Hur dåligt är AI för miljön egentligen?

AI:s miljöpåverkan är verklig och växande, men många virala jämförelser är för säkra. Vanliga textuppmaningar verkar använda en bråkdel av en wattimme enligt de senaste uppskattningarna; långa resonemang, stora sammanhang, bilder och video kan använda mycket mer. Datacenters el- och vattenbehov spelar stor roll, särskilt i vissa regioner.

Den ärligaste domen är varken panik eller uppsägning. Vissa populära nummer är föråldrade, fråntagna sina antaganden eller tillämpas på fel enhet. Samtidigt stöds trenden på systemnivå – snabb infrastrukturtillväxt delvis ledd av AI – väl. Denna mytrevision skiljer vad som bör pensioneras från det som förtjänar seriös uppmärksamhet.

Myt: varje AI-fråga använder 3 Wh

De 3 watt-timmars siffra var en tidig uppskattning byggd kring äldre A100-hårdvara, en GPT-3.5-scale modell och en antagen 2,000 genererade tokens. Det var inte en universell mätning.

Nyare offentliga uppskattningar för en vanlig textfråga är lägre. OpenAI vd Sam Altman uppgav ett genomsnitt ChatGPT fråga används ca 0.34 Wh. Google rapporterade 0.24 Wh för en median Gemini Textuppmaning för appar i maj 2025 med hjälp av en metod som inkluderade stödjande infrastruktur.

Ingendera siffran täcker alla lägen, och Altman publicerade inte beräkningen bakom sitt genomsnitt. Långa in- och utgångar kan fortfarande använda många gånger mer. Ta bort "3 Wh för varje fråga"; fortsätt fråga vilken arbetsbelastning och gräns.

Myt: ett meddelande dricker en flaska vatten

Den akademiska uppskattningen bakom flaskpåståendet sa inte ett meddelande. Li och kollegor uppskattade att en 500 ml flaska skulle kunna motsvara ungefär 20–50 medellånga svar, beroende på var och när modellen körde. Det ger ungefär 10–25 ml per svar under deras antaganden.

Senare operatörssiffror var mycket lägre: Altman gav cirka 0.000085 US gallons - ungefär 0.32 ml - för ett genomsnitt ChatGPT fråga, medan Google rapporterade 0.26 ml för dess median Gemini textuppmaning. Det här är inte rena vederläggningar eftersom systemen och gränserna skiljer sig åt.

Slutsatsen är osäkerhet, inte noll. Vatten varierar med kyla, väder och el. Se använder AI verkligen en flaska per meddelande? för hela leden.

Myt: AI använder alltid tio gånger en webbsökning

Detta förhållande placerar vanligtvis en gammal Google sökuppskattning bredvid en nyare AI-uppskattning. Sökinfrastrukturen har förändrats sedan dess Google publicerade energisiffror 2009, och många sökprodukter innehåller nu genererade sammanfattningar. Samtidigt kan "AI-fråga" betyda ett kort slutförande eller ett forskningsjobb i flera steg.

Ett förhållande sammanställt från olika leverantörer, årtal och systemgränser är inte en kontrollerad jämförelse. Det kan en gång ha varit en användbar illustration, men det bör inte behandlas som en aktuell fysisk konstant.

För en enskild uppgift är den mer relevanta frågan om sökning, en direktkälla eller ett genererat svar är rätt verktyg. Jämför transparenta, samtida summor på systemnivå. Precision utan jämförbarhet är inte noggrannhet.

Myt: förnybar kraft gör AI påverkanfri

El med låga koldioxidutsläpp kan kraftigt minska driftsutsläppen, och kontrakt med teknikföretag kan hjälpa till att bygga ny generation. Den IEA förväntar sig att förnybar energi kommer att möta nästan hälften av tillväxten i datacenters elförsörjning fram till 2030 i sitt basfall.

Den förväntar sig också att naturgas och kol tillsammans kommer att täcka mer än 40% av det ytterligare utbudet under den perioden. Årlig förnybar matchning kanske inte stämmer överens med datacentrets plats och tid för efterfrågan. Renare el tar inte heller bort kylvatten, hårdvarutillverkning, byggnader eller mark.

"Lägre koldioxidutsläpp" är ett försvarbart påstående med bevis. "Inget fotavtryck" är det inte. Distinktionen är central för om AI är dåligt för miljön.

Myt: en liten uppmaning spelar ingen roll

En kort prompt har ett litet operativt fotavtryck. Det är ett skäl till proportioner, inte förnekande. Miljarder användningar, växande produktionslängder och nya bild-, video- och agentarbetsbelastningar. Leverantörer bygger kapacitet för förväntad samlad efterfrågan, inte en persons budskap.

IEA uppskattade alla datacenter – inte bara AI – som används runt omkring 415 TWh 2024 och projekterar ungefär 945 TWh år 2030 i sitt basfall. AI-ledda accelererade servrar står för nästan hälften av nettoökningen.

Individuell skuld är fortfarande fel policy. Operatörer väljer modeller, hårdvara, placering och energi; regeringar övervakar nät och vatten. Användare kan undvika slöseri, medan strukturella beslut avgör det mesta av systemets bana.

Myt: AI är den enda anledningen till att datacenter växer

AI är en viktig drivkraft, inte hela sektorn. Datacenter tillhandahåller även lagring, video, ekonomisystem, företagsprogramvara och konventionella molnberäkningar. Att upprepa hela datacentrets totalsumma som "AI-elektricitet" överskattar nuvarande tillskrivning.

Det omvända felet är att ignorera AI eftersom exakt allokering är svår. IEA-modellerna för accelererad serverelektricitet växer mycket snabbare än efterfrågan på konventionella servrar och identifierar AI som den ledande källan till expansion.

Bra rapportering håller ihop båda fakta: observerade summor är bredare än AI, och AI förändrar utsikterna väsentligt. Vår artikel om AI-datacenter förklarar varför lokala nät- och vatteneffekter kan vara mer informativa än en global procentandel.

Vad som verkligen är oroande

Snabb absolut efterfrågan kan överträffa effektivitet och ren energi konstruktion. Anläggningar samlas, så lokala nät och vattensystem kan möta ett tryck som globala medelvärden döljer. Försörjningskedjans utsläpp och tillverkning av hårdvara är fortfarande dåligt fördelade. Offentliga operativa data på modellnivå är fortfarande sparsamma.

Generativa media och agentsystem skulle kunna göra varje användarförfrågan mer beräkningsmässigt komplex. Rebound kan förvandla billigare slutsatser till mer total efterfrågan. De är planeringsrisker snarare än bevis på det värsta scenariot, varför scenariointervall spelar roll.

Användare kan välja mindre kapabla modeller, hålla kontextfokuserad och undvika engångsgenerationer. Leverantörer bör publicera arbetsbelastningsspecifika och absoluta summor. Treechat förklarar dess begränsade, modellbaserade uppskattningar på dess metodsida. Ett kvitto kan uppmuntra bättre val, men det är inte en fullständig livscykelrevision.

AI är tillräckligt dåligt för att kräva transparens, renare infrastruktur och återhållsamhet. Bevisen stöder inte att varje uppmaning behandlas som en miljönödsituation. Det stöder att bygga en kultur där dyra beräkningar måste tjäna sitt behåll.