Artificiell intelligens kan hjälpa ett företag att minska energiförbrukningen, minska slöseriet och göra ESG-rapporteringen mindre arbetsintensiv. Men de som utvecklar AI-produkter känner också till den andra sidan av myntet: varje modell körs på energikrävande infrastruktur, varje API-anrop medför en beräkningskostnad, och efterfrågan på datorkraft visar inga tecken på att avta.
Därför bör hållbarhet inom artificiell intelligens varken behandlas som en slogan eller som en synd som måste sonas. Den måste hanteras som ett operativt problem. I Italien har debatten nu kommit att kretsa kring två tydliga begrepp: ”sustainability of AI ” och ”AI for sustainability”. Det första handlar om AI:s egen miljöpåverkan. Det andra handlar om användningen av AI för att förbättra processer, resursförbrukning och miljöstyrning. I samma sammanhang har den AI-stödda delen av ESG-rapporteringen ”nästan tredubblats under det senaste året”, enligt denna analys om hållbarhet inom artificiell intelligens och ESG-styrning.
Som grundare av ett AI-företag anser jag att både automatisk alarmism och lat teknikoptimism är meningslösa. Det handlar inte om att avgöra om AI är ”bra” eller ”dåligt” för miljön. Det handlar om att förstå var den förbrukar resurser, när den skapar verkligt värde och vilka konkreta val som minskar påverkan utan att förstöra nyttan.
Diskussionen om hållbarhet och artificiell intelligens har mognat. Äntligen. Inte för att problemet har lösts, utan för att det har blivit omöjligt att reducera det till en kliché.
Å ena sidan hjälper AI företag och anläggningar att utnyttja energin bättre, minska slöseriet och göra ESG-rapporteringen mer strukturerad. Å andra sidan kräver dessa system själva datorkraft, datacenter, kylning, nätverk och hårdvarukomponenter som medför en reell miljökostnad. Om man bara ser till en av dessa två sidor fattar man ett felaktigt beslut.
De två kategorierna som jag använder oftast är de som numera är vanliga även i det italienska sammanhanget:
Skillnaden är inte teoretisk. Den tvingar dig att ställa två olika frågor. Den första är: hur mycket väger min AI-stack? Den andra är: ger den vikten en tillräckligt konkret miljö- eller driftsmässig fördel för att motivera den?
Den rätta frågan är inte ”ska man använda AI eller inte?”. Den rätta frågan är ”behövs verkligen den här beräkningskapaciteten för just den här uppgiften?”.
Det misstag jag oftast ser är inte av teknisk natur. Det handlar om beslutsfattandet. Många företag inför AI som om all tillgänglig kapacitet alltid måste utnyttjas. I praktiken väljer de den största modellen, det mest komplexa arbetsflödet och den mest omfattande automatiseringen, även när problemet egentligen var mycket enklare.
I själva verket utgår en hållbar strategi från en mindre spektakulär princip: proportionalitet. Om en uppgift kan utföras väl med mindre beräkningar, mindre dataöverföring och mindre komplexitet, är det inte någon uppoffring. Det är ett bättre val.
Den mest givande delen av diskussionen börjar när man slutar tala i abstrakta termer. AI:s miljöpåverkan är inte en åsikt. Det är en infrastrukturfråga där siffrorna redan är tillräckligt tydliga för att man ska agera med försiktighet.
En italiensk källa som återger internationella uppgifter rapporterar att en studie från 2019 vid University of Massachusetts har uppskattat att träningen av en enda AI-modell kan generera över 284 ton koldioxid, vilket motsvarar utsläppen från fem bilar under hela deras livscykel. Samma källa rapporterar att utvecklingen av ChatGPT-3 skulle ha krävt cirka 1 287 MWh el, vilket motsvarar den årliga förbrukningen för cirka 120–130 genomsnittliga amerikanska hushåll, och hänvisar även till en prognos från Goldman Sachs Research enligt vilken elbehovet i datacenter kan öka med 160 %, med en ökning på cirka 200 TWh per år mellan 2023 och 2030, medan AI-relaterad förbrukning senast 2028 skulle kunna uppgå till 19 % av datacentrens totala energibehov. Alla dessa uppgifter redovisas i denna italienska analys av AI:s miljökostnader.
Poängen är inte att använda dessa siffror för att sprida panik. Poängen är att förstå omfattningen. Om du utvecklar eller inför AI bidrar du till en ökad energiefterfrågan som påverkar hela infrastrukturer, inte bara din molnbudget.
En praktisk regel: när du utvärderar ett AI-projekt ska du inte bara titta på kostnaden per token eller per API-anrop. Det verkliga problemet ligger ofta längre upp i kedjan, i den infrastruktur som gör det möjligt att utföra anropet.
Många tror att AI:s miljökostnad nästan uteslutande består av träningen. Det är en bekväm förenkling, men den är felaktig. Förbrukningen fördelar sig över flera nivåer:
| Komponent | Varför det är viktigt |
|---|---|
| Träning | Kräver stora mängder koncentrerad beräkningskapacitet |
| Slutsats | Varje användarförfrågan medför arbete som upprepas över tid |
| Datacenter | Strömförsörjning, redundans och kontinuerlig hantering av infrastrukturen |
| Kylning | Den värme som systemen alstrar måste avledas på ett effektivt sätt |
| Nätverk och dataöverföring | Att flytta data mellan system, regioner och tjänster medför energikostnader |
Detta förändrar hur man bör hantera hållbarhet inom artificiell intelligens. Det räcker inte att fråga sig ”hur mycket energi modellen förbrukar”. Man måste också fråga sig var den körs, hur mycket trafik den genererar, hur ofta den används och om arkitekturen har utformats för att begränsa slöseriet.
Därför är det meningsfullt att även titta på de fall där AI används för att förbättra den egna infrastrukturen. Ett bra exempel ärenergioptimering av datacenter med hjälp av AI, vilket tydligt visar en enkel sak: problemet ligger inte bara i modellen, utan i hela den tekniska miljö som stöder den.
Om man bara tittar på kostnaderna missar man halva bilden. AI kan också vara ett viktigt verktyg för att förbättra företagets hållbarhet. Inte i retorisk mening, utan i mycket konkreta processer.
I den italienska kontexten, när den tillämpas på energihanteringssystem, kan AI minska driftsförbrukningen i industrianläggningar och små och medelstora företag genom att förutse efterfrågetoppar och reglera belastningar som VVS och belysning i realtid. Detta har en direkt inverkan på Scope 2-utsläppen och bidrar till att optimera användningen av intermittenta förnybara energikällor, vilket beskrivs i denna fördjupningsartikel om energihanteringssystem med AI.
Det här är den typ av applikation som jag anser vara försvarbar även ur ett miljöperspektiv. Inte för att den är gratis, utan för att den använder beräkningar för att eliminera kontinuerligt fysiskt slöseri. I en anläggning med varierande efterfrågan kan realtidsreglering av ventilation, klimatisering eller belysning vara värd mer än tusen bilder om den gröna omställningen.
Det finns tre områden där AI tenderar att vara riktigt användbart, nämligen dessa:
För ett små- och medelstort företag ligger fördelen ofta inte i någon spektakulär modell. Den ligger i ett system som undviker dubbelarbete. Manuella export, flera Excel-ark, bilagor som skickas flera gånger, avstämningar av samma data som utförs av olika personer. Allt detta tar tid, sliter på maskinerna, tar upp bandbredd och kräver uppmärksamhet.
En process som utförs fem gånger av olika personer är ineffektiv även ur miljösynpunkt, inte bara ur organisatorisk synpunkt.
När AI centraliserar data, automatiserar repetitiva steg och gör analyserna återanvändbara, ligger det miljömässiga värdet inte i den enskilda slutsatsen. Det ligger i att man eliminerar redundans.
För dem som arbetar med rapportering är ELECTE för ESG-rapportering ett exempel som ligger nära detta problem. Det är ett bra sätt att förstå hur automatisering kan minska manuella steg och informationsspridning utan att varje uppgift förvandlas till ett komplext IT-projekt.
Det uppmuntrande är att branschen inte står stilla. AI skapar problemet, men driver samtidigt på innovationer som syftar till att minska energikostnaderna. Man bör dock vara ärlig: det finns ingen enskild lösning.
En lovande inriktning är den som fokuserar på sammankopplingar och infrastrukturens effektivitet. När datorsystemen väntar på data utnyttjas den installerade kapaciteten inte på bästa sätt. Detta är en av anledningarna till att nästa generations hårdvara inte bara bör betraktas ur ett prestandaperspektiv, utan även ur ett effektivitetsperspektiv.
I teknikdebatten cirkulerar förslag som handlar om fotoniska kopplingar, bättre dataöverföring och lägre energiförlust. För den som köper molntjänster – och inte chip – är den praktiska aspekten en annan: att välja teknikstackar som utför mer nyttigt arbete med kortare väntetider, mindre trafik och mindre overhead.
Denna logik gäller även utanför AI i strikt bemärkelse. Den som vill reflektera mer generellt över produktionsmodeller som slösar mindre kan hitta användbara idéer i dessa metoder för hållbar ekonomi, framför allt för att koppla samman digital effektivitet och minskat materialspill i processerna.
När det gäller mjukvaran är de mest intressanta verktygen ofta mindre glamorösa men mer omedelbara:
Enligt min erfarenhet har detta varit det val som haft störst inverkan. Den mest effektiva förändringen var inte att införa någon futuristisk teknik, utan att sluta använda den mest kraftfulla modellen till allt. Klassificering, formatering, extrahering av kända mönster och många stödjande åtgärder kräver inte alltid en toppmodern modell. De kräver istället arkitektonisk disciplin.
Om resultatet för användaren förblir detsamma är det ingen kompromiss att använda mindre beräkningskraft. Det är bättre design.
Därför talar jag ofta om ”rätt modell för rätt uppgift”. I praktiken innebär det att man skapar ett routningslager som tilldelar varje operation den effektnivå som krävs. Det är ett val som handlar om kostnad, men också om hållbarhet.
Den som vill fördjupa sig i sambandet mellan tekniska lösningar och miljöpåverkan kan även läsa ELECTE:s artikel om AI och miljön, som sammanställer olika fall och utvecklingsriktningar utan att framställa dem som mirakelkurer.
Den viktigaste invändningen är också den mest obekväma: att göra AI mer effektiv garanterar inte automatiskt en minskning av den totala förbrukningen. Tvärtom händer det ibland att det blir tvärtom.
När databehandlingen blir billigare, mer tillgänglig och snabbare tenderar företagen att använda den i större utsträckning. Mer automatisering, fler förfrågningar, fler integrationer, fler processer som skapas ”eftersom det ju ändå kostar så lite”. Det är kärnan i effektivitetsparadoxen.
Därför kan hållbarhet inom artificiell intelligens inte bara handla om bättre chip eller mer kompakta modeller. Det måste bli ett prioriterat kriterium. Vissa frågor bör ställas innan varje implementering:
En av de mest uppenbara bristerna i den italienska debatten är just denna: avsaknaden av standardiserade mätmetoder och ett helhetsperspektiv för att mäta AI:s miljöpåverkan under hela livscykeln, ett tema som lyfts fram i denna systemiska analys av artificiell intelligensens hållbarhet.
Problemet är alltså inte att bromsa innovationen. Det handlar om att sluta betrakta datorkraft som en gratis och outtömlig resurs. Varje organisation bör hantera den på samma sätt som man hanterar budgeten eller medarbetarnas tid: som något som ska fördelas där det verkligen skapar värde.
För ett små- och medelstort företag är det inte särskilt meningsfullt att tala om hållbarhet utan en konkret handlingsplan. Det är bäst att börja med fyra beslut som kan fattas omedelbart, även utan en exakt mätning av miljöavtrycket.
En italiensk källa påpekar att många diskussioner om AI:s hållbarhet bortser från avvägningen mellan kostnad och nytta, samtidigt som datacenter redan förbrukar cirka 3 % av världens totala energiförbrukning. Den underskattade frågan är: när är det lämpligt att använda en mindre modell eller en traditionell process för att undvika en ohållbar ökning av förbrukning och kostnader? Detta sammanfattas väl i den här artikeln om AI:s miljömässiga avvägningar.
Välj en modell som är anpassad efter problemet
Detta är den metod som ger bäst balans mellan enkelhet och effekt. Använd inte den kraftfullaste modellen som standard. Använd den endast där den verkligen gör skillnad. För många vardagliga uppgifter räcker det med enklare modeller eller icke-generativa system.
Utvärdera även molnleverantören utifrån dess energiprofil
Titta inte bara på pris, latens och regelefterlevnad. Titta även på transparensen kring datacenter, den regionala energimixen och inställningen till driftseffektivitet. Geografin spelar roll. En arbetsbelastning har inte samma miljöpåverkan i alla regioner.
Minska överflödigheten i arbetsflödena
Om samma data exporteras, kopieras, omformateras och skickas vidare flera gånger slösar du bort resurser redan innan du ens börjar prata om AI. En plattform som ELECTE, en AI-driven dataanalysplattform för små och medelstora företag, kan användas för att centralisera data, automatisera rapporter och minska dubbelarbete vid analys. Fördelen i detta sammanhang är inte att ”göra mer AI”. Det handlar om att göra mindre onödigt arbete.
Mät även om det inte blir helt perfekt
Det är inte alla företag som har verktyg för att mäta kWh eller CO₂ per enskild process. Det gör inget. Börja med de operativa nyckeltal som redan finns till hands.
Eftersom det inte finns någon riktigt etablerad branschstandard skulle jag börja med en enkel tabell:
| Operativa nyckeltal | Vad säger det dig? |
|---|---|
| API-anrop vid slutförd uppgift | Om du lägger ner för mycket arbete för att få ett resultat |
| Genomsnittlig modellstorlek per operation | Om du överdimensionerar uppgifterna |
| Överförd datamängd per session | Om ditt arbetsflöde genererar onödig trafik |
| Analyser som har tagits fram men inte använts | Om du automatiserar utdata som ingen läser |
Att mäta fel men på ett konsekvent sätt är bättre än att inte mäta alls.
Om du efter tre månader ser att antalet anrop per uppgift minskar, att de stora modellerna aktiveras mindre ofta och att dataöverföringen är mer begränsad, har du ännu inte uppnått en perfekt koldioxidredovisning. Du har dock något mycket användbart: en effektivitetsstrategi som minskar databehandlingsavfallet, kostnaderna och förmodligen även miljöpåverkan.
Hållbarheten inom artificiell intelligens kan inte lösas med en slogan. Inte heller genom ett ideologiskt avståndstagande från AI. Den byggs upp genom bättre tekniska och ledningsmässiga beslut.
Den som använder AI idag måste hålla två sanningar i balans. Den första: miljökostnaden finns, den ökar och får inte bagatelliseras. Den andra: AI kan ge konkreta fördelar när den minskar slöseriet, förbättrar energianvändningen och ersätter repetitiva och oordnade processer med smartare system. Kvaliteten på valet ligger i förhållandet mellan dessa två aspekter.
För europeiska företag finns det även en andra nivå av ansvar. Det räcker inte att bara följa reglerna. Man måste förstå hur teknik, infrastruktur, styrning och immateriella rättigheter hänger samman. När det gäller den sista punkten vill jag, för den som vill fördjupa sig i den rättsliga ramen kring införandet av AI, tipsa om denna guide om patent inom artificiell intelligens, som är användbar för att se på teknisk hållbarhet även som ett långsiktigt strategiskt val.
Den rätta vägen är inte att använda mindre AI överhuvudtaget. Det handlar om att använda rätt AI, på rätt plats och med rätt prestandanivå.
Om du vill införa AI på ett mer effektivt och genomtänkt sätt kan du ta en titt på hur ELECTE fungerar. Plattformen hjälper små och medelstora företag att centralisera data, automatisera rapporter och minska onödigt analysarbete, med ett pragmatiskt tillvägagångssätt när det gäller val av modell och operativ effektivitet.
.svg)
.svg)
.svg)
