Trenderna är tydliga: AI fortsätter att utvecklas i snabb takt samtidigt som efterfrågan på energi, datorkraft och digital infrastruktur ökar. Det innebär att både företag och privatpersoner kommer att behöva förhålla sig till högre krav på kapacitet, säkerhet och hållbarhet. Samtidigt blir AI-tjänster och modeller allt mer effektiva, vilket skapar nya möjligheter att öka produktiviteten, automatisera arbetsuppgifter och skapa större värde utan att investeringarna alltid behöver följa samma takt som den tekniska utvecklingen.
Vår rekommendation är att fokusera på verksamhetsnytta och långsiktiga beslut. Investeringar i ny teknik bör utgå från vilka effekter som kan uppnås, inte enbart från tekniska specifikationer. För många organisationer handlar det om att kombinera rätt AI-tjänster med en välplanerad IT-miljö där befintliga resurser används smart och kompletteras där behovet är som störst. Genom att kartlägga nuläge, behov och framtida mål går det att skapa bättre beslutsunderlag och säkerställa att investeringar i AI, infrastruktur och arbetsverktyg ger maximal effekt både idag och på längre sikt.
Hur mycket är en gigawatt?
En gigawatt är 1 000 000 000 watt, alltså en miljard watt. Eller 1 000 megawatt (MW). En vanlig LED lampa är cirka 10 W så 1 GW skulle kunna driva ungefär 100 miljoner sådana lampor samtidigt. En stor kärnkraftsreaktor ligger ofta runt 1 GW elektrisk effekt. Så när en sådan reaktor går nära full effekt pratar vi ungefär en gigawatt kontinuerligt.
När OpenAI (ChatGPT) presenterade sitt Stargate datacenterprojekt 2025 var målet att säkra 10 GW AI infrastruktur i USA till 2029. I april 2026 meddelade OpenAI att de redan hade passerat 10 GW kontrakterad/säkrad kapacitet. Dessutom har OpenAI och Nvidia en separat överenskommelse om att bygga ut minst 10 GW Nvidia baserade AI datacenter.
Anthropic och Amazon offentliggjorde i april 2026 ett avtal om upp till 5 GW ny AI beräkningskapacitet för Claude. Microsoft annonserade så sent som juni 2026 sitt nya Pecos campus i Texas. Bara det projektet ska öka Microsofts globala datacenterkapacitet med omkring 2 GW. Det är alltså ett enda campus dimensionerat för ungefär effekten från två stora kärnkraftsreaktorer.
Vad betyder det i AI termer? En gigawatt är motsvarande en standard kärnkraftsreaktor, och bara de stora projekt som offentliggjorts av OpenAI, Microsoft, Meta och Anthropic handlar om tiotals gigawatt kapacitet. Samtidigt räknar IEA med att världens datacenter totalt kommer behöva omkring 60 GW mer kontinuerlig effekt 2030.
Meta bygger Hyperion i Louisiana, som företaget beskriver som sitt största multi gigawatt AI training cluster. Bara byggnader, elkraft, kylning och nätverksinfrastruktur i Hyperion projektet är budgeterade till omkring 27 miljarder dollar.
Vad gör att all denna elektricitet behövs för AI?
OpenAI och NVIDIA:s 10 GW satsning säger uttryckligen att infrastrukturen kommer bestå av miljontals NVIDIA GPU:er. NVIDIA har samtidigt sagt att de kan investera upp till 100 miljarder dollar i OpenAI i takt med att kapaciteten byggs ut.
Microsoft’s Fairwater AI datacenter är byggda som gigantiska sammanhängande superdatorer och Microsoft uppger att deras nya anläggningar tillsammans kommer innehålla hundratusentals NVIDIA GB200 och GB300 GPU:er. Oracle ger oss ännu mer konkreta siffror för Stargate. OpenAI:s Stargate anläggning i Abilene, är konstruerad för kluster på upp till 800 000 NVIDIA GPU:er. Till det kommer CPU noder, storage, management servrar, switchar, optik och annan infrastruktur.
En intressant sak att tänka på är att 800 000 GPU:er inte betyder 800 000 komponenter. Det betyder snarare miljontals avancerade halvledarkomponenter. Bara HBM blir smått galet. Varje modern AI accelerator använder flera HBM stackar. Så när industrin går mot några miljoner AI GPU:er innebär det samtidigt tiotals miljoner HBM minneskretsar.
Sedan kommer nätverket. Ett AI datacenter fungerar fundamentalt annorlunda än ett normalt serverhallssystem eftersom nästan alla GPU:er måste kunna kommunicera väldigt snabbt med varandra. Microsoft har till och med byggt ett separat AI WAN mellan sina Fairwater datacenter och uppger att man installerade över 193 000 kilometer, ny fiber i USA på ett år för sin AI infrastruktur.
Vad är det som gör att så mycket gigawatt behövs? Hundratusentals grafikkort, hundratusentals processorer, miljontals halvledarkomponenter och nätverkskablage som mäts antal varv runt jorden (5 varv för microsoft).
Konsumentmarknaden - den stora förloraren
I många fall är datacenterkunder idag betydligt mer värdefulla än konsumentmarknaden för komponenttillverkare. Inte nödvändigtvis för att varje enskild komponent alltid har högre marginal, men för att kombinationen av pris, volym, kontraktslängd och återkommande efterfrågan är extremt attraktiv.
NVIDIA är det tydligaste exemplet. På ett kvartal omsatte Data Center 75,2 miljarder dollar. Hela NVIDIA omsatte 81,6 miljarder dollar. Det betyder att ungefär 92 % av omsättningen kom från datacenter. Datacenter stod också för 58 % av hela AMD:s omsättning det kvartalet och växte 107 % jämfört med året innan.
AI acceleratorer behöver HBM, High Bandwidth Memory. Det är betydligt mer avancerat och dyrbart än vanligt DDR5 eller GDDR som sitter i konsumentdatorer. Micron, som är en av de ledande tillverkarna, är ett väldigt bra exempel. Under Q3 FY2026 gjorde deras Cloud Memory Business Unit 13,77 miljarder dollar i omsättning. Micron säger själva att deras rekordresultat drivs av det strategiska värdet av minne i AI eran och att de investerar på rekordnivåer för att möta datacenterkundernas efterfrågan.
Kortfattat, om du sitter på en fabrik som kan producera avancerade GPU chip, HBM eller nätverkskretsar är Microsoft, Meta, Amazon, Google och OpenAI i regel betydligt mer attraktiva kunder än gamers, standard-företag och vanliga PC köpare.
Vem är egentligen kunden, du eller datacentret? AI jättarna vill säga att du är kunden. Men det gäller kortfattat deras AI produkt. Den stora, mest betalande kunden är dem själva. Komponenttillverkarnas överlägset mest vinstdrivande marknad är att fokusera på datacenter.
Det är egentligen den stora ekonomiska motorn bakom AI boomen. AI företagen slåss inte bara om modellerna. De slåss om världens fysiska produktionskapacitet för compute.
Den nya verkligheten
Gartner räknar med att DRAM priserna ökar omkring 125 % under 2026 och NAND (lagring) omkring 234 %, och säger uttryckligen att någon meningsfull prisavlastning inte väntas förrän sent 2027. Gartner beskriver konsekvensen ganska krasst: denna "memflation" kommer att slå ut eller skjuta upp efterfrågan som inte är AI relaterad ända in i 2028.
Morgan Stanley kommer fram till ungefär samma strukturella problem från ett annat håll. Trots att den globala DRAM waferkapaciteten väntas öka omkring 30 % till 2027 beräknas tillgången för PC, smartphones, fordon och industri ändå ligga 12 till 15 % under efterfrågan, eftersom tillverkarna prioriterar HBM och serverminne. För PC minne uppskattar Morgan Stanley underskottet till omkring 15 %, motsvarande minne till ungefär 58 miljoner datorer. För smartphones omkring 12 %, motsvarande cirka 134 miljoner telefoner.
TrendForce visar dessutom hur illa det kan slå mot en konkret dator. De har räknat på en notebook som tidigare kostade 900 dollar. Bara ökade minneskostnader kan enligt deras modell pressa priset upp mer än 30 %. Om även CPU kostnaden följer med kan samma maskin behöva bli nästan 40 % dyrare för att OEM och återförsäljare ska behålla sina marginaler.
Det intressanta är att det inte längre bara gäller RAM och SSD. TrendForce ser redan prishöjningar på 5 till 15 % för vissa äldre och mogna halvledarprocesser under 2026. Kapacitet som tidigare kunde gå till billiga consumerkretsar, styrkretsar, PMIC, display controllers och liknande flyttas mot mer lönsamma AI relaterade produkter. TrendForce förväntar sig ytterligare prishöjningar under 2027.
Varför ska du betala mer för IT om du inte ens är intresserad av AI? Allt man använder till vardags eller på arbetsplatsen idag innehåller komponenter som minne, lagring, processorer och andra halvledare, som nedprioriteras av den handfull tillverkare som finns, till förmån för massproduktion till datacenter. Den minskade produktionen som sen blir över och går till arbetsdatorn, mobiltelefonen och liknande blir därför dyrare på grund av brist på tillgång utan minskad efterfrågan.
Och det händer samtidigt som billigare produkter får mindre RAM och mindre SSD för att hålla priset nere. IDC nämner uttryckligen scenariot att en produkt som tidigare fick 16 GB RAM istället kan få 8 GB till ungefär samma pris.
Gartner går faktiskt ännu längre. De tror att PC segmentet under 500 dollar i praktiken försvinner till 2028, eftersom minne då tar så stor del av BOM kostnaden att OEM tillverkarna inte längre kan tjäna pengar på riktigt billiga datorer.
Och så den tråkiga verkligheten
AI datacenter fungerar just nu som en enorm ny industriell efterfrågechock. De konkurrerar inte bara om el och GPU:er. De konkurrerar om nätkapacitet, transformatorer, koppar, minne, SSD:er, avancerad chipproduktion, kylsystem, byggkapacitet, mark och finansiering. Och en del av den kostnaden sipprar vidare till vanliga hushåll och företag.
IEA räknar med att världens datacenterförbrukning mer än fördubblas till omkring 945 TWh år 2030 (ungefär 108 gigawatt kontinuerlig effekt), där AI står för den största delen av ökningen. I västvärlden väntas datacenter stå för mer än 20 % av all tillväxt i efterfrågan på el fram till 2030. I USA handlar det om nästan hälften av ökningen i elanvändning. För ett vanligt företag är effekten större, eftersom el finns inbakad i nästan allt. Butiken betalar el. Lagret betalar el. Fabriken betalar el. Restaurangen betalar el. Transportsektorn använder allt mer elektricitet. Serverhallen och kontoret gör det också.
Sedan har vi datorhårdvaran, och där är sambandet mycket mer direkt. AI datacenter köper enorma mängder HBM, DRAM, NAND och avancerade halvledare. IDC beskriver minnesmarknaden som strukturellt förändrad eftersom producenter prioriterar server, HBM och AI produkter framför traditionell konsumentelektronik. IDC bedömer att den här obalansen består genom 2027 och i vissa segment längre.
För gemene man betyder det: dyrare datorer, dyrare smartphones, dyrare RAM, dyrare SSD, dyrare grafikkort, och framför allt sämre specifikationer för samma pengar. Det här slår även direkt mot IT budgetar utan att företaget egentligen har köpt någon AI alls.
Sedan kommer en kategori som nästan aldrig diskuteras när folk pratar AI: koppar och elektrisk infrastruktur. Ett gigawattdatacenter behöver groteska mängder koppar. S&P Global uppskattar att global efterfrågan på koppar går från omkring 28,3 miljoner ton 2025 till 42,4 miljoner ton 2040. Här börjar vi lämna IT världen. Dyrare koppar påverkar: elnät, fastigheter, fordon, värmepumpar, elmotorer, maskiner, industri, elektronik, laddstationer, solceller, vindkraft, m.m.
För en vanlig privatperson och vanliga företag tror jag den mest märkbara kombinationen 2027 till 2030 blir dyrare elektronik, längre förväntad livslängd på befintliga datorer och telefoner samt lokalt högre elkostnader där nätet är hårt belastat.
Vad kan du förvänta dig de kommande tre åren? Minskad prestanda på teknik, till en högre kostnad. Längre användning av utrustning innan byte blir aktuellt. Mer samtal och debatter om elpriser. Effekter av kopparbrist som spiller över till områden utanför teknikvärlden. Och snabbare och effektivare AI modeller.
Mitt framtida jag
År 2030 ber jag AI: ”Kan du svara på det här mejlet åt mig?”. Och datorn svarar ”Redan gjort.” För att AI redan visste att jag skulle svara på det. Vad den svarade? Det återstår att se.
Skribent: Jonathan Gryveken
Läs mer
IEA: AI och datacenters växande elbehov fram till 2030
Gartner: Hur stigande minneskostnader påverkar PC- och smartphone-marknaden
Tidigare blogginlägg: Teknik som blivit verklighet - Var är vi på väg med AI?