Kansainvälisen energiajärjestön (IEA) tuore raportti paljastaa, että AI-datacentereiden sähkönkulutus on kolminkertaistunut vuodesta 2024 vuoteen 2026. Yhdessä kryptolouhinnan kanssa datacenterit kuluttavat nyt noin 7 prosenttia maailman sähköstä, ja kasvu jatkuu jyrkkänä. Raportti on yksi alan synkimpiä, ja sen ennusteet vuoteen 2030 saakka ovat huolestuttavia.
AI-buumi on lisännyt sähkönkulutusta huomattavasti enemmän kuin osasi ennakoida. IEA:n alkuperäisen vuoden 2024 raportin ennuste vuoden 2026 kulutukselle oli noin 600 TWh, mutta toteutunut luku on jo ylittänyt 920 TWh. Erotus johtuu pääosin AI-mallien koulutus- ja inferenssikulutuksen räjähdyksestä.
Mallien koulutuskustannukset
Suurten kielimallien koulutus on energiakannalta järjettömän kallista. Tässä julkisesti raportoidut luvut neljälle viime sukupolven mallille.
| Malli | Parametrit | Koulutuksen kulutus (MWh) | CO2-päästöt (t) |
|---|---|---|---|
| GPT-5 | ~ 1.8 T | 21 500 | 9 500 |
| Claude Opus 4.7 | ~ 800 B | 9 200 | 1 800 (vihreä DC) |
| Gemini 3 Pro | ~ 1.2 T | 14 800 | 2 100 (vihreä DC) |
| Llama 4 405B | 405 B | 8 100 | 3 400 |
| Mistral Large 3 | ~ 140 B | 2 800 | 1 200 |
Anthropic ja Google – selvästi vihreämmät
Anthropicin ja Googlen päästöt jäävät selvästi alhaisemmiksi, vaikka mallin koko on suuri. Syy: molemmat ovat investoineet vahvasti uusiutuvalla energialla pyöriviin datacentereihin. Claude Opus 4.7:n julkaisun yhteydessä Anthropic ilmoitti, että koko mallisukupolvi on koulutettu 92-prosenttisesti uusiutuvalla energialla. Google on saavuttanut samalla aikataululla 88 prosenttia.
Inferenssin todelliset kustannukset
Koulutus on kertahankinta, inferenssi on jatkuva kulutus. IEA arvioi, että vuoteen 2027 mennessä inferenssin energiankulutus ylittää koulutuksen jopa kymmenkertaisesti. Tämä on alalla vähän puhuttu mutta merkittävä trendi: julkisuus keskittyy mallien koulutushintaan, mutta todelliset päästöt syntyvät kun mallit ovat käytössä miljardilla kysyttäjällä.
Yksittäinen ChatGPT-kysely kuluttaa noin 3 wattituntia, mikä on kymmenkertainen perinteiseen Google-hakuun verrattuna. Kun globaali käyttömäärä lähestyy miljardia kyselyä päivässä, kuukausittainen päästömäärä alkaa olla mitattavissa pienen maan vuosittaisina kulutuksina.
Mihin energia menee
GPU-laskenta: 65 prosenttia datacenterin kulutuksesta
Jäähdytys: 25 prosenttia
Verkko ja muu infra: 10 prosenttia
Vesijäähdytetyt järjestelmät vähentävät jäähdytystä 30–40 prosenttia ilmajäähdytykseen verrattuna
Suomi – kylmä ilmasto on etu
Suomen kylmä ilmasto tekee suomalaisista datacentereistä energiatehokkaita. LUMI-supertietokone Kajaanissa ja Hetznerin Pohjoismaiden datacenterit Helsingissä ovat hyödyntäneet tätä jo vuosia. Energiankäytön tehokkuus (PUE) on suomalaisissa datacentereissä keskimäärin 1,15, kun globaali keskiarvo on 1,58. AMD:n sijoitus suomalaiseen Silo AI:hin osaltaan vahvistaa Suomen asemaa Euroopan AI-energiakeskuksena. Investointien volyymi datacenter-puolelle on kasvanut viidessä vuodessa lähes kymmenkertaiseksi.
Avoimet mallit – onko niillä pienempi jalanjälki
Hieman yllättäen ei. Avoimet mallit kuten Meta Llama 4 ja Mistral Large 3 ovat suunnilleen yhtä energiaraskaita kuin suljetut kilpailijansa, koska peruskoulutuksen vaatimukset ovat samat. Mistral Large 3:n avoimet painot tarjoavat kuitenkin sen edun, että self-hosting voi paikallisesti olla tehokkaampaa kuin pilvi-API. Erityisesti jos malli pyörii Suomessa uusiutuvalla energialla, sen päästöt jäävät pienemmiksi kuin USA-hostatun kaupallisen vaihtoehdon.
Mistä energian saa
NVIDIAn räjähdysmäinen myynti H200- ja Blackwell-tilauksilla luo painetta sähkönsaantiin. Yhdysvalloissa on jo herätty, ja useat datacenter-toimijat ovat aloittaneet investoinnit pieniin modulaarisiin ydinreaktoreihin (SMR). Microsoft, Google ja Amazon ovat kaikki ilmoittaneet vähintään kahdesta SMR-pilottihankkeesta.
Suomessa keskustelu on vasta alkamassa, mutta Olkiluoto 3:n täysimittainen käyttö ja Pyhäjoen suunnitelmat parantavat tilannetta lähivuosina. Suomi voi olla yksi harvoista maista, jotka pystyvät tarjoamaan datacenter-toiminnalle vakaata ja vähäpäästöistä energiaa pitkäaikaisesti.
Yritysten vastuu
Yksittäisen yrityksen näkökulmasta tärkeintä on tehdä tietoisia valintoja: malliperheen valinta, datapaikan valinta ja inferenssikustannusten optimointi vaikuttavat suoraan päästöihin. Esimerkiksi mallin reititys siten, että yksinkertaiset kyselyt menevät pienempään malliin, voi vähentää sekä rahaa että päästöjä 60 prosentilla.
AI:n hiilijalanjälkeä ei ratkaista käyttäjäkäyttäytymisellä, vaan datacenter-investoinneilla ja energiahuollon valinnoilla. Tämä on yhteiskunnallinen kysymys, ei yksilön valinta — mutta yritysten valinnoilla on iso vaikutus, sillä ne ohjaavat ostovoimansa kautta.
