Hur påverkar AI miljön?

AI påverkar miljön genom elen som driver datacentren, vattnet som går åt till kylning och elproduktion och metallerna i hårdvaran. En vanlig fråga drar ungefär 0,3 wattimmar, en nittiondel av elen det tar att koka upp vatten till en kopp te. Den förbrukar runt 1,6 milliliter vatten, långt från den halva liter som ofta nämns. För den som använder AI då och då står AI:n för under 0,01 procent av klimatavtrycket. Med AI igång hela arbetsdagen blir det runt 0,2 procent och för en utvecklare som låter AI-agenter programmera på egen hand hela dagarna runt en procent. Använder du AI i arbetet får du samtidigt betydligt mer gjort, så påverkan för varje sak du gör blir oftast mindre.

Totalt ökar AI ändå världens elanvändning snabbt, men påverkan märks tydligast där datacenter byggs på fel plats, till exempel där det är ont om vatten, elen är fossil eller bostäderna ligger nära.

Hur mycket el drar en AI-fråga?

En vanlig textfråga till dagens AI-assistenter drar mellan 0,24 och 0,34 wattimmar enligt Google, Microsofts forskare och OpenAI. En wattimme är en tusendel av den kilowattimme som står på elräkningen. Google mätte 0,24 wattimmar för en typisk textfråga i Gemini i maj 2025, medianen av alla frågor, inklusive kylningen av datacentret och de servrar som står påslagna i reserv för att klara toppar i trafiken. Microsofts forskare skattade 0,31 wattimmar för en typisk fråga till en stor språkmodell på Nvidias H100-servrar. OpenAI:s VD Sam Altman skrev i juni 2025 att en genomsnittlig fråga till ChatGPT drar 0,34 wattimmar, men utan att redovisa hur siffran räknats fram.

En fråga till ChatGPT eller Gemini drar ungefär lika mycket el, medan varken Microsoft, vars Copilot främst drivs av OpenAI:s modeller, eller Anthropic, som gör Claude, har redovisat någon egen siffra. Det internationella energiorganet IEA skriver att en enkel textfråga idag oftast drar mindre el än en tv som är på under de sekunder det tar att få svaret.

👉 Nackdelarna med ChatGPT

En vanlig AI-fråga idag drar ungefär lika mycket el som en googling drog 2009, inte tio gånger mer som många har hört. Siffran 3 wattimmar kommer från en analys som forskaren Alex de Vries publicerade 2023. Den byggde på en äldre modell på äldre servrar och antog att varje svar var runt 1 500 ord långt, flera gånger längre än ett vanligt svar. Resultatet ställdes mot Googles egen siffra för en sökning 2009, 0,3 wattimmar. Forskningsinstitutet Epoch AI visade i februari 2025 att 3 wattimmar var ungefär tio gånger för högt. Microsofts forskare skriver att de vanligast citerade siffrorna ligger 4 till 20 gånger över verkligheten.

El per vanlig fråga beroende på vem som räknar

Uppgift	Värde	Spann
Google, uppmätt, Gemini, maj 2025	0,24 Wh
Microsofts forskare, Skattning, september 2025	0,31 Wh
Sam Altman, ChatGPT, juni 2025	0,34 Wh
En googling 2009, Googles egen siffra	0,3 Wh
3 wattimmar per fråga, Vanligt i nyheterna	3 Wh

Varje steg på skalan är tio gånger mer än steget före. Google (augusti 2025), Microsofts forskare (september 2025), Sam Altman (juni 2025), Epoch AI (februari 2025) och Google (2009).

Siffrorna gäller att använda språkmodellen, inte att träna den. Att träna en språkmodell, alltså låta den lära sig av enorma mängder text innan den släpps, drar också el, men den kostnaden ingår inte i siffrorna per fråga. Enligt det amerikanska forskningslaboratoriet Lawrence Berkeley National Laboratory gick ungefär 40 procent av AI-servrarnas el i USA till träning 2023 och resten till att svara på frågor. IEA skriver att en allt större del av elen sedan dess går till att svara på frågor.

Varför drar vissa AI-uppgifter mer el än andra?

Antalet frågor säger lite om elen, eftersom det som drar el är hur mycket text språkmodellen läser och skriver. Språkmodellen räknar i tokens, ordbitar där ett svenskt ord blir drygt en och en halv token i OpenAI:s modeller. Allt den läser räknas, alltså din fråga, bifogade filer, webbsidor den hämtar och resten av samtalet. Att skriva drar mer än att läsa, eftersom varje ny token kräver en egen beräkning. En resonerande språkmodell tänker dessutom igenom uppgiften i text innan den svarar. I ChatGPT, Claude, Gemini och Copilot väljer du själv hur mycket AI:n ska tänka, med ett reglage, en knapp eller ett läge som heter ungefär ”tänk djupare”. Även det tänkandet drar el, trots att du aldrig ser det.

👉 Vad kostar AI via API?

Enligt vår räkning drar ett mejl eller en vanlig fråga 0,2 till 0,3 wattimmar. Att låta AI:n sammanfatta en rapport på 20 sidor drar ungefär tio gånger mer än ett mejl, eftersom den måste läsa hela rapporten. I OpenAI:s test GDPval har branschexperter tagit fram typiska arbetsuppgifter ur sina yrken, uppgifter som tar en expert runt sju timmar. En sådan uppgift, som att ta fram en analys ur ett par bifogade filer, drar runt 37 wattimmar när AI:n tänker på medelnivå, med ett spann från 11 till 171. Det är ungefär lika mycket el som att koka upp vatten till en och en halv kopp te. Grundlig research på nätet, där AI:n på egen hand söker, läser många sidor, resonerar och söker igen innan den skriver en rapport, drar runt 50 wattimmar.

El per uppgift med dagens AI-modeller

Uppgift	Värde	Spann
Mejl på 150 ord	0,19 Wh	0,06 till 0,75 Wh
Vanlig fråga	0,31 Wh	0,1 till 1,3 Wh
Fråga med resonemang, medelnivå	2,4 Wh	0,73 till 9,2 Wh
Sammanfatta 20 sidor	2 Wh	0,61 till 9,6 Wh
Kontorsuppgift med filer, medelnivå	37 Wh	11 till 171 Wh
Kontorsuppgift med filer, högsta nivån	158 Wh	48 till 725 Wh
Grundlig research på nätet	51 Wh	15 till 208 Wh
Kodagentuppgift, medelnivå	86 Wh	26 till 392 Wh
Kodagentuppgift, högsta nivån	261 Wh	79 till 1 173 Wh
Lågupplöst bild	1 Wh	0,2 till 5 Wh
Högupplöst bild	3 Wh	0,5 till 25 Wh
Kort videoklipp	200 Wh	15 till 1 000 Wh
Långt videoklipp	600 Wh	50 till 4 000 Wh

Punkten är mittvärdet i vår räkning och strecket spannet från låg till hög räkning. Varje steg på skalan är tio gånger mer än steget före. Vår räkning utifrån Microsofts studie, tokens från Artificial Analysis (september 2026), research enligt Google, bild och video ur ML.ENERGY (januari 2026), körtider på Replicate och Jegham, Gamazaychikov och Luccioni (juli 2026). Tvätten enligt Energimyndigheten.

Hur mycket AI:n tänker gör stor skillnad även när uppgiften är densamma. På kontorsuppgifterna i GDPval skriver de ledande modellerna ungefär fyra till fem gånger fler tokens på högsta nivån än på medelnivån. För en enskild modell kan skillnaden mellan lägsta och högsta nivån vara nästan 30 gånger. En kodagent arbetar sig igenom en programmeringsuppgift på egen hand och används främst av utvecklare. En sådan uppgift drar runt 90 wattimmar på medelnivå och runt 260 på högsta nivån. IEA skriver att resonerande modeller, agenter och video kan dra hundratals eller tusentals gånger mer el än en enkel textfråga. Enligt vår räkning gäller det agenter och video, medan en enskild fråga med resonemang drar runt åtta gånger mer än en vanlig fråga.

Bilder och video drar mer el än text, mer ju högre upplösningen är och ju längre klippet är. En bild i vanlig upplösning drar runt en wattimme, ungefär som tre vanliga frågor, medan en högupplöst bild drar runt tre wattimmar. Ett kort videoklipp på fem sekunder i full HD drar runt 200 wattimmar, i samma storleksordning som en agentuppgift. Ett klipp på 15 sekunder drar runt tre gånger så mycket. Spannen är breda, eftersom snabba modeller drar en bråkdel av vad de tyngsta drar. Tillverkarna av de populäraste bild- och videomodellerna redovisar ingen el per bild eller klipp när detta skrivs, så vi har räknat utifrån skattningar i en studie från juli 2026 och mätningar av öppna modeller, alltså modeller som vem som helst kan ladda ner och mäta.

Eftersom AI-företagen bara redovisar siffror för enkla frågor har vi på Scribill räknat själva. Elen per token kommer från Microsofts studie och oberoende mätningar av moderna servrar. Antalet tokens per uppgift kommer från Artificial Analysis, som mäter och jämför AI-modeller. När detta skrivs i september 2026 redovisar de hur mycket de ledande språkmodellerna läser och skriver på sina testuppgifter. För en vanlig fråga ger räkningen 0,31 wattimmar, strax under Altmans siffra och strax över Googles uppmätta, eftersom vi räknar med att en del frågor går till större modeller.

Så har vi räknat Formeln, talen och vad som inte ingår

Vi räknar läsning och skrivning var för sig, eftersom varje token som språkmodellen skriver kräver en egen beräkning genom hela modellen.

Formeln

El för en uppgift =inlästa tokens × el per inläst token +skrivna tokens × el per skriven token

El per token

El per 1 000 tokens, i wattimmar

	Låg	Mitt	Hög
Skrivna tokens	0,2	0,65	2,5
Inlästa tokens	0,03	0,1	0,5

Talen omfattar hela datacentret, alltså servrarna som svarar, kylningen och de servrar som står påslagna i reserv för att klara toppar i trafiken. Grunden är Microsofts studie av språkmodeller med över 200 miljarder parametrar på Nvidias H100-servrar¹ och Epoch AI². Uppmätta värden för stora öppna språkmodeller på Nvidias nyare B200-servrar hamnar på samma nivå när resten av datacentret räknas in³.

Vi uppskattar att de flesta frågor går till tjänsternas standardmodeller, att en del går till små och snabba modeller och att ungefär var tionde går till de största. Ingen tillverkare redovisar fördelningen. De stora tjänsterna använder oftast en snabbare mellanmodell som standard och låter dig välja den största själv, ibland bara om du betalar. Bland betalande yrkesanvändare kan andelen vara betydligt högre. När Anthropic undersökte hur betalande användare av Claude.ai valde modell i februari 2026 gick drygt hälften av användningen till Opus, den kraftfullaste modellen de erbjöd då, trots att den mindre Sonnet var förvald⁴.

Att de största modellerna drar två till tre gånger mer el per token än standardmodellerna är också en uppskattning. I mätningar av öppna språkmodeller växer elen per token med modellens storlek, så att en tre gånger större modell drar ungefär två till tre gånger mer³. Tillverkarna av de stängda modellerna redovisar inte hur stora de är, men utomstående skattningar och priserna pekar på att de största är ungefär tre gånger större än standardmodellerna. Mittvärdet tar höjd för blandningen. Det låga värdet speglar små modeller på effektiva servrar och det höga att man mest använder de största modellerna.

En server med åtta av Nvidias B200-grafikkort drar som mest 14,3 kilowatt⁵. I mätningarna av stora språkmodeller drar grafikkorten runt fem till sex kilowatt när servern skriver svar till 128 eller 256 frågor samtidigt³, så varje svar får runt 35 till 75 watt medan det skrivs, räknat på hela datacentret. Därför drar en enskild fråga så lite el.

En vanlig fråga blir med tjänstens egna instruktioner och samtalet runt 500 inlästa tokens och svaret runt 400 skrivna. Det ger 0,5 × 0,1 + 0,4 × 0,65 = 0,05 + 0,26 = 0,31 Wh. Google mätte 0,24 Wh för en typisk fråga i Gemini⁶, Microsofts forskare skattade 0,31 Wh¹ och OpenAI:s VD Sam Altman angav 0,34 Wh för ChatGPT⁷, så räkningen hamnar mitt bland de siffror som finns. Eftersom den är mer osäker för större uppdrag visar vi alltid ett spann från låg till hög.

Tokens per uppgift

Hur många tokens en uppgift kräver kommer från Artificial Analysis⁸, som i september 2026 redovisar hur mycket varje språkmodell läser och skriver på sina testuppgifter. Vi använder medianen för de tio bästa modellfamiljerna, var för sig på medelnivå och på högsta nivån, från bland andra OpenAI, Anthropic, Google, xAI och Zhipu, så att ingen enskild modell styr. Grundlig research räknar vi med 250 000 inlästa och 60 000 skrivna tokens, som Google anger för en typisk uppgift⁹.

I större uppdrag läser modellen samma underlag många gånger. Text som den redan har läst kan sparas i ett mellanlager, så att modellen slipper räkna igenom den igen. Tillverkarna tar oftast en tiondel av det vanliga priset för sådan sparad text¹⁰, så vi antar att den drar ungefär en tiondel så mycket el. Hur stor del av underlaget som sparas redovisar ingen, så där har vi antagit 60 till 80 procent. Testuppgifterna räknas som ett försök var, utan att något görs om.

Bild och video

Bilder och video räknar vi inte i tokens. Siffran för en bild i vanlig upplösning, 1 024 × 1 024 pixlar, bygger på uppmätt el för öppna bildmodeller³ och körtider för populära modeller¹¹. För högupplösta bilder visar mätningar av öppna modeller att en bild i 2K drar runt fem gånger mer och en i 4K runt tolv gånger mer¹², men i tjänster som räknar fram bilden på annat sätt kan skillnaden vara betydligt mindre, så spannet är brett.

Video bygger på samma mätningar och på en studie som mätt öppna videomodeller och skattat stängda¹³. För de populäraste videomodellerna 2026, som Seedance 2.0, finns inga publicerade siffror, så där har vi skattat ur körtider¹¹. Ett långt klipp på 15 sekunder, det längsta flera populära modeller gör, drar ungefär tre gånger så mycket som ett på fem sekunder.

Från el till koldioxid och vatten

Koldioxiden får vi genom att gånga elen med 424 gram per kilowattimme, som är den amerikanska elens utsläpp 2025¹⁴ plus tillverkningen av hårdvaran¹⁵. Vattnet får vi genom att gånga elen med 5,2 liter per kilowattimme, som är kylningen i datacentret, vattnet i elproduktionen¹⁶ och tillverkningen¹⁷. Kylningen är snittet för amerikanska datacenter och kan vara högre i stora AI-anläggningar med kyltorn.

Vi räknar med den genomsnittliga elen. El som tillkommer för nya datacenter kommer oftare från gas och kol. Räknat med den blir utsläppen ungefär 70 procent högre¹⁸.

Det här ingår inte

1. Träningen av modellerna.
2. Bygget av datacentren.
3. Din egen dator och nätet mellan dig och datacentret.
4. Att en skriven token drar mer el ju längre samtalet är. Talen per token bygger på korta frågor, så de största uppdragen kan dra mer än vi räknat.
5. Skillnaden mellan enskilda modeller. Räkningen utgår från en blandning av små, vanliga och stora modeller, så en viss modell kan dra mer eller mindre.

Räkningen visar storleksordningen, inte en exakt siffra.

Källor

1. Oviedo m.fl., Microsoft, arXiv, september 2025
2. Epoch AI, februari 2025
3. ML.ENERGY Leaderboard v3.0, University of Michigan, januari 2026
4. Anthropic Economic Index, mars 2026
5. Nvidia, DGX B200, datablad
6. Google Cloud, augusti 2025
7. Sam Altman, juni 2025
8. Artificial Analysis, september 2026
9. Google, Gemini API Deep Research, 2026
10. Anthropic, priser för sparad text, september 2026
11. Replicate, bild- och videomodeller, september 2026
12. Iyengar m.fl., arXiv, maj 2026
13. Jegham, Gamazaychikov och Luccioni, arXiv, juli 2026
14. Ember via Our World in Data, 2025
15. Schneider m.fl., Google, arXiv, februari 2025
16. Lawrence Berkeley National Laboratory, december 2024
17. Mistral AI, juli 2025
18. EPA, marginalutsläpp för el, eGRID 2022

Hur mycket vatten använder AI?

En vanlig AI-fråga förbrukar runt 1,6 milliliter vatten, ungefär en tredjedel av en tesked, i ett amerikanskt datacenter när kylningen, elproduktionen och tillverkningen av hårdvaran räknas in, enligt vår räkning. Mistral, som har gjort en livscykelanalys av sin egen modell, kommer fram till 45 milliliter per svar, räknat på användning och tillverkning men utan träningen. Mistral redovisar inte hur mycket el ett svar drar, så det går inte att se varför deras siffra blir så mycket högre. Vi räknar vidare med vår egen, eftersom den bygger på samma el per fråga som resten av artikeln. Siffrorna som cirkulerar går från 0,26 milliliter till en halv liter, eftersom de räknar olika saker och den högsta bygger på en felläsning.

Den halva litern kommer från en studie från 2023 och gällde inte ett svar utan 10 till 50 svar tillsammans från den äldre modellen GPT-3, vilket blir 10 till 50 milliliter per svar.

Resten av skillnaden mellan siffrorna ligger i två ord, uttag och förbrukning. Uttag är allt vatten som tas ur en sjö eller från ett vattenverk, medan förbrukning är det som inte kommer tillbaka, främst det som avdunstar. I ett datacenter med kyltorn avdunstar det mesta av uttaget och räknas som förbrukat, eftersom det lämnar det lokala området och faller som regn någon annanstans. Ett kraftverk som kyls med vatten ur en sjö tar däremot ut enorma mängder men släpper tillbaka nästan allt, bara varmare. Därför blir uttaget ungefär tio gånger större än förbrukningen när elproduktionen räknas in. Den ofta citerade prognosen att AI tar 4,2 till 6,6 miljarder kubikmeter vatten 2027 kommer från samma studie och räknar uttag, medan förbrukningen i studien bara är en tiondel av det.

Med sluten krets fylls kylsystemet en gång och vattnet cirkulerar sedan i rören utan att avdunsta. OpenAI skriver att deras datacenter i Abilene i Texas efter första fyllningen använder lika mycket vatten per år som fyra amerikanska hushåll, men siffran gäller bara kylningen på plats. Eftersom sluten krets drar mer el flyttar en del av förbrukningen till kraftverket i stället.

Googles 0,26 milliliter räknar på samma sätt bara kylvattnet på plats. Den största delen av en frågas vatten finns i elproduktionen, där kärnkraft, kol, gas och vattenkraft förbrukar vatten genom kyltorn och avdunstning från dammar. Enligt Lawrence Berkeley National Laboratory förbrukade amerikanska datacenter 66 miljarder liter direkt för kylning 2023, medan elproduktionen bakom dem förbrukade runt 800 miljarder liter. Mistrals livscykelanalys visar att tillverkningen av hårdvaran står för 5 procent av vattnet och bygget av datacentret för mindre än en procent, så det är driften och elen som dominerar.

Vatten per svar beroende på vad som räknas

Uppgift	Värde	Spann
Google, bara kylningen, Gemini, maj 2025	0,26 ml
Sam Altman, ChatGPT, juni 2025	0,32 ml
Vår räkning, hela kedjan, 0,1 kylning, 1,4 el, 0,1 tillverkning	1,6 ml
Äldre studie, GPT-3, Li m.fl. 2023	10 till 50 ml	10 till 50 ml
Mistral, livscykelanalys, Per svar, utan träning	45 ml
En halv liter per fråga, Vanligt i nyheterna	500 ml

Varje steg på skalan är tio gånger mer än steget före. Kaffelinjen är det bevattningsvatten som förbrukas när bönorna till en kopp odlas. Google (augusti 2025), Sam Altman (juni 2025), vår räkning med LBNL, Li m.fl. (2023), Mistral (juli 2025) och Mekonnen och Hoekstra för kaffet.

En jämförelse som håller måste räkna samma sorts vatten på båda sidor. Den ofta citerade siffran för kaffe, 130 liter per kopp, är nästan helt regn som fallit på kaffeplantagen, medan AI:ns vatten kommer ur sjöar och grundvatten. Räknar vi bara det bevattningsvatten som förbrukas när kaffet odlas blir det ungefär en liter per kopp, enligt forskarna Mekonnen och Hoekstra. Det motsvarar drygt 20 AI-frågor med Mistrals siffra och runt 600 med vår räkning. Med samma räkning förbrukar en AI-bild runt fem milliliter och ett kort videoklipp runt en liter, alltså ungefär lika mycket som det tar att odla kaffet till en kopp.

Sam Altman sa i september 2026 att 38 000 frågor till ChatGPT motsvarar vattnet för att odla en mandel i Kalifornien. Räknat med hans siffra per fråga blir 38 000 frågor runt tolv liter, vilket är mandelns hela vattenfotavtryck inklusive regn. Den amerikanska faktagranskningssajten PolitiFact bedömde påståendet som mestadels falskt, eftersom bara ungefär hälften av mandelns vatten är bevattning och Altmans siffra inte räknar med vattnet i elproduktionen. PolitiFact landar i att 1 000 till 10 000 frågor är närmare sanningen.

Golfbanor är en annan vanlig jämförelse. Alla amerikanska datacenter, inte bara AI, använder ungefär 3 procent så mycket vatten till kylning som golfbanorna i USA, enligt vår räkning utifrån golfbanornas branschorganisation. Räknar du in vattnet i elproduktionen blir det 43 procent.

Var vattnet tas betyder mer än hur mycket. En liter ur en sjö i Norrland och en liter ur grundvattnet i Arizona är inte samma sak, för där det är ont om vatten konkurrerar varje liter med människor, jordbruk och natur.

Hur mycket påverkar din AI-användning klimatet?

Räknat över ett arbetsår står AI-användningen i våra exempel för allt från under 0,01 procent till ungefär en procent av en svensks klimatavtryck, beroende på hur mycket arbete AI:n gör. Vi har räknat på tre tänkta användare under 220 arbetsdagar och antagit att frågorna körs i ett genomsnittligt amerikanskt datacenter, eftersom USA står för nästan hälften av världens datacenterel enligt IEA. I koldioxiden ingår både elen och tillverkningen av hårdvaran.

Den som använder AI då och då

Per arbetsdag15 korta frågor, 3 mejl och en sammanfattning

El per år i kWh

1,6

Koldioxid per år

0,7 kg

Vatten per år

8 liter

Andel av en svensks klimatavtryck

Under 0,01 procent

Motsvarar

El som två tvättar

Den som använder AI hela dagen

Per arbetsdag40 frågor, 10 mejl, 5 sammanfattningar, 10 frågor med resonemang, en grundlig research och 2 större uppgifter med filer

El per år i kWh

38

Koldioxid per år

16 kg

Vatten per år

200 liter

Andel av en svensks klimatavtryck

0,21 procent

Motsvarar

El som 22 mil med elbil

Utvecklaren med kodagenter

Per arbetsdag3 agentuppgifter på högsta nivån eller 10 på medelnivå, plus 20 korta frågor

El per år i kWh

174 till 191

Koldioxid per år

74 till 81 kg

Vatten per år

900 till 990 liter

Andel av en svensks klimatavtryck

1,0 till 1,1 procent

Motsvarar

El som 102 till 112 mil med elbil

220 arbetsdagar, frågorna körda i ett genomsnittligt amerikanskt datacenter. Koldioxiden räknar med både elen och tillverkningen av hårdvaran. En kilowattimme (kWh) är 1 000 wattimmar. Källor Ember för elens utsläpp, Lawrence Berkeley National Laboratory för vattnet, Naturvårdsverket för en svensks avtryck och Trafikverket för elbilen.

Den som använder AI hela dagen kommer upp i ungefär 38 kilowattimmar el och 16 kilo koldioxid på ett år. Det är lika mycket el som en elbil drar på 22 mil med Trafikverkets siffra för nya elbilar. Koldioxiden motsvarar 0,21 procent av de 7,6 ton växthusgaser som en svensk i snitt orsakar per år. Den som pendlar fyra mil om dagen med en ny bensinbil släpper ut lika mycket på mindre än tre arbetsdagar, räknat med bränslets hela kedja. En dag med AI släpper ut ungefär en fjärdedel så mycket koldioxid som tre koppar kaffe med mjölk. Även med den högsta elen per uppgift i vår räkning stannar den som använder AI hela dagen under en procent av sin klimatpåverkan. Vattnet blir 200 liter på ett år, ungefär lika mycket som det tar att odla kaffet till 200 koppar.

Hur mycket koldioxid det blir beror mer på var frågorna körs än på vilken modell som svarar. En kilowattimme i USA orsakade 384 gram koldioxid 2025, i EU 210 gram och i Sverige 35 gram, enligt energitankesmedjan Ember. Elen bakom samma fråga ger drygt tio gånger mer utsläpp i ett amerikanskt datacenter än i ett svenskt.

Var en fråga från en svensk användare körs beror på tjänsten. Använder din organisation Microsoft Copilot stannar trafiken inom EU enligt Microsofts egna villkor, med undantag för Anthropics Claude-modeller, som också finns i Copilot men inte omfattas av det löftet. När detta skrivs låter OpenAI bara organisationer med ChatGPT Enterprise eller Edu välja att frågorna körs i Europa, medan OpenAI själv bestämmer var frågan hamnar för alla andra. För den som använder AI hela dagen blir det knappt tio kilo koldioxid per år om frågorna körs i EU och runt fyra kilo i ett nordiskt datacenter i bästa fall, mot 16 i ett amerikanskt. Skillnaden blir mindre än för elen ensam, eftersom tillverkningen av hårdvaran ger samma utsläpp var frågan än körs.

Jag som skriver den här artikeln hör själv till den tredje sortens användare, med kodagenter igång hela dagarna och flera uppdrag som går samtidigt. Det är först där AI-användningen blir något som syns i ett personligt klimatavtryck, runt en procent och upp mot fem procent om varje uppgift hamnar högst i spannen i vår räkning. För den som pendlar med bil eller buss väger resan till jobbet ändå tyngre. Fyra mils pendling med bensinbil släpper ut runt 18 gånger så mycket som en dag med kodagenter.

1. Pendla 4 mil med bensinbil 6,2 kg
2. Pendla 4 mil med buss 1,5 kg
3. AI, utvecklare med kodagenter 0,35 kg
4. Tre koppar kaffe med mjölk 0,3 kg
5. Pendla 4 mil med elbil 0,24 kg
6. Jobbdatorn, tillverkning och el 0,14 kg
7. Pendla 4 mil med tåg 0,1 kg
8. AI hela arbetsdagen 0,07 kg
9. Mobilen 0,03 kg
10. En tvätt 0,03 kg

Kilo koldioxid per dag. AI körs i ett amerikanskt datacenter som i resten av artikeln, medan svensk el räknas med 35 gram per kilowattimme. Bil, buss och tåg räknas med hela kedjan för bränslet eller elen men utan fordonens tillverkning. Bussen är mittvärdet för kollektivtrafikens bussar i Sveriges län och tåget ett regionaltåg. Kaffet räknas med RISE:s siffra för bryggkaffe och en skvätt mellanmjölk i varje kopp. Källor Trafikverket, Drivmedelsfakta 2025, Naturvårdsverket, RISE, WWF, Apple, Fairphone, Energi- och klimatrådgivningen och Ember.

Hur mycket el använder AI i världen?

Världens datacenter använde 485 terawattimmar el 2025 enligt IEA, alltså 485 miljarder kilowattimmar. Det är 3,6 gånger så mycket som hela Sveriges elanvändning. Det mesta av den elen går ändå inte till AI, eftersom datacentren också driver molntjänster, strömmad video, e-handel, banker och sociala medier. Enligt vår räkning ur IEA:s siffror gick mellan en femtedel och en tredjedel av elen till AI 2025, beroende på om man räknar bara AI-servrarna eller också kylningen och resten av byggnaderna runt dem. AI-delen motsvarar ungefär Sveriges samlade elanvändning.

AI Osäker del Övriga datacenter Sveriges elanvändning

Världens datacenter och AI:s del av elen

År	Alla datacenter, TWh	Varav AI, TWh
2025	485	90 till 150
2030	950	cirka 465

AI-delen 2025 är vår uträkning ur IEA:s siffror, från enbart AI-servrarna till hela AI-anläggningarna med kylning. Kryptobrytning ingår inte. Källor IEA, Key Questions on Energy and AI (april 2026), IEA, Energy and AI (april 2025) och Energimyndigheten för Sverige 2024.

Det är tillväxten som gör AI till en fråga för elsystemet. IEA räknar med att datacentrens el fördubblas till 2030 och att elen i de datacenter som byggts för AI ungefär tredubblas, till ungefär hälften av all datacenterel, så det mesta av ökningen kommer från AI.

Samtidigt drar varje fråga mindre el. Google rapporterade att elen per fråga minskade med 97 procent på ett år fram till maj 2025. IEA skriver att energin per AI-uppgift har sjunkit till en tiondel eller mindre varje år de senaste åren. Den totala elanvändningen ökar ändå, eftersom användningen av AI växer ännu snabbare.

I Sverige använder datacentren idag 2,5 till 3 terawattimmar, runt två procent av elen, enligt Svenska kraftnäts långsiktiga marknadsanalys. Till 2050 kan det bli mellan 8,8 och 40,9 terawattimmar, alltså mellan 5 och 12 procent av den el Sverige väntas använda då, beroende på scenario. Ingen svensk källa skiljer ännu på AI och övriga datacenter.

Hur stor är AI:s klimatpåverkan i världen?

AI-system kan ha släppt ut mellan 33 och 80 miljoner ton koldioxid 2025 enligt en uppskattning i tidskriften Patterns, där mittvärdet motsvarar New York Citys utsläpp. Det är 0,1 till 0,2 procent av världens koldioxidutsläpp från energi enligt vår räkning mot IEA:s siffror. Fördelat på jordens drygt åtta miljarder invånare blir det 4 till 10 kilo per person och år, ungefär lika mycket som en dags pendling med bensinbil. Det är ett snitt för alla, även de som aldrig använder AI. Den som använder AI hela arbetsdagen kommer upp i runt 16 kilo.

• AI, 0,1 till 0,2 procent
• Allt annat

Varje ruta är en promille av världens koldioxidutsläpp från energi 2025, som var 38,4 miljarder ton. AI-systemen släppte ut 33 till 80 miljoner ton samma år. Den ljusare rutan visar spannet mellan den låga och den höga uppskattningen. Källor IEA (2026) och Patterns (2025).

Hur utsläppen bokförs gör stor skillnad för siffrorna. Googles siffra för en fråga, 0,03 gram koldioxid, räknar bort utsläppen för den förnybara el som Google har köpt genom avtal, trots att avtalen inte ändrar vilken el som går i nätet där frågan körs. Elen i näten där Google har sina datacenter släppte i snitt ut runt 350 gram per kilowattimme 2025, enligt vår räkning ur Googles egen miljörapport. Med den elen blir Googles fråga ungefär 0,08 gram. Med vår egen räkning, 0,31 wattimmar på amerikansk el och med tillverkningen av hårdvaran inräknad, blir en vanlig fråga runt 0,13 gram. Mistrals livscykelanalys kommer fram till 1,14 gram för ett svar på 400 tokens, ungefär nio gånger mer, utan att redovisa hur mycket el svaret drar.

Nästan alla siffror kommer från bolagen själva. En genomgång från 2025 visar att 84 procent av användningen av språkmodeller sker via modeller vars tillverkare inte redovisar någon miljöpåverkan alls.

Googles utsläpp ökade med 18 procent 2025 och Microsofts med en fjärdedel på ett år, i båda fallen främst genom bygget av nya datacenter och tillverkningen av servrar. Google skriver samtidigt att utbyggnaden av AI går fortare än elnäten hinner bli fossilfria. Att en del av datacentrens nya elbehov täcks av fossil el syns i USA, där utsläppen från elsektorn ökade med 4 procent och kolkraften med 13 procent 2025 enligt miljötidningen Grists genomgång av statistik från den amerikanska energimyndigheten, delvis på grund av datacentren.

Vilka metaller behövs för AI?

AI-servrar och datacenter behöver framför allt kisel till chippen och koppar till kablar, elnät och kylning, men också mindre mängder av bland annat gallium, tantal, tenn, guld och sällsynta jordartsmetaller. Det mesta av materialet går till elnätet och kraftutrustningen runt datacentren snarare än till chippen, enligt en studie i tidskriften Resources Policy från 2026. Kopparn bryts främst i Chile, Kongo och Peru och tantalet i Kongo, Rwanda och Nigeria enligt USA:s geologiska myndighet USGS.

Räknat mot världens efterfrågan är AI:s del liten för de flesta metaller. Enligt IEA motsvarar datacenterbygget 2030, som till stor del drivs av AI, upp till 2 procent av världens efterfrågan på koppar och kisel och drygt 3 procent för sällsynta jordartsmetaller. Elnäten behöver enligt vår jämförelse av IEA:s siffror ungefär elva gånger så mycket koppar som datacentren 2030 och elbilarna ungefär tre gånger så mycket som datacentren. För gallium kan datacentren däremot komma upp i 11 procent av dagens efterfrågan, samtidigt som Kina står för 99 procent av förädlingen enligt IEA:s genomgång av kritiska mineral, vilket gör leveranserna sårbara för handelskonflikter.

Brytningen orsakar allvarliga skador på flera håll. I östra Kongo kontrollerar rebellgruppen M23 sedan april 2024 gruvorna i Rubaya, som står för omkring 15 procent av världens tantal. Global Witness visade i juni 2026 att smugglad tantalmalm därifrån tvättats via Rwanda och kan ha nått leverantörer till bland andra Microsoft, Nvidia, Apple, Sony, Ericsson och Toyota. USA:s arbetsmarknadsdepartement listar kobolt, koppar, tenn, tantal och volfram från Kongo bland varor som tas fram med barnarbete eller tvångsarbete. I Zambia brast en damm för avfall från en koppargruva i februari 2025 och över 500 jordbrukare drabbades enligt Human Rights Watch.

Samma metaller finns i mobilen, datorn och bilen, så konfliktmalmen är lika mycket en fråga för elektronik- och bilindustrin som för AI. Nvidia skriver i sin rapport om konfliktmineral för 2025 att ursprunget för en del av metallerna inte går att fastställa.

För klimatet står tillverkningen av chip och servrar för mellan en tiondel och en tredjedel av utsläppen per fråga beroende på hur elen räknas, enligt Googles forskare, men för råvarorna väger den tyngre. I Mistrals livscykelanalys står tillverkningen, transporten och skrotningen av servrarna för 61 procent av förbrukningen av ändliga råvaror, medan elen till träning och användning, med bränslet och uranet i kraftverken, står för 29 procent.

Eftersom servrarna byts ut efter några år kan generativ AI ge 1,2 till 5 miljoner ton elektronikavfall mellan 2020 och 2030, enligt en studie i Nature Computational Science. Som jämförelse skapade hela världen 62 miljoner ton elektronikavfall bara under 2022. Hur länge servrarna används och hur mycket av metallerna som tas tillvara betyder därför mest för råvarorna. Microsoft uppger att 92 procent av bolagets uttjänta servrar och komponenter återanvändes eller återvanns under räkenskapsåret 2025.

Hur påverkar datacenter sin närmiljö?

Ett datacenter påverkar sin närmiljö mest genom buller, belastningen på elnätet och vattnet, det sista främst i torra områden.

Bullret är den effekt grannarna märker mest direkt, eftersom kylaggregat och fläktar på taket går dygnet runt och det lågfrekventa bruset stör mer än annat buller på samma nivå. När Länsstyrelsen i Stockholm prövade datacenterbolaget Equinix anläggning i Skarpnäck 2023, med bostäder 150 meter bort, överskred kylaggregaten Naturvårdsverkets riktvärden nattetid. Bolaget fick två år på sig att byta aggregat eller bygga en bullerskärm. I Virginia, där datacentren ligger tätare än någon annanstans, har boende klagat i åratal trots att Amazon byggt skärmar och bytt fläktar i efterhand. Avstånd, tysta aggregat och krav i tillståndet löser mycket, men det är svårare att åtgärda när datacentret väl står där.

Vattnet blir ett lokalt problem där det är torrt och kylningen bygger på avdunstning. I The Dalles i Oregon gick en tredjedel av stadens vatten till Googles datacenter 2024. I Chile, som drabbats av en svår torka, rev en miljödomstol delvis upp tillståndet för ett planerat datacenter från Google av oro för Santiagos viktigaste grundvattenmagasin. Google lovade då att byta till ett kylsystem som drar mindre vatten. I nordiskt klimat kyls datacenter ofta med utomhusluft eller i slutna system, så där är kylvattnet sällan den stora frågan.

Elnätet och elpriset påverkas inte bara av var datacentren byggs utan också av hur snabbt de byggs. PJM är USA:s största elmarknad och täcker östra USA från Chicago till Washington. Där stod datacentren för 9 procent av grossistpriset på el under de första sju månaderna 2026 enligt den oberoende övervakaren av elmarknaden. De fyra senaste auktionerna av reservkapacitet, alltså kraftverk som hålls redo för när efterfrågan toppar, blev dessutom 29 miljarder dollar dyrare på grund av datacentren. På Irland, där datacentren använde 23 procent av landets el 2025, kräver myndigheterna sedan december 2025 att nya datacenter bygger egen elproduktion eller lagring.

I Sverige kom hälften av alla ansökningar om att ansluta ny stor elförbrukning till stamnätet 2025 från datacenter. I Skellefteå diskuteras när detta skrivs i september 2026 ett planerat AI-datacenter på en gigawatt, som vid full drift året runt skulle dra upp till 8,8 terawattimmar, ungefär sex procent av Sveriges el, där boende oroar sig för elpriset, vattnet och bullret.

Ett datacenter ger många jobb medan det byggs och färre när det är igång. Forskningsinstitutet Brookings fann att amerikanska län som fick ett datacenter fick ungefär 100 till 200 nya jobb utan att lönerna steg. Spillvärmen går att använda i fjärrvärmen. I Stockholm räckte datacentrens värme 2025 till runt 11 000 lägenheter, en procent av Stockholm Exergis fjärrvärme.

En bra plats för ett datacenter har kallt klimat, gott om förnybar el, ledig kapacitet i nätet, ett fjärrvärmenät att leverera värme till och avstånd till bostäder. Elpriset påverkas däremot även när varje enskild plats är rimligt vald, om datacentren byggs ut snabbare än elnätet hinner följa med. I september 2026 föreslog EU-kommissionen ett gemensamt betygssystem för datacenter över 500 kilowatt, som ska visa hur mycket el och vatten de använder och hur mycket spillvärme de tar tillvara.

Är AI dåligt för miljön?

Nej, inte för den som använder AI i arbetet. Den som har AI igång hela dagen ökar sin klimatpåverkan med runt 0,2 procent enligt vår räkning, medan de som använder AI i jobbet uppger att de sparar runt 5,6 procent av arbetstiden. Påverkan för varje sak du gör blir alltså oftast mindre. Men för världen som helhet ökar AI elanvändningen i datacentren snabbt. Där datacenter byggs på fel plats eller fortare än elnätet hinner med märks påverkan dessutom för dem som bor runt omkring.

Siffran för tidsvinsten kommer från statistik som Federal Reserve Bank of St. Louis, en av USA:s tolv regionala centralbanker, publicerade i augusti 2026. Amerikanska arbetstagare uppger där att AI sparar tid motsvarande 2,2 procent av alla arbetade timmar i USA. Eftersom bara fyra av tio använde AI i jobbet blir den sparade tiden för dem runt 5,6 procent av arbetstiden. Lägger du den tiden på mer arbete får du gjort 5,6 procent mer för 0,2 procent mer klimatpåverkan.

Vi jämför med hela ditt klimatavtryck och inte bara med arbetsdagens, som är mycket mindre och där AI:n skulle väga tyngre. Skälet är att produktion och konsumtion är två sidor av samma sak. Allt du konsumerar när du inte jobbar, från maten till semesterresan, är någon annans arbete. Det du själv gör på jobbet konsumerar någon annan. När AI låter alla få mer gjort för nästan samma klimatpåverkan får hela samhället ut mer av sitt klimatavtryck.

Arbete du får gjort

+5,6med AI

Din klimatpåverkan

+0,2med AI

Klimatpåverkan per utfört arbete 94,9 i stället för 100, alltså runt 5 procent lägre

Varje ruta är en enhet. Utan AI är både arbetet och klimatpåverkan 100 enheter. Rutorna i den elfte kolumnen är tillägget för den som använder AI hela dagen. Arbetet växer med den tid AI sparar och klimatpåverkan räknas mot en svensks hela klimatavtryck. Källor Federal Reserve Bank of St. Louis (augusti 2026) och Naturvårdsverket.

Forskningen stöder att vinsten finns men att den varierar mycket. När OpenAI lät branschexperter bedöma modellernas arbete i GDPval, samma test som kontorsuppgifterna ovan bygger på, var modellerna 90 till över 300 gånger snabbare än experterna. Räknat med den tid det tar för experten att granska och rätta AI:ns arbete gick det ungefär 10 till 40 procent snabbare med den bästa modellen än när experten gjorde allt själv. Med de äldre modellerna tog arbetet i stället längre tid än utan AI.

Andra studier är mer försiktiga. I danska registerdata från 2023 och 2024 syntes tidsvinsten ännu inte i lön eller arbetad tid. I ett kontrollerat försök från början av 2025 tog erfarna utvecklare 19 procent längre tid på sig med AI, trots att de själva trodde att de gått fortare. Båda studierna gäller verktygen från innan AI-agenterna tog fart. Vi såg det stora skiftet när Anthropic släppte Claude Opus 4.5 i november 2025, med agenter som kan arbeta på egen hand i bakgrunden medan du gör annat. Sedan dess har vi sett AI-verktygen bli betydligt mer användbara, särskilt under sommaren 2026. Mest nytta ger AI i det du själv kan bedöma, eftersom det är svårt att avgöra kvaliteten i något du inte behärskar.

På utbildningarna frågar deltagare ibland hur de ska använda AI för att påverka miljön så lite som möjligt. Mitt svar brukar vara att jag har valt att inte tänka så. I stället tänker jag på hur jag får ut så mycket som möjligt av verktygen, eftersom de är värda mycket mer än de kostar i miljö när de används till verklig nytta.

På en arbetsdag får jag gjort mer än dubbelt så mycket som när jag gjorde allt själv vid tangentbordet. Att sammanfatta information, föra mötesprotokoll eller sätta sig in i något nytt kunde förr ta halva dagar. Den som inte vet vad en funktion i Excel heter kan fastna en kvart med att googla och läsa artiklar som inte svarar på frågan, men med AI räcker det att förklara vad man vill göra för att ha svaret på ett par minuter.

Resultatet blir dessutom ofta bättre. Förr kunde jag leta länge efter en bild som fick användas fritt och som liknade det jag ville visa i en presentation, medan jag idag beskriver bilden för en AI som genererar något som ligger närmare det jag ser framför mig. Den tid jag sparar lägger jag gärna på att göra jobbet bättre i stället för snabbare.

AI kan också ersätta arbete som annars hade påverkat miljön mer. Vi har räknat på samma reklamfilm för en produkt, gjord på två sätt. I det ena åker en fotograf ut och fotograferar produkten ur fyra vinklar. Utifrån bilderna gör en videomodell sedan filmens åtta klipp, med 25 försök för varje klipp eftersom det sällan blir rätt på första försöket. Bilresan, studioljuset och de 200 videoklippen hamnar tillsammans på runt 30 kilo koldioxid. I det andra åker ett litet filmteam ut med tre bilar och en skåpbil för att spela in filmen i en studio, vilket hamnar på 50 till 85 kilo. Skillnaden ligger nästan helt i resorna, eftersom fler personer och mer utrustning ska ut till inspelningen.

Vår räkning gäller ett litet lokalt team som är ute en dag, medan de flesta reklaminspelningar är större än så. De minsta brittiska reklamproduktionerna släpper i snitt ut 800 kilo enligt branschens egen uppföljning, eftersom de omfattar fler personer, fler inspelningsdagar och ibland flygresor. Vinsten förutsätter ändå att AI-filmen ersätter en inspelning, för blir den en extra film som annars aldrig hade gjorts tillkommer utsläppen i stället. Med de tyngsta videomodellerna eller betydligt fler försök släpper AI-filmen dessutom ut mer än filmteamet.

Är det dåligt för miljön att använda AI för nöjes skull?

Att använda AI för att det är roligt är inget problem i sig. Folk reser utomlands, spelar datorspel, tittar på tv, är på sociala medier, kör bil till skogen för en promenad och äter något riktigt gott. Det mesta av det påverkar miljön mer än att låta AI göra en bild, som drar ungefär lika mycket el som tre vanliga frågor. Ett kort AI-genererat videoklipp drar ungefär lika mycket el som två timmar framför tv:n. Räknat i koldioxid släpper klippet ut över tio gånger mer än tv-kvällen, eftersom AI:n oftast körs på el med högre utsläpp än den svenska. En mil med bensinbil släpper ändå ut ungefär lika mycket koldioxid som 18 korta videoklipp, vilket är ungefär så många försök det kan ta innan ett klipp blir som man vill.

En del kritiker menar att AI inte borde användas till nöjen. En miljögrupp i Chile har formulerat det som att deras vatten tas för att folk i den rika delen av världen ska kunna göra roliga bilder. Där vattnet är knappt handlar frågan främst om var datacentren byggs. Det gäller all användning, nöjen som arbete.

Hur använder man AI mer miljövänligt?

Du använder AI mest miljövänligt genom att ge den en bra start på uppdraget och låta den tänka bara så länge uppgiften kräver, vilket också gör att du får mer gjort.

En bra start spelar roll eftersom det som drar mest el är att börja om från början, då varje nytt försök drar ungefär lika mycket som det första. Att arbeta vidare med samma uppgift i flera omgångar är däremot inget problem. Bilder och video tas fram från grunden varje gång, så där drar varje ny version lika mycket som den första.

Den bästa starten får AI:n när den vet vad du menar innan den börjar. Inför ett större uppdrag, där den ska söka på nätet, läsa dokument och tänka länge, kan du låta den ställa frågor till dig i ett par omgångar först. Du kan också bolla idéer med den i ett snabbt läge och låta den intervjua dig, för att sedan höja resonemangsnivån när det är dags att ta fram det du ska ha. Då har den med sig allt ni har pratat om och kan lägga sitt tänkande på själva resultatet.

Hur högt reglaget behöver stå beror på uppgiften, men enligt min erfarenhet behöver ganska få uppgifter den högsta nivån. Själv använder jag oftast nivån hög för krävande uppgifter i både Claude och ChatGPT och låg till medel för det mesta andra. På kontorsuppgifterna i GDPval skriver de ledande modellerna fyra till fem gånger fler tokens på högsta nivån än på medelnivån, så den nivån är värd att spara till det svåraste.

Samma vanor sparar också kvot, pengar och tid. Med en licens finns det oftast en gräns för hur mycket du kan använda de tyngsta modellerna och nivåerna, medan du via API betalar för varje token. En högre nivå tar dessutom längre tid, särskilt när AI:n söker på nätet och öppnar sidor, eftersom den tänker längre över det den hittar innan nästa steg och riskerar att söka fler gånger än uppgiften behöver. Låter du uppgiften avgöra nivån får du alltså ut mer av din kvot, din budget och din egen tid, oavsett hur mycket du bryr dig om AI:ns miljöpåverkan.

Vill ni att hela organisationen ska få ut så mycket som möjligt av AI? I en AI-strategi tar vi tillsammans med er fram var AI gör störst nytta hos er, vilka verktyg ni ska satsa på och riktlinjer som gör det lätt att använda dem rätt.