AI:s energimärkning är fortfarande ofärdig

AI:s energimärkning är fortfarande ofärdig

The number on the box

An energy label is a promise about comparison. It tells a buyer that two ordinary-looking objects can be placed beside one another without pretending that they are identical. A refrigerator label does not settle every question about the kitchen, the electricity contract or the family using it. It does something more modest and more useful. It states a method, a category and a result clearly enough that the claim can be checked.

AI has acquired plenty of numbers but very few labels. One system is said to use less energy because it is smaller. Another because it answers faster. Another because its chips have a more flattering specification. A supplier may publish a figure for one request, a training run, a rack, a facility or a year. All may be accurate inside their own boundary. They cannot all be compared just because the unit happens to be joules, watts or tonnes of carbon dioxide equivalent. A number can be precise and still be a poor answer to the question a buyer actually asked.

This is not an argument against measuring. It is the opposite. Europe needs much better measurement because AI is becoming part of ordinary infrastructure. The European Commission already collects energy-performance and water-footprint information from significant data centres under the Energy Efficiency Directive framework. It is preparing a common rating scheme and work towards minimum performance standards. That is a serious start. It does not yet amount to a finished energy label for an AI service, model or use case. The boundary between those things is where most of the difficult work lives.

The useful question is therefore not whether an AI system is green. That adjective has done enough unpaid overtime. The question is: for this defined piece of work, under these operating conditions, what resources were used, what evidence supports the figure, and which material effects remain outside the claim? An honest answer makes a slower, better kind of progress. It makes a procurement conversation possible.

Why a single AI number fails

Electricity is consumed by physical equipment, not by a word such as intelligence. The International Energy Agency describes training and deployment as activities that happen mainly in data centres. Those facilities contain servers, storage, networking equipment, cooling and supporting power infrastructure. The server is important, but it is not the whole facility. The IEA estimates that servers account for around 60 per cent of electricity demand in a modern data centre on average, while storage, networking, cooling and other infrastructure make up the rest in proportions that vary by facility type and design.

That variation is not a nuisance at the edge of the calculation. It is the calculation. Cooling can be a modest part of electricity use in an efficient hyperscale facility and a much larger share in a less efficient enterprise setting. A workload that looks excellent when measured at a chip can look different once networking, memory, storage, idle capacity and cooling are included. A facility metric can look excellent while revealing nothing about whether a particular model was called too often, served an oversized context or spent half its time waiting for a human process to catch up.

There are at least four objects people mean when they ask for AI energy use. They may mean the hardware, the model, the service or the organisational task. Hardware asks about a processor, server or rack under defined load. A model asks about training, fine-tuning or inference for a defined model version. A service asks about the route from a user action through retrieval, moderation, logging, storage and response. A task asks whether the service changed the total work: the repeated prompts, human review, rework, avoided travel, extra data movement and downstream decisions. The objects overlap. They are not interchangeable.

En modell kan förbruka lite energi per genererad token och ändå vara en slösaktig tjänst om den omgivande produkten får användare att begära samma svar fem gånger. En mycket liten modell kan vara effektiv per anrop och ändå vara olämplig för en uppgift som kräver många försök, eskaleringar eller ett andra system för att reparera dess utdata. Ett större system kan förbruka mer per begäran men ändå minska ett separat, energikrävande steg. Inget av detta ger en licens för optimistisk aritmetik. Det innebär att den påstådda arbetsenheten måste namnges innan siffran får några applåder.

Den första disciplinen är nästan pinsamt enkel: jämför inte ett lager med ett annat. En chiptillverkares siffra är inte en tjänstsiffra. En tjänstsiffra är inte ett organisatoriskt resultat. En anläggnings årstotal är inte energin för en prompt. De besvarar olika frågor. När ett påstående korsar lager bör det förklara bron. Utan den bron har läsaren fått en siffra och ombetts att själv tillhandahålla fysiken, driften och den moraliska bedömningen. Det är en ganska dyr form av självbetjäning.

Gränsen avgör svaret

Varje miljömätning börjar med en gräns. Inom AI är den vanligaste gränsen enheten eller servern. Den är attraktiv eftersom den ligger nära arbetet och ofta är lättare att instrumentera. Nästa gräns är racket eller klustret. Sedan anläggningen, där effektiviteten i strömanvändningen, kylning och annan stödinfrastruktur kommer in. Därefter tjänstens väg, som kan omfatta nätverk, lagring, hämtningssystem, säkerhetskontroller, observerbarhet och en kundenhet. Slutligen finns en bredare livscykelgräns: tillverkning, transport, byggkonstruktion, vatten, reparation, återanvändning och uttjänt livslängd.

Ingen enskild gräns är alltid den rätta. Misstaget är att publicera en gräns samtidigt som man inbjuder läsare att dra slutsatsen att en annan gäller. En processortillverkare kan rimligen rapportera energi mätt vid en komponent. En data centersoperatör kan rimligen rapportera anläggningsindikatorer. En modellleverantör kan rimligen rapportera energi för en definierad inferensarbetsbelastning. En offentlig köpare som beslutar om att byta tjänst behöver tjänstens gräns och, för vissa beslut, en bredare livscykelvy. Påståendet bör ange vilket jobb det gör.

Gränser är val, men de är inte godtyckliga val. De bör följa beslutet. Om ett ingenjörsteam väljer mellan två avkodningsinställningar på samma maskin kan serverenergi under ett repeterbart test vara exakt rätt mått. Om en upphandlingsgrupp jämför två hanterade AI-tjänster bör jämförelsen omfatta tillräckligt mycket av tjänstens väg så att ett utelämnat hämtningssystem eller ett ständigt körande supportkluster inte försvinner under mattan. Om en offentlig myndighet överväger en stor lokal anläggning är dess frågor om el, vatten, nätkapacitet och värme lokala frågor även när en leverantör presenterar ett snyggt globalt koldioxidpåstående.

Europeiska kommissionen gör denna punkt indirekt genom rapporteringsramverket för data center. Dess offentliga databas är avsedd att samla in och publicera information som är relevant för energiprestanda och vattenavtryck. De delegerade rapporteringsreglerna fastställer indikatorer och rapporteringsinformation för data center. Ramverket är inte ett påstående om att varje miljöeffekt har lösts av ett kalkylblad. Det är ett erkännande av att en anläggning inte kan diskuteras ansvarsfullt enbart genom serverström.

Det finns en användbar analogi här, förutsatt att den inte överanvänds. En gräns är som kanten på en karta. En karta kan legitimt fokusera på vägar, översvämningsrisk eller markägande. Den blir vilseledande först när den presenterar sin valda kant som världens kant. Ett AI-energiuttalande bör bära samma ödmjukhet. Det bör göra den valda gränsen synlig och namnge det viktiga territoriet bortom den.

Arbetsbelastningen är ärlighetens enhet

Människor frågar ofta hur mycket energi en AI-fråga använder. Frågan är förståelig men oftast otillräckligt specificerad. En fråga kan innehålla några ord eller en hel bok. Den kan anropa en kompakt klassificeringsmodell eller en modell som bearbetar bilder, tal, långa dokument och flera verktyg. Den kan returnera en etikett, en textsida eller ett arbetsflöde som anropar tre andra system. Den kan betjänas från en varm maskin med hög utnyttjandegrad eller från kapacitet som hålls redo för nästa begäran. Ordet fråga bär på betydligt mer bagage än det erkänner.

Ett användbart mått beskriver därför arbetsbelastningen. För språksystem kan detta inkludera in- och utdatatokens, kontextlängd, modellversion, batchstorlek, precision, samtidighet, cache-beteende och avkodningsinställningar. För bild-, ljud- eller videosystem kan det inkludera upplösning, varaktighet, samplingssteg, codecs och modellarkitektur. För ett hämtningssystem kan det inkludera indexets storlek och uppdateringsbeteende, inbäddningsanrop, rangordning, dokumenthämtning och lagring. För ett beslutsarbetsflöde kan det inkludera antalet anrop, granskningsfrekvens av människor och den väg som tas när systemet avstår.

Detta är inte ett krav på att varje webbplats ska skriva ut en laboratorieanteckningsbok bredvid en knapp. Det är ett krav på att offentliga påståenden slutar låtsas att ett enda glatt genomsnitt är en universell arbetsbelastning. En leverantör kan publicera ett typiskt intervall för definierade användningsband. En köpare kan begära en testprofil som liknar sitt eget arbete. Ett produktteam kan exponera ett litet antal meningsfulla lägen i stället för att göra varje användare till en kraftingenjör. Det avgörande är att beskrivningen gör det möjligt för en granskare att avgöra om den rapporterade uppgiften liknar den verkliga.

Utformning av arbetsbelastning är också där effektivitet blir ett produktbeslut snarare än ett pressmeddelande om hårdvara. Kontext bör inte laddas bara för att den finns tillgänglig. Hämtning bör inte flytta dokument enbart för att bevisa att den kan. En modell bör tillåtas att säga att en uppgift kräver mänskligt omdöme i stället för att producera tre allt dyrare gissningar. Gränssnitt bör inte uppmuntra tio nästan identiska försök igen bara för att det första svaret kom med självförtroendet hos ett fuktigt kvitto. Dessa är designval. De kan minska arbetet utan att göra ett oärligt löfte om koldioxidinnehållet i en mening.

IEA noterar att det finns betydande osäkerhet i nuvarande och framtida elförbrukning för datacenter och använder scenarier för att utforska olika vägar. Det är en användbar vana även för produktmätning. Redovisa ett intervall där ett intervall är motiverat. Ange vad som påverkar det. Håll en distinktion mellan ett observerat test, en uppskattning byggd på uppmätta komponenter och en prognos för framtida efterfrågan. En decimal ger inte bot mot osäkerhet. Den ger bara osäkerheten en skarpare frisyr.

Hårdvara är ingen fotnot

Energisiffror blir missvisande när hårdvaran tas bort. Samma modell kan bete sig olika på olika processorer, minneskonfigurationer, acceleratorer, sammankopplingar och programvarustackar. Precision spelar roll. Batchstorlek spelar roll. Utnyttjande spelar roll. IEA beskriver den snabba ökningen av accelererade servrar som en nyckelfaktor för elbehovet i datacenter och noterar att andelen komponentefterfrågan varierar kraftigt mellan olika typer av datacenter. Det räcker för att göra en enkel poäng: det finns inget universellt energivärde för en modell som är frikopplad från den maskin och de driftförhållanden som kör den.

Hårdvaruredovisning bör därför ange relevant maskinklass, antal enheter, minnesarrangemang där det är väsentligt, strömhanteringsinställningar, programvaruversion och mätmetod. Den bör ange om resultatet samlades in vid ett vägguttag, en rackfördelare för ström, servertelemetri eller en modellbaserad uppskattning. Ingen av dessa metoder är i sig ohederlig. De har inte samma felkällor. En direkt elektrisk mätning kan ha en snäv gräns. Telemetri kan vara lättare att samla in upprepade gånger men bero på kalibrering och allokeringsantaganden. En uppskattning kan vara lämplig för planering men bör inte klä ut sig till ett observerat resultat.

Delad infrastruktur gör allokering särskilt svår. Ett kluster kan betjäna flera kunder, hålla reservkapacitet tillgänglig, köra bakgrundsjobb och dela lagring med orelaterat arbete. Att tilldela all anläggningens el till den mest belastade arbetsbelastningen vore absurt. Att bara tilldela aktiv accelerator tid kan få ledig kapacitet att försvinna. Det finns ingen neutral allokeringsmetod gömd under golvbrädorna. Det finns metoder med uttalade regler. En seriös rapport namnger allokeringsmetoden, anger utnyttjandeperioden och förklarar om ledig overhead, resilienskapacitet och delade tjänster ingår.

Samma försiktighet gäller vid jämförelser mellan modellstorlekar. Mindre system är ofta användbara eftersom de kan kräva mindre beräkning för en lämplig uppgift, kan köras på fler platser och kan vara lättare att driva inom en känd budget. De är inte moraliskt överlägsna enbart på grund av parameterantal. Den relevanta frågan är om systemet slutför den specificerade uppgiften med acceptabel kvalitet, med en acceptabel granskningsbörda, på den valda hårdvaran. En liten modell som flyttar arbete någon annanstans är inte nödvändigtvis effektiv. En enorm modell som används för en tvåradig klassificering är inte nödvändigtvis smart. Den är bara dyr på ett mycket speciellt sätt.

På Dweve behandlar vi detta som ett vanligt designkrav snarare än en kampanjslogan. Det offentliga produktmaterialet beskriver CPU-nativ exekvering och behandlar exekveringsmiljön som en del av systemets kontrakt. Det är en användbar riktning för en kund som behöver inspektera maskinen och driftgränsen. Det är inte ett uppmätt miljöpåstående, och det bör inte läsas som ett sådant. Mätningen måste fortfarande göras för den faktiska arbetsbelastningen, hårdvaran och driftsättningen. Allt mindre skulle förvandla ett förnuftigt arkitekturval till marknadsföringsväder.

Koldioxid är inte el med bättre varumärke

Elanvändning och växthusgasutsläpp hänger samman, men de är inte samma mått. En energirapport redovisar förbrukning. En koldioxidrapport lägger till en utsläppsfaktor och därmed ytterligare en uppsättning beslut. Vilken elmix används? Gäller påståendet det fysiska elnätet vid tidpunkten och platsen för förbrukningen, ett avtalat inköpsarrangemang, en årlig marknadsbaserad redovisningsmetod eller ett genomsnitt över flera anläggningar? Ingår inbyggda utsläpp från hårdvara? Hur är det med kylvatten, byggnation eller nätutrustning? En koldioxidsiffra kan vara värdefull. Den skapas inte genom att byta ut kilowattimmar mot en grönare typsnitt.

IEA skiljer på bränslemixen för fysiskt konsumerad el och avtalsmässiga arrangemang. Den distinktionen hör hemma i AI-rapportering, eftersom ett avtal kan uttrycka ett viktigt inköpsval samtidigt som det berättar en annan historia än den el som finns tillgänglig i det lokala nätet den timme en arbetsbelastning kördes. En rapport kan presentera båda där det är lämpligt. Den bör inte slå samman dem tills läsaren inte längre kan avgöra om påståendet gäller ett upphandlingsinstrument eller det fysiska systemet.

Tid spelar också roll. Årlig elmatchning kan dölja en arbetsbelastning som konsekvent körs under en period med högre marginalproduktion. Timvis information kan förbättra bilden i vissa sammanhang men medför egna krav på data, metod och verifiering. Plats spelar roll eftersom elsystem skiljer sig åt. Ett kontinentalt genomsnitt kan vara användbart för en övergripande inventering, men det kan inte avgöra ett lokalt planeringsbeslut. Lämplig detaljeringsgrad beror på beslutet och den tillgängliga evidensen. Kravet är inte perfektion. Det är att rapporten anger vilken detaljeringsgrad som använts och varför.

Inbyggda effekter förtjänar samma återhållsamhet. Att tillverka hårdvara har material- och utsläppskonsekvenser. Det har även byggnader, batterier, reservdelar och avfallshantering. Livscykelanalys kan synliggöra dessa effekter, särskilt när hårdvaruomsättningen är snabb eller utrustning köps in för ett kortvarigt projekt. Den kan också bli en dimridå när en leverantör presenterar en enda bred livscykelsiffra utan information om allokering, förväntad livslängd, återanvändning eller den arbetsbelastning den är avsedd att beskriva. Om livscykeleffekter ingår ska metoden och allokeringen vara synliga. Om de inte ingår ska även den utelämningen vara synlig.

Vatten får inte nedgraderas till en fotnot bara för att el är lättare att grafiskt åskådliggöra. Kommissionens arbete med datacenterrapportering inkluderar uttryckligen information om vattenavtryck. Kylningsval kan påverka lokal vattenefterfrågan, energibehov och tillförlitlighetsexponering på olika sätt. En operatör kan förbättra en indikator samtidigt som en annan blir svårare. En etikett som behandlar en anläggning som ett enda poängvärde kan dölja detta förhållande. Det bättre tillvägagångssättet är en liten uppsättning indikatorer med deras avgränsningar, snarare än en tävling om att hitta den enda siffra som väcker minst besvärliga frågor.

Utnyttjandegrad förändrar grafens moral

Infrastruktur förbrukar energi både när den väntar och när den arbetar. En del kapacitet måste vara redo eftersom en tjänst har krav på latens eller motståndskraft. En del kapacitet hålls tillgänglig eftersom efterfrågan är volatil. En del står overksam eftersom planering och upphandling är ofullkomliga, vilket inte är en moralisk kollaps men sällan en anledning att gratulera instrumentpanelen. Allokeringen av denna overhead förändrar varje per-förfrågan-siffra.

Hög utnyttjandegrad är inte automatiskt bra. Att pressa ett kritiskt system till permanent mättnad kan skada tillförlitligheten, öka köbildningen och ta bort det utrymme som behövs vid fel. Låg utnyttjandegrad är inte heller automatiskt dåligt. En offentlig varningstjänst kan behöva vara tillgänglig för händelser som inte inträffar varje eftermiddag, och tack och lov för det. Rapporteringsuppgiften är att göra driftantagandet synligt. En siffra som mäts under ett fullt belastat benchmark ska inte presenteras som den årliga effekten av en lättanvänd tjänst. En siffra som beräknats som genomsnitt över en lättanvänd tjänst ska inte användas för att beskriva effektiviteten hos en enskild aktiv begäran utan att fördelningsregeln visas.

Det finns också en rebound-fråga. Om en tjänst blir billigare eller lättare att använda kan efterfrågan växa. En mer effektiv modell kan minska energin per uppgift och möjliggöra många fler uppgifter. Båda påståendena kan vara sanna. EEA:s briefing från 2026 om AI och hållbar konsumtion varnar för att miljöavvägningar fortfarande är svåra att bedöma och efterlyser mer data och insikter för att stödja effektiv styrning. Det är inte ett råd om förtvivlan. Det är en varning mot att behandla enhetseffektivitet som en fullständig redogörelse för total påverkan.

Organisationer bör därför rapportera två perspektiv när de kan: intensitet och total. Intensitet kan vara energi per definierad arbetsbelastning, per framgångsrik uppgift eller per tjänstenivå. Totalt kan vara årlig elförbrukning, information om anläggningens vattenanvändning eller det totala antalet utförda uppgifter. De två perspektiven förhindrar motsatta typer av skada. Enbart intensitet kan hylla en växande total. Enbart total kan straffa en användbar tjänst som blir mer effektiv medan efterfrågan ökar av legitima skäl. Tillsammans beskriver de ett förhållande som läsaren kan granska.

Uttrycket framgångsrik uppgift är viktigt. Det betyder inte att varje användning har ett oomtvistligt resultat. Det betyder att nämnaren ska följa den avsedda tjänsten, inte den enklaste räknaren. En klassificeringstjänst kan rapportera slutförda poster med angivna kvalitetskriterier. En skrivassistent kan behöva skilja mellan förslag som accepterats, förslag som ändrats väsentligt och förslag som kasserats. Ett säkerhetskänsligt arbetsflöde kan räkna granskade beslut snarare än genererad text. När nämnaren följer arbetet är det mindre sannolikt att energisiffran belönar meningslöst arbete.

Osäkerhet är en del av etiketten

Miljörapportering behandlar ibland osäkerhet som en kris för PR-avdelningen. Det är bättre att förstå den som en egenskap hos mätningen. Instrument har toleranser. Telemätning fördelas. Arbetsbelastningar varierar. Elfaktorer modelleras. Leveranskedjor är ofullständiga. Ett värde kan vara användbart utan att vara exakt till sista wattimmen. Att låtsas något annat är hur en etikett blir mindre trovärdig ju mer polerad den blir.

Det praktiska svaret är att skilja mellan observerade, uppskattade och exkluderade värden. Observerat innebär att en mätning gjordes vid en angiven tidpunkt med en angiven metod. Uppskattat innebär att en beräkning omvandlade observationer eller publicerade faktorer till ett svar under angivna antaganden. Exkluderat innebär att en relevant effekt ligger utanför den valda avgränsningen. En rapport kan också ange en känslighet: till exempel att resultatet förändras påtagligt med utnyttjandegrad, kontextlängd, utrustningens livslängd eller nätfaktor. Detta gör inte påståendet svagare. Det talar om för läsaren var påståendet är starkt och var det förblir villkorat.

Intervall är ofta ärligare än ett stort genomsnitt. En tjänsteleverantör skulle kunna rapportera typiska energiband för korta, medellånga och långa arbetsbelastningar, tillsammans med en definierad testprofil och det driftsintervall som observerats i produktion. En offentlig köpare skulle kunna begära en mätning för ett representativt urval av sitt arbete och ett andra, medvetet svårt urval. Ett produktteam skulle kunna följa förändringar över tid efter en modelluppdatering eller en ny hämtningsväg. Syftet är inte att skapa en pappersavdelning som mäter varje kommatecken. Syftet är att fånga upp situationer där en till synes liten förändring ändrar systemets resursanvändning eller miljöpåverkan.

Verifiering spelar också roll. En leverantör bör kunna visa metoden, rå eller aggregerad evidens som är lämplig för sammanhanget, versionshistorik och den person eller det team som ansvarar för påståendet. En köpare behöver inte obegränsad tillgång till alla operativa hemligheter. Den behöver tillräckligt med information för att kunna testa om ett påstående överlever en förändring av modell, hårdvara, arbetsbelastning eller rapporteringsgräns. Oberoende granskning kan öka förtroendet där beslutet motiverar det. Det är inte en ersättning för en läsbar metod.

Europa är bekant med detta förhållningssätt. Standarder, register och rapporteringssystem kan kännas petiga tills en marknad behöver jämföra påståenden som utformats för att undvika jämförelse. Då avslöjas petigheten som en samhällstjänst. Den ofärdiga delen är inte en brist i idén om en AI-energimärkning. Det är arbetet med att avgöra vilken evidens som måste följa med siffran.

Vad Europa har börjat bygga

Det europeiska ramverket är redan mer omfattande än en frivillig samling hållbarhetsadjektiv. Den omarbetade energieffektiviseringsdirektivet införde obligatoriska krav på offentlig rapportering för datacenter med ett effektbehov över 500 kW. Delegerad förordning (EU) 2024/1364 fastställer harmoniserade rapporteringselement och den första fasen av ett gemensamt unionsklassificeringssystem. Kommissionens databas publicerar information som är relevant för energiprestanda och vattenavtryck, och dess kommande paket för energieffektivitet i datacenter är avsett att bedöma rapporterade data, införa ett klassificeringssystem och påbörja arbete med minimikrav på prestanda.

Dessa är instrument på anläggningsnivå. De bör inte framställas som en färdig märkning för varje AI-modell eller varje produktfunktion. Deras värde är att de etablerar en offentlig vana: energi- och vattenpåståenden behöver en gemensam evidensbas, jämförbara indikatorer och en väg från rapportering till bedömning. Kommissionens förberedande studie beskriver detta uttryckligen som ett arbete för att förbättra transparens och jämförbarhet samtidigt som man bygger vidare på rapporterings- och klassificeringsramverket. Det är exakt den riktning AI-tjänster kommer att behöva, även om rapportering på tjänstenivå innebär andra avgränsningar och fördelningar.

EEA:s senaste arbete ger en nödvändig varning. AI kan stödja mer hållbara metoder, men det kan också förstärka resursintensiv konsumtion, marknadskoncentration och sociala ojämlikheter där styrningen är otillräcklig. Miljöpåståenden kan inte skiljas från hur ett system förändrar beteende, upphandling och tillgång till infrastruktur. En märkning kan visa resursintensitet. Den kan inte avgöra om uppgiften är värd att utföra. Det förblir en offentlig, organisatorisk och demokratisk bedömning. Det är något obekvämt, vilket är ett sätt att inse att det har betydelse.

Nästa förnuftiga steg är inte en universell poäng som kallar en modell dygdig och en annan syndig. Det är ett skiktat rapporteringsspråk. Anläggningar bör rapportera anläggningsindikatorer. Modellleverantörer bör rapportera definierade testprofiler och metoder. Tjänsteleverantörer bör rapportera representativa arbetsbelastningsintervall, allokeringsregler och förändringar över tid. Köpare bör begära bevis som är relevanta för det arbete de planerar att utföra. Tillsynsmyndigheter och forskare bör kunna studera aggregerade data utan att låtsas att ett genomsnitt berättar hela historien om ett lokalt elnät, en vattenavrinningsområde eller en viss tjänst.

Interoperabilitet är viktigt här. Om varje leverantör uppfinner en privat definition av en AI-förfrågan, blir en begäran om bevis ett gissningsspel med en logotyp. Europa är väl positionerat för att sammankalla gemensamma metoder eftersom det redan har basen för datacenterrapportering, miljöpolitiska verktyg, forskningsinstitutioner och en marknad som korsar gränser. Metoden måste förbli tekniskt trovärdig. En standard som är enkel nog för en bild och för vag för en mätning är bara en bild med regulatorisk belysning.

Vad en köpare bör begära nu

Att vänta på en perfekt märkning är inte en anledning att acceptera tomma påståenden. Köpare kan begära ett energistatement som matchar beslutet framför dem. Begäran kan vara proportionerlig. Ett verktyg för lågrisktextutformning behöver inte en livscykelstudie som skulle skrämma en liten stad. En större upphandling, ett stort datacenteråtagande eller en AI-tjänst med användning i offentlig skala bör förvänta sig mer bevis.

Börja med arbetsbelastningen. Vad förväntas tjänsten göra, hur ofta, med vilka typiska och svåra indata, och vad räknas som ett slutfört resultat? Fråga sedan efter hårdvara och driftmiljö. Är påståendet mätt eller uppskattat? Vilken modellversion, programvarukonfiguration och mätpunkt ingår? Vad ingår i avgränsningen? Hur allokeras delade tjänster, tomgångskapacitet och motståndskraft? Rapporteras el och utsläpp separat? Om utsläpp rapporteras, vilket elnät, plats, tidsperiod och redovisningsmetod används? Ingår vatten- och livscykeleffekter, uppskattas de eller exkluderas de?

Nästa fråga är förändring. AI-tjänster förändras snabbt. En siffra från en gammal modellversion kan bli en historisk kuriositet efter en routingändring, ny hårdvara eller ett annat säkerhetslager. Köparen bör fråga när siffran senast uppdaterades, vilka ändringar som utlöser omätning och hur leverantören kommer att rapportera en väsentlig förändring. Detta förvandlar ett energipåstående från en engångsrad i en broschyr till en operativ skyldighet. Det förhindrar också den välbekanta ordningen där den mest noggrant mätta versionen är den version som slutade användas förra våren.

Slutligen, fråga vem som kan ifrågasätta svaret. En leverantör som inte kan förklara avgränsningen, metoden och undantagen har inte lämnat ett jämförbart påstående. Den har lämnat en ambition med enheter. En leverantör som kan förklara dem kan fortfarande ha en hög siffra för en krävande uppgift. Det kan vara acceptabelt om uppgiften är motiverad och avvägningen är förstådd. Poängen är inte att belöna det lägsta numret till varje pris. Poängen är att göra kostnaden tillräckligt synlig för att en institution ska kunna besluta ärligt.

Märkningen är ett styrningsverktyg

En färdig AI-energimärkning kommer inte att vara en liten färgad ruta som avslutar argumentet. Den kommer att vara en rapporteringsdisciplin som gör ett specifikt argument möjligt. Den kommer att koppla en arbetsbelastning till en maskin, en gräns, en fördelningsmetod, en elmetod, en tidsperiod och ett osäkerhetsuttalande. Den kommer att skilja energi från utsläpp och anläggningsprestanda från tjänsteprestanda. Den kommer att lämna utrymme för vatten, livscykeleffekter och lokala förhållanden utan att låtsas att varje kund behöver samma detaljnivå.

Det kan låta mindre glamoröst än att förklara en modell hållbar. Det är det. De användbara sakerna brukar vara det. En märkning bör göra det svårare att dölja en överdimensionerad arbetsbelastning bakom ett elegant chipnummer. Den bör göra det svårare att använda ett avtalat elinköp som en genväg för alla lokala miljöeffekter. Den bör göra det möjligt att se när en liten modell verkligen räcker och när dess besparingar helt enkelt har flyttats till en annan del av systemet.

Berättelsen här är inte att Europa saknar svar. Europa har börjat bygga en offentlig rapporteringsbas för den infrastruktur som bär AI. Det oavslutade arbetet är att koppla den basen till modell- och tjänstebeslut utan att utplåna skillnaderna mellan dem. För team som bygger AI innebär det att mäta det arbete de faktiskt ber maskiner utföra. För köpare innebär det att begära en gräns innan de accepterar en siffra. För alla andra innebär det att vägra låta ett snyggt påstående avgöra en fråga som det aldrig var avsett att besvara.

Bra märkningar finns inte för att få objekt att se oskyldiga ut. De finns för att göra avvägningar synliga. AI skulle kunna behöva några fler av dem.

Mät beslutet, inte teatern

En AI-energimärkning kan bli användbar innan den blir obligatorisk. Team kan börja med en disciplinerad intern registrering: tjänsteversionen, de representativa arbetsbelastningarna, hårdvaran, anläggningsgränsen där sådan finns, fördelningsregeln och de kända undantagen. Registreringen bör ses över när systemet förändras väsentligt. Den bör vara tillgänglig för dem som fattar produkt-, inköps- och infrastrukturbeslut. Detta är inte ett löfte om att varje organisation kan lösa livscykelredovisning en fredagseftermiddag. Det är ett sätt att hindra att det enklaste påståendet blir det enda påståendet.

Den registreringen förbättrar också ingenjörsarbetet. När ett team mäter en verklig uppgift snarare än en abstrakt modell kan det se om en längre kontext, ett återförsöksmönster, ett hämtningsindex eller en säkerhetsväg gör nytta. Det kan avgöra var en mindre modell räcker, var en modell av högre kvalitet motiverar sin kostnad och var arbetsflödet bör pausa för en människa. Resultatet är inte alltid lägre elförbrukning. Ibland är det ärliga utfallet att en värdefull tjänst har en synlig resurskostnad. Det är fortfarande bättre än att dölja kostnaden tills någon annan måste förklara den.

Offentlig rapportering tillför ytterligare en disciplin. Påståenden som påverkar inköp, finansiering eller förtroende bör överleva ett personalbyte. Metoden bör vara läsbar för någon som inte uppfann den. Källdatan bör ha en bevarandeväg som står i proportion till påståendet. Beräkningen bör vara tillräckligt repeterbar för att kunna ifrågasättas. Om en leverantör förbättrar en tjänst bör den tidigare siffran förbli tolkningsbar snarare än att tyst ersättas av en nyare, vackrare siffra. Miljöbevis behöver en historik, eftersom en modellrelease inte är en amnesti för de uttalanden som hjälpte till att sälja den tidigare releasen.

Det är här märkningen blir en liten form av styrning. Den kopplar ett designval till ett beslut och lämnar sedan ett spår för nästa person som måste fråga om valet fortfarande håller. Poängen är inte att göra varje ingenjör till en miljöredovisare. Poängen är att säkerställa att ingen miljöredovisare behöver rekonstruera en produkt från en slogan.

Det finns en omedelbar praktisk fördel med denna återhållsamhet. Ett team som kan ange sin gräns kan förbättra den medvetet. Det kan hålla en baslinje, testa en förändring mot samma arbetsbelastning och registrera om resultatet ändrades för att modellen ändrades, hårdvaran ändrades eller redovisningen ändrades. Det gör miljörapportering till en del av vanligt ingenjörsmässigt omdöme, snarare än en årlig övning i att upptäcka att de användbara detaljerna aldrig samlades in.

Källor

• Energy performance of data centres, Europeiska kommissionen, hämtad 5 augusti 2026. Används för EU:s rapporteringsdatabas, energi- och vatteninformation, bedömning, klassificeringssystem och sammanhanget för minimikrav på prestanda.
• Minimum performance standards for EU data centres, Europeiska kommissionen, hämtad 5 augusti 2026. Används för rapporteringströskeln på 500 kW, harmoniserad rapportering och sammanhanget för policyutveckling.
• Commission Delegated Regulation (EU) 2024/1364, EUR-Lex, hämtad 5 augusti 2026. Används för den första fasen av det gemensamma unionsomfattande klassificeringssystemet och grunden för datacenterrapportering.
• Energy demand from AI, Internationella energiorganet, 2025. Används för datacenterkomponenter, komponenternas elandelar, osäkerhet och scenarioinramning samt skillnaden mellan fysisk el och avtalsmässiga arrangemang.
• Artificial intelligence and sustainable consumption in Europe, Europeiska miljöbyrån, 5 maj 2026. Används för varningen om miljömässiga avvägningar, styrning, resursintensiv konsumtion och behovet av ytterligare evidens.
• Dweve Core, Dweve, hämtad 5 augusti 2026. Används endast för den begränsade faktiska noteringen att offentligt produktmaterial beskriver CPU-inbyggd exekvering och en exekveringsmiljö som behandlas som en del av systemkontraktet.