Sådan har vi kortlagt AI’s energiforbrug i Danmark

Hvor meget strøm bruger kunstig intelligens egentlig i Danmark? Spørgsmålet er både presserende og svært at besvare. På den ene side er AI blevet en integreret del af universitetsforskning, kommunale it-løsninger, hospitalers billeddiagnostik og helt almindelige danskeres hverdag gennem værktøjer som ChatGPT. På den anden side er energiforbruget stort set usynligt – gemt bag serverrum, datacentre og tekniske kontrakter.

Ingen danske aktører offentliggør i dag præcise tal for, hvor meget energi AI trækker i drift. Hverken universiteter, virksomheder eller myndigheder har gjort det muligt at følge med i udviklingen. Derfor har vi været nødt til at arbejde med åbne kilder, tekniske estimater og journalistiske beregninger for at komme tættere på et svar.

Denne artikel forklarer, hvordan vi har grebet kortlægningen an: hvilke antagelser vi bygger på, hvilke kilder vi har brugt, og hvordan vi har opdelt de forskellige aktører og ressourcetyper. Målet er at give et gennemsigtigt indblik i både metoden og de usikkerheder, der følger med, når man forsøger at sætte tal på AI’s energiforbrug i Danmark.

Udgangspunkt og præmisser

Kortlægningen tager afsæt i et enkelt spørgsmål: Hvor meget energi bruger AI i Danmark – og hvor ligger forbruget henne? For at besvare det har vi været nødt til at afgrænse undersøgelsen og definere nogle centrale præmisser.

Først og fremmest ser vi på syv grupper af aktører, hvor AI enten trænes, drives eller anvendes:

1. Universiteter og nationale supercomputere (fx Gefion, Computerome, LUMI).
2. Virksomhedernes cloudtjenester og private datacentre (Apple, Google, Meta, Microsoft).
3. Kommunerne, hvor AI bruges i borgerrettede løsninger og sagsbehandling. 

(Ud over KL’s AI-landkort har vi brugt AI Portalens egen kortlægning fra august 2025, som viser, hvilke systemer kommunerne faktisk har taget i brug. På den baggrund har vi estimeret energiforbruget til 5–10 GWh/år.)

4. Regioner og hospitaler, især inden for billeddiagnostik og klinisk støtte.
5. Staten og styrelserne, hvor AI stadig primært er på pilotstadiet.
6. Slutbrugere – borgere og erhverv, der anvender værktøjer som ChatGPT i dagligdagen.
7. Ressourcetyper: el, varme, vand og hardware, hvor elforbrug er hovedparameteren, men varmegenbrug og vandforbrug også spiller en rolle.

Dernæst har vi fastlagt en række grundantagelser:

• At ingen aktører i Danmark selv offentliggør energiforbrug specifikt for AI.
• At vi derfor må kombinere åbne kilder (fx kommunale varmeplaner), tekniske specifikationer (fx antal GPU’er i Gefion) og internationale benchmarks (fx energiforbrug pr. prompt i ChatGPT).
• At vi arbejder med lav-, middel- og høj-scenarier, fordi præcise tal ikke findes.

Præmissen er altså ikke at levere endegyldige facit, men at give det mest kvalificerede overblik, der kan skabes på baggrund af tilgængelig viden – og samtidig tydeligt vise, hvor der stadig er huller i data.

Metode

For at gøre kortlægningen så robust som muligt har vi arbejdet ud fra nogle enkle, men gennemsigtige principper.

1. Scenarier frem for enkelt-tal

Da ingen danske aktører offentliggør præcise data, opererer vi med tre scenarier:

• Lav: forsigtige estimater baseret på minimumsforbrug.
• Middel: det mest realistiske skøn baseret på gennemsnitlige driftstimer og udnyttelse.
• Høj: worst-case scenarier med fuld kapacitetsudnyttelse.

2. Kombinerede kilder

Vi har lagt vægt på at bruge et mix af:

• Åbne kilder – fx kommunale varmeplaner, DeiC’s beskrivelser af supercomputere, pressemeddelelser fra virksomheder.
• Internationale benchmarks – fx energiforbrug pr. AI-prompt, datacentres vandforbrug pr. kWh, PUE-tal (Power Usage Effectiveness).
• Estimeringer– fx formler baseret på GPU-tal, driftstimer og energiforbrug pr. komponent.

3. Transparens om usikkerhed

For hver aktør har vi vurderet usikkerheden som lav, middel eller høj.

• Lav: når tallet bygger på officielle data (fx varmegenbrug fra Meta Odense).
• Middel: når vi kombinerer faktiske hardwaretal med estimerede driftstimer.
• Høj: når vi alene baserer os på skøn og internationale gennemsnit (fx kommunernes brug af AI eller ChatGPT-forbrug i Danmark).

4. Omregning til kroner og CO₂

Vi har omregnet elforbruget til kroner (baseret på en gennemsnitlig elpris på 2,8 kr./kWh) og CO₂ (baseret på dansk elmix, ca. 150 g CO₂/kWh). Dermed kan energiforbruget sættes i et samfundsmæssigt perspektiv.

5. Afgrænsning

Kortlægningen dækker AI-træning og -drift i Danmark samt den del af internationale datacentre, der er placeret her i landet. Vi medtager ikke indirekte ressourceforbrug fra hardwareproduktion, transport eller materialeforbrug.

Kortlægning opdelt i syv grupper

De danske universiteter:  Danske universiteter driver nogle af de mest energitunge AI-faciliteter. Gefion-supercomputeren (KU/DTU/DeiC) er et centralt eksempel: den rummer 1.528 NVIDIA H100 GPU’er og anslås at bruge omkring 112 GWh/år ved fuld drift. Hertil kommer andre nationale HPC-faciliteter som Computerome 2.0 (DTU/Rigshospitalet), ABACUS 2.0 (SDU), AAU HPC og AU Interactive HPC. Samlet vurderes universiteter og HPC-anlæg at bruge i størrelsesordenen 150–200 GWh/år på AI-relateret beregning.

Metoden bygger på GPU-tal, driftstimer og internationale effektfaktorer. Usikkerheden er middel til høj, da udnyttelsesgraden varierer betydeligt.

Virksomheder (cloud og datacentre): De største private aktører er hyperscale-datacentrene: Apple i Foulum (ca. 700 GWh/år), Google i Fredericia (400–600 GWh/år), Meta i Odense (300–500 GWh/år) og Microsofts Azure-region i København (200–400 GWh/år). Meta Odense leverer dokumenteret ca. 98 GWh/år i overskudsvarme til fjernvarmenettet, mens Apple og Google har planer eller pilotprojekter på området.Samlet vurderes virksomhedernes datacentre at bruge 1.600–2.200 GWh/år. Usikkerheden er høj, da ingen af selskaberne offentliggør præcise danske tal.

Kommuner: Ifølge KL’s AI-landkort anvender 91 af landets 98 kommuner AI i drift. Det drejer sig især om sagsbehandling, chatbot-løsninger og værktøjer som Microsoft Copilot. Det samlede elforbrug skønnes til 5–10 GWh/år, baseret på antagelser om antal brugere, antal prompts- og energiforbrug pr. prompt. Her er usikkerheden høj, både fordi brugen varierer meget fra kommune til kommune, og fordi størstedelen af regnekraften reelt ligger i internationale datacentre.

Regioner og hospitaler: Regionerne bruger AI i bl.a. billeddiagnostik (radiologi, patologi) og klinisk beslutningsstøtte. Forbruget anslås til 10–20 GWh/år, baseret på et skøn over GPU-noder og deres drift. Også her er usikkerheden høj, da regionerne ikke selv rapporterer energiforbruget.

Staten og styrelserne: Staten og centraladministrationen arbejder primært med pilotprojekter og små forsøg. Det samlede energiforbrug vurderes til 1–5 GWh/år, hvilket er beskedent sammenlignet med universiteter og datacentre.

Slutbrugere (borgere og erhverv): Mange danskere og virksomheder bruger dagligt AI-værktøjer som ChatGPT, Copilot eller billedgenerering. Energiforbruget pr. prompt er estimeret til 0,34 Wh (lavt) – 0,1 kWh (højt).

Hvis vi antager 1 mio. danske brugere, der hver sender 10 prompts om dagen, giver det et forbrug på mellem 1,2 GWh/år og 365 GWh/år. Usikkerheden er meget høj, fordi både brugerantal og promptfrekvens kun kan anslås.

For hver af de syv grupper har vi set på disse fire ressourcetyper. Varmegenbruget er medtaget for at give et billede af, at det ikke bare er forbrug, men at datacentre allerede i dag forsøger at reducere deres klimaaftryk ved at tilbageføre ressourcer.

• Elforbrug er hovedparameteren og kan estimeres for alle aktører.
• Varmegenbrug er dokumenteret i enkelte tilfælde (Meta Odense, LUMI i Finland) og skønnet for andre.
• Vandforbrug kan kun estimeres via internationale benchmarks (typisk 0,2–0,5 m³ pr. MWh). Ingen danske aktører rapporterer åbent.
• Hardware (GPU’er, servere) indgår i beregningerne som teknisk basis, men materialeforbruget er ikke omsat til energi.

Usikkerhed og begrænsninger

Kortlægningen giver et første overblik over AI’s energiforbrug i Danmark, men den er præget af væsentlige usikkerheder og begrænsninger. Ingen af de store aktører – hverken universiteter, virksomheder eller offentlige myndigheder – offentliggør præcise energiforbrugstal for AI. Derfor er vi afhængige af indirekte kilder, tekniske specifikationer og internationale benchmarks.

Hvor meget en supercomputer eller et datacenter faktisk bruger, afhænger af, hvor tæt på fuld kapacitet den kører. Gefion kan fx i teorien trække over 100 GWh/år, men hvis den kun udnyttes delvist, kan forbruget være langt lavere. Denne variation er en af de største usikkerheder.

Det er vanskeligt at skelne mellem generelt it-forbrug og specifikt AI-forbrug. En del AI-kapacitet er indlejret i bredere cloudtjenester, hvor energien ikke kan isoleres. I praksis betyder det, at vores tal kan overvurdere eller undervurdere AI’s andel.

Slutbrugernes forbrug er det mest usikre element. Antal brugere, prompts pr. dag og energiforbrug pr. prompt varierer kraftigt. Her spænder estimaterne fra få GWh til flere hundrede GWh – alene for Danmark.

Mens vi har forholdsvis gode metoder til at anslå elforbrug, er vandforbrug og varmegenbrug meget dårligere dokumenteret. Kun enkelte cases (Meta Odense, LUMI) er kendt. Resten er rene skøn baseret på internationale gennemsnit.

Tallene er et øjebliksbillede. Både brugen af AI og udbygningen af datacentre sker i højt tempo. Det betyder, at kortlægningen kan være forældet inden for få år – eller endda måneder.

Et udgangspunkt for en debat

At kortlægge AI’s energiforbrug i Danmark er ikke et forsøg på at levere et endeligt regnskab, men på at skabe et kvalificeret udgangspunkt for debat. Ved at kombinere åbne kilder, tekniske specifikationer og egne beregninger får vi et billede, der ellers ikke findes i offentligheden.

Metoden gør det muligt at sammenligne forskellige aktører, synliggøre usikkerheder og pege på de steder, hvor der mangler gennemsigtighed. Dermed kan vi både holde de store aktører ansvarlige og give forskere, beslutningstagere og borgere et bedre grundlag at diskutere ud fra.

Selvom tallene er skøn, er det netop gennemsigtigheden i metoden, der gør, at vi kan komme videre – fra gætterier til en fælles forståelse af AI’s strømregning.