Bara 10 riktiga mätningar av AI:s energiförbrukning finns i världen

Av alla siffror om AI:s energiförbrukning som cirkulerar i media, akademiska rapporter och regulatoriska debatter är bara en liten handfull riktiga mätningar gjorda i produktionsmiljöer. Resten — inklusive praktiskt taget all data om GPT-5, Claude, Sora, Midjourney, DALL-E, Suno och alla kommersiella tjänster — är uppskattningar med felmarginaler från x2 till x27.

Vi har gjort vad ingen verkar vilja göra: ett forensiskt inventarium, datapunkt för datapunkt, av allt som faktiskt har mätts. Resultatet är nedslående.

Den enda riktiga datapunkten: Google och dess 0,24 Wh

I hela AI-industrin finns det en enda direkt produktionsmätning publicerad av en AI-leverantör.

Google avslöjade i augusti 2025 att en medianförfrågan av text till Gemini Apps förbrukar 0,24 Wh och genererar ungefär 0,03 gCO₂e — med marknadsbaserad redovisning med certifikat för ren energi. Data publicerades i ett granskningsbart paper (arXiv:2508.15734) med explicit metodik.

0,24 Wh. En siffra. Ett företag. I en industri som rör mer än 500 miljarder dollar årligen i infrastruktur.

Det är viktigt att förstå vad denna siffra täcker och vad den inte täcker: den avser mediantextförfrågningar. Den inkluderar inte bildgenerering med Imagen 3, inte video med Veo, inte Gemini Deep Research. Det är en partiell datapunkt — men den är den enda som förtjänar beteckningen riktig mätning.

I en industri som lovar att transformera världen har bara en leverantör offentligt mätt hur mycket energi dess huvudprodukt förbrukar.

Det overifierade påståendet: OpenAI och dess 0,34 Wh

Sam Altman uppgav i juni 2025 att den genomsnittliga ChatGPT-förfrågan förbrukar 0,34 Wh. Han publicerade det i ett personligt blogginlägg, inte i ett paper. Han publicerade ingen metodik. Han definierade inte vad som utgör en “genomsnittlig förfrågan”. Han specificerade inte om det inkluderar bilder, Deep Research eller code interpreter.

Siffran är rimlig — den är i samma storleksordning som Googles — men den är inte verifierbar. Detta har praktisk betydelse: när ett företag som fakturerar miljarder dollar och som just har lanserat GPT-5, GPT-5.4, Sora 2 och Codex inte publicerar en reproducerbar metodik, erbjuder det inte transparens. Det erbjuder ett marknadsföringsuttalande.

Och saker och ting kompliceras när vi går in på detaljerna:

• GPT-5 har en medianuppskattning på ~18,9 Wh per förfrågan enligt URI AI Lab — 63 gånger basreferensen
• GPT-5.4 med aktivt reasoning kan nå 4–18 Wh per förfrågan
• Sora 2 förbrukade ~1 000 Wh per 10-sekundersklipp innan det stängdes

Ingen av dessa datapunkter kommer från OpenAI. Alla är tredjepartsuppskattningar.

De akademiska mätningarna: 5 öar av noggrannhet

Utanför leverantörerna har en handfull forskargrupper gjort vad industrin vägrar att göra: faktiskt mäta.

1. AI Energy Score — Hugging Face

Det mest ambitiösa systematiska mätprojektet. Hugging Face lanserade version 1 i februari 2025 och v2 i december 2025. Det har mätt den verkliga förbrukningen av ~205 open source-modeller genom att köra dem på standardiserad hårdvara (NVIDIA H100).

Problemet: det mäter bara öppna modeller. GPT-5, Claude, Gemini, Midjourney — de som används av den överväldigande majoriteten av människor — är uteslutna by design.

2. Bertazzini et al. — Den dolda kostnaden för bilden

Publicerat 2025 (arXiv:2506.17016) mätte detta team 17 diffusionsmodeller för bildgenerering på en RTX 4090. De fann en skillnad på 46 gånger mellan den mest effektiva och den minst effektiva modellen.

x46. Det betyder att välja fel modell kan multiplicera din förbrukning med nästan 50 gånger för att få en bild av liknande kvalitet.

3. Luccioni & Delavande — Videons energibudget

De mätte 7 videogenereringsmodeller på H100 (arXiv:2509.19222). Deras data bekräftade vad industrin föredrar att inte säga: att generera video med AI förbrukar mellan x300 och x3 000 mer än en textförfrågan.

4. Passoni et al. — Ljudet som ingen mäter

Första seriösa studie av förbrukning av ljudgenerering (arXiv:2505.07615). De fann att Tango2 förbrukar ~2 Wh per 10-sekundersklipp och AudioLDM ungefär ~0,25 Wh. Detta är de enda referensdata för hela den generativa ljudindustrin — Suno, Udio och ElevenLabs har inte publicerat absolut ingenting.

5. ML.Energy — University of Michigan

Kontinuerligt energieffektivitetsbenchmark för maskininlärningsmodeller. Tillhandahåller referensdata för standardhårdvara, men — återigen — bara för modeller de har tillgång till, inte för stängda kommersiella tjänster.

Punktmätningar: 3 isolerade datapunkter

Utöver de systematiska studierna finns det tre direkta mätningar av specifika modeller som fungerar som ankarreferenser:

• DeepSeek-R1 (lång reasoning): 33,6 Wh per lång förfrågan — direkt mätning, hög konfidens. Det är 112 gånger en enkel textförfrågan.

• OpenAIs o3 (lång reasoning): 39,2 Wh — direkt mätning. 131 gånger basreferensen.

• Stabilitys SDXL (bild på H100): 1,64 Wh per bild — benchmark mätt av Hugging Face. Den bästa öppna ankarpunkten för bildgenerering.

Och en särskilt avslöjande mätning:

• Claude Code (median programmeringssession): 41 Wh — mätt av Simon P. Couch i januari 2026. 137 gånger en enkel förfrågan. En utvecklare som använder kodagenter under en hel arbetsdag förbrukar runt 1 300 Wh — motsvarande ett diskmaskinscykel.

Svarta hålet: vad vi INTE vet

Nu kommer den obehagliga delen. Detta är vad absolut ingen har publicerat:

• Anthropic (Claude, Claude Code): noll energiförbrukningsdata. Någonsin. Den senaste miljörapporten innehåller ingen per-förfrågnings-telemetri.

• Midjourney: noll data. Stängd arkitektur, inget offentligt benchmarking.

• Suno, Udio, ElevenLabs Music: noll data. Hela den generativa ljudindustrin opererar i fullständig opacitet.

• Runway, Pika, Kling, Hailuo: noll data. Videogeneratorerna som ersätter Sora publicerar ingenting om hur mycket varje klipp förbrukar.

• xAI (Grok): omstridd data. Dess Colossus-campus i Memphis drivs med 35 otillåtna gasturbiner, men de har inte publicerat per-inferens-förbrukningsdata.

• Adobe (Firefly): har genererat mer än 24 miljarder assets men vägrar att tillhandahålla disaggregerad förbrukningstelemetri per bild.

Föreställ dig om bilindustrin sålde bilar utan bränsleförbrukningsetikett. Om hushållsapparattillverkare inte publicerade hur mycket el de använder. Det är exakt vad som händer med AI år 2026.

Siffrorna som borde existera men inte gör det

För att mäta omfattningen av informationsvakuumet är dessa datapunkter som industrin kunde publicera idag — eftersom de har telemetrin för det — och väljer att inte publicera:

• Wh per förfrågan efter typ (text, bild, video, ljud, kod)
• Wh per session för autonoma agenter
• Total inferensförbrukning per tjänst per månad/år
• Vattenförbrukning för kylning per datacenter
• Verklig energimix per tjänstregion (inte det retuscherade globala genomsnittet)

Google bevisade att det är möjligt att publicera dessa data utan att förlora marknadsandelar. När det avslöjade sina 0,24 Wh förlorade det inga användare. Det vann trovärdighet.

Global datacenterförbrukning kommer att växa från 415 TWh 2024 till mellan 945 och 1 580 TWh 2030 enligt IEA. Det motsvarar att lägga till Japans elförbrukning till det globala systemet. Och majoriteten av den tillväxten kommer från AI.

Att fatta välgrundade beslut om denna skala av påverkan med bara 10 riktiga mätningar är inte svårt. Det är omöjligt.

Vad kan jag göra?

• Om du är AI-användare: Kräv transparens. När du väljer en tjänst, fråga: publicerar den förbrukningsdata? Vår fotspårskalkylator ger dig en uppskattning baserad på det lilla som är känt, men det vore bättre om leverantörerna gav dig riktig data.

• Om du leder ett företag: Inom det europeiska CSRD-ramverket inkluderar ditt koldioxidavtryck de AI-tjänster du anlitar (Scope 3). Om din leverantör inte ger dig förbrukningsdata flyger du blint i din hållbarhetsrapportering.

• Om du är utvecklare: Använd modeller med publicerade mätningar när du kan. Open source-modeller mätta av AI Energy Score och ML.Energy ger dig riktig data. Stängda kommersiella tjänster ger dig löften.

• Om du arbetar med reglering: EU AI Act (artikel 40) föreskriver redan krav på energitransparens, men standarderna kommer inte att vara bindande förrän i augusti 2028. Mätning är möjlig idag, utan ny teknik. Det som saknas är rättslig skyldighet.