AIs vandforbrug: Hvorfor de virale tal er vildledende

Hvert par måned hævder en ny overskrift, at det at stille ChatGPT et spørgsmål sluger en flaske vand. Tallene lyder alarmerende, og de spreder sig hurtigt. Men når man graver i metoden bag disse påstande, bliver billedet betydeligt mere uklart. AIs vandforbrug er blevet et brændpunkt i debatten om bæredygtighed, men de virale statistikker, der cirkulerer online, mangler ofte den kontekst, der er nødvendig for at forstå, hvad de rent faktisk betyder. Virkeligheden er mere nuanceret, og i mange tilfælde langt mindre dramatisk, end kritikerne antyder.

Statistikker om AIs vandforbrug, der cirkulerer online, misrepræsenterer ofte virkeligheden ved at sammenblande engangs-modeltræning med løbende forespørgsler og universelt anvende værste tænkelige kølescenarier. Googles faktiske målinger viser, at en typisk tekstprompt bruger ca. 0,26 milliliter vand – næsten 2.000 gange mindre end virale påstande antyder. Mens udvidelsen af datacentre i vandstressede regioner kræver opmærksomhed, er industriens fodaftryk stadig lille sammenlignet med landbrug eller produktion, og effektivitetsforbedringer fortsætter med at reducere ressourceforbruget pr. forespørgsel betydeligt.

De virale påstande om AI og vand

Det mest citerede tal antyder, at en enkelt ChatGPT-samtale (ofte defineret som 20 til 50 spørgsmål) bruger 500 ml vand. Dette tal stammer fra et studie fra 2023, som også estimerede, at træning af GPT-3 i Microsofts amerikanske datacentre direkte kunne fordampe 700.000 liter rent ferskvand. Statistikken er teknisk set korrekt for det specifikke scenarie, men den er blevet frataget sin kontekst og anvendt bredt på enhver AI-interaktion uanset model, placering eller infrastruktur.

Det, der startede som en snæver konstatering om træning af en specifik model i specifikke faciliteter, blev til en universel fordømmelse af al AI-brug. Det er et problem. Træning sker én gang, men inferens sker milliarder af gange. At sammenblande dem producerer vildt vildledende konklusioner.

Overskrifter vs. virkelighed

Påstanden om “en flaske vand pr. forespørgsel” sammenblander træning med inferens, ignorerer regionale variationer i kølemetoder og antager værste tænkelige scenarier. Googles egne målinger fortæller en anden historie: den mediane Gemini Apps tekstprompt forbruger kun 0,26 milliliter vand, omtrent fem dråber. Det er næsten 2.000 gange mindre end ovenstående påstande antyder.

Kløften mellem disse tal afslører, hvor meget metoden betyder. Et studie, der måler træning i Arizona om sommeren, vil producere dramatisk anderledes tal end et, der måler inferens i Finland om vinteren.

Hvordan disse tal beregnes

De fleste alarmerende estimater bygger på attribueringsmetoder, der tildeler alt vandforbrug i datacentre til AI-arbejdsbyrder, selv når disse faciliteter kører utallige andre tjenester. De bruger ofte spidsbelastningstal fra vandintensive kølesystemer i varme klimaer og anvender derefter disse tal globalt. Forskningsrammeværk, der forsøger at benchmarke AIs miljømæssige fodaftryk, anerkender en kernehindring: kommercielle AI-udbydere offentliggør ikke modelspecifikke inferensdata, hvilket tvinger forskere til at gøre antagelser, der kan oppuste estimaterne dramatisk.

Hvordan køling af datacentre rent faktisk fungerer

For at forstå AIs vandforbrug kræves det, at man forstår, hvordan datacentre håndterer varme. Servere genererer varme under beregninger, og den varme skal fjernes for at forhindre udstyrsfejl. Den valgte metode afhænger stærkt af klima, lokale ressourcer og effektivitetsprioriteringer. En facilitet i Phoenix fungerer meget anderledes end en i Stockholm, men kritikere behandler dem ofte som identiske, når de beregner miljøpåvirkningen.

Kølesystemer forklaret

Traditionel luftkøling bruger blæsere og aircondition, hvilket forbruger relativt lidt vand, men mere strøm. Fordampningskøling, som bliver stadig mere populært i store faciliteter, bytter vand til energieffektivitet ved at bruge fordampning til at sprede varmen. Nyere tilgange som nedsænkning i væske (immersion cooling) nedsænker udstyret i ikke-ledende væske, hvilket eliminerer vandforbruget helt.

Valget afhænger af lokale forhold. Virksomheder placerer i stigende grad faciliteter, hvor vandstress er lavest og vedvarende energi er rigeligt, hvilket gør generelle udsagn i sagens natur vildledende.

Udtagning vs. forbrug

Kritikere forveksler ofte vandudtagning med vandforbrug. Udtagning betyder vand taget fra en kilde; forbrug betyder vand, der ikke vender tilbage. Mange kølesystemer tager vand ud, bruger det og returnerer det meste af det til kilden. Forskellen har enorm betydning: en facilitet kan trække millioner af liter ud, mens den rent faktisk kun forbruger en brøkdel. Ved evaluering af sikre AI-løsninger til virksomheder hjælper forståelsen af denne forskel med at adskille ægte bekymringer fra oppustede statistikker.

AIs vandforbrugstal i kontekst

Tal uden kontekst vildleder. Datacentre udgør cirka 0,2 % af det amerikanske ferskvandsforbrug. Det lyder massivt, indtil man sammenligner det med andre brancher. Landbruget udgør cirka 70 % af de globale ferskvandsudtagninger. En enkelt golfbane i Arizona bruger mere vand årligt end mange datacentre. Spørgsmålet er ikke, om AI bruger vand; det er, om det forbrug står mål med værdien og er sammenligneligt med alternativer.

Branchesammenligninger

Overvej disse proportioner:

• Produktion af ét kilo oksekød kræver ca. 15.000 liter vand globalt. Dette er dog stort set regnvand (“grønt” vand); det faktiske “blå” vand (taget fra floder og akviferer) er omkring 2.000 liter i USA, stadig en massiv mængde sammenlignet med digitale tjenester.
• Produktion af en enkelt bomulds-t-shirt bruger ca. 2.700 liter vand, i høj grad på grund af bomuldens høje behov for vanding og den intensive farvningsproces.
• En typisk halvlederfabrik forbruger milliarder af liter årligt.
• Termiske kraftværker bruger langt mere vand end alle datacentre tilsammen.

Datacentre udgør stadig kun en lille andel af det samlede amerikanske vandforbrug. AI-industriens fodaftryk er, selvom det vokser, stadig beskedent sammenlignet med etablerede brancher, der sjældent står over for lignende granskning. Ingen deler virale opslag om vandfodaftrykket af deres morgenkaffe, men en enkelt kop kræver ca. 140 liter at producere, når man medregner dyrkning og forarbejdning af bønnerne.

Hverdagsaktiviteter

Googles målinger sætter AI-forespørgsler i perspektiv: en enkelt tekstprompt bruger energi svarende til at se tv i mindre end ni sekunder. Streaming af video, drift af e-mailservere og opladning af smartphones forbruger alle ressourcer. Infrastrukturen, der understøtter din Netflix-vane eller Instagram-scrolling, bruger lignende kølesystemer. At udpege AI, mens man ignorerer sammenlignelige digitale aktiviteter, skaber et forvrænget billede af teknologiens miljøpåvirkning.

Hvad tech-virksomhederne rent faktisk gør

Fortællingen om, at tech-virksomheder ignorerer miljøbekymringer, stemmer ikke overens med virkeligheden. Store udbydere har investeret kraftigt i effektivitetsforbedringer og alternative vandkilder. Google reducerede sine datacentres energiudledninger med 12 % i 2024 på trods af en stigning på 27 % i elforbruget. Microsoft har forpligtet sig til at være vandpositiv inden 2030. Det kan være blot PR-erklæringer, men de repræsenterer ofte milliardinvesteringer i infrastruktur.

Branchen har stærke økonomiske incitamenter til at reducere forbruget. Omkostninger til vand og energi påvirker direkte avancerne, hvilket gør effektivitetsforbedringer profitabile snarere end udelukkende altruistiske.

Ikke-drikkelige vandkilder

Mange moderne datacentre bruger genanvendt spildevand, renset gråvand eller havvand til køling i stedet for at konkurrere med kommunale drikkevandsforsyninger. Placeringer prioriterer i stigende grad regioner med rigeligt vand og rene energinet. Forskere fra Cornell fandt, at smart placering kombineret med operationel effektivitet kunne reducere AIs vandpåvirkning med 86 % sammenlignet med værste tænkelige scenarier. Midtvesten og “windbelt”-staterne tilbyder de bedste kombinerede kulstof- og vandprofiler for nye faciliteter.

Effektivitetsforbedringer

Google-datacentre bruger nu 84 % mindre overhead-energi end branchegennemsnittet. Over en nylig 12-måneders periode faldt energi- og kulstoffodaftrykket for den mediane Gemini-tekstprompt med henholdsvis 33x og 44x. Målinger for vandforbrugseffektivitet (WUE) er forbedret stabilt på tværs af branchen. Disse gevinster forstærker hinanden: mere effektive modeller, der kører på mere effektivt hardware i mere effektive faciliteter, reducerer ressourceforbruget pr. forespørgsel dramatisk.

Den rigtige bæredygtighedssamtale

At afvise alle miljøbekymringer om AI ville være lige så vildledende som at acceptere virale statistikker ukritisk. Branchen står over for ægte udfordringer, især omkring hurtig udvidelse i vandstressede regioner. Mere end 160 nye AI-datacentre er dukket op i USA inden for de seneste tre år, nogle i områder, der allerede står over for tørke. Spørgsmålet er ikke, om AI har en miljøpåvirkning; det er, om den påvirkning håndteres ansvarligt og står mål med de leverede fordele.

Legitime bekymringer vs. panik

Gyldig kritik omfatter manglende gennemsigtighed fra udbydere, ophobning af faciliteter i allerede stressede regioner og utilstrækkeligt reguleringsmæssigt tilsyn med vandrettigheder. Hvad der er overdrevet: påstande om, at AI er unikt destruktivt sammenlignet med andre digitale tjenester, eller at individuelle forespørgsler repræsenterer meningsfuld miljøskade. Ved evaluering af AI-tjenester, der ikke træner på dine data, fortjener miljømæssigt fodaftryk overvejelse sideløbende med privatliv, men panikdrevne statistikker hjælper ikke nogen med at træffe informerede beslutninger.

Bedre spørgsmål at stille

I stedet for at spørge “hvor meget vand bruger AI?”, så spørg: Hvor er dette datacenter placeret, og hvordan er den lokale vandssituation? Hvilken køleteknologi bruger det? Hvad er energikilden? Offentliggør udbyderen verificerede miljømålinger? Disse spørgsmål giver handlingsanvisende information. At kræve gennemsigtighed og støtte udbydere, der demonstrerer ægte effektivitetsforbedringer, skaber bedre incitamenter end at dele vildledende statistikker.

Et alternativ med lavere påvirkning: Open Source AI

Modelvalg påvirker det miljømæssige fodaftryk mere, end de fleste brugere er klar over. Ræsonneringsmodeller som o3 og DeepSeek-R1 overstiger 29 Wh pr. lang prompt, over 65 gange forbruget af mindre modeller. Valg af passende modeller til dine faktiske behov reducerer ressourceforbruget uden at gå på kompromis med nytten. Open source-modeller kører ofte på mere distribueret, effektiv infrastruktur end massive proprietære systemer.

Hvorfor open source-modeller bruger mindre vand

Nylige innovationer inden for open-source AI har dramatisk forbedret effektiviteten gennem arkitekturer som Mixture-of-Experts (MoE). I stedet for at køre hele modellen for hvert ord, aktiverer disse modeller kun en lille brøkdel af deres netværk. For eksempel har den nylige open source-model MiniMax M2.5 230 milliarder parametre, men aktiverer kun ca. 10 milliarder (4,3 %) under inferens. På samme måde indeholder GLM-5 744 milliarder parametre, men aktiverer kun 40 milliarder.

Dette betyder, at kørsel af disse meget kapable open source-modeller kræver langt mindre regnekraft, energi og i sidste ende kølevand sammenlignet med massive tætte modeller, der aktiverer hundredevis af milliarder af parametre for hvert enkelt token. Forståelse af GDPR-kompatible AI-muligheder fører ofte til opdagelsen af disse yderst effektive alternativer, der leverer tilsvarende forretningsresultater med en brøkdel af ressourcefodaftrykket.

Prøv DentroChat: Europas bæredygtige AI-valg

Europæiske datacentre opererer typisk i køligere klimaer med renere energinet, hvilket reducerer både vand- og kulstoffodaftrykket. For eksempel rapporterer store nordiske datacenteroperatører som atNorth en vandforbrugseffektivitet (WUE) på kun 0,1 liter pr. kWh. Meget lavere end branchegennemsnittet på 1,8 L/kWh. Desuden genanvender faciliteter i Finland, Island og Sverige aktivt servervarme til fjernvarme og fødevareproduktion i stedet for at fordampe vand.

DentroChat kører open source-modeller på europæisk infrastruktur og tilbyder et alternativ med lavere påvirkning end GPT eller Claude til brugere, der går op for bæredygtighed sideløbende med privatliv. Kombinationen af effektive modeller, gunstige placeringer og gennemsigtig drift repræsenterer, hvordan ansvarlig AI-implementering kan se ud.