Vad är AI:s materialavtryck?

En AI-modell kan framstå som programvara på en skärm, men för att köra den krävs en lång fysisk kedja. Gruvor och raffinaderier levererar råvaror; halvledarfabriker tillverkar processorer och minne; utrustningstillverkare monterar servrar; och datacenter tillhandahåller el, nätverk och kylning.

Denna skillnad spelar roll eftersom elen för drift bara är en del av livscykeln. Innan en server behandlar sin första prompt har energi och material redan använts för att tillverka dess chip, kretskort, nätaggregat, lagringsenheter och kylutrustning samt byggnaden som rymmer dem.

Ingen enskild siffra fångar hela detta avtryck. Avgränsningarna varierar mellan studier: vissa räknar bara datorutrustning, medan andra omfattar byggnader, elinfrastruktur, vatten, nätverk, utbytescykler eller behandling vid livslängdens slut. En trovärdig uppskattning måste ange vad som ingår.

AI-acceleratorer kombinerar processorer, minne med hög bandbredd, kretskort, kylkomponenter och komplex chipkapsling. Tillverkningen kräver extremt kontrollerade förhållanden, upprepade processteg, ultrarent vatten, el, specialgaser och kemikalier.

Mindre processnoder i halvledartillverkningen kan ge högre beräkningsprestanda, men tillverkningen blir inte fri från miljöpåverkan. Genomgången från The Shift Project konstaterar att energianvändning, vattenanvändning och växthusgaspåverkan per enhet kiselyta kan öka när tillverkningsprocesserna blir mer avancerade, samtidigt som offentliga produktdata förblir ofullständiga.

Effektiviteten måste därför bedömas på två nivåer. En nyare accelerator kan utföra samma arbetsbelastning med mindre el, men ett förtida utbyte av utrustning skapar också ett nytt tillverkningsavtryck. Det bästa utfallet beror på hur effektivt arbetsbelastningen hanteras, utrustningens användbara livslängd, nyttjandegraden och vad som händer med den utbytta hårdvaran.

Servrar innehåller stål, aluminium, koppar, kisel och många mindre mängder specialmaterial som används i elektronik, batterier, magneter, kontaktdon och kraftsystem. Forskningen från ADEME som sammanfattas av The Shift Project visar att fler än 50 metaller kan förekomma i digital utrustning.

Frågan handlar inte bara om varje materials massa. Gruvbrytning, raffinering och komponenttillverkning sker i olika länder med mycket varierande förhållanden vad gäller energi, vatten, föroreningar, arbetsvillkor och styrning. En liten mängd av ett material som är svårt att raffinera kan ha en påverkan som inte syns i den färdiga serverns vikt.

Leveranskedjorna är också geografiskt koncentrerade. Stanfords AI Index lyfter fram att tillverkningen av avancerade halvledare och beräkningskapaciteten för AI är koncentrerad till ett fåtal länder. Denna koncentration kan skapa industriella flaskhalsar och fördela nyttor och miljöbelastningar ojämnt.

AI-infrastruktur kräver mer än serverrack med acceleratorer. Datacenter använder betong, konstruktionsstål, transformatorstationer, reservsystem, batterier, transformatorer, ställverk, kablar, pumpar, värmeväxlare, kyltorn och nätverksutrustning.

Inbyggda utsläpp från tillverkning och byggande är ofta mindre än utsläppen från drift i ett elnät med stor andel fossil energi, men de är inte försumbara. Deras relativa betydelse ökar när elens koldioxidintensitet minskar, eftersom betong, stål, elektronik och ersättningsutrustning fortfarande ingår i livscykeln.

Anläggningen och IT-utrustningen åldras också i olika takt. En inlaga från 2026 för Googles datacenter Agate i Nebraska beskriver en typisk dimensionerande livslängd för anläggningen på mer än 25 år och ett byggnadsskal med en livslängd på 30 till 50 år, medan interna delsystem för databehandling, el och kylning byts ut eller moderniseras modulvis. Detta är en operatörs beskrivning av ett datacenter, inte en allmän regel för branschen.

Efterfrågan på snabbare acceleratorer kan förkorta de faktiska utbytescyklerna även när äldre hårdvara fortfarande fungerar. Ny utrustning kan förbättra prestandan per watt, men tillverkningen kräver en ny omgång material, industriell energi, transporter och installation.

Hårdvara som tas ur drift blir inte automatiskt avfall. Vissa servrar och komponenter kan flyttas till mindre krävande arbetsbelastningar, rekonditioneras, säljas vidare eller användas som reservdelar. Säker datahantering, kompatibilitet, energieffektivitet och underhållskostnader avgör om återanvändning är praktiskt genomförbar.

Det som inte kan återanvändas går vidare till hantering som elavfall. Rapporten från UNU-INWEH hänvisar till en prognos om upp till 2,5 miljoner ton AI-relaterat elavfall per år till 2030. Detta är en framåtblickande uppskattning och inte en uppmätt totalsiffra för nuläget, och den beror starkt på antaganden om utbyggnad och utbyte.

Tillverkning av halvledare och elektronik kan förbruka vatten och involvera lösningsmedel, specialgaser och svårnedbrytbara kemikalier. PFAS används i vissa halvledarprocesser och tillämpningar för värmeöverföring, men offentligt tillgängliga belägg ger inget stöd för att tillskriva enbart AI en exakt global PFAS-mängd.

Markanvändning är en annan avgränsning. Gruvor, fabriker, elproduktion, transmissionsledningar och datacenterområden tar alla plats, men resultaten för markavtrycket beror starkt på elkällan och beräkningsmetoden. Rapporten från UNU-INWEH visar varför val med låga koldioxidutsläpp, låg vattenförbrukning och liten markanvändning inte alltid är samma val.

Dessa effekter kan uppstå långt från dem som använder den slutliga tjänsten. Mineraler kan utvinnas i en region, raffineras i en annan, bearbetas till chip någon annanstans och installeras i datacenter som betjänar användare över hela världen. Livscykelanalys bidrar till att synliggöra dessa utspridda effekter utan att göra anspråk på att sammanfatta dem alla i ett enda värde.

De mest direkta åtgärderna är längre användbar livslängd för hårdvara, hög nyttjandegrad för servrar, reparerbara och modulära system, återanvändning före återvinning, renare tillverkning och bättre återvinning av värdefulla material. Operatörer kan också publicera avtryck på produktnivå och riktlinjer för utbyte så att förbättringar kan verifieras.

Val av programvara spelar också roll. Mindre modeller som är anpassade till ändamålet, effektiv inferens, batchbearbetning, kvantisering och styrning av enkla uppgifter till mindre resurskrävande system kan ge nyttigt arbete från befintlig hårdvara. Effektivisering minskar bara det totala avtrycket om den växande efterfrågan inte äter upp besparingarna.

Bättre mätning är avgörande. Rapporteringen bör skilja el för drift från inbyggda utsläpp, ange livscykelns avgränsningar och skilja företagsövergripande genomsnitt från uppgifter för enskilda anläggningar. Målet är inte att koppla en exakt materialsiffra till varje prompt, utan att göra infrastrukturbeslut mer transparenta och jämförbara.