OpenAI nya GPT‑5 – forskare slår larm: varje svar kan kosta 18–40 Wh i elförbrukning. I global skala innebär det att AI-modellen kan dra lika mycket el per dag som två till tre kärnkraftsreaktorer. Det väcker frågor om klimatpåverkan, affärsmodeller och hur AI egentligen ska skalas.
En ny flaskhals: el
Enligt en studie från University of Rhode Island kräver ett medelsvar från GPT‑5 i genomsnitt 18 Wh – men kan i mer komplexa fall dra upp till 40 Wh. Det är omkring åtta gånger mer än GPT‑4o, och skulle vid 2,5 miljarder dagliga förfrågningar kräva omkring 45 GWh – mer än vad två svenska kärnkraftsreaktorer producerar per dag.
Hur mycket är 18 Wh?
Detta är en ungefärlig jämförelse för att få en känsla för storleksordningen.
Cirka 10 minuter tänd tid≈ 18 Wh
Upp till ~3 laddningar beroende på batteristorlek och laddnivå.
Ungefär 0,5 km räckvidd – varierar med hastighet, terräng och cykel.
AI-modeller och energiförbrukning
| Modell | Styrka | Utmaning | Transparens |
|---|---|---|---|
| GPT-5 | Kraftfull analys och mångsidighet | Hög energiförbrukning och kostnad | Ingen officiell energidata |
| GPT-4o | Snabb, resurssnål, vardagsanvändning | Mindre djup än GPT-5 | Ingen officiell energidata |
| Claude | Human-liknande resonemang | Otydlig insyn i miljöpåverkan | Ingen officiell energidata |
| Gemini | Stark inom multimodal AI | Resurskrävande träning | Ingen officiell energidata |
| DeepSeek | Fokus på optimerad AI-prestanda | Mindre känd globalt | Begränsad insyn |
| Mistral | Effektiva open-source-modeller | Mindre ekosystem än jättarna | Öppen redovisning av klimatpåverkan |
3 saker att ha i bakhuvudet när du väljer AI-modell
- Prestanda vs. kostnad: Stora modeller ger djupare analys men kräver mer resurser.
- Effektivitet i vardagen: Mindre, snålare modeller kan räcka för idéer, skrivande och enklare uppgifter.
- Transparens: Företag som öppet redovisar sin energidata och miljöpåverkan bygger förtroende.
GPT‑5 vs GPT‑4o vs Mistral
Till skillnad från GPT‑5 har GPT‑4o visat en betydligt lägre energiförbrukning: cirka 0,43 Wh per medelsvar. Samtidigt har franska Mistral publicerat en full livscykelanalys – varje prompt (400 tokens) motsvarar 1,14 gCO₂e och 45 ml vatten. Det är inte bara transparens – det är ett säljargument.
Klimat, kostnader – och konkurrensfördelar
Ju större AI-modell, desto tyngre blir energibudgeten. För företag märks det både i molnräkningen och i hållbarhetsrapporten. Men det finns också en möjlighet: företag som optimerar hur de använder AI, och vågar vara öppna med klimatdata, kan vinna både kunder och regulatorers förtroende.
I Sverige finns en unik chans att ligga före: kallt klimat, el från vatten och kärnkraft, och etablerade datacenter i norr. Här kan smartare AI‑användning bli en exportfördel.
Techies.se take
AI framtidssäkras inte bara med fler parametrar – utan med lägre Wh per svar. Nästa stora tävling kan bli: vem bygger världens grönaste AI?
ORDLISTA
- Wh (wattimme) – Energi på liten skala. Ex: en 100 W-lampa tänd i 30 min = 50 Wh.
- kWh – 1 000 Wh. Elräkningar mäts oftast i kWh.
- Inferens – När AI:n faktiskt körs och ger svar, inte när den tränas.
- PUE (Power Usage Effectiveness) – Siffra som visar hur effektivt ett datacenter använder sin el. Ju närmare 1,0 – desto bättre.
Källor
- Tom’s Hardware – Energijämförelse GPT‑5 vs GPT‑4o
- University of Rhode Island (URI) – Estimat om GPT‑5:s energiförbrukning
- Mistral & ADEME – Livscykelanalys med klimat- och vattenpåverkan
- Ars Technica – Granskning av AI:s miljöpåverkan
- Wikipedia – Svenska datacenter, energimix och AI-infrastruktur
