 AI-modeller, sju typer av uppgifter och 1 858 kombinationer av modeller och hårdvara fann upp till 25 gånger skillnad i energiförbrukning beroende på uppgiften. Skillnader i hur hårt grafikprocessorerna utnyttjas kunde dessutom ge ytterligare skillnader på tre till fem gånger [4].
Det finns alltså ingen enkel siffra för ”energin för en AI-fråga”. Förbrukningen påverkas bland annat av modellens storlek och konstruktion, mängden text som ska bearbetas, svarslängden, om modellen ska resonera längre, vilken grafikprocessor som används och hur effektiv programvaran är.
Samtidigt finns stora möjligheter till effektivisering. En annan studie visar att exempelvis modellkomprimering, mindre noggranna värden för noderna i modellen och bättre anpassning av beräkningarna till arbetsbelastningen i vissa fall kan minska energiförbrukningen med upp till 73 procent [5].
Effektivare AI – men också mycket mer AI
Här finns en paradox.
De stora teknikföretagen kan göra AI betydligt energisnålare. Bättre grafikprocessorer, effektivare programvara, smartare modeller och MoE-teknik kan kraftigt minska energin för varje svar. En studie om de stora kommersiella modellerna uppskattar att det på några års sikt kan finnas möjlighet till 8–20 gånger lägre energiförbrukning per fråga genom sådana förbättringar [2].
Men om energiförbrukningen per fråga minskar tio gånger samtidigt som antalet frågor ökar hundra gånger har den totala elanvändningen ändå ökat tio gånger.
Det är den klassiska baksidan av teknisk effektivisering: när något blir billigare och enklare att använda börjar vi använda mycket mer av det.
Den stora energifrågan finns bakom skärmen
Det är lätt att fastna i frågan om hur mycket elektricitet en enskild Google-sökning eller AI-fråga kräver. Det är relevant, men riskerar att dölja den större utvecklingen.
En vanlig Google-sökning är mycket energieffektiv. Även en AI-fråga som kräver omkring 0,3 Wh behöver en mycket liten mängd elektricitet. Problemet uppstår först när användningen blir enorm och när den leder till att företag och samhällen bygger ut den bakomliggande infrastrukturen.
Gartner uppskattar att världens datacenter använder omkring 565 TWh elektricitet 2026, upp från 447 TWh året innan. AI-optimerade servrar står för omkring 175 TWh av årets förbrukning, men kylning, kraftförsörjning och annan infrastruktur står tillsammans för ungefär lika mycket. Till 2027 väntas AI-servrar dessutom använda mer elektricitet än de konventionella servrarna och ha ökat sin elförbrukning med ytterligare 48 %[6].
Det är därför också missvisande att säga att varje extra AI-fråga i sig direkt motsvarar en motsvarande ökning av världens elförbrukning. Om hälften av jordens befolkning skulle ställa en enkel AI-fråga om dagen, och vi antar 0,31 Wh per fråga, blir den sammanlagda förbrukningen omkring 0,46 TWh per år. Fem frågor om dagen ger omkring drygt 2 TWh och tjugo frågor nästan 10 TWh. Även det senare är en försumbar del av dagens förbrukning för AI-optimerade servrar på 175 TWh.
Om det dessutom är mer avancerade frågor som kräver resonemang och fler steg för att leverera svar så krävs cirka dubbelt så mycket om tio procent av frågorna är av den typen. Men det räcker fortfarande inte för att förklara den totala AI-förbrukningen där vi inte hitintills inkluderat modala användningar som bild- och videogenerering. För dessa ger vissa uppskattningar en ökad förbrukning med omkring 70 gånger mer än en genomsnittlig AI-fråga för en bild och cirka 1000 gånger för en videosnutt [8]. Ett räkneexempel med en bild/vecka och en video varje månad för var och en av oss i den halva AI aktiva befolkningen i världen ger ett tillskott av 63 TWh/år[1]. En slutsats skulle kunna vara att det är inte speciellt problematiskt med textbaserade AI frågor utan det är andra AI aktiviteter som skapar konsumtionen, där även företag, institutioner och statliga verksamheter ska ingå.
Men situationen förändras om AI-användningen leder till en massiv utbyggnad av infrastrukturen. Det är inte bara själva beräkningen av svaret som kräver elektricitet. Det behövs servrar, kylning, nätverk, lagring, reservkraft och nya datahallar. Gartner bedömer att den globala datacenterförbrukningen kan nå över 1 200 TWh redan 2030.
Google illustrerar utvecklingen. Google är ett utmärkt exempel på varför man inte bör försöka räkna ut företagets totala elanvändning genom att multiplicera en uppskattad energi per sökning. Företagets totala elanvändning ökade med omkring 37 procent under 2025, och dess datacenter använde över 42 TWh. AI-utbyggnaden är en viktig drivkraft, även om Google samtidigt har annan mycket omfattande verksamhet som YouTube och molntjänster [7].
Detta hör samman med att Google använder elektricitet till långt mer än sökningar (nedan följer en storleksordnad ansats till Google’s elanvändning):
- Databehandling
- YouTube
- AI-inferens
- Google Cloud
- AI-träning
- Lagring
- Datacenterkylning och kraftförsörjning
- Nätverk
- Gmail
- Google sökningar
Google kopplar sin utveckling till bland annat till utbyggnad av AI-infrastruktur, men även till växande Cloud- och YouTube-verksamhet.
Vem ska äga AI och hur ska den styras?
Alexandria Ocasio-Cortez (Demokraterna,New York) hävdade vid en utfrågning i kongressen i november 2025 att amerikanska ekonomins tillväxt kan härledas till sju företag (Microsoft, Google, Amazon, Meta med flera) och deras tillväxt inom AI. Minst 40 procent av den ekonomiska tillväxten kommer från dessa företag och 80 procent av årets börsuppgångar härrör från AI-bolag. Men vi har bara tomma löften från dessa företag om framtida vinster.
Sålunda är även den ekonomiska aspekten av AI avgörande för vår framtid och ställer krav på kontroll av AI och dess utveckling.
Skattesystemet måste ändras. Investeringar i kapital och automatisering gynnas medan arbete beskattas hårdare. Det gör det billigare för företag att ersätta människor med maskiner. I USA ger automatisering en kostnadsfördel på 20–25 procent. Skatter bör utformas så att företag inte belönas för att ersätta arbetare.
Vi behöver bygga kunskap om hur AI fungerar och konsekvenserna av AI för arbetsliv och samhälle och stödja en utveckling som stärker folket i stället för att bara öka företagens vinster. För det krävs en AI-myndighet som faktiskt övervakar och styr utvecklingen.
Samhället måste få bättre kontroll över data. Regler måste utvecklas vidare som säkerställer att data används för samhällsnytta och för folket. Data är grunden för AI, men dagens regler gör det möjligt för stora teknikföretag att samla in och tjäna pengar på enorma mängder information. Samtidigt saknas regler som säkerställer användningen och skaparnas rättigheter.
Framför allt behövs en politisk debatt om vilken AI vi vill ha. Teknikutvecklingen får inte lämnas åt en liten grupp teknikföretag och miljardärer. AI ska inte främst användas för att pressa ner löner, ersätta människor och koncentrera ännu mer makt och rikedom.
Klimatfrågan är också en viktig del i diskussionen och är inte om en enskild AI-fråga ”kostar mycket”. Det gör den normalt inte. Frågan är vilken ny efterfrågan på elektricitet som uppstår när AI blir en självklar del av miljarder människors vardag och när företag bygger in AI i allt fler tjänster. Effektivare AI kan minska energin per fråga dramatiskt. Men om användningen växer ännu snabbare kan den totala energiförbrukningen ändå öka.
Det är politiska frågor om hur mycket AI ska vi ha, vilken typ av AI och till vilka ändamål: Ska AI tjäna folket och samhället – eller ska vi bara anpassa oss efter AI och kapitalets krav?
Referenser
[1] Vanderbauwhede, ”Energy and carbon footprint of ChatGPT and conventional search”, 2024. https://arxiv.org/pdf/2407.16894
[2] Oviedo et al., ”Energy Use of AI Inference, Efficiency Pathways, and Test-Time Scaling”, Joule, 2026. https://arxiv.org/abs/2509.20241
[3] Kumar et al., ”GPT-OSS-20B: A Comprehensive Deployment-Centric Analysis of OpenAI’s Open-Weight Mixture of Experts Model”, 2025. https://arxiv.org/pdf/2508.16700
[4] Chung et al., ”Where Do the Joules Go? Diagnosing Inference Energy Consumption”, 2026. https://arxiv.org/abs/2601.22076
[5] Fernandez et al., ”Energy Considerations of Large Language Model Inference and Efficiency Optimizations”, ACL 2025. https://aclanthology.org/2025.acl-long.1563
[6] ”Gartner Says Data Center Electricity Consumption to Grow 26% in 2026”. https://www.gartner.com/en/newsroom/press-releases/2026-06-10-gartner-says-data-center-electricity-demand-to-grow-26-percent-in-2026
[7] ”Google’s AI buildout drove 37% increase in electricity use in 2025 – Ars Technica”. https://arstechnica.com/ai/2026/07/googles-ai-buildout-drove-37-increase-in-electricity-use-in-2025
[8] ” Rising Emissions, Depleting Water and Vanishing Land – United Nations ”. https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints
[1] En bild/dag + en videosnutt/tionde dag: ((70 + 100)*0.31 Wh*365*4.1*10^9) = 254 TWh. Eller en bild/vecka och en video per månad = (70/7 + 1000/31)/( ((70 + 100)) ger ca 25 % av 254 TWh = 63 TWh
Artikel publicerad 08 september, 2026.