Varför vill inte AI-företagen att du ska veta hur mycket energi du förbrukar?

151 miljoner euro per år. Det är vad teknikindustrin spenderar på lobbying i Europeiska unionen — 55% mer än 2021. Med 890 heltidslobbyister som utövar påtryckningar i Bryssel är prioriteringen tydlig: förhindra att någon reglering av energitransparens går framåt innan marknaden har konsoliderats.

Det här är ingen konspirationsteori. Det är incitamentsekonomi. Och det förklarar varför, i en bransch som omsätter mer än en halv biljon dollar årligen i infrastruktur, nästan ingen publicerar hur mycket energi det man säljer förbrukar.

Det är inget förbiseende. Det är en Nash-jämvikt

AI:s energiopacitet är inget förbiseende, inte heller en fråga om “vi gör det när vi har data”. Leverantörerna mäter redan sin förbrukning internt — de behöver det för att dimensionera infrastruktur, förhandla elavtal och optimera kostnader.

Frågan är inte om de kan publicera data. Det är varför de väljer att inte göra det.

Svaret har sex lager, och vart och ett förstärker de andra.

Incitament 1: Affärshemligheter

Energiförbrukningsdata avslöjar indirekt modellernas arkitektur och effektivitet. Om OpenAI publicerade de faktiska Wh för GPT-5.4 med resonemang skulle konkurrenterna kunna dra slutsatser om hur många interna tokens som genereras, hur många lager som aktiveras och hur deras system skalar.

Lagen skyddar denna tystnad: 18 U.S.C. § 1905 i USA straffbelägger offentliga tjänstemäns avslöjande av affärshemligheter, och företagen hävdar att deras effektivitetsmått är immateriella rättigheter. Kalifornien försökte ändra detta med AB-2013, men räckvidden blev begränsad.

Resultatet: varje företag har juridiska och konkurrensmässiga incitament att inte vara det första att publicera.

Incitament 2: Undvikande av reglering

Om förbrukningsdata vore offentliga skulle reglering vara oundviklig. Och reglering kostar.

EU AI Act föreskriver redan krav på energitransparens i sin Artikel 40, men standarderna blir inte bindande förrän augusti 2028. Den europeiska Digital Omnibus — presenterad som “minskning av administrativ börda” — har lyckats skjuta upp tillämpningen av högriskbestämmelserna till december 2027 och marginalisera energimåtten.

I USA är situationen värre: mer än 300 delstatliga lagförslag om AI och ingen federal lag. Planen “America’s AI Action Plan” prioriterar kommersiell och militär konkurrenskraft, inte miljöpåverkan.

Medan den europeiska regleringen försenas och den amerikanska inte existerar, verkar företagen i ett perfekt vakuum: utan skyldighet att mäta och utan konsekvenser för att inte göra det.

Incitament 3: ESG-risk

Det finns mer än 30 biljoner dollar som förvaltas enligt ESG-kriterier (Environmental, Social, Governance) globalt. Kreditvärderingsinstitut som MSCI och Sustainalytics utvärderar redan teknikföretag utifrån deras utsläpp.

Att publicera detaljerade förbrukningsdata per tjänst skulle utsätta AI-företag för en granskning de helst vill undvika:

• Google erkände att deras totala utsläpp ökade med 48% mellan 2019 och 2023, men tillskriver en stor del till marknadsbaserad redovisning som använder certifikat för ren energi.

• Microsoft medgav en ökning på 23,4% av utsläppen sedan 2020, med 97% koncentrerat till Scope 3 — leveranskedjan och användningen av deras produkter.

• OpenAI fick en poäng på 23 av 100 i DitchCarbon:s miljöindex.

Om leverantörerna publicerade faktiska Wh per förfrågan, per bild, per genererad video, skulle narrativet om “grön AI” kollapsa inom veckor. Och med det, värderingen av företag som är börsnoterade eller strävar efter börsnotering.

Incitament 4: Kontroll av narrativet

Branschen har lärt sig av andra sektorer: när det väl finns en synlig förbrukningsetikett jämför konsumenten. Och jämförelsen förändrar köpbeteendet.

Tänk dig att varje gång du genererar en bild med Midjourney ser du: “Denna bild förbrukade 3,2 Wh — motsvarande att ha en LED-lampa tänd i 19 minuter”. Eller att vid generering av en video med Runway: “Detta 10-sekundersklipp förbrukade 260 Wh — motsvarande att ladda din smartphone 18 gånger”.

Kalorianaalogin är exakt. När livsmedelsindustrin tvingades märka kalorier förändrade det inte livsmedlens sammansättning omedelbart. Men det förändrade vad folk valde att köpa. Och det förändrade vad tillverkarna producerade.

AI behöver sin kalorietikett. Och företagen vet det.

Incitament 5: Ogynnsamma jämförelser

Om alla publicerade data skulle det bli tydligt vem som är effektiv och vem som inte är det. Och skillnaden är inte marginell.

De data som finns visar redan brutala skillnader:

• Gemini 2.5 Flash-Lite kan svara på en textförfrågan med 0,05–0,12 Wh
• GPT-5.4 med aktivt resonemang förbrukar 4–18 Wh för samma uppgift
• DeepSeek-V3.2 opererar på 0,08–0,18 Wh tack vare sin MoE-arkitektur

Skillnaden mellan den mest effektiva och den minst effektiva modellen för likvärdiga uppgifter kan vara x100 eller mer. Att publicera dessa data skulle tvinga de mindre effektiva leverantörerna att motivera sina priser — eller att förbättra sig.

DeepSeek visade att man kan erbjuda en konkurrenskraftig modell för $0,028 per miljon tokens. Om man dessutom publicerade att den förbrukar en bråkdel av energin jämfört med konkurrenterna, skulle konkurrenstrycket vara ohållbart för dem som tar x50 mer betalt.

Incitament 6: Juridiskt ansvar för Scope 3-utsläpp

Det här är incitamentet som oroar juridikavdelningarna mest. Det europeiska direktivet CSRD (Corporate Sustainability Reporting Directive) kräver att företag rapporterar Scope 3-utsläpp — de som genereras i deras värdekedja, inklusive de tjänster de köper in.

Om ett europeiskt företag använder ChatGPT i sin dagliga verksamhet och OpenAI publicerade hur många Wh varje förfrågan förbrukar, skulle det företaget behöva inkludera den förbrukningen i sin hållbarhetsrapport. Och om den förbrukningen visar sig vara betydande, skulle det finnas tryck att söka mer effektiva alternativ.

AI-leverantörerna vet detta. Att publicera förbrukningsdata skulle utlösa en kaskad av juridiskt ansvar längs hela värdekedjan. Det är bekvämare att upprätthålla vakuumet.

Fallet Memphis: opacitet med verkliga konsekvenser

Om de ekonomiska incitamenten verkar abstrakta är Memphis det konkreta fallet.

xAI — Elon Musks AI-företag — installerade sitt campus Colossus i Memphis, Tennessee, med 35 gasturbiner i drift utan de erforderliga miljötillstånden. Resultatet:

• 1 200–2 000 ton NOx utsläppta per år
• 1 miljon gallon vatten förbrukade per dag
• $30–44 miljoner i uppskattade årliga hälsoskador för Boxtown-samhället
• NAACP och Southern Environmental Law Center har lämnat in en stämning

EPA ingrep i januari 2026, men turbinerna fortsätter att vara i drift. Det drabbade samhället är övervägande afroamerikanskt och låginkomsttagande.

Energiopacitet är inte bara ett dataproblem. Det är ett problem om miljörättvisa. När det inte finns transparens betalas konsekvenserna av dem som har minst möjlighet att kräva ansvarsutkrävande.

Google visade att det går

Det är värt att upprepa: Google publicerade sitt datum på 0,24 Wh per medianförfrågan till Gemini. De gjorde det med granskningsbar metodik, i en offentlig artikel, med replikerbara data.

De förlorade inte marknadsandelar. De förlorade inte investerare. De orsakade inte en regulatorisk kris.

Vad de visade var att transparens är möjlig och att argumentet att publicering av data skulle skada verksamheten är falskt. Det som skadar är opacitet — eftersom den urholkar förtroendet och fördröjer en reglering som kommer att komma ändå.

Resten av branschen kan göra detsamma. De väljer att inte göra det.

Vad kan jag göra?

• Om du är användare: Välj leverantörer som publicerar förbrukningsdata. Google och open source-modeller mätta av Hugging Face är de mest transparenta alternativen idag. När du använder ogenomskinliga tjänster, gör det med vetskapen om att du förbrukar en mängd energi som ingen vill att du ska känna till.

• Om du leder ett företag: Din skyldighet enligt CSRD inkluderar Scope 3. Kräv av dina AI-leverantörer ett energiförbrukningsblad per tjänst. Om de inte ger dig det, dokumentera det — det kommer att vara relevant i din ESG-revision.

• Om du är utvecklare: Prioritera modeller med offentliga effektivitetsdata. Använd flash/mini/lite för rutinuppgifter. Varje anrop till en frontier-modell utan nödvändighet är en omotiverad energikostnad som du inte kan mäta.

• Om du arbetar med reglering: Artikel 40 i EU AI Act är en början, men 2028 är för sent. Mättekniken finns idag. Det som saknas är politisk vilja — och trycket från 890 lobbyister som arbetar för att den viljan inte ska komma.