AI-drivna datacenter: så minskar ni energi och CO₂

USA:s datacenter drog 176 TWh el under 2023 – 4,4 % av landets totala elanvändning. Prognosen som nu diskuteras i branschen är ännu mer brutal: upp till 580 TWh år 2028, vilket motsvarar cirka 12 % av USA:s elkonsumtion den perioden. Det här är inte en “techfråga”. Det är en energifråga, en klimatfråga – och för många företag en ren tillväxtfråga.

Det är också därför Google och Microsoft just nu kör ett energirejs som på ytan ser ut som vanlig hållbarhetsrapportering, men i praktiken handlar om något mer konkret: hur man driver AI-tunga datacenter utan att spräcka elnätet, klimatmålen och elkostnaderna samtidigt.

I vår serie AI inom energi och hållbarhet använder vi den här utvecklingen som ett case. Inte för att “hyperscalers” är perfekta (det är de inte), utan för att de ofta tvingas hitta lösningar först – och vi andra kan lära oss mycket av deras misstag och deras metoder.

Datacenter och AI: problemet är inte bara mer el – utan fel el

Den korta versionen: AI ökar lasten snabbare än elnät och fossilfri produktion hinner byggas ut. Och när efterfrågan sticker iväg väljer många system det som går snabbast att bygga, inte det som är renast.

I USA har flera elbolag planerat för fler gaskraftverk och i vissa fall förlängd drift av kolkraft för att möta datacenterboom. Det är logiskt ur ett kapacitetsperspektiv, men dyrt och klimatmässigt bakåtsträvande. Lägg till att datacenter traditionellt säkrar driften med dieselgeneratorer som reservkraft – då blir klyftan mellan “netto-noll” på pappret och verkligheten rätt stor.

Den obekväma sanningen om “100 % förnybart”

Många organisationer pratar om 100 % förnybar el, men missar att frågan ofta handlar om timme för timme:

• Vind och sol är billiga, men varierar.
• AI-last är ofta hög och kan vara konstant.
• Om du köper “grön el” årsvis kan du ändå i praktiken drivas av fossil el när nätet är som smutsigast.

Det är här AI och energioptimering möts på riktigt: styrning, flexibilitet och matchning mellan last och fossilfri produktion.

Lärdom 1: “Clean firm” blir datacentrens nya heliga graal

För att driva datacenter fossilfritt räcker det inte alltid med mer vind och sol. Man behöver också clean firm power – fossilfri el som kan levereras när som helst.

Google har satsat på att tidigarelägga kommersialisering av såna tekniker. Exempel som lyfts i branschen just nu är:

• Nästa generations geotermi (enhanced geothermal), där man kan få stabil elproduktion även där traditionell geotermi inte fungerar.
• Små modulära kärnreaktorer (SMR), där idén är standardiserade reaktorer som kan byggas snabbare än klassiska gigawattverk.

Microsoft har samtidigt knutit långsiktiga avtal kopplade till kärnkraftens återstart och investerar i att minska utsläpp inne på egna området, bland annat genom att ersätta dieselreserv med alternativ.

Vad betyder detta för svenska energichefer och hållbarhetsledare?

Tre tydliga implikationer:

1. Kapacitetsfrågan flyttar in i IT-strategin. När ni planerar AI-plattformar, modellträning och datalagring behöver ni också planera effekt, inte bara energi.
2. Fossilfri baskraft och flexibilitet blir konkurrensfördelar. Den som kan visa stabil fossilfri försörjning får lättare att skala.
3. Inköp måste bli mer sofistikerat än “PPA och klart”. Timupplösning, lokalisering och nätbegränsningar blir affärskritiskt.

Lärdom 2: Framtidens “energismarta datacenter” styr lasten, inte bara kyla

Den mest underskattade insikten i hela datacenterdebatten är att datacenter inte måste vara stela. De kan bli flexibla resurser i elnätet.

Google har testat att dra ned maskininlärningslaster vid extremväder i samarbete med ett elbolag, och därefter tecknat demand response-avtal där man lovar att kunna minska förbrukningen när nätet är ansträngt.

Det här är kärnan i AI-driven energistrategi:

• Prognostisera nätlägen, elpriser och koldioxidintensitet.
• Schemalägga träningsjobb, batch-körningar och icke-kritiska processer.
• Flytta last i tid (och ibland plats) när marginalel är dyr eller fossil.

Så fungerar lastflex i praktiken (utan fluff)

Jag brukar beskriva det som tre nivåer av mognad:

1. Synlighet: mätning per hall/rack/lasttyp. Utan detta blir allt gissning.
2. Styrning: policies som säger vad som får flyttas, hur snabbt och till vilket pris.
3. Automatisering: AI/optimering som faktiskt tar beslut i realtid.

Ett konkret exempel på styrlogik kan vara:

• Träningsjobb får pausas i max 30 minuter.
• Batchjobb ska köras när spotpris < X öre/kWh eller när CO₂-intensitet < Y.
• Latenskritiska tjänster får aldrig påverkas.

Det låter enkelt – men när det görs rätt minskar det både toppeffekt, kostnad och behovet av ny fossil kapacitet.

Lärdom 3: Reservkraften är nästa stora utsläppsbov

Även om ett datacenter “oftast” kör fossilfritt kan reservkraften sabba klimatprofilen. Traditionellt är backup = diesel. Microsoft har därför tittat på alternativ som:

• Vätgasbränsleceller som reservkraft
• Avancerade batterier som kan ersätta kortare dieselkörningar

Min ståndpunkt: börja med driftkraven, inte tekniken

Många gör tvärtom: de väljer en teknik (t.ex. vätgas) och försöker pressa in den i verksamheten. Jag har sett fler projekt lyckas när man börjar med två frågor:

• Vilken tillgänglighet behöver vi egentligen? (99,9 % vs 99,999 % är helt olika kostnadsnivåer)
• Vilken autonomi krävs? (15 minuter, 4 timmar, 48 timmar)

När det är tydligt går det att designa en mix: batteri + bränslecell + smart lastreducering.

Lärdom 4: Långvarig energilagring är “nice to have” – tills den plötsligt är nödvändig

Dagens litiumjonbatterier ger ofta några timmars backup. För datacenter som vill köra fossilfritt genom längre perioder med låg vind/sol krävs 8–24 timmar (medium duration) eller i vissa fall flera dygn.

Därför är intresset stort för långvarig energilagring, exempelvis system som siktar på 100 timmar. Om den typen av lagring skalar kommersiellt förändras planeringen i grunden:

• Mer vind/sol blir användbart även när vädermönster är ogynnsamma.
• Reservkraft kan bli fossilfri, inte bara “mindre fossil”.
• Nätanslutningar kan dimensioneras smartare om lagring täcker toppar.

Men: det här är inte en ursäkt att vänta. De företag som vinner tiden 2026–2028 bygger redan nu flexibilitet och mätbarhet.

Vad kan ni göra nu? En praktisk checklista för AI och energi

Här är en checklista jag själv skulle använda för en organisation som vill skala AI och samtidigt hålla nere energi och utsläpp:

1. Kartlägg AI-laster per affärskritikalitet

   • Realtid (kan inte flyttas)
   • Nära-realtid (kan flyttas minuter)
   • Batch/träning (kan flyttas timmar/dygn)

2. Inför “carbon-aware” och “price-aware” schemaläggning

   • Bygg regler först, ML senare.
   • Sätt tydliga gränser för vad som får påverkas.

3. Optimera per effekt (kW), inte bara energi (kWh)

   • Toppar driver nätkostnader och kapacitetsproblem.
   • Mät PUE, men stirra dig inte blind på den.

4. Modernisera reservkraftstrategin

   • Utvärdera batteri för korta avbrott.
   • Utvärdera fossilfria alternativ för längre avbrott.
   • Lägg in lastreducering som en del av backup-planen.

5. Sätt mål som går att revidera timme för timme

   • Årsbaserade mål räcker inte när AI-last växer snabbt.
   • Följ upp på timnivå där det går: kostnad, CO₂-intensitet, lastflex.

En bra tumregel: Om ni inte kan beskriva ert “flexibla lastutrymme” i procent, har ni sannolikt inte byggt styrbarhet än.

Det här rejsar även i Sverige – bara med andra förutsättningar

Sverige har en annan elmix än USA och ofta lägre koldioxidintensitet, vilket ger ett försprång. Men vi har våra egna flaskhalsar: effektbrist lokalt, nätkapacitet, tillståndsprocesser och prisvariationer.

Dessutom är december 2025 en tid då många verksamheter planerar 2026 års investeringar. Om AI-initiativ ligger på bordet nu, är det rätt läge att ställa jobbiga men nödvändiga frågor:

• Var ska lasten ligga – och varför där?
• Vilka jobb kan flyttas i tid?
• Vilka avtal behövs för att bli en “bra nätkund” snarare än en risk?

När energisystemet är pressat är samarbete med nätägare och elhandlare inte en sidofråga. Det är en del av produktstrategin.

Nästa steg: gör AI till en del av energistrategin (på riktigt)

Google och Microsoft visar samma sak från olika håll: datacenter och AI skalar inte hållbart med gamla metoder. Fossilfri “firm” produktion, lastflex, smart reservkraft och lagring håller på att bli standardkrav – inte visioner.

Om du ansvarar för energi, hållbarhet, IT eller fastigheter är min rekommendation enkel: börja med mätning och styrning av lasten. Det är den snabbaste vägen till lägre kostnad och lägre utsläpp – och den gör att ni kan ta till er ny teknik när den mognar.

Vill ni ta nästa steg i er resa inom AI inom energi och hållbarhet: hur skulle er verksamhet se ut om AI inte bara förbrukade el – utan också aktivt hjälpte er att välja rätt timmar, rätt plats och rätt energikälla?