= Hvad ved vi om...

Hvad ved vi om AI's energiforbrug — og kan AI selv blive løsningen på energiproblemet?

AI-boomen driver et historisk energiforbrug i datacentre, men den samme teknologi bruges til at optimere energisystemer — hvad siger evidensen om nettobilledet?

Det politiske spørgsmål

Danmark har sagt ja til en grøn omstilling og sat ambitiøse klimamål. Samtidig melder Microsoft, Google og andre tech-giganter ind med massive datacenterprojekter på dansk jord. Microsoft annoncerede i december 2025 tre nye datacentre i Vestjylland. Det rejser et konkret politisk spørgsmål: Er AI en trussel mod de danske klimamål og el-nettets kapacitet — eller er AI faktisk et redskab, vi kan bruge til at nå dem hurtigere?

Svaret er ikke enkelt. Og det er netop derfor, det er vigtigt at adskille det, vi ved, fra det, vi ikke ved.


Det empiriske spørgsmål bag

Når politikere og kommentatorer taler om AI og energi, blandes to meget forskellige spørgsmål ofte sammen:

1. Hvor meget energi bruger AI? 2. Kan AI spare mere energi, end den bruger?

Det første spørgsmål handler om måling og fremskrivning. Det andet handler om kausalitet og potentiale. Begge er empiriske spørgsmål — men de befinder sig på meget forskelligt evidensniveau. Det er afgørende at holde dem adskilt.


Hvad ved vi

AI's energiforbrug vokser hurtigt ✓✓

Datacentre bruger allerede i dag en betydelig andel af verdens elektricitet, og væksten accelererer. Ifølge analyser beskrevet i Nature er efterspørgslen fra datacentre steget markant i takt med udbredelsen af store sprogmodeller og anden generativ AI. Det er ikke længere småskala-servere, der behandler søgeforespørgsler — det er enormt energikrævende trænings- og inferensprocesser (det vil sige den beregning, der sker, hver gang en AI svarer på et spørgsmål).

DTU har påpeget, at også Danmark mærker denne tendens direkte. Interessen for at placere datacentre i Danmark er stigende, og det skaber et aftryk i vores miljø, klima og landskaber — ikke mindst i Vestjylland, hvor Microsoft-projektet er planlagt.

Vandforbruget er en overset faktor ✓

Ud over elektricitet bruger datacentre store mængder vand til køling. Dette aspekt er ofte fraværende i den offentlige debat, men DTU fremhæver det som en væsentlig miljøbelastning. Det er relevant i en dansk kontekst, hvor nye datacentre placeres i områder med landbrug og grundvandsinteresser.

AI bruges allerede til at optimere energisystemer ✓

Der er dokumenterede eksempler på, at AI bruges til at forbedre effektiviteten i energisektoren. Nature beskriver, hvordan maskinlæring anvendes til at forudsige energiefterspørgsel, optimere vindmølledrift og styre strøm mere intelligent i elnet. Google har tidligere offentliggjort resultater fra brug af AI til at reducere køleforbruget i egne datacentre med tocifrede procentpoint.

Halvlederindustrien og infrastrukturen kræver store ressourcer ✓✓

Det er ikke kun driften af AI-systemer, der belaster miljøet. Produktionen af de chips, der gør AI mulig, er ressourcekrævende og foregår i forsyningskæder med et betydeligt CO₂-aftryk. DTU understreger, at man bør se på hele livscyklussen — fra produktion over drift til bortskaffelse af hardware.


Hvad ved vi ikke

Det samlede nettobillede er ukendt ~

Her er det afgørende at være ærlig: Vi ved ikke med sikkerhed, om AI netto bidrager til mere eller mindre energiforbrug på globalt plan. Der mangler systematiske, uafhængige opgørelser, der sammenligner AI's direkte energiforbrug med de besparelser, AI muliggør i andre sektorer — transport, industri, byggeri, landbrug.

Nature peger direkte på denne blinde vinkel: Det er et åbent empirisk spørgsmål, om AI-boomen samlet set vil belaste eller aflaste energisystemerne. Modeller og fremskrivninger eksisterer, men de bygger på antagelser om, hvilke applikationer der skalerer, og hvor hurtigt alternativerne ellers ville have udviklet sig.

Fremtidig energiefterspørgsel fra AI er meget usikker ~

Fremskrivninger af datacentres elforbrug de næste 10-20 år varierer enormt afhængigt af antagelser om AI-modellers effektivisering, hvilke lande der bygger kapacitet, og om energiintensive arbejdsbyrder flyttes eller vokser. Der er stor forskel på de estimater, der cirkulerer i den offentlige debat, og de er sjældent transparente om deres grundantagelser.

Lokaleffekter i Danmark er svagt belyst

Vi ved ikke præcis, hvad Microsoft-datacentrene i Vestjylland og lignende projekter konkret vil betyde for det lokale elnet, vandforsyning og arealanvendelse på langt sigt. DTU har rejst spørgsmålene, men detaljerede, uafhængige konsekvensvurderinger er endnu ikke offentliggjort.

Rebound-effekter er næsten umulige at kvantificere

Selv hvis AI gør energisystemer mere effektive, kan det øge det samlede forbrug, hvis lavere priser eller højere kapacitet blot fører til mere forbrug — det man i energiøkonomien kalder en rebound-effekt (eller Jevons' paradoks). Denne dynamik er velkendt fra tidligere teknologibølger, men det er uklart, i hvilken grad den vil gøre sig gældende for AI-drevne effektiviseringer.


Hvad eksperter er uenige om

Er AI-sektoren på vej mod et selvforstærkende energiproblem — eller mod effektivisering? ~

Her er der reel faglig uenighed. En gruppe forskere og analytikere betoner, at AI-modeller fortsat kræver eksponentielt mere regnekraft og dermed energi, og at ingen synlige teknologiske gennembrud ændrer på denne grundlæggende kurve. En anden gruppe peger på, at AI-chips bliver markant mere energieffektive pr. beregning, og at større modeller gradvist erstattes af mindre, specialiserede modeller, der er langt billigere at drive.

Nature beskriver begge positioner og konkluderer, at det er uafklaret, hvilken kurve der vil dominere på 10-15 års sigt.

Skal datacentre placeres i lande med ren energi — eller er det ligegyldigt? ⚖

Dette er delvist et empirisk og delvist et værdipolitisk spørgsmål. Hvis et datacenter placeres i Danmark, hvor en stor andel af strømmen kommer fra vind, er CO₂-aftrykket lavere end i lande med kulbaseret elproduktion. Men det er et værdispørgsmål, om Danmark skal bruge sin grønne strøm på globale tech-virksomheders infrastruktur, eller prioritere den til indenlandsk industri og borgere. Der er ikke enighed om, hvordan man bør prioritere.

Kan AI realistisk set optimere komplekse energisystemer i stor skala? ~

AI har vist lovende resultater i afgrænsede anvendelser — forudsigelse af sol- og vindproduktion, styring af efterspørgsel i realtid, optimering af individuelle anlæg. Men det er omtvistet, om AI kan skaleres til at styre store, sammenkoblede energisystemer med tilstrækkelig pålidelighed og sikkerhed. Kritikere peger på, at energisystemer er kritisk infrastruktur, og at fejl har katastrofale konsekvenser — hvilket stiller krav til AI-systemers robusthed, der endnu ikke er opfyldt i praksis.


Konklusion

AI bruger allerede meget energi, og forbruget vokser. Det er veldokumenteret. At AI samtidig kan optimere energisystemer er også understøttet af konkrete eksempler — men det er endnu ikke muligt at sige, om AI netto bidrager positivt eller negativt til verdens samlede energi- og klimaregnskab.

For Danmark betyder det tre ting:

For det første bør beslutninger om placering af nye datacentre — som Microsofts Vestjylland-projekt — ledsages af transparente, uafhængige konsekvensvurderinger af el-nettets kapacitet, vandforsyning og CO₂-aftryk over hele livscyklussen.

For det andet bør Folketinget skelne skarpt mellem AI som energiforbruger og AI som energioptimerende teknologi. Det er to separate spørgsmål, der kræver to separate politiske svar.

For det tredje bør vi være ærlige om, hvad vi ikke ved. Fremskrivninger af AI's energiforbrug er behæftet med stor usikkerhed. Det er en dårlig idé at basere dansk energipolitik på enten de mest optimistiske eller de mest pessimistiske scenarier — begge mangler empirisk belæg.

AI-energiparadokset er reelt. Og det er uafklaret. Det er netop derfor, det kræver sober, evidensbaseret opmærksomhed — ikke teknologioptimisme eller teknologipanik.


Kilder