AI har blivit en naturlig del av vår vardag på Grace och tekniken används idag i många delar av vårt arbete. Samtidigt pågår en viktig diskussion om den energi och infrastruktur som krävs för att driva AI. Det har fått oss att fundera över vår egen användning: hur mycket energi kan den AI vi använder i vardagen faktiskt kräva?
Det blev snabbt uppenbart för oss att det är svårt att ge ett exakt svar, då AI finns integrerat i många olika verktyg och tjänster. Gick det ens att räkna på? Rent matematiskt gick det förstås, men beräkningen ska inte ses som en mätning av vår faktiska energianvändning. Den ska snarare ge oss en bild av storleksordningen och en utgångspunkt för att förstå vår AI-användning bättre. Vi har valt att börja med de tre AI-tjänster vi använder mest: ChatGPT, Claude och Google Gemini.
Så har vi räknat
Vi har räknat med 36 medarbetare och uppskattar att varje person i genomsnitt gör omkring 70 prompts per arbetsdag (inklusive arbete med olika agenter).
Med 220 arbetsdagar per år blir det:
36 personer × 70 prompts × 220 arbetsdagar = 554 400 prompts per år
Vi uppskattar att dessa fördelar sig ungefär så här:
60 % ChatGPT: 332 640 prompts
20 % Claude: 110 880 prompts
20 % Gemini: 110 880 prompts
Fördelningen bygger på vår egen uppskattning, inte på loggdata från tjänsterna. Men alla prompts kräver inte lika mycket energi. En kort textfråga kan kräva relativt lite beräkning, medan exempelvis längre analyser och resonerande uppgifter kan kräva betydligt mer. För enklare frågor har vi utgått från följande publicerade riktvärden:
ChatGPT: cirka 0,34 Wh per prompt
Gemini: cirka 0,24 Wh per prompt
Claude: cirka 0,31 Wh per prompt*
*För Claude saknas ett jämförbart publicerat värde från Anthropic. Därför använder vi 0,31 Wh som ett generellt riktvärde för moderna AI-modeller.
Vår användning består samtidigt av mycket mer än korta frågor. Vi använder AI för bland annat research, analys, längre texter, kod, agenter och andra uppgifter som kräver mer bearbetning. Därför antar vi i vårt huvudscenario att 50 % av våra prompts är enklare och 50 % mer avancerade. För de mer avancerade använder vi 3,91 Wh per prompt som schablon. Värdet kommer från forskning om mer resonerande AI-frågor och ska inte ses som ett exakt värde för våra prompts.
Med dessa antaganden blir den uppskattade elanvändningen:
Enklare prompts: cirka 85 kWh per år
Mer avancerade prompts: cirka 1 084 kWh per år
Totalt: cirka 1 170 kWh per år
Eftersom osäkerheten är stor avrundar vi till ca 1 200 kWh per år
Det är viktigt att understryka att detta är ett scenario, inte ett uppmätt värde. Framför allt påverkas resultatet mycket av vårt antagande att hälften av användningen är mer avancerad. Beräkningen avser bara den operativa el som krävs för att köra AI-tjänsterna. Den omfattar inte hela AI livscykeln, såsom träning av modeller, tillverkning av servrar och annan hårdvara.
Vad lärde vi oss?
Effekterna av AI-utbyggnaden bli allt tydligare och den växande AI-infrastrukturen driver upp efterfrågan på el. Det gör frågan relevant även för oss som användare av tjänsterna. Vi äger inte datacentren eller tränar modellerna, men vår användning är en del av efterfrågan. Beräkningen får oss därför också att fundera över hur vi använder AI. Kan vi formulera bättre prompts från början? Ge relevant kontext direkt? Undvika onödiga omtag? Och bli bättre på att avgöra när AI faktiskt tillför värde?
Att prompta bättre handlar inte bara om att få bättre resultat. Det kan också vara ett sätt att använda tekniken och resurserna mer effektivt. Målet är inte att använda AI så lite som möjligt, utan att använda den mer genomtänkt och där den gör verklig nytta. Den viktigaste frågan i det här experimentet är hur ska stora företag kunna redovisa klimatpåverkan från generativ AI när beräkningarna sker hos externa leverantörer och insynen i den faktiska energiåtgången är begränsad?
Vi delar gärna med oss av mer och diskuterar hur vi kan skapa digitala lösningar tillsammans.
