AI og datasentre i 2026: Hvorfor strøm blir teknologibransjens største flaskehals
AI gjør datasentre til store strømforbrukere. Ta en nærmere titt på de nyeste tallene fra IEA for 2026, hvilken rolle GPU-er og kjøling spiller, flaskehalser i strømnettet, miljømessige avveininger og hva det økende energibehovet betyr for teknologibransjen.
Kunstig intelligens blir ofte beskrevet som en programvarerevolusjon, men alle AI-applikasjoner er avhengige av fysisk infrastruktur. Prosessorer trenger strøm, servere avgir varme, og datasentre er avhengige av kjøleutstyr, transformatorer og tilkoblinger til strømnettet. Tilgangen på strøm er i ferd med å bli en strategisk begrensning for utbredelsen av AI.
Ifølge Den internasjonale energibyråets analyse fra april 2026 nådde det globale strømforbruket i datasentre omtrent 485 TWh i 2025. Byråets sentrale prognose anslår forbruket til rundt 950 TWh innen 2030, nær 3 % av det globale strømbehovet. Det sistnevnte tallet er en prognose, ikke et observert resultat.
Hvorfor AI øker strømbehovet
Trening av AI-modeller kan innebære et stort antall spesialiserte akseleratorer som kjører i lengre perioder. Inferens, prosessen med å kjøre en modell for brukere, forbruker også strøm. Mengden varierer sterkt avhengig av modellstørrelse, maskinvare, lengden på inndataene, lengden på utdataene og typen oppgave.
Et kort tekstsvar og en lang resonnementoppgave eller en oppgave som genererer video, kan ikke sammenlignes. Det finnes ikke noe pålitelig, universelt tall for energikostnaden ved en AI-prompt.
IEA rapporterer at det totale strømforbruket i datasentre økte med omtrent 17 % i 2025, mens forbruket ved AI-fokuserte anlegg vokste betydelig raskere. Tradisjonelle skytjenester og andre digitale arbeidsbelastninger bidrar også til den totale etterspørselen.
Mer kraft i hvert serverrack
Moderne AI-installasjoner pakker kraftige akseleratorer inn i stadig tettere rack. Høyere effekttetthet skaper utfordringer for strømfordeling, reservekraftsystemer og kjøling. Et datasenter kan ikke nødvendigvis utvides ved å plassere flere stativer i et eksisterende rom: infrastrukturen for strøm og kjøling kan kreve omfattende oppgraderinger.
Avanserte væskekjølesystemer overfører varme fra prosessorer mer effektivt i enkelte installasjoner med høy tetthet. Væskekjøling er imidlertid ikke automatisk ensbetydende med lavere vannforbruk. Miljøpåvirkningen avhenger av utformingen av kjølesløyfen, det eksterne varmeavledningssystemet, det lokale klimaet og strømblandingen.
Forstå PUE
Power Usage Effectiveness (PUE) er forholdet mellom anleggets totale energiforbruk og IT-utstyrets energiforbruk:
PUE = Anleggets totale energiforbruk / IT-utstyrets energiforbruk
Ved en hypotetisk PUE på 1,20 bruker et anlegg 1,20 enheter strøm for hver enhet som forbrukes av databehandlingsutstyret. Hvis IT-belastningen i gjennomsnitt er 1 MW gjennom et år, bruker den 8,76 GWh; det totale forbruket i anlegget vil da være omtrent 10,51 GWh. PUE beskriver infrastrukturkostnadene, ikke karbonintensiteten eller nytten av databehandlingen som utføres.
Nettilkoblinger kan forsinke AI-prosjekter
Det tar ofte lengre tid å bygge ut strøminfrastrukturen enn datainfrastrukturen. Nye datasentre kan kreve transformatorstasjoner, transformatorer, oppgraderinger av overføringsnettet og ny produksjonskapasitet. Forsinkelser i levering av utstyr, tillatelser og nettilkoblinger kan utsette prosjekter selv når utviklere allerede har kjøpt inn servere.

Dette endrer konkurransedynamikken. Bedrifter med pålitelig tilgang til egnede tomter og strøm kan være i stand til å ta i bruk datakapasitet raskere enn konkurrenter med tilsvarende budsjetter.
Effektene er lokale. Et datasenter som ligger i nærheten av ledig produksjonskapasitet, står overfor andre utfordringer enn et som er koblet til et overbelastet nett.
Vil datasentre føre til høyere strømpriser?
Store nye strømbelastninger kan skape behov for investeringer i nettet og produksjonsanlegg. Avhengig av tariffregler og hvordan kostnadene fordeles, kan andre forbrukere komme til å dele noen av disse utgiftene.
Men høyere priser er ikke uunngåelig overalt. Økt etterspørsel kan noen ganger forbedre utnyttelsen av eksisterende infrastruktur. Konsekvensene avhenger av lokal kapasitet, regulering, strømavtaler og om anleggene kan redusere forbruket i perioder med belastning på nettet.
De relevante spørsmålene er hvem som betaler for ny infrastruktur, hvor raskt tilbudet kan utvides og hvilke pålitelighetskrav anlegget stiller.
Fornybar energi, kjernekraft og naturgass
Teknologiselskaper utforsker flere tilnærminger for å sikre strømforsyningen.
Vind- og solkraft kan levere lavutslippsstrøm, ofte gjennom langsiktige innkjøpsavtaler. Deres varierende produksjon krever passende balanse- og pålitelighetsordninger.
Kjernekraft kan levere lavutslippsstrøm uten å være avhengig av været, men nye prosjekter kan ha lange byggetider og regulatoriske utfordringer.
Naturgassproduksjon er et annet alternativ, inkludert forslag om produksjon på stedet der nettilkoblinger er forsinket. Dette kan øke utslippene og medføre avhengighet av drivstoff og utstyr.
Ingen enkeltkilde løser alle problemer. Pålitelighet, kostnader, utviklingstid, lokale reguleringer og karbonintensitet spiller alle en rolle.
Karbonutslipp og vannforbruk
Strømforbruk er ikke det samme som klimagassutslipp. Utslippene knyttet til et datasenter avhenger i stor grad av strømforbruket, samt av produksjonen av utstyr og byggingen.
Vannavtrykket varierer også. Noen kjølesystemer bruker fordampingssystemer, mens andre benytter andre metoder. Strømproduksjon og halvlederproduksjon kan bidra til indirekte vannforbruk.
Påstander om at hver AI-forespørsel har et fast strøm- eller vannavtrykk, forenkler et system der beliggenhet, maskinvare, arbeidsbelastning og driftsforhold varierer betydelig.

Gjennomsiktig rapportering bør skille mellom den totale aktiviteten i datasenteret og AI-spesifikke arbeidsbelastninger, samt mellom driftsmessige påvirkninger og påvirkninger gjennom hele livssyklusen.
Vil effektivitetsforbedringer snu trenden?
AI-maskinvare og -programvare blir stadig mer effektive. Kvantisering, mindre spesialiserte modeller, caching, batching og forbedret planlegging av inferens kan redusere ressursbehovet for en bestemt oppgave.
Likevel kan lavere kostnader stimulere til bredere bruk. Flere applikasjoner kan innlemme AI, og noen brukere kan etterspørre stadig mer beregningsintensive tjenester.
Følgelig kan energiforbruket per oppgave synke, mens det samlede strømbehovet stiger. Effektivitetsforbedringer er viktige, men deres nettoeffekt må måles opp mot utbredelse og vekst i arbeidsbelastningen.
AI kan også forbedre energisystemene
AI kan bidra til etterspørselsprognoser, vedlikehold av strømnettet, prognoser for fornybar produksjon og optimalisering av industrielle prosesser. Disse anvendelsene kan hjelpe operatører med å utnytte infrastrukturen mer effektivt.
Potensielle fordeler bør ikke automatisk betraktes som kompensasjon for AI-teknologiens eget strømforbruk. Faktiske besparelser avhenger av kvaliteten på implementeringen, datatilgang, styring og måling.
Hva utviklere og bedrifter kan gjøre
Programvareteam kan unngå unødvendige beregninger ved å velge modeller av passende størrelse, lagre repeterbare resultater i cache, redusere overflødige forespørsler og måle de reelle kostnadene ved arbeidsbelastningen. Bedrifter som anskaffer AI-tjenester, bør vurdere pålitelighet, prisgjennomsiktighet, datalagring og miljørapportering.
Infrastrukturoperatører bør planlegge strømforsyning, kjøling, nettilgang og innkjøp av utstyr samlet, i stedet for å behandle strøm som en ettertanke.
Konklusjon
Konkurransen innen AI handler ikke lenger bare om algoritmer og prosessorer. Strøminfrastruktur, kjøleteknologi, nettilgang og energiforsyningskjeder påvirker nå hvor raskt databehandlingskapasitet kan tas i bruk.
IEAs prognose om et globalt strømforbruk på ca. 950 TWh i datasentre innen 2030 illustrerer omfanget av utfordringen, men utfallet er fortsatt usikkert. Bedre maskinvare, smartere programvare, investeringer i strømnettet og ansvarlig planlegging vil alle være med på å forme resultatet.
Den neste fasen av AI-revolusjonen vil ikke bare formes av hva datamaskiner kan beregne, men også av hvor effektivt og pålitelig vi kan forsyne dem med strøm.