Senest fagligt gennemgået 26. august 2026.
Kort svar: AI bruger strøm, fordi træning og brug af modeller foregår på specialiserede servere i datacentre. Det globale elforbrug fra datacentre var omkring 485 TWh i 2025, og Det Internationale Energiagentur (IEA) forventer, at det kan stige til omkring 950 TWh i 2030. AI er en af de vigtigste drivkræfter bag væksten, men det er misvisende at sætte ét fast energital på en enkelt AI-prompt, fordi forbruget varierer enormt med model, hardware og opgavetype.
AI’s energiforbrug er derfor både mindre og større, end debatten ofte får det til at lyde. En enkel tekstforespørgsel kan være relativt energieffektiv, mens avanceret ræsonnering, videogenerering og agentiske arbejdsforløb kan kræve hundreder eller tusinder af gange mere energi. Samtidig betyder den eksplosive vækst i antallet af brugere og datacentre, at selv faldende energiforbrug pr. opgave ikke nødvendigvis sænker det samlede forbrug.
Hvis du først vil forstå teknologien bag, kan du læse vores guide til hvad kunstig intelligens er. Vi har også en særskilt artikel om hvorfor AI bruger GPU’er.
Hvor meget strøm bruger AI?
Der findes ikke ét globalt måleapparat, som kan fortælle præcist, hvor mange terawatt-timer der alene går til AI. AI kører i de samme datacentre, som også håndterer cloudtjenester, streaming, databaser, almindelige websider og mange andre digitale tjenester.
IEA vurderer, at verdens datacentre brugte omkring 485 TWh elektricitet i 2025. Det svarer til cirka 1,5 procent af det globale elforbrug. IEA’s centrale prognose peger på omkring 950 TWh i 2030, altså næsten en fordobling på fem år. AI-fokuserede datacentre forventes at vokse endnu hurtigere og omtrent tredoble deres elforbrug i samme periode.
Det betyder ikke, at AI i 2030 vil bruge tre procent af al verdens strøm alene. Tallet omfatter hele datacentersektoren. Men IEA vurderer, at accelererede servere, som især bruges til AI, står for en stor del af den nye efterspørgsel.
Hvorfor kræver AI mere computerkraft?
Generativ AI adskiller sig fra mange traditionelle digitale tjenester ved at udføre store mængder beregninger for hvert svar. Moderne modeller arbejder med milliarder af parametre og udfører enorme mængder matrixberegninger, når de trænes og senere bruges til at generere tekst, billeder, lyd eller video.
Derfor bruger AI-datacentre mange specialiserede acceleratorer som GPU’er og Googles TPU’er. De kan udføre AI-beregninger langt mere effektivt end almindelige processorer, men de samlede installationer er samtidig meget kraftige. IEA peger på, at strømtætheden i AI-servere steg kraftigt fra 2020 til 2025 og fortsat stiger.
En moderne AI-serverpark bruger desuden ikke kun strøm på selve chipsene. Netværksudstyr, lagring, strømforsyning og især køling kræver også energi. I gennemsnit står serverne for omkring 60 procent af et moderne datacenters elforbrug, mens resten blandt andet går til infrastruktur og køling.
Træning og almindelig brug er to forskellige ting
Det er nyttigt at skelne mellem træning og inference. Træning er den proces, hvor en model lærer mønstre fra store datamængder. Den kan køre i uger eller måneder på tusindvis af acceleratorer og kræver derfor meget strøm på én gang.
Inference er den daglige brug af modellen: når du skriver en prompt, får et billede genereret eller lader en AI-agent udføre en opgave. Hver enkelt handling er langt mindre end en stor træningskørsel, men når millioner eller milliarder af brugere anvender modellerne hver dag, bliver det samlede inference-forbrug betydeligt.
Efterhånden som AI bliver mere udbredt, kan den løbende brug derfor fylde lige så meget eller mere end selve træningen. Det er også en af grundene til, at energidebatten ikke kan reduceres til spørgsmålet om, hvor meget strøm det kostede at træne én bestemt model.
Hvor meget strøm bruger én AI-prompt?
Her bliver mange populære sammenligninger for simple. Der findes ikke ét korrekt tal for en ChatGPT-, Gemini- eller anden AI-prompt. En kort tekstforespørgsel til en lille effektiv model er noget helt andet end et langt ræsonneringsforløb på en stor model eller generering af en video.
IEA vurderer i sin 2026-analyse, at energiforbruget pr. AI-opgave er faldet med mindst en størrelsesorden om året i de seneste år. En simpel tekstforespørgsel bruger typisk mindre elektricitet end et fjernsyn bruger i den tid, forespørgslen tager.
Men samme analyse fremhæver, at nyere anvendelser som avanceret ræsonnering, videogenerering og agentiske opgaver kan bruge hundreder eller tusinder af gange mere energi end simpel tekstgenerering. Derfor bliver sammenligninger som “én prompt svarer til X Google-søgninger” hurtigt både forældede og misvisende.
Effektiviteten bliver bedre – men det samlede forbrug stiger stadig
AI-hardware og software bliver hurtigt mere energieffektiv. Nye acceleratorer kan udføre langt flere beregninger pr. watt, modeller kan komprimeres, og virksomheder optimerer både software og datacentre.
Google oplyser eksempelvis, at selskabets nyere datacenterinfrastruktur bruger markant mindre overheadenergi end branchegennemsnittet, og at effektiviseringer i hardware og software spiller en central rolle i at begrænse klimaaftrykket. Microsoft arbejder blandt andet med direkte væskekøling for at mindske både køleenergi og vandforbrug.
Problemet er, at lavere energiforbrug pr. opgave kan gøre AI billigere og føre til langt mere brug. Hvis hver forespørgsel bliver ti gange mere effektiv, men antallet og kompleksiteten af forespørgsler vokser endnu hurtigere, stiger det samlede elforbrug stadig. Det er denne kombination af effektivisering og eksplosiv efterspørgsel, der gør fremtidige prognoser usikre.
Hvorfor er datacentrenes placering vigtig?
På globalt plan er datacentre fortsat en relativt lille del af elforbruget. Men deres påvirkning kan være meget større lokalt, fordi store datacentre koncentrerer enorme mængder strømforbrug på ét sted.
IEA sammenligner et typisk AI-fokuseret hyperscale-datacenter med strømforbruget fra omkring 100.000 husstande. De største anlæg under opførelse kan være mange gange større. Derfor kan et nyt datacenter kræve nye transmissionslinjer, transformere, kraftværker eller anden netinfrastruktur, selv om datacentres globale procentandel stadig ser moderat ud.
Det er også her spørgsmålet om elpriser og energisikkerhed bliver relevant. Problemet er ikke nødvendigvis, at verden “løber tør for strøm”, men at efterspørgslen kan vokse hurtigere i bestemte områder, end elnet og ny produktion kan følge med.
Bruger AI også meget vand?
Datacentre kan bruge vand til køling, men vandforbruget varierer kraftigt med anlæggets design, klima, køleteknologi og placering. Derfor er det lige så vanskeligt at sætte ét universelt “vand pr. prompt”-tal som et fast strømforbrug pr. prompt.
Vand kan desuden bruges indirekte i produktionen af den elektricitet, datacentret forbruger. Omvendt investerer de store operatører i mere vandeffektive kølesystemer og projekter, der skal genopfylde vandressourcer. Google oplyste i sin miljørapport for 2026, at selskabets vandprojekter i 2025 genopfyldte en mængde svarende til omkring 78 procent af virksomhedens samlede ferskvandsforbrug. Det viser både størrelsen af ressourcebehovet og den indsats, virksomhederne forsøger at lægge ovenpå.
Er AI nødvendigvis dårligt for klimaet?
Ikke nødvendigvis. Strømforbrug og klimaaftryk er ikke det samme. Et datacenter, der bruger strøm fra et elnet med meget vind, sol, vandkraft eller atomkraft, kan have et lavere klimaaftryk end et tilsvarende anlæg på et mere fossilbaseret elnet.
IEA forventer, at vedvarende energi vil levere næsten halvdelen af væksten i strømforsyningen til datacentre frem mod 2035. Naturgas og atomkraft forventes også at spille en betydelig rolle. Derfor afhænger AI’s klimaaftryk ikke kun af, hvor meget strøm teknologien bruger, men også af hvor og hvordan strømmen produceres.
AI kan samtidig bruges til at optimere energisystemer, bygninger, transport og industrielle processer. Det betyder ikke, at energiforbruget bør ignoreres, men at den samlede miljøeffekt ikke kan vurderes ud fra datacentrenes strømforbrug alene.
Hvad kan begrænse AI’s energiforbrug?
Den vigtigste tekniske faktor er effektivitet: bedre chips, mindre modeller, smartere software, mere effektiv køling og bedre udnyttelse af serverkapaciteten. Derudover bliver placeringen af datacentre og adgangen til stabil lavemissionsenergi stadig vigtigere.
På energisiden investerer teknologivirksomheder i vind, sol, lagring, atomkraft og geotermi. På netsiden er udfordringen at bygge transmission, transformere og nye forbindelser hurtigt nok. IEA fremhæver netop flaskehalse i elnet, transformere og forsyningskæder som en af de faktorer, der kan begrænse datacenterudbygningen frem mod 2030.
Så stort er problemet egentlig
AI’s energiforbrug er reelt og vokser hurtigt, men to modsatrettede overdrivelser bør undgås. Det er forkert at fremstille en almindelig tekstprompt som en miljøkatastrofe i sig selv. Det er lige så forkert at afvise energiproblemet, fordi datacentre kun udgør få procent af verdens samlede elforbrug.
Den vigtigste udvikling foregår på systemniveau: millioner af nye AI-brugere, mere krævende modeller og enorme nye datacentre møder elnet, som tager langt længere tid at udbygge end computerhardware. IEA’s seneste vurdering er derfor et godt pejlemærke: datacenterforbruget kan næsten fordobles fra 2025 til 2030, mens AI-fokuserede centre vokser endnu hurtigere.
Det centrale spørgsmål er derfor ikke, om AI bruger energi. Det gør teknologien. Spørgsmålet er, hvor effektivt beregningerne kan udføres, hvor meget AI vi vælger at bruge, og om ny strømproduktion og elnet kan udbygges hurtigt og bæredygtigt nok til at følge med.
Kilder og research
Denne guide bygger primært på Det Internationale Energiagenturs analyser af AI og datacentres energiforbrug samt aktuelle miljørapporter fra Google og Microsoft. Tallene ændrer sig hurtigt, og vi prioriterer derfor systemniveau og størrelsesordener frem for faste energital pr. prompt.
IEA – Key Questions on Energy and AI (2026)
IEA – Energy demand from AI
IEA – Energy supply for AI
Google – Environmental Report 2026
Microsoft – Environmental Sustainability Report 2026
Be the first to comment