Gradr har mätt sitt eget AI-avtryck – cirka 7 200 kWh, 225 kg CO2e och 9 100 liter vatten per år – och kompenserar sedan för 5 gånger koldioxiden och 25 gånger vattnet. Ett löfte och en metod.
Inledning
AI blir en allt större del av vår vardag. Med det följer energiförbrukning, utsläpp och vattenanvändning. Många oroar sig för det – och med rätta. Men vi har märkt att väldigt få företag faktiskt mäter sitt AI-avtryck, och ännu färre gör något åt det.
Så vi gjorde det. Vi gick igenom våra siffror, insåg att påverkan var verklig men mindre än vi trott, och bestämde oss för att kompensera för den – med råge. Det här inlägget är inget segertåg. Det är ett löfte, en metod och en inbjudan.
Vi lovar att:
- Följa upp all AI-användning i Gradr
- Vara så transparenta som möjligt om vår påverkan
- Kompensera för alla AI-relaterade utsläpp
Det här gäller enbart Gradrs AI-användning, inte företagets totala klimatavtryck. Vår metod och vårt exakta åtagande beskrivs nedan.
Vi utmanar andra AI-företag – särskilt nordiska – att göra detsamma. Resten av inlägget förklarar varför vi tror att tröskeln är lägre än de flesta tror.
Uppskattad påverkan
Vi loggar allt. Varje anrop, varför det gjordes, vilken modell som användes, geografisk plats och tokenanvändning. Utifrån det gör vi en så god och försiktig uppskattning vi kan av vår förbrukning.
AI-leverantörerna publicerar fortfarande begränsad information om energiförbrukning per token. Några har börjat släppa uppskattningar per prompt, men de är självrapporterade och svåra att verifiera oberoende. Vi valde i stället att basera våra uppskattningar på fristående, referentgranskad forskning (Luccioni m.fl., 2024) och offentliga data om elnätet – mindre exakt, men mer oberoende. Vi väljer genomgående den övre delen av publicerade intervall och använder nätbaserad koldioxidredovisning snarare än den marknadsbaserade metod som skulle låta oss påstå nära noll i utsläpp. Vi tror att det bättre speglar den fysiska verkligheten.
Med det sagt är våra nuvarande årliga uppskattningar:
| Mått | Årlig uppskattning | Som jämförelse |
| Energi | ~7 200 kWh | ~hälften av en vanlig svensk villas förbrukning |
| Koldioxidutsläpp | ~225 kg CO2e | ~1 flygresa Stockholm → London i ekonomiklass |
| Vattenförbrukning | ~9 100 liter | ~60 badkar, eller 3 dagars vattenförbrukning för ett hushåll |
Siffrorna bygger på en representativ vecka av användning i mars 2026, uppräknad till ett helt år. Som jämförelse omfattade den veckan ~50 miljoner tokens, varav ungefär 80 % från frontiermodeller. Användningen varierar över året (provperioder är tyngre). Vi uppdaterar siffrorna minst en gång per år.
Tillvägagångssätt och åtgärder
Vi kompenserar för betydligt mer än vi släpper ut – inte för att vi är säkra på de exakta siffrorna, utan för att vi är säkra på att vi inte är säkra. En stor multiplikator gör att vi förblir nettonegativa även om våra uppskattningar skulle slå fel med flera gånger om.
Konkret köper vi krediter för koldioxidinfångning motsvarande 5 gånger våra uppskattade årliga utsläpp (~1,1 ton infångat mot ~225 kg utsläppt), och finansierar vattenrestaurering motsvarande 25 gånger vår uppskattade årliga vattenanvändning (~227 500 liter restaurerat mot ~9 100 liter förbrukat). Bidragen gäller enbart Gradrs AI-användning, inte företagets totala klimatavtryck.
Varför infångning och inte undvikande?
Klimatkrediter finns i två huvudsakliga typer. Undvikandekrediter finansierar projekt som förhindrar utsläpp (till exempel att skydda en skog som annars kanske hade avverkats). De är billigare, men additionaliteten är svår att verifiera – en studie i Science från 2023 (West m.fl.) visade att den stora majoriteten av krediter för bevarande av regnskog inte motsvarade några verkliga utsläppsminskningar.
Infångningskrediter finansierar projekt som fysiskt avlägsnar CO2 ur atmosfären – biokol, förstärkt vittring, direkt luftinfångning och koldioxidinfångning från biomassa. De är dyrare, men effekten går att mäta och infångningen är utformad för permanent lagring. Vi anser att 1 verifierat ton som avlägsnats gör större nytta än flera osäkra ton som undvikits.
Vår koldioxidinfångning köps via Hafslund Celsios projekt för CCS från biomassa i Oslo, Norge – en anläggning som fångar in CO2 från förbränning av avfallsbiomassa och lagrar den permanent under marken. Det rör sig om terminskontrakt: infångningen är finansierad och schemalagd, men ännu inte fysiskt genomförd.
Vår vattenrestaurering finansieras genom certifierade Water Restoration Certificates.
Vi uppskattar och kompenserar även för tidigare användning utifrån tillgängliga data. Framöver uppdateras mätningarna och krediterna köps varje kvartal.
Åtgärder för att minska
Innan vi kompenserar är det viktigaste att minimera utsläppen från början. För AI-inferens hänger klimatpåverkan och kostnad tätt ihop – varje token vi inte genererar sparar både pengar och energi.
Det vi gör:
- Använder mindre, mer effektiva modeller där kvalitetskraven tillåter
- Kör på svenska elnät med låga utsläpp (~98 % fossilfritt)
- Cachar resultat för att undvika upprepad inferens
- Optimerar löpande promptarnas längd och struktur
Transparens och begränsningar
Alla siffror i det här inlägget är uppskattningar och ska läsas som sådana. Det finns i dag inget standardiserat eller helt tillförlitligt sätt att mäta miljöpåverkan från AI-användning.
Vi använder genomgående försiktiga antaganden:
- Energiuppskattningar i den övre delen av intervallet
- Nätbaserad (inte marknadsbaserad) koldioxidredovisning
- Generösa osäkerhetsmarginaler
Användningsmönstren varierar över året, och våra uppskattningar per token kan slå fel med en faktor 2–3.
Våra uppskattningar omfattar endast inferens – inte träningen av modellerna, som är omfattande men delas globalt och är svår att fördela.
Vi delar de här siffrorna för att vara öppna med hur vi arbetar, inte för att påstå att de är exakta. Metoden ses över årligen, medan mätningar och köp av kompensation uppdateras varje kvartal.
Avslutning
Vi använder AI i Gradr, och det har en miljöpåverkan. Vårt förhållningssätt är att mäta den, minska den där det går och ta ansvar för det som återstår.
För företag som kör AI på det svenska elnätet – eller något annat nordiskt elnät – är tröskeln för att göra detsamma anmärkningsvärt låg. Utsläppen är små, kompensationen är billig och datan finns redan i era loggar.
Vi vill se fler företag – särskilt nordiska – göra detsamma:
- Mät
- Publicera
- Kompensera
Metoden behöver inte vara perfekt. Den behöver bara vara ärlig.
Källor
- De Vries, A. (2023). The growing energy footprint of artificial intelligence. Joule, 7(10).
- Electricity Maps (2024). Electricity carbon intensity data.
- European Environment Agency (2024). Greenhouse gas emission intensity of electricity generation.
- Hafslund Celsio / Longship CCS project. frontierclimate.com/writing/hafslundcelsio
- Li, P. et al. (2023). Making AI Less Thirsty. arXiv:2304.03271
- Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing. ACM FAccT 2024
- Energimyndigheten (2024). Elproduktion och energimix i Sverige
- Water Restoration Certificates (WRC). Bonneville Environmental Foundation
- West, T. A. P. et al. (2023). Carbon offsets from forest conservation. Science, 381(6660)
