AI bruger meget vand – men hvor meget egentlig?

Kunstig intelligens findes ikke kun i skyen.

ChatGPT, Gemini, Copilot og de mange andre AI-tjenester drives på enorme datacentre fyldt med computere, grafikkort, strømforsyninger og køleanlæg.

Og de har brug for både strøm og vand… i store mængder…

En ny rapport fra United Nations University Institute for Water, Environment and Health (UNU-INWEH) sætter nu tal på en del af problemet.

Ifølge rapporten brugte verdens datacentre omkring 448 terawatt-timer elektricitet i 2025. Frem mod 2030 kan forbruget vokse til omkring 945 TWh.

Det er i sig selv et betydeligt energiforbrug.

Men elektriciteten er kun den ene side af historien.

Datacentrene bruger også vand – både direkte til køling og indirekte i forbindelse med produktionen af den elektricitet, de forbruger.

Og det er her, tallene begynder at blive interessante.

Fra skyen til vandhanen

Når vi taler om cloud computing, er det let at få indtryk af, at vores data befinder sig et næsten immaterielt sted.

I virkeligheden ligger de på fysiske servere.

En moderne AI-model kræver enorme mængder beregningskraft. De kraftige processorer, især GPU’er og andre specialiserede AI-processorer, bruger elektricitet og udvikler varme.

Meget varme.

Hvis varmen ikke fjernes, stiger temperaturen hurtigt til et niveau, hvor elektronikken ikke længere kan fungere.

Derfor er køling en af de centrale funktioner i et datacenter.

Og vand er en effektiv måde at flytte varme på.

Nogle datacentre anvender såkaldt evaporativ køling, hvor vand fordamper og dermed fjerner varme. Andre anvender lukkede væskekredsløb, luftkøling eller kombinationer af forskellige teknologier.

Det betyder samtidig, at der ikke findes ét bestemt tal for, hvor meget vand et datacenter bruger.

Det afhænger blandt andet af datacenterets størrelse, klimaet, køleteknologien, strømforsyningen og hvor effektivt anlægget er.

Et vandforbrug, der svarer til 1,3 milliarder menneskers behov

Et af de tal, der har fået stor opmærksomhed i den internationale dækning af FN-rapporten er AI datacentrenes samlede globale vandforbrug

UNU-INWEH vurderer, at AI-datacentrenes samlede vandfodaftryk i 2030 kan svare til det grundlæggende årlige vandbehov for omkring 1,3 milliarder mennesker i Afrika syd for Sahara.

Det er et meget stort tal.

Men det er vigtigt at forstå, hvad det betyder.

Det betyder ikke, at AI-datacentrene i 2030 bogstaveligt vil forbruge vand, som 1,3 milliarder mennesker ellers ville have haft adgang til.

Det er en sammenligning af vandmængder.

Og den omfatter mere end det vand, der fysisk løber gennem et datacenters køleanlæg.

UNU-INWEH ser på AI’s samlede vandfodaftryk, herunder vandforbruget forbundet med den elektricitet, der bruges til at drive datacentrene.

Det gør en væsentlig forskel.

Datacentre bruger ikke blot vand

FNs rapport handler da heller ikke kun om vand.

Forskerne har set på tre forskellige miljømæssige fodaftryk:

energiforbruget, vandforbruget og arealindlemmelse.

I 2025 brugte datacentre ifølge rapportens beregninger omkring 448 TWh elektricitet.

Frem mod 2030 forventes tallet at kunne vokse til 945 TWh.

Det svarer til næsten tre gange det samlede årlige elforbrug i Pakistan, Bangladesh og Nigeria.

Samtidig vurderes AI-infrastrukturens samlede arealaftryk at kunne overstige 14.500 kvadratkilometer i 2030.

Pointen er ikke, at AI nødvendigvis er “dårligt for miljøet”.

Pointen er, at AI har et fysisk fodaftryk.

Det har teknologien altid haft – men det bliver mere synligt, efterhånden som AI-industrien vokser.

To rapporter, der sætter AI’s ressourceforbrug i perspektiv

Diskussionen om AI’s vandforbrug bygger ikke kun på enkeltstående beregninger.

To større rapporter er særligt interessante:

United Nations University Institute for Water, Environment and Health’s (UNU-INWEH) rapport Environmental Cost of Artificial Intelligence: Carbon, Water, and Land Footprints fra juni 2026 og Det Internationale Energiagentur IEA’s Energy and AI fra 2025.

De to rapporter har forskellige udgangspunkter, men peger i samme retning: AI bør ikke betragtes som en rent digital teknologi. Den er afhængig af en fysisk infrastruktur, som kræver energi, vand, areal, råstoffer og store investeringer.

UNU-INWEH: Se på hele fodaftrykket

UNU-INWEH’s rapport er interessant, fordi den forsøger at komme væk fra den traditionelle diskussion, hvor AI’s miljøpåvirkning næsten udelukkende måles i CO₂.

Forskerne ser i stedet på tre forskellige fodaftryk: CO₂-aftryk, vandforbrug og landareal.

Det er ikke nødvendigvis de samme løsninger, der reducerer dem.

Et eksempel i rapporten er elektricitet produceret fra biomasse. Den kan have et betydeligt lavere CO₂-aftryk end kul, men samtidig et langt større vand- og arealaftryk. Rapportens pointe er derfor, at “grøn energi” ikke automatisk betyder lavt ressourceforbrug på alle områder.

UNU-INWEH anslår, at verdens datacentre i 2025 brugte omkring 448 TWh elektricitet. Frem mod 2030 forventes forbruget at kunne nå omkring 945 TWh.

Det er på baggrund af dette elforbrug, at rapporten beregner et samlet vandfodaftryk på omkring 9,3 billioner liter i 2030.

Det er dette tal, der ligger bag sammenligningen med det grundlæggende årlige husholdningsvandbehov for omkring 1,3 milliarder mennesker i Afrika syd for Sahara. Det er altså ikke en opgørelse over vand, der fysisk bliver hældt ud af datacentrene. Det er et beregnet vandfodaftryk, som også omfatter vandforbruget forbundet med produktionen af den elektricitet, datacentrene anvender.

Det er en vigtig skelnen.

Rapporten forsøger ikke at argumentere for, at AI bør stoppes. Tværtimod understreger forskerne, at formålet er at gøre de miljømæssige omkostninger synlige, så de kan indgå i planlægning og regulering.

Det er i virkeligheden en mere interessant pointe end selve de store tal.

Hvis et datacenter eksempelvis flyttes fra et område med rigelige vandressourcer til et tørkeramt område, kan den samme mængde beregningskraft få en helt anden miljømæssig betydning.

IEA: AI er en energiteknologi

IEA’s Energy and AI anlægger en lidt anden vinkel.

Her er fokus især på elektriciteten.

IEA vurderede i 2025, at verdens datacentre brugte omkring 415 TWh elektricitet i 2024, svarende til cirka 1,5 procent af verdens samlede elforbrug. Frem mod 2030 forventes forbruget at mere end fordobles til omkring 945 TWh.

Det er en voldsom vækst.

Men også her er der brug for perspektiv.

IEA’s beregninger viser, at datacentrene i 2030 stadig kun vil stå for knap tre procent af verdens samlede elektricitet.

Datacentrene er altså ikke ved at overtage verdens energiforbrug.

Det interessante er snarere, hvor hurtigt forbruget vokser, og hvor koncentreret det er.

Et datacenter er ikke som en million elbiler, der er spredt ud over et helt land. Et stort AI-datacenter kan belaste elnettet meget kraftigt på ét bestemt sted. I USA er næsten halvdelen af datacenterkapaciteten eksempelvis koncentreret i blot fem regionale klynger.

Det gør datacentrene til en særlig udfordring for den lokale energiplanlægning.

IEA peger samtidig på noget, der let forsvinder i den offentlige debat: AI kan også blive en del af løsningen.

Kunstig intelligens kan blandt andet bruges til at optimere energiproduktion, elnet, vedligeholdelse, lagring og forbrug. Hvis AI kan gøre energisystemerne mere effektive, kan noget af teknologiens eget ressourceforbrug indirekte modsvares af besparelser andre steder.

Det er endnu for tidligt at sætte et præcist tal på denne effekt.

Men det er en vigtig del af regnestykket, hvis man vil forstå teknologien frem for blot at opgøre dens omkostninger.

Det interessante ligger mellem de to rapporter

De to rapporter kan derfor læses som to sider af samme problem.

IEA viser, hvor meget energi den voksende datacentersektor kan komme til at kræve, og hvilke konsekvenser det kan få for energisystemet.

UNU-INWEH viser, at den samme udvikling også har konsekvenser for vandforbruget og arealindlemmelse, og at disse konsekvenser kan være meget forskellige fra sted til sted.

Tilsammen giver de et mere realistisk billede end en simpel opgørelse af, hvor meget vand en AI-forespørgsel bruger.

For det afgørende spørgsmål er ikke, om en enkelt tekstprompt bruger få dråber eller en halv teskefuld vand.

Det afgørende spørgsmål er, hvad der sker, når milliarder af forespørgsler, millioner af GPU’er og tusindvis af datacentre tilsammen bliver en ny del af den globale infrastruktur.

Og det spørgsmål handler i sidste ende ikke kun om AI.

Det handler om, hvordan vi bygger og driver den digitale infrastruktur, som hele det moderne samfund efterhånden er blevet afhængigt af.

Vandforbruget findes flere steder

Når man taler om datacentres vandforbrug, er det derfor nødvendigt at skelne mellem forskellige former for vandforbrug.

1. Vand til køling

Det er den mest oplagte del.

Datacenterets servere udvikler varme, og denne varme skal transporteres væk.

I nogle kølesystemer bruges vand direkte, og noget af vandet fordamper.

2. Vand til produktion af elektricitet

Et datacenter bruger elektricitet, og produktionen af elektriciteten kan også kræve vand.

Det gælder især kraftværker, hvor vand bruges til køling.

Hvor stort dette vandforbrug er, afhænger derfor af energikilden.

En kilowatt-time produceret med vindkraft har eksempelvis en helt anden vandprofil end en kilowatt-time produceret på et traditionelt termisk kraftværk.

3. Produktion af chips

Der findes også et endnu tidligere led i kæden.

De avancerede chips, der bruges i AI-datacentre, fremstilles i ekstremt avancerede halvlederfabrikker.

Produktionen kræver store mængder ultrarent vand.

Det betyder, at AI’s vandfodaftryk ikke nødvendigvis befinder sig samme sted som selve datacentret.

Det kan være fordelt over flere lande og kontinenter.

Det er også et spørgsmål om geografi

Det måske vigtigste ved vandproblemet er derfor ikke nødvendigvis den samlede globale vandmængde.

Det er hvor vandet bruges.

Hvis et datacenter ligger et sted med rigelige vandressourcer, er situationen en anden end hvis det ligger i et område, der allerede kæmper med tørke.

Det er blandt andet blevet et voksende problem i dele af USA.

I Arizona, Texas og andre tørre områder er etableringen af store datacentre blevet mødt med spørgsmål om, hvorvidt lokale vandressourcer kan bære den ekstra belastning.

Her bliver den globale statistik mindre interessant.

For en lokal vandforsyning er det ikke afgørende, om datacentrenes samlede globale vandforbrug svarer til behovet hos 500 millioner eller 1,3 milliarder mennesker.

Det afgørende er, om det konkrete datacenter bruger vand fra den samme begrænsede ressource, som den lokale befolkning og landbruget er afhængige af.

Det er et langt mere konkret problem.

Datacentre er ikke nødvendigvis lige tørstige

Der sker samtidig en teknologisk udvikling, som gør billedet mere kompliceret.

Køling af datacentre er blevet langt mere effektiv.

Microsoft oplyser eksempelvis, at virksomhedens gennemsnitlige Water Usage Effectiveness (WUE) er faldet fra omkring 2,3 liter vand pr. kWh i de tidlige datacentre til omkring 0,27 liter pr. kWh i 2025.

Microsoft arbejder samtidig med datacenterdesign, hvor vandforbruget til køling kan reduceres meget kraftigt.

Andre store datacenteroperatører arbejder med lignende løsninger.

Det betyder ikke, at problemet forsvinder.

Hvis antallet af datacentre vokser meget hurtigt, kan effektiviseringer blive ædt op af den samlede vækst.

Men det viser, hvorfor det er misvisende at betragte “AI” som én bestemt teknologi med ét bestemt vandforbrug.

Der er stor forskel på et gammelt datacenter med traditionel køling og et nyt AI-datacenter, der er designet med lukkede kølekredsløb og andre vandbesparende teknologier.

Mere effektiv AI kan også betyde mere AI

Her findes endnu en interessant mekanisme.

Normalt forventer man, at mere effektive computere vil bruge mindre energi.

Det kan de også gøre.

Men hvis det samtidig bliver billigere og lettere at anvende AI, kan resultatet blive, at vi bruger meget mere AI.

Det kaldes ofte rebound-effekten.

Hvis en AI-model eksempelvis bliver dobbelt så energieffektiv, men samtidig bliver brugt fem gange så meget, er det samlede ressourceforbrug stadig steget.

Det er en af de udfordringer, som UNU-INWEH peger på.

Teknologiske effektiviseringer er derfor vigtige – men de kan ikke stå alene.

Hvor meget bruger én AI-forespørgsel?

Det er her, mange af de mere spektakulære historier om AI’s vandforbrug bliver problematiske.

Der findes efterhånden mange beregninger af, hvor meget vand en enkelt AI-forespørgsel “bruger”.

Problemet er, at resultatet afhænger af en lang række faktorer.

Hvilken model anvendes?

Hvor ligger datacentret?

Hvilken type hardware bruges?

Hvordan køles datacentret?

Hvordan produceres elektriciteten?

Hvor langt er svaret?

Og regner man kun på det direkte vandforbrug i datacentret – eller også på vandforbruget forbundet med elektricitet og hardwareproduktion?

Derfor bør man være forsigtig med at konkludere, at en bestemt AI-forespørgsel altid “bruger” eksempelvis en bestemt mængde vand.

Det gør den ikke.

En måling fra Google af Gemini viste eksempelvis et medianforbrug på omkring 0,26 milliliter vand pr. tekstprompt under de forhold, som Google målte.

Det svarer omtrent til fem dråber vand.

Det er meget lidt for én forespørgsel.

Men det ændrer ikke på, at milliarder af forespørgsler plus træning, datalagring og andre AI-processer tilsammen kan skabe et betydeligt ressourceforbrug.

Begge dele kan altså være rigtige samtidig.

Det er ikke AI alene

Der er også en anden vigtig nuance.

Det er ikke sådan, at alle datacentre udelukkende eksisterer på grund af kunstig intelligens.

Datacentre har i mange år været rygraden i internettet.

De driver cloud-tjenester, streaming, sociale medier, søgemaskiner, webshops, virksomheders IT-systemer, sikkerhedskopier og meget andet.

AI er imidlertid med til at ændre økonomien og størrelsen på datacentrene.

AI-beregninger kræver meget beregningskraft, og især udviklingen af store generative modeller har medført en voldsom efterspørgsel efter GPU’er og specialiserede AI-processorer.

Det er derfor mere præcist at tale om AI-drevet vækst i datacentersektoren end om et helt nyt industrielt fænomen, der pludselig er opstået med ChatGPT.

Skal vi så bruge mindre AI?

Det er ikke nødvendigvis det vigtigste spørgsmål.

Et mere interessant spørgsmål er:

Hvordan bygger vi AI-infrastruktur, så den bruger færrest mulige ressourcer dér, hvor ressourcerne er knappe?

Det kan handle om placeringen af datacentre.

Det kan handle om køleteknologien.

Det kan handle om hvilken type elektricitet der anvendes.

Det kan handle om mere energieffektive processorer og modeller.

Og det kan handle om gennemsigtighed.

I dag er det stadig vanskeligt at få et præcist billede af, hvor meget vand en bestemt AI-tjeneste faktisk bruger.

Derfor er det også svært for både myndigheder, virksomheder og offentligheden at sammenligne forskellige løsninger.

Et datacenter er også en del af den lokale infrastruktur

Det er måske den vigtigste pointe i hele diskussionen.

Et datacenter bør ikke kun betragtes som en privat bygning fyldt med computere.

Det er en del af den lokale infrastruktur.

Det kræver elektricitet.

Det kan kræve vand.

Det kræver fiberforbindelser.

Det optager areal.

Det producerer varme.

Og det kan kræve udbygning af både elnet og vandforsyning.

Når et samfund beslutter at tiltrække store datacentre, bør de samme spørgsmål derfor stilles, som når man planlægger andre store industrielle anlæg:

Hvor skal de ligge?

Hvilke ressourcer kræver de?

Hvem betaler for infrastrukturen?

Hvem får fordelene?

Og hvem bærer omkostningerne, hvis ressourcerne bliver knappe?

Det er ikke et argument imod AI.

Det er almindelig infrastrukturel planlægning.

AI er ikke den første industri, der bruger naturressourcer

Det er værd at huske, at kunstig intelligens ikke har opfundet det problem, at teknologi og industri kræver naturressourcer.

Det gælder stort set enhver større industriel aktivitet. Produktion af tøj kræver vand og energi. Fødevarer kræver enorme mængder vand, jord og energi. Bygninger, biler, elektronik og energianlæg kræver råstoffer og areal. Selv den digitale infrastruktur, som eksisterede længe før den generative AI, har altid haft et fysisk fundament.

Derfor giver det ikke meget mening at spørge, om AI bruger naturressourcer. Det gør den – præcis som alle andre teknologier, vi har valgt at gøre til en del af vores samfund.

Det interessante spørgsmål er i stedet, hvor hurtigt ressourceforbruget vokser, hvor det foregår, og om infrastrukturen kan følge med.

AI er interessant i den sammenhæng, fordi udviklingen går meget hurtigt. Datacentre bygges i et tempo, som få andre teknologiske infrastrukturer har oplevet, samtidig med at efterspørgslen efter beregningskraft fortsætter med at vokse.

Det betyder, at noget, der i dag måske er en relativt lille del af det samlede globale ressourceforbrug, kan blive væsentligt større på få år.

Det er ikke et argument mod kunstig intelligens.

Det er et argument for at tage teknologien alvorligt som industriel infrastruktur.

Når et nyt datacenter planlægges, bør spørgsmålet derfor ikke kun være, hvor mange computere det kan rumme, eller hvor meget økonomisk aktivitet det kan skabe. Man bør også spørge, hvor elektriciteten skal komme fra, hvordan varmen skal håndteres, hvor vandet kommer fra, og hvilke konsekvenser anlægget får for det lokale område.

Det er i grunden ikke anderledes end den måde, vi bør planlægge enhver anden stor industriel infrastruktur på.

AI er ikke den første industri, der bruger naturressourcer.

Men det er en industri, hvis vækst vi skal forstå og planlægge ordentligt.

AI kan også bruges til at spare ressourcer

Der findes samtidig en interessant modsætning i diskussionen.

AI bruger selv betydelige mængder energi og vand, men teknologien kan også bruges til at reducere ressourceforbruget andre steder.

AI kan eksempelvis anvendes til at opdage vandlækager, optimere energisystemer, forbedre vejrprognoser, styre industrielle processer og optimere kølesystemer.

Hvis AI gør et energisystem eller et vandforsyningssystem mere effektivt, kan den indirekte spare flere ressourcer, end den selv bruger.

Men det er ikke noget, man automatisk kan trække fra AI’s eget ressourceforbrug.

Det kræver konkrete målinger.

Ellers risikerer man blot at bruge potentielle fremtidige gevinster som argument for et aktuelt forbrug.

Det virkelige spørgsmål er muligvis ikke, om AI bruger vand

Det gør AI.

AI er en fysisk industri – og vi er først lige begyndt at måle dens ressourceforbrug ordentligt.

Det spørgsmål er derimod, hvor meget vand AI bruger, hvor vandet kommer fra, og om det kan forsvares dér, hvor datacentrene bliver placeret.

Det er en væsentlig forskel.

Den globale sammenligning med vandbehovet hos hundredvis af millioner eller mere end en milliard mennesker er effektiv til at illustrere størrelsesordenen.

Men den kan også skjule det vigtigste.

Vand er ikke en global råvare på samme måde som eksempelvis olie.

En liter vand i et område med rigelige vandressourcer er ikke det samme som en liter vand fra en tørkeramt grundvandsmagasin.

Derfor bør fremtidens AI-debat ikke kun handle om, hvor meget vand teknologien samlet bruger.

Den bør også handle om vandets geografiske placering, køleteknologi, energieffektivitet, datacenterdesign og gennemsigtighed.

Det er dér, de reelle teknologiske og politiske valg ligger.

AI behøver ikke være en miljømæssig katastrofe.

Men den kan heller ikke længere betragtes som en immateriel teknologi, der kun eksisterer på skærmen.

Bag den kunstige intelligens står en meget fysisk industri.

Og den industri skal – ligesom alle andre industrier – lære at leve inden for de ressourcer, den er afhængig af.

Det nye får ofte det skarpeste kritiske blik

Der er en særlig tendens i vores måde at diskutere ny teknologi på: Det, der netop er blevet synligt, får ofte det mest intense kritiske blik.

Det er på mange måder naturligt. Kunstig intelligens er ny, udviklingen går hurtigt, og konsekvenserne er endnu ikke fuldt forstået. Derfor er det både rimeligt og nødvendigt at undersøge, hvad teknologien kræver af energi, vand, råstoffer og infrastruktur.

Men det kan også få os til at glemme, at de fleste af problemerne ikke er nye.

Industrisamfundet har altid flyttet enorme mængder vand, energi og råstoffer. Nogle steder har det haft store lokale konsekvenser, andre steder langt mindre. Vi har blot sjældent tænkt på dem som et samlet teknologisk problem.

Når et nyt datacenter i dag bliver bygget, kan det derfor være fristende at betragte dets vandforbrug som noget særligt for AI. Det er det ikke nødvendigvis.

Det særlige er snarere, at AI er den teknologi, vi lige nu er begyndt at se på med dette kritiske blik.

Det er faktisk en god ting.

Men den kritiske opmærksomhed bliver mere værdifuld, hvis den ikke stopper ved det nyeste. For hvis vi virkelig vil forstå teknologiens påvirkning af samfund og miljø, må vi også kunne se den som en del af en meget længere historie om industrialisering, infrastruktur og vores voksende forbrug af naturens ressourcer.

AI fortjener et kritisk blik.

Det gør resten af vores teknologiske civilisation også.