Generativ AI bidrar till ökad energiförbrukning i datacenter, men miljöpåverkan mäts fortfarande ofta med begränsade metoder. Energihanteringsföretaget Eaton pekar på fem kompletterande nyckeltal som kan ge en mer heltäckande bild av verksamhetens påverkan.
Användningen av generativ AI, maskininlärning och annan datakrävande teknik leder till högre energibehov och större klimatavtryck för datacenter. Enligt prognoser kan den globala datamängden växa upp till 50 gånger före 2028, mycket till följd av AI-tjänster som ChatGPT. I Sverige uppskattar forskningsinstitutet RISE att AI kan öka sin elanvändning med 1,5 gånger redan till 2030.
Trots detta används fortfarande främst ett nyckeltal: PUE (Power Usage Effectiveness), som mäter energieffektiviteten i anläggningen. Det säger dock inget om den totala miljöpåverkan.
– PUE är ett viktigt första steg, men säger ingenting om koldioxidutsläpp, vattenförbrukning eller andelen grön el. För att möta framtida EU-krav och få en rättvisande bild krävs fler och smartare mätmetoder, säger Mathias Jensén, försäljningschef för Critical Power Solutions på Eaton.
Fem kompletterande nyckeltal till PUE
Eaton föreslår att datacenter också använder följande mått:
- CUE (Carbon Usage Effectiveness): Mäter koldioxidutsläpp per levererad IT-effektenhet.
- WUE (Water Usage Effectiveness): Fokuserar på vattenförbrukning, särskilt vid användning av vattenkylning.
- ERE (Energy Reuse Effectiveness): Andel energi som återanvänds, till exempel som fjärrvärme.
- GEC (Green Energy Coefficient): Andel el från förnybara källor, relevant för Scope 2-rapportering.
- TUE (Task Usage Effectiveness): Mäter hur stor andel av energin som används till faktisk IT-drift.
