Nettoelektricitetsbesparingar från artificiell intelligens beror på effektivitet i implementeringen i Kinas elsystem

Varför smartare el är viktigt

Artificiell intelligens (AI) framställs ofta som en osynlig hjärna i molnet, men bakom varje smart chatbot eller bildgenerator finns en mycket verklig ström av elektricitet. Denna studie ställer en fråga med stora konsekvenser för klimat- och energiplanering: kan de elkraftsbesparingar som AI möjliggör i elsystemet väga upp den extra energi som förbrukas i stora datacenter? Med fokus på Kinas snabbt föränderliga nätverk följer författarna hur AI kan gå från att vara en växande elektrisk börda till en netto­sparare — om den implementeras effektivt och i tillräcklig skala.

Två sidor av artificiell intelligens

Artikeln inleder med att beskriva en spänning. Å ena sidan finns AI-datacenter, vars specialiserade servrar kan använda sex till åtta gånger mer elektricitet än traditionella maskiner. När modeller växer och används allt oftare blir dessa anläggningar en ny större efterfrågekälla för nätet. Å andra sidan bäddas AI-algoritmer in över hela elsystemet — de hjälper till att prognostisera vind- och solproduktion, finjustera kolkraftverk, styra uppvärmning och kylning i byggnader, balansera industribelastningar och förlänga batteriers livslängd. Dessa tillämpningar kan minska slöseri och jämna ut efterfrågstoppar. Kärnfrågan är om de samlade besparingarna från AI i nätet kan uppväga eller till och med överstiga den el som AI‑beräkningar själva förbrukar.

Mäta nettoeffekten över tid

För att tackla detta bygger forskarna en dynamisk bedömningsmodell som sträcker sig från 2025 till 2060. De uppskattar AIs egen elförbrukning från "botten upp", med utgångspunkt i prognostiserade leveranser av AI-servrar, hur länge de är i bruk, hur mycket effekt de drar under träning och daglig användning samt hur energieffektiva datacenter blir över tid. Parallellt går de igenom ett decennium av studier om AI‑drivna åtgärder för energibesparing. Genom meta‑analys syntetiserar de hur mycket elektricitet som kan sparas i sju nyckelpraktiker, exempelvis förbättrad effektivitet i kolkraftverk, minskade överföringsförluster, ökad byggnads- och industrieffektivitet samt optimerad batterilagring. Dessa besparingar skalas sedan upp för Kina under tre olika antaganden om hur djupt sådana AI‑verktyg sprids i systemet.

Olika framtider för AI och nätet

Modellen kombinerar tre berättelser om AIs elförbrukning med tre om dess sparpotential, vilket ger nio möjliga framtider. På förbrukningssidan antar en "teknologidriven" bana snabb tillväxt i AI‑beräkningar men kraftiga förbättringar i serverchip och kylsystem; en "policybegränsad" bana förutsätter strikta regler som begränsar expansion och kräver god effektivitet; en "inert" bana antar långsammare förbättringar och lösare kontroll. På sparsidannivån föreställer sig en "effektiv" bana snabb, bred adoption av toppresterande AI‑verktyg i kraftverk, kraftledningar, byggnader, fabriker och lagring; en "typisk" bana speglar måttligt upptag; och en "ineffektiv" bana antar långsammare eller ojämn implementering. Tillsammans visar dessa scenarier hur både smartare hårdvara och djupare AI‑användning i driften formar balansen mellan ökad efterfrågan och undviket slöseri.

Var de största besparingarna döljer sig

Bland de många sätt AI kan hjälpa på finner studien en tydlig "vital få": ungefär en femtedel av åtgärderna står för mer än fyra‑femtedelar av den totala sparpotentialen. Förbättringar i byggnaders belastningar, minskade linförluster i nätet och skarpare prognoser för förnybar energi sticker ut som de mest betydande. Nationellt, under de mest optimistiska sparantagandena, skulle AI kunna minska ungefär 15 % av Kinas projicerade elanvändning till 2060; under typiska eller ineffektiva antaganden krymper det till ensiffriga procenttal. Regional analys för fem provinser visar att områden rika på elproduktion — som Inre Mongoliet med kol och förnybart — tjänar mest på AI på utbudssidan, medan industrilogistiska och tjänsteintensiva centra som Guangdong och Jiangsu får större vinster genom att hantera efterfrågan i byggnader och fabriker.

När AI blir en nettosparare

Det centrala måttet i studien är "nettoelektricitetsbesparing": förhållandet mellan elektricitet som sparas av AI och elektriciteten som AI förbrukar. Ett värde över 100 % innebär att AI i stort minskar belastningen på nätet. Av de nio framtiderna ger endast kombinationen av hög utbredning av sparande tillämpningar och stark teknologisk utveckling i datacenter — fallet Effektivt–Teknologidrivet — detta resultat tidigt, och når cirka 130 % till 2040. I detta spår möjliggör snabb utrullning av AI över nätet och i byggnader, kombinerat med mycket effektiva chip och mycket låg kylöverhead, att besparingarna överstiger AIs egen efterfrågan. Ändå planar vinsten ut och sjunker något efter 2050 när teknologier mognar och de enkla vinsterna är uttömda. I mindre ambitiösa framtider fördröjs netto­besparingen eller uppnås aldrig inom studiens tidsram.

Vad detta betyder för vardagen

För icke‑specialister är slutsatsen att AI inte automatiskt är bra eller dåligt för klimatet. Får den växa i slösaktiga datacenter med begränsad användning i faktiska nätoperationer bidrar den främst till ökad elförbrukning. Men om den kombineras med aggressiva effektivitetsstandarder, bättre hårdvara och bred implementering i kraftverk, kraftledningar, byggnader, fabriker och lagring kan AI mer än betala tillbaka sin egen energikostnad i sparade kilowattimmar. Studien antyder att Kina — och därmed andra länder — behöver smart politik för att styra AI i denna riktning: strikta gränser för ineffektiva datacenter, incitament för avancerad kylning och chip samt starkt stöd för AI‑verktyg som minskar slöseri i hela elsystemet. Görs det rätt kan samma teknik som hotar att överbelasta nätet bli en av drivkrafterna som gör det renare och mer pålitligt.

Citering: Zhou, K., Yang, Z. & Hu, R. Net electricity savings from artificial intelligence depend on deployment efficiency in China’s power system. Commun. Sustain. 1, 72 (2026). https://doi.org/10.1038/s44458-026-00080-4

Nyckelord: artificiell intelligens och energi, datacentereffektivitet, optimering av elnätet, prognoser för elefterfrågan, integration av förnybar energi