Hur mycket energi förbrukar den AI du använder varje dag?

Att generera 10 sekunders video med Veo 3.1 kan förbruka lika mycket energi som en mikrovågsugn påslagen i 1–2 timmar.

Den meningen är ingen retorisk överdrift. Det är ett uppmätt värde. Och det är bara toppen av isberget av en verklighet som AI-företagen helst inte kvantifierar offentligt.

På AISHA har vi samlat in, korsjämfört och verifierat alla tillgängliga mätningar fram till april 2026 — akademiska papers, produktionsdata, oberoende benchmarks — för att bygga den mest kompletta guiden på svenska om den verkliga energiförbrukningen hos artificiell intelligens.

Det här är vad vi vet.

Allt börjar med ett tal: 0,3 Wh

För att kunna tala med jämförbara siffror behöver vi en utgångspunkt. Referensenheten är en standardförfrågan av text: ungefär 0,3 Wh (wattimmar).

Hur mycket är det? Den energi som en 10 watts LED-lampa förbrukar på mindre än två minuter. Det verkar obetydligt. Men när det multipliceras med miljarder dagliga förfrågningar världen över slutar den aggregerade påverkan att vara trivial.

Google är den enda leverantören som har publicerat en direkt produktionsmätning: 0,24 Wh som median för textförfrågningar till Gemini (augusti 2025, verklig infrastrukturmätning, inte uppskattning). Sam Altman hävdade att ChatGPT förbrukar 0,34 Wh i genomsnitt, men utan att publicera någon metodik. Anthropic har inte publicerat någonting alls.

Med den referensen på 0,3 Wh som bas (x1) kan vi jämföra allt annat.

Text: den billigaste modaliteten (och den mest ojämlika)

Alla textmodeller förbrukar inte lika mycket. Skillnaden mellan den lättaste och den tyngsta överstiger 40 gånger. Denna tabell visar det:

“Flash”- eller “mini”-modellerna är mellan 3 och 10 gånger effektivare än de fullständiga frontier-modellerna. För den absoluta majoriteten av vardagliga uppgifter — sammanfatta en text, skriva ett e-postmeddelande, svara på en faktafråga — räcker den lilla modellen.

Valet av modell är inte neutralt. Att välja fel kan multiplicera din förbrukning med 26 gånger för samma uppgift.

Reasoning: när tänkande kan kosta upp till 130 gånger mer

Revolutionen med “thinking models” — modeller som resonerar internt innan de svarar — har radikalt förändrat energiekvationen. De genererar tankekedja på tiotusentals tokens innan de ger ett svar, och den interna processen förbrukar energi.

Följande tabell samlar tillgängliga mätningar för de viktigaste reasoning-lägena:

I värsta fall förbrukar en enda förfrågan med reasoning lika mycket som 130 vanliga textförfrågningar.

Hugging Face AI Energy Score v2 (december 2025), som mäter 205 open source-modeller på GPU:er av typen H100, fann ännu mer extrema resultat:

• Phi-4-reasoning-plus: multiplikator på x514 vid aktivering av reasoning (från 0,018 Wh till 9,46 Wh)
• DeepSeek-R1-Distill-Llama-70B: multiplikator på x154 (från 0,050 Wh till 7,63 Wh)
• SmolLM3-3B: 13 Wh för en enda fråga med reasoning aktiverat

Att aktivera reasoning-läget när det inte behövs är som att använda en 40-tons lastbil för att åka och köpa bröd.

Bilder: varje AI-foto motsvarar att ladda din mobil

Forskningen av Bertazzini et al. (juni 2025) mätte 17 diffusionsmodeller på en RTX 4090 och fann en variation på 46 gånger mellan den mest effektiva och den minst effektiva.

Här är ytterligheterna i spektrumet:

Skillnaden mellan den billigaste och den dyraste modellen är skillnaden mellan att tända en ficklampa och tända en ugn.

Ett kontraintuitivt fynd: int8-kvantisering, som förväntas minska förbrukningen, ökar den faktiskt med upp till 64,5 % i vissa bildmodeller. Effektivitet är inte alltid vad det verkar.

700 miljoner bilder på en vecka. Det är vad användarna genererade när OpenAI lanserade den inbyggda bildgenereringen i GPT-4o. Det motsvarar ungefär 2 100 MWh enbart i bildgenerering, på sju dagar.

Video: den stora energislukaren

Om text är cykeln, så är video flygplanet. Forskningen av Delavande och Luccioni (september 2025) mätte 7 open source-videomodeller på H100 och dokumenterade ett intervall på 800 gånger mellan den billigaste och den dyraste.

Dessa siffror talar för sig själva:

944 Wh per 5-sekundersklipp. Det är vad Sora förbrukade — lika mycket energi som att ladda en smartphone under en månad. OpenAI stängde ner det den 24 mars 2026 efter att ha ackumulerat totala intäkter på 2,1 miljoner dollar mot uppskattade driftskostnader på 15 miljoner dollar per dag.

En teknisk detalj som förvärrar problemet: att fördubbla videolängden fyrdubblar energiförbrukningen. Förhållandet är inte linjärt — det är exponentiellt.

Ljud: modaliteten som ingen mäter

Passoni et al. (maj 2025) publicerade det enda paper som innehåller mätningar av ljudgenerering (text-till-ljud), med 7 modeller på NVIDIA A40 GPU:er:

• AudioLDM (mest effektiv): ~0,25 Wh per 10-sekundersklipp
• Tango2 (minst effektiv): ~2,0 Wh per 10-sekundersklipp

Det oroande fyndet: nyare modeller förbrukar konsekvent mer energi än äldre. Branschen prioriterar kvalitet framför effektivitet, utan undantag.

Ett enda paper. Sju modeller. Noll data från kommersiella tjänster. Det är all transparens som finns idag inom generativt ljud.

Kodagenter: 136 förfrågningar i en enda session

Kodagenter representerar ett nytt paradigm för förbrukning. Simon P. Couch analyserade sessioner med Claude Code (januari 2026) och fann att en mediansession bearbetar 592 000 tokens och förbrukar ungefär 41 Wh — motsvarande 136 konventionella textförfrågningar.

Komplexa sessioner kan nå 50 till 200 Wh. En utvecklare som använder kodagenter under en hel arbetsdag kan förbruka lika mycket energi som ett genomsnittligt europeiskt hushåll på en dag.

En utvecklare med en kodagent igång i åtta timmar förbrukar lika mycket som sitt kylskåp på 24 timmar.

Paradoxen som förklarar allt

Det här är kanske det viktigaste faktumet i hela guiden: effektiviteten per förfrågan förbättras ständigt, men den totala förbrukningen slutar aldrig att växa.

Google visade en effektivitetsförbättring på 33 gånger under 12 månader (maj 2024 till maj 2025). Ändå ökade deras totala koldioxidutsläpp med 48–50 % under samma period. Deras faktiska elförbrukning ökade med 27 %, även om deras bokföring baserad på certifikat för förnybar energi (market-based) deklarerade en “minskning på 12 %”.

Det är Jevons paradox tillämpad på AI: när en resurs används mer effektivt sjunker kostnaden, den blir mer tillgänglig, användningsvolymen skjuter i höjden och den totala förbrukningen ökar.

Datan bekräftar det:

• Effektivitet per token: förbättras 15–30 % per år
• Volym dagliga förfrågningar: växer från 0,4–1,0 miljarder (2024) till 2,5–5,0 miljarder (2026)
• Nettoresultat: den totala förbrukningen stiger med 25 % per år

Effektivitet är nödvändigt men otillräckligt. Utan styrning av efterfrågan — att välja rätt modell, undvika onödig användning, mäta påverkan — accelererar den tekniska förbättringen bara problemet.

De svarta hålen: det vi INTE vet

Allt ovan baseras på de mätningar som finns. Men det finns hela kategorier där vi inte har några data alls:

• Deep Research från vilken leverantör som helst (uppskattningarna varierar mellan 10 och 40 Wh — ett intervall på x4)
• Kommersiell bildgenerering (DALL-E, Midjourney, Ideogram är uteslutna från akademiska benchmarks)
• Sora och proprietära videomodeller (uppskattningarna varierade x27: från 35 till 936 Wh)
• Musikgenerering (Suno, Udio: bokstavligen noll publicerade data)
• Proprietär inferens (GPT-5, Claude i produktion, Grok: inga oberoende mätningar)

Hindret är inte tekniskt. NVIDIA DCGM, övervakningssystemet för GPU:er, är redan utplacerat i varje datacenter i världen. API:erna rapporterar redan kostnader i dollar per anrop. Att lägga till ett fält energy_wh vore trivialt.

Företagen väljer att inte göra det. Hindret är politiskt, inte tekniskt.

Vad kan jag göra?

• Om du är användare: Använd vår AI-fotavtrycksberäknare för att uppskatta din förbrukning. Som tumregel: text < bild < ljud < kod < reasoning < video. Den minsta modellen som löser din uppgift är alltid det bästa valet.

• Om du är företag: AI-förbrukning är redan en del av ditt koldioxidavtryck under CSRD. Kräv förbrukningsdata per tjänst av dina leverantörer. Om Google kan publicera 0,24 Wh kan de andra också göra det.

• Om du är utvecklare: Flash/mini som standard. Reasoning bara när problemet kräver det. Cacha resultat. Varje arkitekturbeslut har en energikostnad som multipliceras med miljontals användare.

• Om du är lagstiftare: Mätning är möjlig idag, med teknik som redan finns i varje datacenter. Energimärkningar för hushållsapparater minskade förbrukningen med 60 % på 30 år. AI behöver sin egen märkning.