AI og ChatGPT bruger strøm, fordi forespørgsler behandles i datacentre med specialiserede chips, køling og netværk. En enkelt chatbesked kan være lille, men samlet forbrug vokser med millioner af brugere, større modeller, billedgenerering og nye datacentre. Det præcise svar afhænger af model, datacenter og elmix.
AI og ChatGPT bruger strøm i datacentre, men der findes ikke ét fast tal for alle forespørgsler. Forbruget afhænger af model, svarlængde, hardware, køling og elmix, så både små per-brug-tal og den voksende samlede datacenterbelastning skal vurderes med tydelige forbehold.
Hvorfor bruger AI strøm?
AI bruger strøm, når en model trænes, gemmes, køres og gøres tilgængelig for brugere. Når du skriver til ChatGPT eller et andet generativt AI-system, bliver teksten sendt til servere, hvor grafikkort, AI-acceleratorer eller andre specialiserede chips beregner det næste svar. Den beregning kræver elektricitet, og serverne kræver også køling, strømforsyning, netværk og reservemargin.
Det er derfor misvisende kun at se på selve chippen. Et realistisk energital kan også omfatte CPU, hukommelse, inaktiv serverkapacitet, datacenterets køleanlæg og tab i strømfordeling. Hvor meget der tælles med, kaldes målegrænsen. To tal kan begge være rigtige inden for hver deres målegrænse og alligevel være svære at sammenligne.
Store sprogmodeller bygger på teknikker som transformer-arkitekturer, tokenisering og sandsynlighedsberegninger. Hvis du vil forstå den underliggende modeltype, giver AI Mentors forklaring af GPT og generative pre-trained transformers en mere teknisk baggrund for, hvorfor tekstgenerering kræver mange beregningstrin.
Hvor meget bruger en enkelt ChatGPT-forespørgsel?
Der findes ikke ét offentligt, verificeret tal for alle ChatGPT-forespørgsler. OpenAI har ikke offentliggjort en fuld teknisk metode for strømforbrug pr. forespørgsel på tværs af alle modeller, datacentre og svarlængder. I juni 2025 skrev Sam Altman, at en gennemsnitlig ChatGPT-forespørgsel bruger omkring 0,34 watt-timer. Det bør læses som et selvrapporteret estimat, ikke som en uafhængigt dokumenteret standardværdi.
Til sammenligning rapporterede Google-forskere i 2025, at en median tekstforespørgsel i Gemini Apps brugte 0,24 watt-timer under deres fuldstaksmåling. Den måling gjaldt Googles egen produktionsinfrastruktur og omfattede blandt andet acceleratorer, CPU, hukommelse, reserveret kapacitet og datacenter-overhead. Den siger ikke direkte, hvad ChatGPT bruger, men den viser, at seriøse tal kræver en tydelig målemetode.
En watt-time er en lille energienhed. En kilowatt-time svarer til 1.000 watt-timer. Hvis en forespørgsel brugte 0,34 watt-timer, ville 1.000 lignende forespørgsler bruge 0,34 kilowatt-time før eventuelle forskelle i svarlængde, modelvalg og datacenterforhold. Regnestykket er kun illustrativt, fordi virkelige AI-systemer ikke bruger samme mængde strøm for alle opgaver.
Hvorfor varierer energiforbruget så meget?
AI-forbrug varierer, fordi en kort tekstforespørgsel, en lang analyse, billedgenerering og videobearbejdning ikke belaster samme system på samme måde. Inputlængde, svarlængde, modelstørrelse, arkitektur, aktiv kontekst, antal brugere, batching og hardwareudnyttelse ændrer strømforbruget. En model, der skriver få linjer, kræver typisk mindre beregning end en model, der håndterer lange dokumenter eller multimodale opgaver.
Modelstørrelse er en vigtig, men ikke eneste faktor. En større model kan kræve flere beregninger pr. svar, men moderne systemer kan også bruge optimeringer, specialiserede chips og arkitekturer, der kun aktiverer dele af modellen. AI Mentors artikel om parameterstørrelser i sprogmodeller forklarer, hvorfor antallet af parametre ikke alene afgør kvalitet, hastighed eller energiforbrug.
Derfor bør påstande som “AI bruger X gange mere strøm end en søgning” læses med stor præcision. Spørgsmålet er hvilken AI-model, hvilken type søgning, hvilket svar, hvilket datacenter og hvilken målegrænse der sammenlignes. Uden de oplysninger bliver tallet mere retorik end teknisk oplysning.
Hvad betyder datacentre for det samlede strømforbrug?
Det største samfundsmæssige spørgsmål handler ikke kun om én chatbesked, men om samlet datacenterkapacitet. IEA vurderede i rapporten Energy and AI, at datacentre brugte omkring 415 TWh elektricitet i 2024, svarende til cirka 1,5 procent af verdens elforbrug. IEA forventer i sit basisscenarie, at datacentres elforbrug mere end fordobles til omkring 945 TWh i 2030.
AI er ifølge IEA den vigtigste driver i denne vækst sammen med andre digitale tjenester. Det betyder ikke, at al datacenterstrøm går til AI. Cloudlagring, streaming, søgning, virksomhedssystemer, netværkstjenester og mange andre digitale aktiviteter deler den samme infrastruktur. AI gør dog kapacitetsbehovet mere synligt, fordi store modeller kræver høj tæthed af chips og nye anlæg.
IEA fremhæver også, at lokale effekter kan være større end globale gennemsnit antyder. Et AI-fokuseret datacenter kan ifølge IEA bruge lige så meget strøm som 100.000 husstande, og nogle af de største anlæg under opførelse kan bruge langt mere. For elnettet betyder placering, tilslutningskapacitet og fleksibel drift ofte mere end et globalt gennemsnitstal.
Hvad er forskellen på træning og daglig brug?
Træning er processen, hvor en model lærer mønstre fra store datasæt. Det kan kræve mange specialiserede chips i uger eller måneder, afhængigt af modelstørrelse, datamængde og træningsmetode. Når modellen er trænet, bruges den i drift til at svare på brugernes forespørgsler. Den daglige brug kaldes ofte inferens.
Historisk fyldte træning meget i debatten, fordi de største træningskørsler kunne være meget energikrævende. Efterhånden som millioner af mennesker bruger AI-værktøjer hver dag, kan inferens udgøre en stor del af det samlede forbrug. Det gælder især, når modellerne bruges til lange svar, kode, billeder, lyd, video eller agentlignende arbejdsgange med mange delkald.
Skellet mellem træning og drift er praktisk, når du vurderer en AI-løsning. Træning er ofte en engangsomkostning eller periodisk omkostning for leverandøren, mens drift vokser med brugen. En organisation, der sender tusindvis af daglige forespørgsler til en model, bør derfor se på både modelvalg, svarlængde, cache, brugeradfærd og om opgaven kan løses med en mindre model.
Hvilke typer AI-opgaver bruger typisk mest strøm?
Tekst er normalt mindre tungt end opgaver, der kræver mange tokens, billeder, lyd eller video. En kort klassifikation af en kundemail er en anden belastning end en lang juridisk analyse, en billedserie eller en video med mange frames. Multimodale systemer kan involvere flere modeller og flere beregningstrin, før brugeren ser resultatet.
| Faktor | Praktisk betydning |
|---|---|
| Langt input og langt svar | Flere tokens skal behandles, og modellen arbejder længere. |
| Større model | Kan kræve flere beregninger, men effektiv arkitektur kan ændre billedet. |
| Billede, lyd og video | Flere datatyper kan kræve ekstra modeller og tungere beregning. |
| Lav hardwareudnyttelse | Reserveret kapacitet og idle-forbrug kan fylde mere pr. forespørgsel. |
| Højt datacenter-overhead | Køling og strømfordeling øger den samlede energi ud over chipforbruget. |
Den praktiske konklusion er, at energiforbrug bør vurderes efter opgaven. En lille model kan være rigeligt til klassifikation, udtræk, oversættelse eller faste skabeloner. En større model kan være rimelig, når opgaven kræver bred ræsonnering, kompliceret kontekst eller høj sproglig kvalitet. Effektiv brug handler ikke om at undgå AI generelt, men om at bruge den mindste løsning, der løser opgaven forsvarligt.
Hvordan påvirker modelarkitektur og hardware forbruget?
AI-modeller bliver ikke kun mere energikrævende, når de bliver større. De bliver også mere effektive gennem nye chips, bedre software, batching, cache, komprimering og arkitekturer, der aktiverer færre dele af modellen ad gangen. Mixture of Experts er et eksempel på en tilgang, hvor ikke alle modeldele nødvendigvis bruges til hver forespørgsel.
AI Mentors forklaring af Mixture of Experts i AI uddyber, hvorfor selektiv aktivering kan ændre forholdet mellem modelstørrelse og beregningsforbrug. Det betyder ikke automatisk lavt strømforbrug, men det viser, at simple sammenligninger ud fra parametertal alene bliver upræcise.
Hardware betyder også meget. Moderne AI-acceleratorer kan levere flere beregninger pr. watt end ældre udstyr, men højtforbrugende chips kan samtidig øge belastningen i datacentret. Når racktætheden stiger, bliver køling, strømforsyning og lokal nettilslutning mere centrale dele af energiregnskabet.
Hvordan påvirker elmix og placering klimaaftrykket?
Strømforbrug og klimaaftryk er ikke det samme. En kilowatt-time fra et område med høj andel af vedvarende eller anden lavemissions-el giver et andet udledningsaftryk end en kilowatt-time fra et fossilt domineret elmix. Derfor kan to identiske AI-opgaver have forskellig klimapåvirkning, hvis de køres i forskellige datacentre.
Placering påvirker også vandforbrug, varmehåndtering og netbelastning. Et datacenter i et område med lav vandstress, god adgang til elnet og mulighed for varmegenbrug kan have andre konsekvenser end et datacenter i et presset område. IEA fremhæver nettilslutning og lokal kapacitet som centrale flaskehalse for nye datacenterprojekter.
For organisationer i Europa er transparens et voksende tema. EU’s Energy Efficiency Directive kræver, at ejere og operatører af datacentre med installeret IT-effekt på mindst 500 kW årligt offentliggør bestemte oplysninger, dog med undtagelser for fortrolighed og særlige anvendelser. Det gør datacentres energiforbrug mere målbart, men ikke nødvendigvis fuldt gennemsigtigt for hver AI-tjeneste.
Hvad kan du gøre for at bruge AI mere energieffektivt?
Den mest direkte handling er at matche model og opgave. Brug ikke en tung model til simple udtræk, faste klassifikationer eller rutineprægede omskrivninger, hvis en mindre model, et almindeligt script eller en søgefunktion løser opgaven. Ved gentagne arbejdsgange kan du reducere unødvendige kald ved at genbruge resultater, forkorte input og undgå at sende samme baggrundsmateriale igen og igen.
- Vælg en mindre model til simple, lavrisikoopgaver.
- Begræns lange svar, når korte svar er tilstrækkelige.
- Brug batchbehandling til store mængder ensartede opgaver, hvis værktøjet understøtter det.
- Gem godkendte standardtekster og faste data lokalt i stedet for at generere dem igen.
- Mål faktisk brug pr. team eller proces, før du optimerer ud fra generelle antagelser.
Effektivitet handler også om kvalitet. Hvis et AI-system sparer mange timers manuelt arbejde, reducerer fejl eller erstatter flere tunge softwaretrin, kan energiforbruget være rimeligt i forhold til nytten. Hvis systemet derimod bruges til lavværdi-output, lange unødvendige svar eller automatiseret støj, bliver strømforbruget sværere at forsvare.
Hvornår giver lokal AI mening?
Lokal AI kan give mening, når data ikke bør sendes til en ekstern tjeneste, når svartid er vigtig, eller når en mindre model kan løse en gentagen opgave på eksisterende hardware. Det er dog ikke automatisk mere energieffektivt. En cloududbyder med høj hardwareudnyttelse og effektiv køling kan i nogle tilfælde bruge mindre energi pr. opgave end en lokal maskine med lav udnyttelse.
AI Mentors guide til lokal AI forklarer de praktiske forskelle mellem modeller, der køres på egen hardware, og modeller, der køres i skyen. Energi bør indgå sammen med databeskyttelse, svartid, pris, modelkvalitet og driftsansvar.
En enkel beslutningsregel er at starte med opgavens krav. Hvis opgaven er følsom, kort og gentagen, kan lokal eller edge-nær AI være relevant. Hvis opgaven kræver en meget stærk model, høj tilgængelighed eller store spidsbelastninger, kan en ekstern datacenterløsning være mere praktisk. AI Mentors artikel om AI edge computing uddyber, hvordan beregning tættere på brugeren kan ændre både svartid og infrastrukturvalg.
Hvordan bør virksomheder måle AI-strømforbrug?
Virksomheder bør først kortlægge, hvilke AI-opgaver der faktisk kører, hvor ofte de kører, og hvilke modeller de bruger. Derefter kan strømforbruget vurderes gennem leverandørdata, cloudrapporter, datacenteroplysninger eller interne målinger. Det er mere nyttigt end at gange et generelt internettal med antallet af chatbeskeder.
En praktisk måling kan deles i tre niveauer. Første niveau er brugsdata: antal forespørgsler, svarlængde og modelvalg. Andet niveau er infrastrukturdata: region, hardwaretype og udnyttelse. Tredje niveau er miljødata: elmix, køling, vandforbrug og eventuel varmegenbrug. Ikke alle leverandører giver alle oplysninger, men strukturen gør manglerne synlige.
Hvis AI indgår i en intern politik, bør energiforbrug placeres sammen med sikkerhed, databeskyttelse, kvalitet og ansvar. En enkel ramme for modelvalg, datatyper og dokumentation gør det lettere at skelne mellem nødvendig AI-brug og unødvendigt ressourceforbrug.
Hvilke misforståelser går igen om AI og strøm?
Den første misforståelse er, at én AI-forespørgsel altid har et fast energital. I praksis ændrer forbruget sig med opgaven, modellen og målegrænsen. Den anden misforståelse er, at små per-forespørgselstal gør problemet ubetydeligt. Millioner eller milliarder af forespørgsler, større modeller og nye datacentre kan gøre den samlede belastning betydelig.
Den tredje misforståelse er, at al datacenterudbygning skyldes ChatGPT. AI er en væsentlig driver, men datacentre understøtter mange digitale tjenester. Den fjerde misforståelse er, at energieffektiv hardware alene løser problemet. Effektivitet kan sænke forbruget pr. opgave, men lavere omkostninger kan også øge samlet brug.
Den mest præcise formulering er derfor balanceret: En enkelt tekstforespørgsel kan være relativt lille, men AI’s samlede energibehov er voksende, lokalt mærkbart og afhængigt af, hvordan systemerne bygges og bruges. Seriøse vurderinger skal skelne mellem strøm, CO2, vand, kapacitet, målemetode og faktisk nytte.
Hvilke kilder ligger til grund?
Artiklen bygger især på IEA’s rapport Energy and AI, som samler tal for datacentres elforbrug og scenarier frem mod 2030. IEA bruges til makrotal, lokale netforbehold og vurderingen af AI som en central vækstdriver.
Per-forespørgselstal er behandlet med forbehold ud fra Google-forskernes studie Measuring the environmental impact of delivering AI at Google Scale og Sam Altmans selvrapporterede estimat i The Gentle Singularity. EU-perspektivet bygger på Directive (EU) 2023/1791, især artikel 12 om datacentre.