Annonce – sponsoreret indhold.
AI’s CO2-udledning i virksomheden er et spørgsmål, som flere bæredygtighedsansvarlige og ledere stiller sig selv, efterhånden som ChatGPT og lignende værktøjer bliver en fast del af arbejdsdagen. Det korte svar er, at hver eneste forespørgsel til en AI-model kræver energi – fra datacentre, servere og kølesystemer – og at den samlede klimabelastning afhænger af, hvor ofte værktøjerne bruges, hvilke modeller der aktiveres, og hvor strømmen kommer fra. For de fleste virksomheder er AI-forbruget endnu ikke den største post i klimaregnskabet, men det kan vokse hurtigt, hvis brugen skaleres uden bevidsthed om energiforbruget. Problemet er, at mange virksomheder slet ikke ved, at AI-brug har et klimaaftryk – og derfor risikerer at underrapportere deres reelle digitale udledning.
Hvad bruger egentlig energi, når virksomheden anvender AI?
For at forstå AI’s klimapåvirkning er det nødvendigt at kigge på tre centrale energikilder: træning af modeller, løbende forespørgsler og de datacentre, der driver det hele.
Træning af modeller er den mest energikrævende fase. Når en stor sprogmodel som GPT trænes, kræver det tusindvis af specialiserede processorer, der arbejder i uger eller måneder. Denne energi er allerede brugt, før virksomheden overhovedet logger ind. Som bruger betaler man ikke direkte for træningen, men man er med til at skabe efterspørgslen, der driver udviklingen af stadig større modeller.
Forespørgsler i daglig brug er det, virksomheden selv kan påvirke. Hver gang en medarbejder beder ChatGPT om at skrive et udkast, analysere et dokument eller generere idéer, aktiveres servere i et datacenter. En enkelt forespørgsel kræver væsentligt mere energi end en almindelig Google-søgning, fordi AI-modellen skal behandle og generere tekst i realtid. Når mange medarbejdere bruger værktøjet ofte, lægger det sig sammen.
Datacentre er den fysiske infrastruktur bag AI. De kræver ikke kun strøm til serverne, men også til køling, sikkerhedssystemer og netværk. Nogle datacentre drives af vedvarende energi, andre af fossile brændstoffer – og det har stor betydning for det reelle klimaaftryk.
Mange virksomheder vælger at booke et AI foredrag for at give medarbejderne en konkret forståelse af, hvordan teknologien fungerer – herunder dens energiforbrug. Når medarbejdere ved, hvad der sker bag skærmen, træffer de mere bevidste valg i hverdagen.
Hvorfor AI ofte mangler i virksomhedens klimaregnskab

De fleste klimaregnskaber fokuserer på scope 1 og 2 – altså direkte udledninger fra egne aktiviteter og indkøbt energi. AI-forbrug falder typisk under scope 3, som dækker indirekte udledninger i værdikæden. Det gør det svært at måle, og mange regnskabsstandarder har endnu ikke klare retningslinjer for, hvordan cloud-baserede AI-tjenester skal indrapporteres.
Resultatet er, at virksomheder kan bruge AI-værktøjer intensivt uden at det fremgår af deres officielle klimatal. Det er ikke nødvendigvis bevidst greenwashing, men det skaber et ufuldstændigt billede af den digitale strategi’s klimakonsekvenser.
For bæredygtighedsansvarlige betyder det, at de bør:
- Kortlægge hvilke AI-værktøjer virksomheden anvender og i hvilket omfang
- Undersøge leverandørernes egne oplysninger om energiforbrug og datacentrenes energikilder
- Overveje at inkludere et estimat for AI-forbrug som en note i klimaregnskabet, selv når præcise tal ikke er tilgængelige
Sådan kan virksomheden mindske unødvendigt AI-forbrug
At reducere AI’s klimaaftryk handler ikke om at droppe teknologien, men om at bruge den mere bevidst. Her er konkrete tilgange, som gør en forskel:
Vælg den rette model til opgaven. Ikke alle opgaver kræver den mest avancerede AI-model. Enklere modeller bruger mindre energi og er ofte tilstrækkelige til rutineopgaver som opsummering eller simpel tekstgenerering. Mange AI-tjenester tilbyder forskellige modelniveauer – og det billigste er ofte også det mest energieffektive.
Undgå redundante forespørgsler. Når medarbejdere ikke ved, hvordan de formulerer gode prompts, ender de ofte med at stille det samme spørgsmål flere gange i forskellige varianter. Bedre instruktion i effektiv brug reducerer antallet af unødvendige forespørgsler.
Saml viden internt. Hvis én medarbejder har fået AI til at løse en bestemt opgavetype, kan den viden deles, så andre ikke starter forfra. Fælles prompt-biblioteker eller interne guidelines kan reducere det samlede forbrug markant.
Overvej lokale alternativer. For visse opgaver findes der mindre, lokalt kørende AI-modeller, som ikke kræver cloud-forbindelse. De er ikke altid lige så kapable, men til specifikke formål kan de være både hurtigere og mere energieffektive.
Intern viden som nøgle til ansvarlig AI-brug

Teknologi i sig selv løser ikke klimaudfordringen – det gør menneskelig bevidsthed. Når medarbejdere forstår, at deres AI-brug har et energiforbrug, ændrer det ofte deres adfærd. Ikke fordi de får forbud, men fordi de kan træffe kvalificerede valg.
Det kræver, at virksomheden investerer i vidensdeling. Mange steder sker AI-adoption uformelt: én medarbejder opdager ChatGPT, viser det til en kollega, og pludselig bruger hele afdelingen det uden fælles retningslinjer. Den organiske spredning er naturlig, men den efterlader også et vidensgab om ansvarlig brug.
Interne workshops, retningslinjer for AI-brug og løbende opdateringer om teknologiens udvikling er konkrete måder at lukke det gab på. Det handler ikke om at bremse innovation, men om at give medarbejderne de redskaber, de skal bruge for at anvende AI effektivt og ansvarligt.
Integration i det eksisterende klimaregnskab
For virksomheder, der allerede arbejder systematisk med klimarapportering, er det naturligt at spørge: hvordan får vi AI-forbruget med?
Start med at kortlægge brugen. Hvilke AI-tjenester anvendes? Hvor mange medarbejdere har adgang? Er der tale om sporadisk brug eller daglig integration i arbejdsgange?
Dernæst bør I kontakte leverandørerne. Flere store AI-udbydere offentliggør oplysninger om deres datacentres energikilder og CO2-intensitet. Disse tal er ikke altid præcise nok til et revisionssikkert regnskab, men de giver et udgangspunkt for estimater.
Overvej at oprette en separat kategori for digitalt klimaaftryk i jeres rapportering. Det kan inkludere AI-værktøjer, cloud-tjenester, hosting og andre digitale ressourcer. En samlet kategori gør det lettere at følge udviklingen over tid – især når AI-brugen sandsynligvis vil stige.
Endelig er det værd at sætte interne mål. Det kan være så simpelt som at reducere antallet af AI-forespørgsler pr. medarbejder med en vis andel, eller at prioritere leverandører med dokumenteret brug af vedvarende energi. Konkrete mål skaber opmærksomhed og gør det lettere at måle fremskridt.
For virksomheder, der allerede arbejder med digital bæredygtighed, kan det være relevant at undersøge, om I betaler for IT-kapacitet, der aldrig bruges – et ofte overset område, hvor der også kan findes besparelser.
En nuanceret tilgang til AI og klima
AI er hverken en klimaskurk eller en mirakelløsning. Det er et værktøj, hvis klimaaftryk afhænger af, hvordan det anvendes. For virksomheder, der ønsker at handle ansvarligt, er første skridt at anerkende, at forbruget eksisterer – og at det kan påvirkes.
Ved at kombinere intern vidensdeling, bevidst valg af værktøjer og integration i klimarapporteringen kan virksomheder fortsætte med at høste AI’s produktivitetsgevinster uden at lukke øjnene for klimakonsekvenserne. Det kræver ikke teknisk ekspertise, men opmærksomhed og vilje til at stille de rigtige spørgsmål.