Stanford AI Index 2026: datasentrene sluker nå strøm som et helt land

Stanford AI Index 2026: datasentrene sluker nå strøm som et helt land

Stanfords AI Index er den mest siterte årlige gjennomgangen av kunstig intelligens, og 2026-utgaven tegner et bilde av en bransje som vokser raskere enn infrastrukturen rundt den. Rapporten anslår at AI-datasentrenes kapasitet nådde 29,6 gigawatt i 2026 — sammenlignbart med toppforbruket til hele delstaten New York. Det samlede effektbehovet er nå på linje med det årlige strømforbruket til land som Sveits eller Østerrike.

Energien og vannet bak modellene

Tallene gjør et abstrakt fenomen konkret. Rapporten anslår at treningen av én enkelt stor modell kan slippe ut titusenvis av tonn CO2-ekvivalenter — i samme størrelsesorden som å kjøre tusenvis av biler i et år. Vannforbruket til kjøling av datasentrene er også betydelig, og anslag for enkelte modellers årlige bruk måles mot drikkevannsbehovet til millioner av mennesker.

Det er to ting verdt å holde fast ved her. For det første er slike tall anslag med stor usikkerhet, fordi selskapene sjelden offentliggjør eksakte måledata. For det andre peker rapporten samtidig på at effektiviteten forbedres raskt: nyere modeller bruker mindre energi per spørring enn forgjengerne, selv om de er kraftigere. Det totale forbruket vokser likevel, fordi bruken øker enda raskere enn effektiviteten.

Konsentrasjonen som bekymrer

Et tydelig tema i 2026-rapporten er hvor få aktører som kontrollerer infrastrukturen. USA huser flere tusen datasentre — langt flere enn noe annet land — og én brikkeprodusent dominerer markedet for AI-akseleratorer. Enda mer slående: nesten alle ledende AI-brikker produseres ved fabrikkene til ett selskap, TSMC, i Taiwan. Det gjør hele den globale forsyningskjeden avhengig av et fåtall punkter som kan rammes av geopolitikk, naturkatastrofer eller flaskehalser.

For norske lesere er dette relevant fordi det former tilgangen til og prisen på AI-tjenester vi alle bruker. Når kapasitet, brikker og kompetanse er konsentrert hos få aktører i få land, blir norske virksomheter avhengige av ledd de ikke kontrollerer. Det er et argument for å tenke gjennom hvor kritisk AI er for egen drift, og hva man gjør hvis en leverandør får problemer.

Hva norske beslutningstakere bør ta med seg

Rapporten er ikke et argument for å la være å bruke AI, men en oppfordring til å bruke den med åpne øyne. Det praktiske poenget for de fleste norske virksomheter er ikke å regne på egne utslipp per spørring, men å forstå at AI-tjenester hviler på en fysisk infrastruktur med reelle kostnader og sårbarheter. Det bør inngå i risikovurderinger på samme måte som annen kritisk leverandøravhengighet.

Norge har samtidig et fortrinn i ren vannkraft og kjølig klima, noe som gjør landet attraktivt for datasentre. Det reiser egne debatter om strømforbruk og lokal motstand, men det betyr også at deler av denne infrastrukturen kan bygges her under strengere miljøkrav enn i mange andre land. Tallene fra Stanford er et godt utgangspunkt for å diskutere de avveiningene nøkternt.

«Stanford AI Index 2026 anslår at AI-datasentrenes kapasitet nådde 29,6 GW, med et samlet effektbehov på linje med land som Sveits eller Østerrike. Rapporten peker på betydelig vann- og energiforbruk, samtidig som effektiviteten per spørring forbedres, og fremhever en sterk konsentrasjon av brikkeproduksjon og datasentre hos få aktører og land.» — Oppsummert fra Stanford HAIs AI Index Report 2026, publisert våren 2026 (hai.stanford.edu)

Ofte stilte spørsmål

Hvor mye strøm bruker AI-datasentre ifølge Stanford AI Index 2026? Rapporten anslår at AI-datasentrenes kapasitet nådde 29,6 gigawatt i 2026, sammenlignbart med toppforbruket til hele delstaten New York. Det samlede effektbehovet er på linje med det årlige strømforbruket til land som Sveits eller Østerrike. Tallene er anslag med usikkerhet, siden selskapene sjelden publiserer eksakte måledata.

Blir AI mer eller mindre energieffektiv? Begge deler samtidig. Rapporten viser at nyere modeller bruker mindre energi per spørring enn forgjengerne, altså bedre effektivitet. Men det totale forbruket vokser likevel, fordi den samlede bruken av AI øker enda raskere enn effektiviteten forbedres. Mer effektive modeller fører dermed ikke automatisk til lavere totalforbruk.

Hva er konsentrasjonsrisikoen rapporten peker på? At infrastrukturen bak AI er kontrollert av svært få aktører. USA huser de fleste datasentrene, én produsent dominerer markedet for AI-brikker, og nesten alle ledende brikker lages ved fabrikkene til ett selskap i Taiwan. Det gjør den globale forsyningskjeden sårbar for geopolitikk og flaskehalser, og bør inngå i norske virksomheters risikovurderinger.