Forbrug af elektricitet
Store AI-systemer bruger løbende strøm gennem datacentre fyldt med GPU'er og specialiseret hardware. Træning og inferens kan kræve energi, der kan sammenlignes med tusindvis af husstande.
AI's miljøpåvirkning
Et praktisk overblik over AI’s miljøaftryk inden for elektricitet, vand, CO₂-udledning, datacentre og it-infrastruktur.
AI’s miljøpåvirkning er et spørgsmål om infrastruktur
AI-systemer afhænger af fysisk infrastruktur: GPU’er, servere, datacentre, elnet, kølesystemer, vandressourcer og globale netværk. Deres miljøaftryk afhænger af, hvor meget beregning der bruges, hvor den kører, hvor effektivt datacentret er, og hvilke energi- og køleressourcer der findes lokalt. Rapporter som Stanford AI Index giver nyttig kontekst, men TheAIMeters kombinerer flere offentlige kilder, estimater og metodiske antagelser i stedet for at basere sig på én enkelt reference.
Visuel AI-påvirkning
Sådan ser AI-forbrug ud
Se AI's vandforbrug, elforbrug og CO₂-udledning omsat til virkelige størrelsesordener.
AI's materialefodaftryk
AI er også afhængig af mineraler, halvlederproduktion, servere, opførelse af datacentre og udskiftning af hardware. Dette fodaftryk over livscyklussen er mindre synligt end elforbruget, men er en del af det samme fysiske system.
Start med de centrale spørgsmål om virkningen
Den mest nyttige måde at forstå AI’s indvirkning på er at opdele de vigtigste faktorer: elforbrug, kulstofintensitet, vandforbrug, træningskørsler, inferenstrafik og køling af datacentre. På de følgende sider forklares hver enkelt del, uden at TheAIMeters’ skøn betragtes som officielle tal.
Forståelse af AI's indvirkning gennem sammenligninger med den virkelige verden
Infrastruktur til kunstig intelligens bruger enorme mængder elektricitet, kølevand og computerressourcer. Disse tal bliver lettere at forstå, når de sammenlignes med velkendte aktiviteter i den virkelige verden.
Udledning af kulstof
AI-relaterede CO2-emissioner afhænger i høj grad af det energimix, der driver datacentrene. Elektricitet baseret på fossile brændstoffer har et meget større miljømæssigt fodaftryk end vedvarende energikilder.
Vandforbrug
Moderne AI-infrastruktur kræver betydelig kølekapacitet. Mange datacentre er afhængige af vandbaserede kølesystemer, hvilket gør vandforbruget til en stadig vigtigere del af diskussionerne om AI-bæredygtighed.
Forbrug af elektricitet
Elektricitet er grundlaget for AI's infrastrukturfodaftryk. GPU'er, servere, netværk og kølesystemer bidrager alle til energibehovet.
Læs mere om detUdledning af kulstof
AI-relaterede CO₂e-udledninger afhænger af den elektricitet, der bruges, og kulstofintensiteten i de net, der forsyner datacentrene med strøm.
Læs mere om detBrug af vand
Vand kan inddrages direkte gennem køling af datacentre og indirekte gennem elproduktion, afhængigt af region og infrastruktur.
Læs mere om detVigtige miljøvejledninger
Sådan ser AI-forbrug udHvad er AI's materialefodaftryk?Hvorfor bruger kunstig intelligens så meget energi?Er AI-datacentre skadelige for miljøet?Hvorfor bruger AI-datacentre vand?Strømforbrug pr. AI-forespørgselSådan fungerer AI-datacentreHvad er et AI-datacenter?Hvor ligger AI-datacentrene?Støjforurening fra datacentreAI-relaterede CO₂-udledningerKan kunstig intelligens forårsage vandmangel?
Træning versus udledning
AI’s miljøpåvirkning kommer både fra træning af store modeller og fra at betjene milliarder af inferensforespørgsler hver dag. Træning kræver massive toppe af beregningskraft, mens inferensarbejdsbelastninger skaber en konstant langsigtet belastning på global infrastruktur. Stanford AI Index 2026 fremhæver dette dobbelte pres ved at følge træningsemissioner, estimater for inferensenergi og effektkapacitet i AI-datacentre separat.
Datacentre og køling
AI-datacentre koncentrerer store mængder beregning i tætte GPU-klynger. Det gør køling, vandtilgængelighed, strømforsyning og lokal netkapacitet centrale for AI-infrastrukturens miljøpåvirkning. Stanford AI Index 2026 estimerede den globale effektkapacitet for AI-datacentre til omkring 29,6 GW i fjerde kvartal 2025, et nyttigt signal om skala snarere end en komplet liveopgørelse.
Kan AI blive mere effektiv?
Forskere og infrastrukturudbydere arbejder aktivt på at forbedre AI-effektiviteten gennem bedre chips, optimerede modeller, datacentre, der drives af vedvarende energi, og mere effektive kølesystemer. Men den globale udbredelse af AI vokser også ekstremt hurtigt, hvilket kan udligne nogle af disse gevinster.
Hvorfor skønene fortsat er usikre
Offentlig rapportering er ufuldstændig. Modelstørrelse, hardwaretype, udnyttelsesgrad, datacenterplacering, køleteknologi, elmix og fordelingen mellem træning og inferens kan alle ændre det endelige aftryk. Eksterne rapporter kan give vigtige holdepunkter, men TheAIMeters bør læses som transparente, retningsgivende estimater bygget på flere kilder snarere end officielle målinger.
Metodologi
Disse indikatorer kombinerer offentlige data, antagelser om infrastruktur og periodiske opdateringer. Detaljerede antagelser er tilgængelige på siden Metodologi Metodologi.
Relaterede live-indikatorer
Relaterede artikler
Er AI-datacentre skadelige for miljøet?
AI-datacentre er ikke nødvendigvis skadelige for miljøet, men deres miljøpåvirkning afhænger af elforbruget, elforsyningssammensætningen, vandforbruget, kølesystemets udformning, lokale begrænsninger og gennemsigtighed.
Sådan ser AI-forbrug ud
Se AI's vandforbrug, elforbrug og CO₂-udledning omsat til virkelige størrelsesordener.
Hvordan AI-modeller trænes
AI-modeller trænes ved at lære mønstre fra store datasæt, justere interne parametre og derefter bruge disse mønstre til at svare på nye input. Denne træningsproces er grundlaget for, hvordan AI-modeller fungerer.
Hvad er AI-inferens?
AI-inferens er det øjeblik, hvor en trænet model bruges til at besvare en forespørgsel, generere indhold, klassificere data eller foretage en forudsigelse på baggrund af en ny indtastning.
Hvordan fungerer AI-modeller?
AI-modeller fungerer ved at lære mønstre ud fra data, gemme disse mønstre i parametre og bruge dem til at foretage forudsigelser eller generere nyttige resultater ud fra nye inddata.
Hvad er MCP i AI? Model Context Protocol forklaret
MCP, eller Model Context Protocol, er en åben protokol til at forbinde AI-applikationer med eksterne værktøjer, datakilder og workflows via en standardgrænseflade.