Hur mycket CO2 producerar AI?

Det finns ingen pålitlig universell mängd CO2 för en AI-prompt eller för AI över hela världen. För ett enskilt svar är den grundläggande beräkningen elektricitet som används multiplicerat med kolintensiteten i elförsörjningen. Båda ingångarna varierar. Ett kort svar från en liten modell och ett långt verktygsanvändande svar från ett gränssystem är olika jobb, och samma jobb kan ha olika utsläpp på olika nät.

I global skala är offentliga bevis vanligtvis för alla datacenter snarare än AI enbart. Internationella energibyrån räknar med att elrelaterade utsläpp från datacenter når runt 320 miljoner ton CO2 år 2030 i sitt basfall. AI är en stor drivkraft för tillväxt, men lagring, molnberäkning och andra digitala tjänster ingår, så 320 miljoner ton är inte totalt AI.

Att förvandla wattimmar till gram CO2

Aritmetiken är enkel när antagandena väl har valts. Konvertera wattimmar till kilowattimmar och multiplicera sedan med gram CO2-ekvivalent per kilowattimme. Om en vanlig textfråga använder ungefär 0.3 Wh, som Epoch AI uppskattningar för en typisk GPT-4o begäran, skulle dess operativa utsläpp vara 0.0003 kWh multiplicerat med den relevanta nätfaktorn.

Det finns ingen universell faktor för att avsluta den ekvationen. Ett förnybart och kärnkraftstungt nät, ett gastungt nät och ett koltungt nät ger olika svar. Faktorn kan också ändras timme för timme.

Alla publicerade gramsiffror bör därför visa både energiuppskattningen och kolintensitetskällan snarare än att gömma dem bakom en decimal.

Ett meddelande kan vara mycket större än genomsnittet

Uppskattningen på ungefär 0.3 Wh beskriver en typisk textförfrågan under Epochs antaganden. Långt sammanhang ändrar beräkningen. Det gör också utökade resonemang, flera modellanrop, webbverktyg och mediegenerering. Modellens arkitektur, hårdvara och användning påverkar också energi per token.

Det är därför ett svar som "AI producerar X gram per prompt" är ofullständigt även innan kolet övervägs. Uppmaningen är en gränssnittshändelse, inte en standard arbetsbelastning. Ett servicemedelvärde kan vara användbart för grov planering, men det kan inte fungera som mätaravläsning för varje förfrågan.

Energikostnaden för ett AI-meddelande förklarar hur inmatning, utdata och dolda backend-steg breddar räckvidden.

Träning passar inte in i en uppmaning

Utbildning skapar eller uppdaterar en modell genom ett stort, ändligt datorjobb. Inferens är det fortsatta arbetet när modellen används. En uppskattning per svar täcker normalt inferenselektricitet, kanske med datacenteroverhead, och lämnar träning utanför gränsen.

Träningsutsläpp kan fördelas över meddelanden, men divisorn är okänd tills modellen går i pension. En modell som används miljarder gånger skulle få en mycket mindre utbildningstilldelning per meddelande än en som tränas och snabbt överges. Utvecklingsexperiment gör också täljaren osäker.

Av den anledningen utbildning och slutledningsutsläpp är tydligare när de rapporteras separat. Att kombinera dem kan vara lämpligt för en retrospektiv livscykelstudie, men inte när en osäker allokering presenteras som en direkt mätning per meddelande.

Driftel är bara en kolkälla. Att tillverka acceleratorer och minne, bygga servrar, producera betong och stål, bygga datacenter och flytta utrustning genom försörjningskedjor skapar alla förkroppsligade utsläpp. Generering av backup och utbyte av utrustning kan ge ytterligare effekter.

Dessa källor tenderar att förekomma i företagens Scope 3-inventeringar snarare än siffror per modell. Microsofts Hållbarhetsrapport 2025 rapporterade att dess totala utsläpp förblev över sin 2020-baslinje mitt i AI och molnexpansion, även när den beskrev framstegen med direkta operativa utsläpp och koldioxidfri elupphandling.

Det avslöjar inte CO2 från en produkt. Det visar varför ett rent operativt elpåstående inte är ett fullständigt AI-fotavtryck.

Koldioxidredovisning kan ge olika svar

En platsbaserad beräkning följer utsläppsintensiteten på nätet där el förbrukas. En marknadsbaserad inventering kan känna igen kontrakt, certifikat och andra instrument förknippade med renare produktion. Timmatchning ställer en strängare fråga än årsmatchning: fanns kolfri el tillgänglig vid tidpunkten och användningsplatsen?

IEA uppger att dess analys av datacenterförsörjning använder den fysiska elmixen snarare än företagens avtalsmässiga mix. En företagsrapport kan legitimt använda erkänd marknadsbaserad redovisning och komma fram till ett lägre operativt resultat. När siffror är i konflikt, inspektera metoden innan du bestämmer att en måste vara falsk.

Vår AI koldioxidavtryck förklarar täcker dessa gränser mer i detalj.

Vad de globala prognoserna gör och inte säger

IEA:s basfall räknar med att all elanvändning i datacenter ligger på cirka 415 TWh 2024 och cirka 945 TWh 2030. Man förväntar sig att AI kommer att vara den viktigaste drivkraften för tillväxt vid sidan av andra digitala tjänster. Dess elrelaterade utsläpp ökar långsammare än energiefterfrågan när produktionen med lägre utsläpp ökar, även om fossila bränslen fortfarande står för en betydande del av tillväxten på kort sikt.

Det är scenarier, inte mätningar av framtiden. Effektivitet, AI-upptagning, konstruktion och generationsmixen kan förändra vägen. IEA publicerar alternativa fall av den anledningen.

Inte heller bör en global andel minimera lokala effekter. Efterfrågan på datacenter är koncentrerad, så en ny anläggning kan väsentligt påverka ett regionalt nät även när sektorn förblir en blygsam del av de globala utsläppen.

Ett försvarbart sätt att rapportera ett svar

Ange modell och arbetsbelastning, uppskatta eller mäta slutledningselektriciteten, säg om anläggningsoverhead ingår, och avslöja sedan nätfaktorn och tidsbasen. Håll utbildning och förkroppsligade utsläpp synliga som undantag om det inte finns bevis för att tilldela dem. Runda för att matcha osäkerheten.

Treechat följer det snävare operativa tillvägagångssättet. Den uppskattar elektricitet från modellen och antalet token, lägger till datacenterkostnader och tillämpar en angiven genomsnittlig kolintensitet för nätet. Leverantörer tillhandahåller inte en effektmätare per svar eller exakt anläggning, så resultatet förblir en uppskattning. Strömkonstanter och begränsningar är vid /methodology.

Svaret på "hur mycket CO2 producerar AI?" är därför villkorad. För ett svar, visa ekvationen och antagandena. För hela världen, använd datacenterscenarier utan att märka om dem som enbart AI-summor. Precision utan dessa gränser är dekoration, inte kunskap.