KI-infrastruktur og elnettet: Når millisekunder truer stabiliteten

Det undervurderede problem: Ikke kun hvor meget, men hvordan AI forbruger strøm

Debatten om kunstig intelligens' sultne energiforbrug handler næsten udelukkende om mængder. Det Internationale Energiagentur (IEA) forudsiger, at datacentre inden udgangen af dette årti kan udgøre tre til fire procent af det globale strømforbrug – et tal, der regelmæssigt dukker op i overskrifter og tvinger energiselskaber verden over til at revidere deres langsigtede prognoser. Men dette perspektiv er for snævert. Den egentlige stresstest for elnettet ligger ikke i forbrugets volumen, men i dets tidsmæssige mønster og uforudsigelighed.

Fagbladet IEEE Spectrum har nu taget fat på dette strukturelle problem i en bemærkelsesværdig analyse: Højtætheds-compute-klynger, som er nødvendige til træning og drift af moderne AI-modeller, skaber et nyt lastprofil, der bringer netoperatørernes klassiske planlægningsmetoder til deres grænser. For virksomheder, der anvender eller opbygger AI-infrastruktur, er dette en relevant udvikling – selv om det i første omgang føles som et rent teknisk infrastrukturproblem.

Træning versus inferens: To fundamentalt forskellige lastprofiler

For at forstå problemet er en grundlæggende sondring nødvendig: skellet mellem træning og inferens i AI-systemer. Ved træning – dvs. selve læringsprocessen for en model – drives tusindvis af GPU'er, TPU'er og specialiserede acceleratorer i høj grad synkroniseret og parallelt. Lasten er tæt, planlagt og tidsmæssigt koncentreret. Inferens derimod – altså brugen af en allerede trænet model til konkrete forespørgsler – er mere distribueret, brugerdrevet og dermed betydeligt mindre forudsigelig i tid og sted.

Begge lastprofiler adskiller sig fundamentalt fra klassiske industrikunder. Det egentlig udfordrende: Compute-workloads kan generere massive lasttrin på meget kort tid – til tider inden for millisekunder. Netoperatører taler her om såkaldte "step changes", dvs. pludselige spring i strømbehovet, som kan belaste frekvensreguleringssystemer, reservekapaciteter og lokal transmissionsinfrastruktur samtidigt.

„Det egentlige problem er ikke mere strøm – det er anderledes strøm. AI-infrastruktur opfører sig i nettet som et nyt dyr, som de eksisterende bure ikke er bygget til."

Denne vurdering stemmer overens med, hvad Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, observerer i praksis: Virksomheder, der integrerer AI-agenter og automatiserede workflows i deres processer, tager infrastruktursiden af deres AI-anvendelse for givet – og netop dette lag er i stigende grad udsat for en systemisk risiko.

Geografisk koncentration som forstærker

En anden faktor, der næsten ikke tiltrækker opmærksomhed i den offentlige bevidsthed, er den geografiske koncentration af datacentrekapaciteter. Regioner som Northern Virginia – ofte omtalt som "Data Center Alley" – huser verdens største koncentration af hyperscale-faciliteter. Også i Europa findes lignende tætbefolkede centre, f.eks. omkring Dublin, Amsterdam eller Frankfurt.

Konsekvensen: Selv hvis det overregionale strømnet samlet set har tilstrækkelig kapacitet, kan lokale belastningstoppe overbelaste transformerstationer, transmissionskorridorer og regionale udligningssystemer. En pludselig stigning i forbruget i et geografisk snævert afgrænset cluster er muligvis usynlig på systemniveau – men yderst relevant på lokalt niveau. Energileverandører som Dominion Energy i Virginia har allerede identificeret denne dynamik som den primære drivkraft bag deres fremtidige lastplanlægning.

Hertil kommer en fysisk interessant koblingseffekt: Køleinfrastrukturen i moderne højydelsesdatacentre reagerer ikke-lineært på ændrede workloads. Når beregningsintensiteten stiger, stiger behovet for køling ligeledes – og denne stigning følger ingen lineær kurve. Fluktuationer i compute-lasten forplanter sig dermed gennem flere lag af en facilitets samlede energibehov og multiplicerer effekten på nettet.

Hvorfor dette er relevant for erhvervskunder

Ved første øjekast fremstår netstabilitet som et problem for infrastrukturoperatører og energileverandører. Men implikationerne rækker videre – helt ind i driftsstrategien for virksomheder, der anvender KI-tjenester eller driver egne beregningskapaciteter:

• Tilgængelighedsrisici: Lokale netinstabiliteter kan føre til uplanlagte udfald eller begrænsninger hos cloud-udbydere og colocation-operatører – med direkte konsekvenser for forretningskritiske KI-workflows.
• Energiomkostninger og prisvolatilitet: Netbelastninger i tætbefolkede områder kan føre til prisstigninger på spotmarkeder, hvilket gør driftsomkostningerne for egne compute-kapaciteter sværere at beregne.
• Regulatoriske udviklinger: I Europa, særligt i forbindelse med EU AI Act og det reviderede energieffektivitetsdirektiv, må det forventes, at datacentre i stigende grad forpligtes til aktivt at bidrage til netstabiliteten – for eksempel gennem demand-response-mekanismer.
• Lokationsbeslutninger: Den, der planlægger egne on-premise GPU-clustere eller investerer i regional cloud-infrastruktur, bør medtænke den lokale netkapacitet og -stabilitet som en strategisk parameter.

Tekniske modforanstaltninger – og deres begrænsninger

Datacenteroperatører er ikke passive. Batteribuffere, effektkonditioneringssystemer og superkondensatorer anvendes i stigende grad til lokalt at afbøde kortsigtede lastsvingninger. Disse foranstaltninger hjælper – men de løser ikke det strukturelle problem. Jo flere højdensitets compute-clustere der er aktive parallelt i et net, desto mere komplekst bliver samspillet mellem dynamisk efterspørgsel og ligeledes tiltagende volatil indspejsning fra vedvarende energikilder.

Her ligger en ofte overset asymmetri: Volatiliteten fra vedvarende energi er udbudssidig og koblet til vejrforhold – den lader sig i det mindste meteorologisk forudse. Volatiliteten fra KI-workloads er efterspørgselssidig og drives af scheduling-beslutninger, synkroniseringsadfærd i distribuerede systemer og kortsigtede forbrugstoppe. National Renewable Energy Laboratory (NREL) har påpeget den voksende kompleksitet, der opstår ved den samtidige integration af højdynamiske producenter og højdynamiske forbrugere.

Perspektivering: Hvad virksomheder kan gøre nu

For virksomheder, der anvender KI-agenter og automatiserede workflows strategisk, giver denne udvikling en klar handlingsanbefaling: Infrastrukturafhængigheden i deres KI-systemer bør ikke betragtes som en konstant, men som en variabel, der aktivt skal styres.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, anbefaler i den forbindelse at være eksplicit opmærksom på geografisk diversificering og failover-kapacitet ved valg af cloud-udbydere og arkitektur af KI-workflows. „Den, der anvender KI-agenter, som selvstændigt udfører forretningskritiske processer, har brug for ikke blot en pålidelig softwarearkitektur – men også en pålidelig infrastruktur herunder," lyder vurderingen fra praksis.

• Gør infrastrukturrisici transparente: Gennemgå cloud-udbyderes SLA'er for bestemmelser om netværksbetingede udfald.
• Gentænk workload-scheduling: Ikke alle KI-workloads behøver at køre i realtid – asynkron behandling kan reducere belastningstoppe og sænke omkostninger.
• Multi-cloud og regional fordeling: Geografisk spredning af compute-ressourcer øger resiliensen over for lokale netværksproblemer.
• Tænk energistrategi integreret: Den, der driver egne GPU-kapaciteter, bør betragte demand-response-kapabiliteter som et strategisk aktiv og ikke blot som en omkostningsfaktor.

Fremtidsperspektiv: En systemisk risiko, der stadig undervurderes

Analysen fra IEEE Spectrum gør det tydeligt, at energidiskursen omkring KI har brug for en udvidelse. Spørgsmålet er ikke længere alene, om kapaciteterne er tilstrækkelige, men om den eksisterende netværksinfrastruktur kan håndtere adfærdsprofilen for KI-infrastruktur. I betragtning af at KI-workloads fortsat vokser, bliver tættere og synkroniserer sig stærkere, må det forventes, at netværksstabilitet i de kommende år vil blive et stadig mere strategisk relevant emne for virksomheder, regulatorer og infrastrukturoperatører.

For virksomheder, der i dag investerer i KI-understøttet automatisering, er det umagen værd at anticipere denne tendens tidligt – ikke ud fra alarmisme, men ud fra strategisk fremsyn. For pålidelig KI forudsætter pålidelig infrastruktur, og denne pålidelighed er mindre selvfølgelig, end det aktuelle komfortniveau ved mange cloud-tjenester antyder.