Vi vet: bruk av kunstig intelligens krever mye større mengder energi og vann enn vanlige nettsøk. EN tekstmelding utsending til GeminiGoogles AI, bruker i gjennomsnitt 0,24 Wh av energi, frigjør 0,03 gram CO₂ og tar ca 0,26 milliliter vanntilsvarende fem dråper. Tilsynelatende ubetydelige tall. Men når du flytter fokus på GPT-4 av OpenAI, endrer bildet seg radikalt: hvordan anslår de Washington Post og University of Californiagenerere en enkelt e-post på 100 ord krever 0,14 kWh – nok til å mate 14 LED-pærer i en time – og absorberer 519 milliliter vannlite mer enn en halv liters flaske.
Vi må imidlertid presisere det fastsette den faktiske økologiske kostnaden for hver enkelt forespørsel sendt til AI er en operasjon ekstremt kompleks skal fullføres og at disse estimatene ikke tar hensyn til de nyeste modellene, men er basert på et standardisert kompleksitetsnivå som uunngåelig varierer avhengig av de ulike beregningsmetodikkene og arkitekturen til de undersøkte systemene. Hvordan det ser ut nå
Hvorfor AI bruker så mye
Hver gang vi skriver inn en forespørsel og sender den til AI, utfører modellene milliarder av beregninger for å behandle den og returnere et svar. Denne prosessen genererer varmeog for å unngå prosessor overoppheting datasentre bruker store vannkjølesystemer: væsken absorberer varme og sprer den ut i atmosfæren gjennom fordampningstårn.
Inntil nylig har store teknologiselskaper vært ekstremt hemmelighetsfulle om forbruket sitt. Google brøt tausheten for et knapt år siden, og publiserte en rapport som inneholder data om Geminis effektivitet basert på 12 måneders analyser. For å få en representativ verdi beregnet forskerne den såkalte «median prompt» – forespørselen på den femtiende persentilen av forbruk – inkludert ikke bare energien som brukes av brikkene, men hele maskinvareøkosystemet: fra CPUer til RAM, gjennom ventilasjonssystemer og til og med maskiner i inaktiv tilstand.
Studiens begrensninger
Studien har imidlertid noen grenser. Den ekskluderer bilde- og videogenereringsmodeller – blant de mest beregningskrevende – og som det ennå ikke eksisterer universelt delte beregninger for. Eksperter påpeker også at å sammenligne et tradisjonelt nettsøk med et generativt søk er svært misvisende: samhandlingsdynamikken er for forskjellig.
0,24 Wh for en enkel melding virker beskjeden, men den virkelige vekten kommer frem når man vurdererhele samtaleøkten: ettersom spørsmålene blir mer komplekse og det kontekstuelle minnet som kreves fra serveren vokser, øker forbruket. Med hinsides 900 millioner aktive brukere per måned (data oppdatert fra 19. mai 2026) og stadig økende trafikkvolumer, er det tydelig at enkeltspørringsdataene bare er et fragment av et mye større bilde.
På ChatGPT estimatene – utviklet av Washington Post og fra University of California – de snakker om et desidert høyere forbruk. Projiserer dataene på global skala, er det beregnet at systemet kan absorbere omtrentlig 39,98 millioner kWh per dag: tilsvarende den samtidige ladningen på åtte millioner smarttelefonereller det årlige energibehovet til hele lavforbruksnasjoner. På vannfronten et daglig forbruk på ca 39,16 millioner liter ferskvannet beløp som kan sammenlignes med samtidig spyling av toalettene til hele befolkningen i Taiwan.
Trening, inferens og parameterløpet
Eksperter skiller to faser i miljøpåvirkningen av AI:innledende opplæring av modellen ogslutningdvs. behandle svar i sanntid. I tradisjonelle søkemotorer var den største andelen energi knyttet til det endelige svaret. Med moderne språkmodeller har imidlertid de interne parameterne vokst eksponentielt, noe som gjør hver enkelt behandling stadig dyrere.
Denne teknologiske eskaleringen kolliderer med skjørheten til globale vannressurser. En femtedel av amerikanske datasentre henter vann fra bassenger som allerede er under vannstressog mange av de nye anleggene som planlegges i Europa er lokalisert i områder med høy risiko for tørke.
For å begrense virkningen har Google tatt i bruk strategier for fleksibilitet i arbeidsbelastningen, og flyttet tyngre prosessering i tidslukene der nettverket er mindre stresset eller fornybar energi er tilgjengelig. I tørre områder som Arizona, valgte han luftkjøling i stedet for vannkjølinggir opp en 10% strømsparing, for å bevare lokale reserver. Mer enn en fjerdedel av anleggene bruker allerede resirkulert eller ikke-drikkevann.
En balanse gjenstår fortsatt
Optimalisering av energieffektivitet gjennom nye maskinvarekomponenter krever betydelige investeringer, ofte overskygget av det kommersielle hastverket til markedet. Det er de som hevder at AI selv i fremtiden vil optimere forvaltningen av planetariske ressurser, et prospekt som for øyeblikket imidlertid kan virke altfor optimistisk og ikke helt risikofritt. I nåtiden er prioriteringen sannsynligvis en annen: følge med strenghet og åpenhet den virkelige effekten av hver av våre digitale interaksjoner. Dette er en oppgave som er langt fra enkel å fullføre.
