AI og datacentre i 2026: Hvorfor elektricitet er ved at blive den største flaskehals inden for teknologien
Kunstig intelligens gør datacentre til store strømforbrugere. Få indblik i de seneste tal fra IEA for 2026, GPU’ernes og kølingens rolle, flaskehalse i elnettet, miljømæssige afvejninger og hvad det stigende energibehov betyder for teknologiindustrien.
AI og datacentre i 2026: Hvorfor elektricitet er ved at blive teknologiens største flaskehals
Kunstig intelligens beskrives ofte som en softwarerevolution, men alle AI-applikationer er afhængige af fysisk infrastruktur. Processorer har brug for elektricitet, servere afgiver varme, og datacentre er afhængige af køleudstyr, transformere og tilslutninger til elnettet. Tilgængeligheden af elektricitet er ved at blive en strategisk begrænsning for udbredelsen af AI.
Ifølge Det Internationale Energiagenturs analyse fra april 2026 nåede det globale elforbrug i datacentre op på ca. 485 TWh i 2025. Agenturets centrale prognose anslår forbruget til omkring 950 TWh i 2030, hvilket svarer til tæt på 3 % af det globale elforbrug. Det sidstnævnte tal er en prognose, ikke et observeret resultat.
Hvorfor AI øger efterspørgslen efter elektricitet
Træning af AI-modeller kan involvere et stort antal specialiserede acceleratorer, der kører i længere perioder. Inferens, dvs. processen med at køre en model for brugerne, forbruger også elektricitet. Mængden varierer meget afhængigt af modellens størrelse, hardware, indgangslængde, udgangslængde og opgavetypen.
Et kort tekstsvar og en lang ræsonnement- eller videogenereringsopgave kan ikke sammenlignes. Der findes ikke noget pålideligt, universelt tal for energiforbruget ved en AI-prompt.
IEA rapporterer, at det samlede elforbrug i datacentre steg med ca. 17 % i 2025, mens forbruget i AI-fokuserede anlæg voksede betydeligt hurtigere. Traditionelle cloudtjenester og andre digitale arbejdsbelastninger bidrager også til den samlede efterspørgsel.
Mere strøm i hvert serverrack
Moderne AI-installationer pakker kraftfulde acceleratorer ind i stadig mere tætpakkede racks. Højere effekttæthed skaber udfordringer for strømfordelingen, backup-systemerne og kølingen. Et datacenter kan ikke nødvendigvis udvides ved blot at placere yderligere stativer i et eksisterende rum: dets strøm- og køleinfrastruktur kan kræve omfattende opgraderinger.
Avancerede væskekølesystemer overfører varme fra processorer mere effektivt i visse installationer med høj tæthed. Væskekøling er dog ikke automatisk ensbetydende med et lavere vandforbrug. Miljøpåvirkningen afhænger af udformningen af kølekredsløbet, det eksterne varmeafledningssystem, det lokale klima og elmixet.
Forståelse af PUE
Power Usage Effectiveness (PUE) er forholdet mellem anlæggets samlede energiforbrug og IT-udstyrets energiforbrug:
PUE = Anlæggets samlede energiforbrug / IT-udstyrets energiforbrug
Ved en hypotetisk PUE på 1,20 bruger et anlæg 1,20 enheder elektricitet for hver enhed, der forbruges af dets it-udstyr. Hvis it-belastningen i gennemsnit er 1 MW over et år, bruger den 8,76 GWh; anlæggets samlede forbrug vil være ca. 10,51 GWh. PUE beskriver infrastrukturens omkostninger, ikke CO₂-intensiteten eller nytten af den udførte databehandling.
Netforbindelser kan forsinke AI-projekter
Det tager ofte længere tid at opbygge elinfrastruktur end computerinfrastruktur. Nye datacentre kan kræve transformerstationer, transformere, opgraderinger af transmissionsnettet og ny produktionskapacitet. Forsinkelser i levering af udstyr, tilladelser og netforbindelser kan udskyde projekter, selv når udviklerne allerede har købt servere.

Dette ændrer konkurrencedynamikken. Virksomheder med pålidelig adgang til egnede placeringer og elektricitet kan muligvis tage computerkapacitet i brug hurtigere end konkurrenter med tilsvarende budgetter.
Virkningerne er lokale. Et datacenter, der ligger tæt på ledig produktionskapacitet, står over for andre udfordringer end et, der er tilsluttet et overbelastet elnet.
Vil datacentre medføre stigende elpriser?
Store nye elforbrugere kan skabe behov for investeringer i elnettet og produktionskapaciteten. Afhængigt af takstreglerne og hvordan omkostningerne fordeles, kan andre forbrugere komme til at dele en del af disse udgifter.
Men højere priser er ikke uundgåelige overalt. Yderligere efterspørgsel kan undertiden forbedre udnyttelsen af den eksisterende infrastruktur. Konsekvenserne afhænger af lokal kapacitet, regulering, elkontrakter og af, om anlæggene kan reducere forbruget i perioder med belastning af systemet.
De relevante spørgsmål er, hvem der betaler for ny infrastruktur, hvor hurtigt forsyningen kan udvides, og hvilke pålidelighedskrav anlægget stiller.
Vedvarende energi, kernekraft og naturgas
Teknologivirksomheder undersøger flere tilgange til at sikre strømforsyningen.
Vind- og solenergi kan levere kulstoffattig elektricitet, ofte gennem langsigtede indkøbsaftaler. Deres varierende produktion kræver passende balancerings- og pålidelighedsforanstaltninger.
Kerneenergi kan levere kulstoffattig elektricitet uden at være afhængig af vejret, men nye projekter kan have lange byggetider og udfordringer i forbindelse med lovgivningen.
Naturgasproduktion er en anden mulighed, herunder forslag om produktion på selve anlægsstedet, hvor tilslutning til elnettet er forsinket. Det kan øge emissionerne og medføre afhængighed af brændstof og udstyr.
Ingen enkelt kilde løser alle problemer. Pålidelighed, omkostninger, udviklingstid, lokale regler og kulstofintensitet spiller alle en rolle.
CO₂-udledninger og vandforbrug
Elforbrug er ikke det samme som udledning af drivhusgasser. De udledninger, der er forbundet med et datacenter, afhænger i høj grad af den anvendte elektricitet samt fremstillingen af udstyr og byggeriet.
Vandaftrykket varierer også. Nogle kølesystemer anvender fordampningssystemer, mens andre bruger andre metoder. Elproduktion og fremstilling af halvledere kan medføre et indirekte vandforbrug.
Påstande om, at hver AI-forespørgsel har et fast el- eller vandaftryk, forenkler et system, hvor placering, hardware, arbejdsbelastning og driftsforhold varierer betydeligt.

Gennemsigtig rapportering bør skelne mellem datacentrets samlede aktivitet og AI-specifikke arbejdsbelastninger samt mellem driftsmæssige påvirkninger og påvirkninger i hele livscyklussen.
Vil effektivitetsforbedringer vende tendensen?
AI-hardware og -software bliver mere og mere effektiv. Kvantisering, mindre specialiserede modeller, caching, batchbehandling og forbedret planlægning af inferens kan reducere de ressourcer, der kræves til en bestemt opgave.
Men lavere omkostninger kan tilskynde til bredere anvendelse. Flere applikationer vil muligvis inkorporere AI, og nogle brugere vil måske efterspørge stadig mere beregningsintensive tjenester.
Derfor kan energiforbruget pr. opgave falde, mens det samlede elforbrug stiger. Effektivitetsforbedringer er vigtige, men deres nettoeffekt skal måles op mod udbredelsen og væksten i arbejdsbelastningen.
AI kan også forbedre energisystemerne
AI kan bidrage til efterspørgselsprognoser, vedligeholdelse af elnettet, prognoser for produktion fra vedvarende energikilder og optimering af industrielle processer. Disse anvendelser kan hjælpe operatører med at udnytte infrastrukturen mere effektivt.
Potentielle fordele bør ikke automatisk betragtes som modregning for AI’s eget elforbrug. De faktiske besparelser afhænger af implementeringens kvalitet, dataadgang, styring og måling.
Hvad udviklere og virksomheder kan gøre
Softwareteams kan undgå unødvendige beregninger ved at vælge modeller i passende størrelse, cache gentagelige resultater, reducere overflødige forespørgsler og måle de reelle omkostninger ved arbejdsbelastningen. Virksomheder, der indkøber AI-tjenester, bør tage højde for pålidelighed, prisgennemsigtighed, datalagring og miljørapportering.
Infrastrukturudbydere bør planlægge strømforsyning, køling, adgang til elnettet og indkøb af udstyr samlet, i stedet for at behandle elforbruget som en eftertanke.
Konklusion
Konkurrencen inden for AI handler ikke længere kun om algoritmer og processorer. Elinfrastruktur, køleteknologi, adgang til elnettet og energiforsyningskæder har nu indflydelse på, hvor hurtigt computerkapacitet kan implementeres.
IEA’s prognose om et globalt elforbrug i datacentre på ca. 950 TWh inden 2030 illustrerer udfordringens omfang, men udfaldet er stadig usikkert. Bedre hardware, smartere software, investeringer i elnettet og ansvarlig planlægning vil alle være med til at forme resultatet.
Den næste fase af AI-revolutionen vil ikke kun blive præget af, hvad computere kan beregne, men også af, hvor effektivt og pålideligt vi kan forsyne dem med strøm.