Stigende forurening, vandmangel og tab af ​​landarealer – FN-forskere: AI truer naturressourcer for milliarder verden over

I 2030 vil vandforbruget til AI matche behovet for 1.3 milliarder mennesker, mens strømforbruget tredobles til at modsvare 650 millioner menneskers behov, advarer en undersøgelse fra FN-universitetet UNU

Kunstig intelligens skaber en stigning i konsekvenserne for land, vand og klima, der følger af teknologiens intense og hurtigt voksende energiforbrug; forskere fra FN-universitetet opfordrer til hurtig handling fra flere interessenter i en ny UNU-INWEH-rapport, der blev offentliggjort 3. juni 2026.

I 2030 forventes de globale datacentre, der leverer kunstig intelligens, at forbruge 945 terawatt-timer elektricitet. Dette er næsten tre gange det samlede årlige elforbrug i Pakistan, Bangladesh og Nigeria – lande, der tilsammen huser mere end 650 millioner mennesker. Datacentrenes tilhørende ”vandfodaftryk” vil svare til det grundlæggende årlige behov for husholdningsvand for alle 1.3 milliarder mennesker i Afrika syd for Sahara, og deres ”landfodaftryk” vil overstige 14.500 kvadratkilometer, omtrent dobbelt så meget som Jakartas storbyområde, der huser mere end 32 millioner mennesker.

Disse barske resultater er beskrevet i den nye rapport, Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints, fra FN’s University Institute for Water, Environment and Health (UNU-INWEH).

Forskere har tidligere advaret mod drivhusgasudslippene fra datacentre. Men FN-forskerne argumenterer nu for, at miljøomkostningerne ved AI og datacentre ikke kan forstås udelukkende ud fra CO₂-udledning. I deres rapport kvantificerer de CO₂-, vand- og landfodaftrykkene fra AI’s elforbrug på tværs af kloden og fremhæver de store forskelle mellem disse fodaftryk i verdens 20 største datacenternetværk.

“Denne rapport er ikke en sag imod kunstig intelligens, der er en teknologisk transformation, der forbedrer livet for milliarder af mennesker verden over,” sagde professor Kaveh Madani, direktør for UNU-INWEH, der ledede undersøgelsesholdet og fortsatte:

“Det er en opfordring til at bruge den ansvarligt og proaktivt håndtere dens utilsigtede virkninger for at gøre den bæredygtig og retfærdig. Vi har et snævert vindue til at sikre, at rygraden i vores tids teknologiske revolution udvikler sig inden for planetens grænser, og at de samfund, der leverer de kritiske mineraler til at fremme kunstig intelligens, og dem, der er vært for dens infrastruktur og e-affald, også er blandt dem, der drager fordel af den.”

Et fodaftryk, der måles forkert

Rapporten konkluderer, at AI’s miljøomkostninger systematisk måles forkert.

De fleste eksisterende vurderinger fokuserer på de CO₂-udledninger, der er forbundet med træning af store modeller. Alligevel bærer hver kilowatt-time elektricitet, der bruges til at træne eller køre et AI-system, også et vandfodaftryk fra køling og elproduktion og et landfodaftryk fra energiinfrastruktur og forsyningskæder. Disse tre fodaftryk bevæger sig ikke i samme retning. Et skift fra kul til bioenergi kan for eksempel i gennemsnit reducere elektricitetens CO₂-aftryk med 70 procent, samtidig med at vandaftrykket øges med mere end tredive gange og landaftrykket med hundrede gange.

Rapporten konkluderer, at “lavkulstof” ikke automatisk er “lavvand” eller “lavland”, og advarer om, at evaluering af AI-bæredygtighed gennem en enkelt måleenhed kan skjule afvejninger og flytte miljøbyrder over på regioner, der allerede står over for vand- eller landbelastning.

Tallene stiger hurtigt på infrastrukturniveau. Globale datacentre forbrugte anslået 448 terawatt-timer elektricitet i 2025. Hvis de blev behandlet som en nation, ville de have været verdens 11. største elforbruger, efter Frankrig og foran Saudi-Arabien.

“Det, der overraskede os mest, er, hvor ofte de valg, der ser grønnest ud fra et CO2-perspektiv, ender værre for vand eller land,” sagde Dr. Miriam Aczel, UNU-INWEH-forsker og hovedforfatter af rapporten. “Hvis vi bliver ved med at bedømme AI’s bæredygtighed udelukkende ud fra kulstof, tror vi måske, at vedvarende energi gør AI-infrastruktur ren, men at det løser ét problem, samtidig med at det skaber andre problemer, ofte på steder, der ikke bad om det.”

Interferens, effektivitet og rebound-effekten

Den offentlige diskussion har i høj grad fokuseret på den energi, der kræves for at træne massive modeller. Træning af GPT-3 blev anslået til at kræve 1,3 gigawatt-timer (GWh) elektricitet, mens estimater antyder, at GPT-4 forbrugte mellem 50 og 70 GWh.

Rapporten afslører dog, at denne opfattelse er forældet. Når en model er implementeret, bliver inferens – den kontinuerlige kørsel af modeller for at besvare daglige brugerprompts – den dominerende omkostning og tegner sig for 80 til 90 procent af det samlede AI-energiforbrug.

ChatGPT alene anslås at behandle omkring 2,5 milliarder prompts om dagen, hvilket svarer til cirka 383 GWh elektricitet om året for et enkelt produkt. Udligning af tilhørende kulstofemissioner ville kræve 2,6 millioner træer Frøplanter dyrket i 10 år, nok træer til at dække et landområde på størrelse med Manhattan. Vandaftrykket svarer til det mindste årlige husholdningsvandbehov for cirka 500.000 mennesker i Afrika syd for Sahara, og landaftrykket svarer til over 800 fodboldbaner.

Videogenerering som en fremvoksende miljøkrise

Energiforbruget pr. forespørgsel varierer med størrelsesordener afhængigt af opgaven. En typisk chatforespørgsel er omkring 200 gange mere energikrævende end grundlæggende tekstklassificering. Generering af et enkelt AI-billede kan kræve omkring 1.450 gange det grundlæggende. En enkelt kort AI-genereret video kan forbruge lige så meget elektricitet som 200.000 spamklassificeringer. Modelvalg, promptlængde, outputformat og opløsning former alle væsentligt aftrykket. Alligevel træffes de fleste af disse beslutninger usynligt, som produktstandarder, som brugeren aldrig ser.

Rapporten påberåber sig rebound-effekten (Jevons-paradokset) og advarer om, at efterhånden som modeller bliver mere effektive, bliver de billigere og bruges oftere. Uden eksplicitte begrænsninger på tokens, opløsning eller standard outputlængde kan forbedringer på niveauet pr. forespørgsel let udslettes af ren volumenvækst.

“Mange mennesker tror, ​​at AI’s miljømæssige fodaftryk reduceres, efterhånden som teknologien forbedres, og processerne bliver mere effektive. Men det er kun et delvist billede af det samlede problem,” sagde professor Madani, medforfatter til rapporten, som for nylig blev udnævnt til Stockholm Water Prize Laureate 2026. “Mere effektiv og overkommelig AI og energi betyder mere forbrug af AI, hvilket gør det samlede fodaftryk langt større end det, vi sparer gennem effektivitetsgevinster.”

Lokale omkostninger, fjerne fordele

Fordelene og byrderne ved den massive globale udvidelse af AI er meget ulige. Flere cases på lokationsniveau i rapporten viser, hvordan globalt distribuerede AI-tjenester skaber et intenst lokalt pres. I Irland tegnede datacentre sig for 21 % af den samlede målte elektricitet i 2023, hvilket oversteg alle byhusstande.

Den nationale netoperatør har sat nye godkendelser omkring Dublin på pause indtil 2028, hvilket gør Irland til et konkret, dokumenteret eksempel på, hvad der sker, når væksten i AI-infrastruktur overstiger energiplanlægningen – og en forsmag på, hvad andre lande er på vej imod.

I Querétaro, Mexico, trækker den udvidede computerinfrastruktur på vandforsyningen midt i langvarig tørke. I Uruguay faldt planerne om et vandintensivt datacenter sammen med en tørke i 2023, der udtømte Montevideos ferskvandsreserver og gjorde postevand usikkert at drikke.

Desuden kan AI-infrastruktur generere op til 2,5 millioner tons elektronisk affald hvert år inden 2030, hvoraf meget forarbejdes i lavindkomstøkonomier med begrænsede sikkerhedsforanstaltninger, mens kritiske mineraler udvindes i jurisdiktioner med svagt miljøtilsyn.

“Hvis man kortlægger, hvor datacentre bliver bygget, i forhold til hvor vandbelastningen er værst, har man en tendens til at se de samme regioner i nogle tilfælde,” sagde Dr. Mir Matin, leder af UNU-INWEH’s Geospatial, Climate and Infrastructure Analytics Program og medforfatter til rapporten. “Og de lokalsamfund, der bor i nærheden af ​​disse steder, er ikke nødvendigvis dem, der bruger den kunstige intelligens, der drives der. Den asymmetri er problemet. Uden at løse det, vil vi bare gentage ældre mønstre, hvor nogle steder bærer omkostningerne, og andre steder drager fordelene.”

Læs hele rapporten på engelsk.

OM UNU-INWEH

United Nations University Institute for Water, Environment and Health (UNU-INWEH) markerer sit 30-års jubilæum i 2026 og er en af ​​13 institutioner, der udgør United Nations University (UNU), den akademiske gren af ​​FN.

UNU-INWEH er kendt som ‘FN’s tænketank om vand’ og adresserer kritiske vand-, miljø- og sundhedsudfordringer rundt om i verden. Gennem forskning, uddannelse, kapacitetsudvikling og videnformidling bidrager instituttet til at løse presserende globale bæredygtigheds- og menneskelige sikkerhedsproblemer, der er af betydning for FN og dets medlemsstater.

UNU-INWEH har hovedkvarter i Richmond Hill, Ontario, og har været vært for og støttet af den canadiske regering siden 1996. Med et globalt mandat og omfattende partnerskaber på tværs af FN-enheder, internationale organisationer og regeringer opererer UNU-INWEH gennem sine UNU-hubs i Calgary, Hamborg, New York, Lund og Pretoria samt et internationalt netværk af tilknyttede organisationer.

Bannerbillede: En labyrint af kabler, der forbinder datacenterudstyr på Googles datacenter i The Dalles, Oregon. Det tætte netværk af kabler understøtter kontinuerlige AI- og højtydende computerarbejdsbelastninger, samtidig med at det øger materialefodaftrykket og den fremtidige e-affaldsbyrde fra store datacenteroperationer. Foto fra Google.