FN gjør AI-sentre til kraft- og vannrisiko

AI er ikke bare modellvalg, lisenskost og produktivitet. Den er også kraft, vann, areal og maskinvare. Det er den korte beskjeden i en ny rapport fra United Nations University Institute for Water, Environment and Health.

Rapporten anslår at globale datasentre brukte 448 terawattimer strøm i 2025. Hvis datasentrene var et land, ville de vært verdens ellevte største strømforbruker. Innen 2030 kan forbruket stige til 945 terawattimer. Det er nesten tre ganger samlet årlig strømbruk i Pakistan, Bangladesh og Nigeria, ifølge FN-universitetet.

Dette er ikke en moralsk pekefinger mot AI. Det er en styringssak. Når virksomheter legger mer kundedialog, utvikling, analyse, sikkerhet og beslutningsstøtte over på generativ AI, flyttes en del av risikoen ut av kontoret og inn i datasentre, kraftnett, vannsystemer og leverandørkjeder.

For norske toppledere er poenget enkelt: AI-roadmapet kan ikke lenger behandles som en ren IT-plan. Det må kobles til skystrategi, innkjøp, bærekraftsrapportering, beredskap, kontraktsstyring og energitilgang.

Tallene som flytter saken fra grønnvasking til styring

FN-rapporten setter tre fotavtrykk ved siden av hverandre: karbon, vann og landareal. Det er viktig, fordi mye av AI-debatten fortsatt stopper ved utslipp. Rapporten advarer mot å tro at lavkarbon alltid betyr lavt vannforbruk eller lav arealbelastning. Et skifte i energimiks kan kutte utslipp, men samtidig øke vann- eller arealavtrykket kraftig.

Innen 2030 anslår forskerne at vannfotavtrykket fra AI-drevne datasentre kan tilsvare grunnleggende årlig husholdningsvannbehov for 1,3 milliarder mennesker i Afrika sør for Sahara. Landfotavtrykket kan overstige 14 500 kvadratkilometer, omtrent dobbelt så stort som storbyområdet Jakarta.

AP, som også omtaler rapporten, trekker frem at strømforbruket i datasentre i 2025 skal ha gitt rundt 208 millioner tonn CO2. Det er omtrent på nivå med Argentina. AP skriver også at datasentre kan stå for nær 3 prosent av verdens forventede strømbruk i 2030.

Slike tall bør ikke brukes som en enkel fasit for hver enkelt AI-tjeneste. Beregningene er usikre, leverandørene rapporterer ulikt, og mye av infrastrukturen er lite transparent. Men nettopp derfor er rapporten relevant. Den viser at ledergruppen trenger bedre spørsmål, ikke bare mer begeistring.

Inference er den nye kostnadsdriveren

Mye av oppmerksomheten rundt AI-forbruk har handlet om trening av store modeller. Rapporten mener den rammen er utdatert. Når modellene først er i drift, er det løpende bruk som dominerer energibildet. Inference, altså hver gang modellen svarer på en forespørsel, står ifølge rapporten for 80 til 90 prosent av den samlede energibruken for AI.

Det gjør enterprise-bruk mer interessant enn laboratoriedemoer. En pilot med noen hundre brukere er én ting. En konsernstandard der tusenvis av ansatte sender lange prompts, ber om bilder, video, analyser, kodeforslag og sammendrag hele dagen, er noe annet.

Rapporten peker på at en typisk samtalespørring kan være rundt 200 ganger mer energikrevende enn enkel tekstklassifisering, som spamfiltrering. Et AI-generert bilde kan kreve langt mer. Korte AI-videoer kan ligge enda høyere.

Dette betyr ikke at virksomheter skal slutte å bruke AI. Det betyr at bruken må styres. Modellvalg, promptlengde, output-format, bildeoppløsning, caching, routing og standardinnstillinger er ikke bare tekniske detaljer. De blir kostnads- og fotavtrykksvalg.

Den norske konsekvensen: skyavtalen blir en energikontrakt

Norge har allerede en annen kraftdebatt enn mange andre land. Vi har fornybar energi, men ikke uendelig kapasitet i nett og produksjon. Datasentre konkurrerer med industri, elektrifisering, batterier, hydrogen, forsvar og kommunal vekst. AI gjør den konkurransen mer konkret.

For CIO og CFO betyr det at AI-regningen ikke bare kommer som tokenpris eller Copilot-lisens. Den kommer også indirekte gjennom dyrere infrastruktur, knappere kapasitet og tøffere krav til leverandørenes rapportering. For CISO og beredskapsansvarlige handler det om konsentrasjonsrisiko. Hvis mer virksomhetskritisk arbeid kjøres gjennom noen få globale AI-plattformer, blir datasenterkapasitet og regional robusthet en del av risikobildet.

For styret handler dette om kontroll. En virksomhet som sier at den skal bruke AI bredt, bør også kunne svare på hvilke leverandører som bærer strøm-, vann- og landrisikoen. Den bør vite hvor data behandles, hvilke regioner som brukes, hvilke modeller som er standard, og hvordan bruken måles.

De beste virksomhetene vil ikke nødvendigvis bruke minst AI. De vil bruke riktig AI til riktig oppgave. En liten modell til enkel klassifisering. Caching der samme spørsmål stilles mange ganger. Tekst der tekst holder. Bilde og video bare når det faktisk gir verdi. Lokale eller regionale løsninger der personvern, latency og kostnad taler for det.

Seks grep ledelsen bør ta nå

Det første grepet er å få AI-forbruk inn i vanlig rapportering. Ikke bare antall brukere og lisenskost. Også volum, modellmiks, type output og leverandørregioner. Uten måling blir bærekraftsdelen pynt.

Det andre er å stille krav i sky- og AI-avtaler. Leverandørene bør kunne dokumentere energimiks, vannstrategi, regionvalg, datasenterlokasjon på relevant nivå, kapasitetsrisiko og metodikk for utslippsrapportering. Ikke alt vil være perfekt, men modenheten blir raskt synlig.

Det tredje er å sette standarder for bruk. Ansatte trenger ikke klimaskam for å bruke AI. De trenger fornuftige standardinnstillinger. Kortere svar som default. Riktig modellnivå. Begrensninger på masseproduksjon av bilder og video. Tydelige retningslinjer for når høyeste modell er nødvendig.

Det fjerde er FinOps for AI. Kostnadsoptimalisering og miljøfotavtrykk henger tett sammen. Tokenforbruk, lange kontekstvinduer, agentløp og multimodale outputs må eies av noen. Ikke ligge som små drypp overalt i organisasjonen.

Det femte er leverandørdiversifisering. Hvis alle prosesser bindes til én hyperscaler, én region eller én modellfamilie, øker sårbarheten. Det er ikke et argument for fragmentering. Det er et argument for arkitektur som kan flytte last når pris, kapasitet, sikkerhet eller regulatoriske krav endres.

Det sjette er å koble AI til bærekrafts- og risikokomiteen. Ikke for å bremse, men for å unngå blind vekst. FN-rapporten peker på samme problem som mange ledere allerede kjenner fra sky: effektivisering gjør ofte at bruken eksploderer. Billigere og bedre AI kan gi høyere totalforbruk, ikke lavere.

Hva dette betyr

AI-infrastruktur blir et ledertema fordi den er fysisk. Den krever strøm, kjøling, areal, brikker, nett, sikkerhet og langsiktige kontrakter. Den kan gi store gevinster, men bare hvis virksomheten behandler den som kritisk infrastruktur, ikke som en ny appkategori.

Rapporten fra FN-universitetet gjør ikke AI mindre viktig. Den gjør den mer alvorlig. For norske virksomheter bør konklusjonen være nøktern: bygg AI-kapasitet, men bygg den med styring. Mål forbruket. Press leverandørene. Velg riktige modeller. Og ikke la en produktivitetsstrategi bli en uoppdaget energi- og vannrisiko.

Kilder og medier

Primærkilde: United Nations University, «Rising Emissions, Depleting Water and Vanishing Land—UN Scientists: AI Is Threatening Natural Resources for Billions», publisert 3. juni 2026. https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints

Top-tier verifisering: AP News, «Energy, water use and pollution of AI and data centers rival most countries», publisert 3. juni 2026. https://apnews.com/article/ai-data-centers-environment-climate-footprint-a792f184a9f2833b5388dbae8b41ca95

Thumbnail: OpenAI Image 2 / hogby.ai