Transparens / Opacitet

Forensiskt inventarium över energiopacitet

Karta över vilka leverantörer som publicerar data, vilka som inte gör det och med vilken metodologisk kvalitet.

Den offentliga evidensen är fortfarande minimal och mycket ojämn

I april 2026 vilar nästan hela debatten om AI:s energiförbrukning på en handfull laboratoriemätningar, en enda granulär produktionssiffra och flera företags- eller akademiska uppskattningar med höga felmarginaler. Huvudproblemet är inte brist på intresse: det är bristen på öppen och jämförbar telemetri per tjänst.

Verkligt användbara primärkällor

10

Bland artiklar, öppna benchmarks, företagsuttalanden och granskningsbara uppskattningar.

Offentligt intervall för en textförfrågan

0,24-0,34 Wh

Google och OpenAI markerar det smala kända referensintervallet för allmän chatt.

Maximal observerad avvikelse

x 27

Opaka uppskattningskedjor kan skjuta i höjden skillnaden mellan härlett och verkligt värde.

Detta inventarium separerar direktmätning, produktionsdata och indirekt uppskattning för att besvara en enkel fråga: vad vet vi egentligen och vad antar vi fortfarande.

Slutsatsen är obekväm: majoriteten av siffror som cirkulerar i press, reglering och marknadsföring är inte verifierbar telemetri. De är uppskattningar byggda på antagen hårdvara, uppskattad utnyttjandegrad och proprietära modeller som förblir stängda.

Förbrukning per modalitet med den evidens som finns tillgänglig idag

Logaritmisk skala baserad på det mest citerade offentliga intervallet för text, bildgenerering och open source-video.

Slutsats: det centrala problemet är inte längre att beräkna en snygg siffra, utan att skilja mellan verklig telemetri och spekulativ berättelse. Utan den gränsdragningen förblir varje jämförelse mellan modeller bräcklig.

De 10 pusselbitar som verkligen bär upp debatten

Detta block samlar de källor som faktiskt bidrar till energidebatten: direktmätning i labb, ett granulär produktionsfall och en liten uppsättning akademiska eller företagsuppskattningar som, trots begränsningar, hjälper till att avgränsa storleksordningar.

Inventarium av primärevidens

Filtrera efter typ för att skilja verklig produktion, öppet labb och indirekt uppskattning.

		Rapporterat värde	Nyckelfynd
Google — median för Gemini Augusti 2025 · arXiv:2508.15734v1	Produktion	0,24 Wh / förfrågan	Enda granulära produktionssiffran publicerad med TPU, host-overhead och PUE inkluderade.
Sam Altman — ChatGPT Juni 2025 · företagsblogg	Uppskattning	0,34 Wh / förfrågan	Fungerar som mediereferens, men saknar metodik, peer review och uppdelning per modalitet.
Hugging Face AI Energy Score December 2025 · Sasha Luccioni et al.	Direkt	1 till 5 stjärnor	Jämför över 200 öppna modeller och visar att resonemang kan öka förbrukningen upp till hundratals gånger.
ML.Energy (University of Michigan) 2025-2026 · Jae-Won Chung et al.	Direkt	Öppen leaderboard	Ger användbar kontext för open source-modeller, men löser inte den svarta lådan hos stängda leverantörer.
The Hidden Cost of an Image Juni 2025 · arXiv:2506.17016	Direkt	Upp till x46 mellan modeller	Bekräftar den enorma energispridningen för bild och den låga nyttan av att jämföra per varumärke utan teknisk kontext.
Video Killed the Energy Budget September 2025 · arXiv:2509.19222	Direkt	Upp till x2 000 vs text	Open source-video markerar redan ett tydligt fysiskt brott: modaliteten spelar större roll än modellens marknadsföring.
Generativt ljud Maj 2025 · arXiv:2505.07615	Direkt	Varierar per modell	Nästan den enda användbara empiriska referensen för text-to-audio och utelämnar de dominerande kommersiella plattformarna.
How Hungry is AI? 2025 · arXiv:2505.09598	Uppskattning	o3: 39,2 Wh · Claude 3.7: 17 Wh	Bra bild av möjliga scenarier, men förblir teoretisk inferens baserad på priser och hårdvaruantaganden.
Monte Carlo bottom-up-simulering September 2025 · arXiv:2509.20241	Uppskattning	Median 0,34 Wh	En av de bästa akademiska uppskattningarna, men beroende av alltför många icke-observerbara ingångshypoteser.
Claude Code energy estimate Januari 2026 · Simon P. Couch	Uppskattning	41 Wh / mediansession	Användbar för att dimensionera agenter, även om författaren själv erkänner en felmarginal nära x3.

Tabellen sammanfattar jämförbara fynd. Detaljerade beskrivningar och metodologiska begränsningar finns i originalkällorna.

Verifierbar produktion

Google är den enda stora plattformen som har publicerat en jämförbar granulär produktionssiffra.
Det datat bevisar redan att mätning per förfrågan är tekniskt genomförbar.
Det mest känsliga saknas fortfarande: agenter, kommersiell video och uppdelning per premiumtjänst.

Öppet laboratorium

Akademin och open source gör det möjligt att mäta text, bild, ljud och video under kontrollerade förhållanden.
Det universumet är användbart för att förstå storleksordningar, inte för att ersätta verklig produkttelemetri.
De dominerande stängda modellerna förblir utanför den offentliga jämförelsen.

Indirekt uppskattning

De mest citerade uppskattningarna blandar antagen hårdvara, osäker utnyttjandegrad och finansiella kostnader som proxy.
De kan vägleda en diskussion, men inte bära upp detaljerad reglering eller rättvis kommersiell jämförelse.
Ju mer opak leverantören är, desto större är felmarginalen.

Vilka data som fortfarande saknas hos de stora leverantörerna

Opaciteten är inte homogen. Det finns ett särskilt allvarligt vakuum kring agenter, kommersiell video, aggregerad inferens och distribuerade arbetsbelastningar inom stängda plattformar. Denna tabell dokumenterar vilken nyckelinformation som fortfarande inte publicerats och var det redan finns uttryckligt avslag eller ihållande tystnad.

Inventarium av fortfarande okända data

Filtrera efter leverantör för att se vilka informationsluckor som fortfarande är öppna.

	Saknad data	Status
OpenAI Text (GPT-5)	Verklig förbrukning per förfrågan	Inga data
OpenAI Bild (DALL-E / GPT-4o)	Verklig förbrukning per bild	Inga data
OpenAI Video (Sora 2)	Förbrukning per klipp i produktion	Inga data
OpenAI Agent (Deep Research)	Verklig förbrukning per session	Inga data
Anthropic Text (Claude)	Verklig förbrukning per förfrågan i produktion	Inga data
Anthropic Agenter (Claude Code / Research)	Verklig förbrukning per automatiserad session	Inga data
Google Agent (Gemini Deep Research)	Verklig förbrukning per session	Begäran avvisad
Google Video (Veo 2/3)	Förbrukning per klipp i produktion	Inga data
Meta Integrerad inferens	Aggregerad AI-förbrukning i Facebook, Instagram och WhatsApp	Inga data
xAI Text (Grok 4)	Verklig förbrukning och utsläpp från Colossus	Inga data
Musikplattformar Suno / Udio	Någon som helst offentlig empirisk data	Inga data
Kommersiell video Runway / Pika / Kling	Någon som helst offentlig empirisk data	Inga data

Avsaknad av data betyder inte avsaknad av intern telemetri. Det betyder avsaknad av publicering som är användbar för kunder, tillsynsmyndigheter eller forskare.

Vad denna tabell avslöjar

Den allvarligaste opaciteten ligger inte längre i träningen, utan i den återkommande kommersiella inferensen: agenter, video, verktyg integrerade i produktivitetssviter och aggregerad förbrukning hos plattformar med miljarder användare.

Det faktum att Google har kunnat publicera en median per förfrågan och samtidigt avvisa mer konkreta data för intensiva tjänster visar att barriären är selektiv. Man delar tillräckligt för att styra berättelsen, inte tillräckligt för att möjliggöra jämförelse.

De produkter med störst potentiell regulatorisk friktion är de minst transparenta.
Agenter förblir den mest opaka och strategiskt känsliga vinkeln på marknaden.
Utan data per tjänst förskjuts den offentliga konversationen till föga användbara aggregerade genomsnitt.

Om branschen känner till den exakta förbrukningen för att hantera kapacitet, prissättning och användningsgränser, då är avsaknaden av publicering inte okunskap: det är strategi.

Hur en siffra fabriceras när det saknas direktmätning

Bottom-up-uppskattningar misslyckas inte på grund av individuell ond tro, utan på grund av ackumulering av icke-observerbara hypoteser. Varje steg adderar osäkerhet: arkitektur, hårdvara, utnyttjandegrad, overhead, PUE och fördelning av kostnaden mellan flera uppgifter eller användare.

När en leverantör inte publicerar telemetri per förfrågan rekonstruerar analytikern energikostnaden utifrån. Det arbetet kan vara intellektuellt seriöst och ändå förbli en informerad spekulation.

Problemet är kumulativt: om varje steg introducerar en rimlig marginal kan det totala felet växa tills den kommersiella eller regulatoriska jämförelsen blir värdelös.

1. Aktiva parametrar

Proprietära MoE-modeller avslöjar inte hur många experter som aktiveras per token.
Det totala parameterantalet är meningslöst om vi inte vet hur mycket av arkitekturen som används i varje svar.
Startfel: kan vara från x2 till x10.

2. Antagen hårdvara

H100, H200, B200 eller TPU förändrar radikalt kostnaden per FLOP.
Utan insyn i det verkliga klustret startar varje uppskattning med fel kisel.
Typisk avvikelse: 50%-100%.

3. Verklig utnyttjandegrad

Samma hårdvara varierar kraftigt vid 10%, 30% eller 60% utnyttjandegrad.
Batch- och schemaläggningsekonomi är en svart låda för den externa observatören.
Här kan felet växa till x3-x5.

4. FLOPs per förfrågan

Standardformeln fångar inte väl routing, attention, caching eller andra proprietära optimeringar.
Två promptar med samma antal tokens behöver inte kosta lika mycket.
Avvikelsen kan vara från 30% till x2.

5. Omvandling till energi

Att använda max TDP eller genomsnittlig förbrukning ger väldigt olika slutresultat.
Dessutom bearbetar produktionskluster parallellt med effektiviteter som är omöjliga att se utifrån.
Den extra snedvridningen kan nå 50%.

6. Systemoverhead

GPU är inte detsamma som en komplett nod: CPU, nätverk, minne och lagring förbrukar också.
Google dokumenterade att deras accelerator bara utgör 58% av totalen.
Här uppstår ytterligare ett hopp på 50%-100%.

7. PUE och datacenterkontext

Samma arbetsbelastning förändras om den körs med PUE 1,09 eller 1,5 och med olika kylning.
Täta AI-kluster har termiska dynamiker som inte alltid stämmer med leverantörens historiska PUE.
Sista marginalen: 10%-50%.

AISHA: när en energisiffra beror på alltför många osynliga antaganden upphör den att vara ett operativt faktum och blir en sofistikerad gissning. Det regulatoriska målet bör inte vara att gissa bättre, utan att mäta bättre.

Källor

Samma kategori