AI Energy Score är ett öppet projekt på Hugging Face som rankar AI-modeller efter energieffektivitet med ett 1–5-stjärnigt betygssystem, liknande energimärkning för hushållsapparater. Leaderboarden lanserades i februari 2025 och rankade vid lanseringen 166 modeller över 10 uppgiftstyper. För projektledare och organisationer som upphandlar eller väljer AI-modeller ger leaderboarden ett konkret verktyg för att inkludera energiförbrukning som ett urvalskriterium vid sidan av prestanda och kostnad.
AI Energy Score Leaderboard – huvudpunkter
- AI Energy Score lanserades i februari 2025 som den första offentliga leaderboarden som rankar AI-modeller efter energieffektivitet. Vid lanseringen rankades 166 modeller över 10 vanliga AI-uppgifter, inklusive textgenerering, sammanfattning och bildgenerering (källa: Hugging Face, 2025-02-10).
- Betygssystemet använder 1–5 stjärnor per uppgift och modellklass. De 20 procent mest energieffektiva modellerna för en given uppgift får fem stjärnor, de 20 procent minst effektiva får en stjärna. Betyget är relativt — det mäter effektivitet jämfört med andra utvärderade modeller, inte ett absolut mått (källa: AI Energy Score, 2025).
- AI beräknas förbruka 100 terawattimmar (TWh) el globalt under 2025. Värsta-fallet-prognoser förutspår en ökning till 1 370 TWh till 2035 (källa: AI Energy Score, 2025).
- Datacenters elförbrukning i USA beräknas stiga från 4,4 procent av landets totala elanvändning 2023 till 6,7–12 procent till 2028, drivet till stor del av AI. För att möta denna efterfrågan tillförs 46 gigawatt naturgaskapacitet i USA till 2030 — motsvarande hela Norges elsystem (källa: AI Energy Score, 2025).
- Reasoning-modeller använder i genomsnitt 30 gånger mer energi än modeller utan reasoning-förmåga. För specifika modeller med och utan reasoning aktiverat kan skillnaden vara 150–700 gånger, beroende på antalet output-tokens som genereras (källa: Hugging Face AI Energy Score v2, 2025-12-17).
- En jämförelse av 14 modeller från oktober 2025 med liknande modeller från februari 2025 visade att majoriteten — 8 av 14 — hade lika hög eller högre energiförbrukning, trots att perioden präglats av snabb modellutveckling. Intervallet var stort: vissa modeller använde bara 3 procent av energin hos jämförbara modeller, medan andra använde nästan dubbelt så mycket (källa: Hugging Face AI Energy Score v2, 2025-12-17).
- 15 av de 20 mest använda AI-modellerna enligt OpenRouter är closed-source, men inga av dessa leverantörer har hittills skickat in sina produktionsmodeller för testning. Det gör att leaderboardens jämförelseintervall inte täcker de modeller som faktiskt används mest i produktion (källa: Hugging Face, 2025-04-14).
Vad detta betyder för projektledare
- Energieffektivitet som urvalskriterium vid modelval: AI Energy Score ger ett standardiserat underlag för att jämföra modellers energiförbrukning per uppgift. Projektledare som upphandlar AI-tjänster eller väljer modeller för interna system kan använda leaderboarden som ett konkret underlag i leverantörsbedömningen — vid sidan av prestanda och kostnad.
- Reasoning-modeller kräver explicit kostnadskalkyl: Att reasoning-modeller förbrukar 30–700 gånger mer energi än standardmodeller är direkt relevant för projekt som planerar att använda modeller som o3, Claude med extended thinking eller liknande. Energikostnaden bör inkluderas i projektkalkylens driftsbudget.
- Closed-source-modeller saknar energitransparens: De mest använda AI-modellerna i produktion är closed-source och saknar energidata i leaderboarden. Projektledare som ställer krav på hållbarhetsredovisning bör efterfråga energidata direkt från leverantören — och inkludera transparenskrav i upphandlingsunderlaget.
- AI-effektivitet förbättras inte automatiskt: Att majoriteten av modeller från oktober 2025 inte var mer energieffektiva än jämförbara modeller från februari 2025 motbevisar antagandet att ny AI alltid är mer effektiv. Det understryker vikten av att faktiskt mäta och jämföra energiförbrukning, inte anta förbättring.
Begrepp i artikeln
- AI Energy Score: Öppet projekt och leaderboard på Hugging Face som rankar AI-modellers energieffektivitet per uppgift med ett 1–5-stjärnigt betygssystem. Initierat av Sasha Luccioni m.fl.
- Reasoning-modell: AI-modell som genererar ett internt resonemang (chain-of-thought) innan den ger sitt slutsvar, vilket kraftigt ökar antalet output-tokens och därmed energiförbrukningen.
- TWh (terawattimme): Energienhet motsvarande en biljon wattimmar — används för att mäta energiförbrukning i stor skala, exempelvis för datacenter eller länder.
- Closed-source-modell: AI-modell vars arkitektur, vikter och träningsdata inte är offentligt tillgängliga. Inkluderar modeller från OpenAI, Anthropic och Google.
Vanliga frågor
Vad är AI Energy Score? AI Energy Score är ett öppet projekt på Hugging Face som rankar AI-modellers energieffektivitet med ett 1–5-stjärnigt betygssystem, liknande energimärkning för hushållsapparater. Leaderboarden rankade vid lanseringen i februari 2025 166 modeller över 10 uppgiftstyper inklusive textgenerering, sammanfattning och bildklassificering.
Hur fungerar betygssystemet i AI Energy Score? Modeller betygsätts relativt till andra modeller i samma uppgiftskategori och storleksklass. De 20 procent mest energieffektiva modellerna får fem stjärnor, de 20 procent minst effektiva får en stjärna. Betyget är inte ett absolut mått på energiförbrukning utan en jämförelse inom den utvärderade gruppen.
Förbrukar reasoning-modeller mer energi? Ja, betydligt mer. Reasoning-modeller använder i genomsnitt 30 gånger mer energi än standardmodeller. För specifika modeller med reasoning aktiverat jämfört med reasoning avstängt kan skillnaden vara 150–700 gånger, beroende på antalet output-tokens som genereras (källa: Hugging Face AI Energy Score v2, 2025-12-17).
Varför saknas de mest använda AI-modellerna i leaderboarden? 15 av de 20 mest använda AI-modellerna enligt OpenRouter är closed-source. Trots att AI Energy Score erbjuder ett säkert testförfarande via Docker har inga closed-source-leverantörer hittills skickat in sina produktionsmodeller för testning, vilket skapar ett gap i jämförelseunderlaget.
Källa: Hugging Face / AI Energy Score, Sasha Luccioni m.fl., publicerad 2026-05-06.
Läs även
- Koldioxidavtrycket från träning av GPT-4 – uppskattningar och energiförbrukning
- Meta tecknar 20-årigt kärnkraftsavtal med Constellation Energy för AI-infrastruktur
- Oracle köper Nvidia-chips för 40 miljarder dollar till OpenAI:s datacenter i Texas