Hur mycket vatten använder AI?

ETT STATISTISKT PROBLEM UTAN ENKLA SVAR

Det är lätt att tro att generativ artificiell intelligens (AI) är något immateriellt. En fråga in, ett svar ut. Vi pratar om kod och om “molnet” – men vatten?

Stora datacenter kan förbruka 19 miljoner liter per dygn, vilket motsvarar vattenförbrukningen i en ort med 10 000–50 000 invånare – beroende på klimat (Yañez-Barnuevo, 2025).

Hur hänger det här ihop?

Generativ AI kräver enorm beräkningskapacitet. Först i träningsfasen, där stora språkmodeller tränas på gigantiska datamängder under veckor eller månader. Träningen körs på tusentals GPU:er som drar el. El blir värme. Värme måste kylas bort.

Sedan kommer användningen – det som kallas ”inferens”, alltså det ögonblick då en färdigtränad modell tar emot en fråga (”prompt”) och genererar ett svar i realtid. Till skillnad från traditionell mjukvara är generativ AI beräkningsintensiv även i inferensfasen. Uppskattningsvis står inferens för 80–90 procent av energianvändningen för AI-tjänster (O’Donnell et al. 2025).

Till skillnad från mycket annan mjukvara är generativ AI beräkningsintensiv även när modellen är färdig. Varje användarfråga innebär realtidsberäkningar i stora nätverk – och när miljoner människor gör detta samtidigt blir energiuttaget enormt.

Mer beräkning betyder mer elförbrukning. Den nya generationens AI har på kort tid gått från att knappt märkas till att uppskattningsvis stå för omkring 15–20 procent av datacentrens globala energianvändning från 2022 till 2024 (International Energy Agency, 2024).

Mer elförbrukning betyder mer värme. Mer värme kräver mer kylning. Och kylning kräver ofta vatten.

Vatten används direkt i datacenter, särskilt i system och kyltorn där värme förs bort genom avdunstning. Vatten används också indirekt via själva elproduktionen. Resultatet är att AI:s vattenpåverkan inte bara handlar om enstaka träningskörningar, utan om ett permanent flöde kopplat till global digital konsumtion – lokalt förankrat i specifika avrinningsområden.

WUE: ett elegant mått som inte räcker

Statistiker är tränade att göra komplexitet hanterbar: definiera systemet, ange vad som ingår, vara explicita med antaganden och räkna. Resultatet blir ett tal – helst jämförbart och reproducerbart.

I datacenterbranschen är det dominerande vattenmåttet Water Usage Effectiveness (WUE), uttryckt som kubikmeter vatten per megawattimme (m³/MWh). För en statistiker är det attraktivt: en tydlig kvot som kan jämföras mellan anläggningar.

Problemet är att WUE systematiskt lämnar utanför sådant som ofta är avgörande när frågan gäller AI:

• indirekt vattenanvändning kopplad till elproduktion
• vatten i leverantörsled och byggnation
• hur vatten ska fördelas mellan olika tjänster i en delad infrastruktur
• effekter på lokala samhällen och ekosystem WUE mäter alltså endast intern effektivitet – inte systempåverkan.

Inom vattenförvaltning skiljer man mellan:

• vattenuttag: vatten som tas från en källa
• vattenkonsumtion: vatten som inte återförs (t.ex. avdunstning)

Ett datacenter med kyltorn tar in vatten, avdunstar en stor del och släpper tillbaka resten. Ett luftkylt system tar nästan inget vatten på plats – men kräver mer el, och elproduktion kan i sin tur ha ett vattenavtryck.

Alltså: vad ska egentligen stå i täljaren – uttag, konsumtion, på plats, eller även indirekt?

Här blir det tydligt att energi och vatten inte är oberoende målvariabler. Karimi et al. (2022) jämförde två kyltekniker för datacenter i Phoenixområdet: luftkylda kylaggregat respektive vattenbaserad kylning. Det vattenkylda systemet hade i genomsnitt 13 procent bättre energieffektivitet, men vattenavtrycket var ungefär fyra gånger högre än för det luftkylda.

Optimerar man för energieffektivitet med avdunstande vattenkylning tenderar vattenanvändningen att öka. Optimerar man för låg vattenanvändning tenderar energibehovet att öka. Det finns ingen gratis lunch. Val av teknik innebär alltid en förskjutning mellan resurser.

WUE är alltså inte ett neutralt – eller oproblematiskt – mått. Det är beroende av hur vi definierar systemgränser.

Systemgränser: samma data, olika slutsatser

Ett enkelt sätt att synliggöra komplexiteten är att vara tydlig med systemgränser. Tre typfall:

• A: endast drift på plats
• B: drift på plats + vatten kopplat till elproduktion
• C: hela livscykeln (servrar, byggnation, leverantörsled)

Poängen är inte att en gräns är ”rätt”, utan att slutsatsen kan vändas när gränsen flyttas. I ett traditionellt elnät kan indirekt vatten via el stå för en betydande del av total konsumtion. I elnät med mer vind och sol är den delen lägre. Ett datacenter kan därför se ”vatteneffektivt” ut lokalt men inte nödvändigtvis ur ett systemperspektiv.

Geografin gör kvoten normativ

Anta att två datacenter förbrukar 1 miljon kubikmeter vatten per år. De är alltså volymmässigt identiska.

Men ponera nu att det ena ligger i ett vattenstressat område (till exempel i Arizona, som är en torr region med överutnyttjat grundvatten), medan det andra ligger i ett vattenrikt område (till exempel i Oregon, precis vid Columbiaflodens avrinningsområde).

Den fysiska volymen är densamma – men konsekvenserna är radikalt olika.

Detta gör att endast volymmåttet (WUE) är systematiskt missledande: ett bolag kan sätta sina mest vattentörstiga anläggningar i torra regioner och ändå se ”bra” ut. Vattenstressviktning (eng: scarcity weighting) avslöjar den verkliga skadan och inverterar ofta rankingen av anläggningar – en lågvolymsanläggning i ett vattenstressat område kan alltså vara skadligare än exempelvis en högvolymsanläggning vid ett vattenrikt avrinningsområde vid kusten.

Utan platsspecifik viktning är jämförelser mellan operatörer i hög grad meningslösa ur ett faktiskt miljöperspektiv.

När vi tillämpar vattenstress-viktning kan påverkan skilja sig med en faktor två eller tre, trots identiska kubikmeter.

Det innebär att måttet kodar in:

• Hydrologiska förhållanden
• Konkurrerande vattenanvändning
• Ekologiska trösklar
• Förvaltningsregler och tilldelningssystem

Vi har då gått från en enkel och trevlig statistikkvot till ett inbäddat samhälls- och naturvetenskapligt antagande.

Generativ AI och allokeringsproblemet

När vi frågar “hur mycket vatten använder generativ AI?” uppstår ett särskilt problem: datacenter är delad infrastruktur. Samma GPU-kluster kan användas för AI-träning, AI-inferens, andra molntjänster och vanlig klassisk beräkning.

Allokering kan göras på minst två rimliga sätt:

• Utnyttjandebaserad allokering: fördelning efter faktisk resursanvändning – till exempel GPU-tid eller energiförbrukning. Om “AI” står för 30 procent av resursutnyttjandet under en period tilldelas den 30 procent av vattenanvändningen.
• Tjänstebaserad allokering: fördelning efter levererad tjänst – till exempel antal förfrågningar, genererade svar eller intäkter. Då kan en AI-tjänst med många korta svar få en annan profil än en mer sällan använd tjänst som kräver tung beräkning per tillfälle.

Båda metoderna är försvarbara, men de ger olika svar – särskilt när kapacitetsutnyttjandet varierar, när träning och inferens blandas, och när en stor del av infrastrukturen står i beredskap.

Årsmedelvärden döljer toppbelastning

Vattenförvaltning är säsongsberoende. I vattenstressade regioner är det ofta sommarens uttag som är kritiska, liksom låga flöden och icke-linjära grundvattenreaktioner. Ett årsmedelvärde kan därför vara gravt missvisande: påverkan under toppmånader kan vara mycket större än vad ett jämnt medelvärde antyder.

Låt oss återvända till det vattenstressade området i Arizona där grundvattennivåerna redan sjunker. Jordbrukare har bevattningsrestriktioner. Regionen investerar i vattenbesparande åtgärder. Samtidigt etableras ett stort datacenter (kanske under parollen att det skapar jobb i regionen).

Volymmässigt kanske anläggningen står för en relativt liten andel av det totala uttaget i regionen – kanske några procent. På pappret kan det se marginellt ut.

Men vad händer under en varm och torr sommar?

• Kylbehovet i datacentret ökar
• Avdunstningen ökar
• Samtidigt är det just då som hushåll och jordbruk också behöver mest vatten
• Miljöflöden i vattendrag riskerar att underskrida kritiska nivåer

Ett årsmedelvärde fångar inte huruvida belastningen sammanfaller med perioder av maximal stress.

Och för invånarna i området är frågan inte hur många liter per kilowattimme som används. Frågan är: påverkar detta våra familjers vattenförsörjning, vårt jordbruk, våra kostnader och våra framtida tillgångar?

Datacenter byggs i en rasande fart i olika typer av klimat och regioner. I norra och mellersta Sverige finns exempelvis en rad datacenter där vårt kyliga klimat och tillgång till billig el brukar anföras som skäl till etableringen (Norling & Gunnars, 2024). Men en förvånansvärt stor del av världens datacenter byggs i torra områden där vattentillgången redan är begränsad. Varför byggs då datacenter så ofta i just sådana vattenstressade regioner?

Det kan verka motsägelsefullt, men ur just ett statistiskt perspektiv är det logiskt. Lokalisering av datacenter bygger i hög grad på optimering mot mätbara variabler:

• Låga markpriser
• Tillgång till billig el
• Skatteincitament
• Politiskt välkomnande kommuner/regioner (ofta ur ett nästan desperat ekonomiskt behov)
• Tillgång till redan etablerad infrastruktur
• Torrt klimat som minskar korrosionsproblem och ibland kylbehov under delar av året
• Handläggningstid för tillstånd(!)

Dessa faktorer är kvantifierbara och kan vägas samman i beslutsmodeller. De är jämförbara, stabila och går att stoppa in i kalkyler.

Vattenstress däremot är svårare att operationalisera. Den är säsongsberoende, påverkas av klimatförändringar, beror på juridiska tilldelningssystem och uppvisar tröskeleffekter snarare än linjära samband. Den låter sig inte lika enkelt översättas till en enhetlig kostnad per kubikmeter. Det som är svårt att mäta riskerar därför att få mindre tyngd i beslutsfattandet.

Många vattenstressade regioner erbjuder samtidigt billig mark, generösa incitament och ett starkt politiskt intresse av investeringar. Om vatten i beslutsunderlaget behandlas som en genomsnittlig och relativt billig insatsvara kan dessa områden framstå som rationella val. Det är inte nödvändigtvis så att man aktivt söker vattenbrist – men om vatten antas vara homogent och stabilt underskattas riskerna systematiskt just där de är som störst.

När vi presenterar ett genomsnittligt vattenmått utan geografisk kontext behandlar vi vatten som om en kubikmeter vore densamma överallt och alltid.

Det ironiska är alltså att just förenklade statistiska mått kan ha bidragit till den problemställning vi nu försöker analysera. Det som framstår som rationell optimering inom modellens gränser kan i ett bredare systemperspektiv innebära ökad regional sårbarhet och fördelningskonflikter.

Precision utan sanning

Det går alltså att pressa fram ett tal: “x liter vatten per AI-förfrågan”. Med två decimalers noggrannhet dessutom.

Men utan att redovisa systemgränser, uttag kontra konsumtion, indirekta effekter via el, geografisk vattenstress, säsongsvariation och fördelningseffekter riskerar vi att producera precision utan sanning eller mening.

Statistiker måste ständigt påminna sig om att det inte räcker att beräkningen är korrekt. Vi måste också synliggöra vilka antaganden som styr svaret – och de komplexa konsekvenser som döljs när vi beskriver världen som kvoter.