AI-verktøy er blitt en naturlig del av hverdagen for de aller fleste utviklere. Claude, GitHub Copilot, ChatGPT er lett tilgjengelige, er raske og gjør jobben enklere. Men bak hver prompt ligger det energiforbruk. Mye av det er unødvendig.

Men før vi går videre: dette er ikke ment for å gi AI-skam eller å få oss tilbake til utviklerrollen ala 2022 før AI tok oss med storm. Målet med denne artikkelen er å gjøre deg oppmerksom på energibruken til våre daglige verktøy.

Simen skrev nylig en artikkel om hvorfor det lønner seg å ikke sløse bort tokens unødvendig (les den her!). Det argumentet handler om pris og effektivitet, og det er et godt argument. Dette er enda et argument for det samme valget: hva bruken faktisk koster i energi, og hva det betyr for klimaregnskapet.

Stadig flere bedrifter legger nå føringer eller begrensninger på tokenbruk per ansatt, drevet av pris og budsjetter. Energibruken fortjener også å få oppmerksomhet.

Energibruk for agentisk koding

Først og fremst varierer selvsagt energibruk med token-bruk, men et omtrentlig estimat er følgende:

• Google søk: ~0.3Wh
• Chatbot spørring: ~3Wh
• En typisk agentisk koding sesjon: ~20-40Wh

Grunnen til at en sesjon med agentisk koding bruker så mye mer enn chatbot-spørring er fordi den gjør så mye mer. Den ser gjennom store kodebaser, tenker, kjører tester, søker i filer og gjør mange separate modellkall i løpet av én oppgave. Simen skriver godt om mekanismene bak dette i sin artikkel om tokens, og jeg skal ikke gjenta alt det. Poenget her er at hvert av disse kallene har en energikostnad, og de summerer seg raskt.

Simon P. Couch gjorde tidligere i år en beregning på token og energi per dag med Opus 4.5 (les her). Han kom frem til at han brukte ~18,8 millioner tokens om dagen og estimerte dette til 1,3kWh. La oss dermed bruke dette videre som et estimat på energibruk på en typisk utviklerdag.

La oss sette tallene i perspektiv

1,3kWh er tilsvarende å kjøre en oppvaskmaskinsyklus eller å ha på kjøleskapet i et døgn. En gjennomsnitlig, norsk husholdning på to personer bruker 17kWh i døgnet.

For en enkelt dag kan energiforbruket virke beskjedent. Men når samme forbruk gjentas arbeidsdag etter arbeidsdag gjennom et helt år, kan effekten bli mer merkbar. Et arbeidsår på 226 arbeidsdager summerer til 300 kWh.

Hvordan kan dette brukes i miljøbudsjettet?

Det er vanlig å bruke CO2-ekvivalenter i klimagassregnskap, og ta hensyn til hvor energien kommer fra. Brukes grønne energikilder er det lave CO2-ekvivalenter per kWh, mens energikilder som kull og gass gir stort CO2 utslipp.

Datasentre drevet i EU med en miks av energikilder gir 200 g CO2-ekvivalenter per kWh. Da er vi oppe i 60 kg CO2 ekstra årlig ved bruk av AI. Tilsvarende er en flytur Oslo-Trondheim 60 kg CO2. Datasentre drevet i USA har derimot en større andel kull- og gasskraft med i verste fall opptill 1000 g CO2 per kWh. Da er vi oppe i 300 kg C02, tilsvarende 5 flyturer Oslo-Trondheim. Kjøres flere sesjoner parallelt eller med en modell som bruker dobbelt så mange tokens, så er det bare å gange opp!

Disclaimer om mål av energibruk

AI-selskaper publiserer sjelden presise tall på energiforbruk. De fleste estimatene som finnes er utledet fra kjent informasjon om hardware, token-telling og antakelser om datasentrenes infrastruktur. De mest kjente modellene som ChatGPT, Gemini og Claud er alle "lukket" der detaljer er holdt skjult for å holde på forretningshemmeligheter.

Google har selv rapportert at et "medium text query" i Gemini bruker 0,25 Wh, der de brukte medianen av alle tekstsøk i mai 2025. Men de har ikke oppgitt statistikk som antall tokens et slikt mediansøk inneholder. Det gjør tallet vanskelig å bruke til noe.

Det er ikke unikt for Gemini. Bransjen mangler standardiserte målemetoder. Det finnes ingen felles mal for hva som skal rapporteres, hvordan det skal måles, eller hva som skal regnes inn. Det gjør det vanskelig å sammenligne på tvers av selskaper og modeller, og det gjør det lett å presentere tall som ser bra ut uten å si så mye.

Det er verdt å nevne at modellene faktisk blir mer effektive over tid. Google rapporterer at energiforbruket per Gemini-prompt er 33 ganger lavere enn i fjor, mens karbonfotavtrykket er 44 ganger lavere. Det er betydelig. Men uten felles målestokk er det fortsatt vanskelig å vite hva tallene egentlig betyr på tvers av aktørene.

Men hva med energimengden i opptrening av modellene?

Det er lett å tenke at det er selve treningen av modellene som er den store energisynderen. Og treningen er absolutt ikke liten.

GPT-3 brukte anslagsvis 1 til 1,3 GWh bare på å trene. En GWh er en million kilowattimer, tilsvarende årsforbruket til rundt 100 europeiske husstander. Frontier-modellene som trenes i dag er vesentlig større, og estimatene for noen av dem ligger på 50 til 100+ GWh. Det er i praksis det samme som årsstrømmen til titusenvis av husstander, brukt på å lage én modell.

Men trening skjer én gang. Eller i hvert fall noen få ganger per modell.

Det som skjer kontinuerlig, 24 timer i døgnet, sju dager i uken, er inferens: alle gangene modellen faktisk brukes. Og for en populær modell summerer det seg raskt. Forskere mener i dag at livstidsinferens for en suksessfull chat-modell sannsynligvis vil overstige energien som gikk med til treningen. Enda tydeligere blir det dermed for agenter der bidraget per bruker og per sesjon er vesentlig høyere.

Så hva kan vi gjøre?

Det er fristende å konkludere med at dette er et problem som må løses av AI-selskapene, ikke av oss som bruker verktøyene. Og det er delvis sant. Men det er også noe vi kan gjøre, og det er å se på token-bruken.

Det er mange måter å redusere token-bruken på, men her skal jeg trekke frem valg av modell. De fleste har til nå hoppet på de største modellene som standard. Til nå har holdningen vært "jo større, jo bedre". Men det er ikke alltid riktig. I noen tilfeller kan en mindre modell være mer enn bra nok.

La oss gå tilbake til energibruken vi fant over: ~1,3kWh for å kjøre agenter (Opus 4.5) over en arbeidsdag. Hvis vi gjør en antakelse om at tokebruk og pris skalerer, så kan vi sammenligne energibruk på tvers av modeller.

Hvis vi deretter sammenligner årlig klimagassutslipp, både i CO2-ekvivalenter og antall flyturer Oslo-Trondheim:

For min egen del har jeg endt opp med å bruke Sonnet som default modell - den er god nok på det aller meste, og 0,6 ekstra årlig flytur sammenlignet mot 6 med Opus 4.7 (Fastmode). Og bytter gjerne til Haiku hvis det er noe jeg vet er lett eller rett frem. Når jeg faktisk trenger en tyngre modell, bytter jeg til Opus. Denne strategien gir meg både høy produktivet, god kode, samtidig som både pris og miljøavtrykk holdes nede.

Så hvilken modell bør du bruke? Det er umulig å gi en fasit, fordi oppgavene er forskjellige og modellene endrer seg raskt. Men som et utgangspunkt: modeller som Sonnet og Haiku er både energieffektive og gode nok for de fleste vanlige oppgaver. De store frontier-modellene er der når du faktisk trenger dem, og trenger ikke å være en standard for alt.

Og avslutningsvis så må det selvfølgelig nevnes at nye modeller med ulik token- og energibruk dukker kontinuerlig opp, så de eksakte tallene vil endre seg deretter. Men prinsippet består: det vil alltid finnes modeller som bruker vesentlig mer eller mindre enn andre, og det er fortsatt verdt å velge bevisst.

Kilder

• S. P. Couch, Electricity use of AI coding agents (2026): https://simonpcouch.com/blog/2026-01-20-cc-impact/
• T. Barros, F. Giroire et.al, Small is Sufficient, Reducing the world AI Energy Consumption Through Model Selection (2025): https://arxiv.org/abs/2510.01889
• L. Solovyeva, F. Castor, Towards Green AI: Decoding the Energy of LLM Interference in Software Development (2026): https://arxiv.org/abs/2602.05712
• J. O'Donnel , C. Crownhart, We did the math on AI's energy footprint. Here's the story you haven't heard (2025): https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/
• A. Vahdat, J. Dean, Measuring the environmental impact of AI interference (2025): https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
• J. Riddel The hidden cost of Information: Google Search vs ChatGPT (2025): https://jasonariddell.medium.com/the-hidden-cost-of-information-google-search-vs-chatgpt-31184cdf1582
• Odyssee-Mure EU: https://www.odyssee-mure.eu/publications/efficiency-by-sector/services/offices-specific-energy-and-electricity-consumption.html
• EnergiFakta Norge: https://energifaktanorge.no/norsk-energibruk/energibruken-i-ulike-sektorer/
• Europeen Environment Agency, Greenhouse gas emission ntensity of electricity genereation in Europe: https://www.eea.europa.eu/en/analysis/indicators/greenhouse-gas-emission-intensity-of-1
• NVE Lavt klimagassutslipp knyttet til norsk strømforbruk i 2023: https://www.nve.no/nytt-fra-nve/nyheter-energi/lavt-klimagassutslipp-knyttet-til-norsk-stroemforbruk-i-2023/