Efterfrågan på processorer i datacenter har stigit kraftigt under 2026 och AI-agenter är en stor del av förklaringen. Medan grafikprocessorer (GPU) fått mest uppmärksamhet under AI-boomen, visar det sig nu att CPU:erna blir en flaskhals. En AI-agent som bokar din resa, sammanställer ett dokument eller kör en kedja av verktygsanrop lutar sig tungt mot vanliga processorer, inte bara GPU:er. Det ändrar hur de största molnföretagen bygger sina serverhallar.
Det här handlar inte om chippen i din egen dator. Men det förklarar varför priserna på minne och komponenter rört på sig och varför tillgången på färdiga servrar påverkar hela marknaden.
Skillnaden mellan att träna en modell och att köra en AI-agent
En språkmodell tränas på GPU:er. Där gör grafikprocessorerna det tunga arbetet med enorma matrisberäkningar, dygnet runt, i veckor. Det är den bild de flesta har av AI-infrastruktur.
Men en AI-agent i drift fungerar annorlunda. Agenten planerar steg, anropar externa verktyg, väntar på svar, tolkar resultat och bestämmer nästa steg. Mycket av det arbetet är logik och samordning, inte matrisberäkningar. Och den typen av arbete passar CPU:n bättre än GPU:n.
Ju fler agenter som körs samtidigt, desto mer CPU-kapacitet behövs för att mata och styra GPU:erna. En GPU som väntar på att processorn ska förbereda nästa uppgift är en dyr GPU som står stilla. AMD har beskrivit hur agentbaserad AI förändrar hela CPU-GPU-ekvationen, just för att arbetsflödet ser annorlunda ut än ren modellträning.
Varför CPU/GPU-kvoten avgör hyperscalers strategi
Balansen mellan hur många CPU:er och GPU:er ett datacenter innehåller kallas CPU/GPU-kvoten. Under träningsboomen låg fokus nästan uteslutande på att stapla GPU:er. Med agenter i produktion blir förhållandet viktigare.
En server byggd för träning kan ha få CPU:er per GPU. En server byggd för att köra tusentals agenter parallellt behöver fler CPU-kärnor för att inte skapa köer. Får de största molnföretagen kvoten fel, betalar de för dyr GPU-kapacitet som inte utnyttjas fullt ut.
Det här är en av anledningarna till att nya serverprocessorer med extremt många kärnor blivit intressanta. Arm har tagit fram en datacenterprocessor med 136 kärnor riktad mot just AI-infrastruktur och konkurrensen med Intel och AMD hårdnar i det segmentet.
Vad det kostar i el och kyla
Datacenter förbrukar redan cirka 415 terawattimmar (TWh) per år globalt, ungefär 1,5 procent av världens totala elanvändning. Inom EU står serverhallarna för runt 3 procent av elförbrukningen, vilket motsvarar elbehovet hos ungefär 4 miljoner hushåll.
Tillväxttakten är det som gör siffrorna svindlande:
- 2025: datacenter förbrukade omkring 447 TWh
- 2026: förbrukningen väntas nå 565 TWh, en ökning på 26 procent
- 2030: prognosen pekar mot 945 TWh per år, mer än en fördubbling från idag
Effektbehovet följer samma kurva. Under 2026 kräver datacenter runt 132 gigawatt (GW), upp från 104 GW året innan. Till 2030 väntas behovet nästan tredubblas till 290 GW. AI-optimerade servrar väntas stå för 31 procent av datacentrens totala elförbrukning under 2026 och redan 2027 tros de dra mer el än traditionella servrar för första gången.
Det handlar inte bara om el. Kylningen krävde över 260 miljarder gallon vatten under 2025, eftersom nästan all el i slutänden blir värme som måste ledas bort. I torkbenägna regioner skapar det driftsrisker som inte fanns på kartan för tio år sedan.
Elnätet har blivit den verkliga flaskhalsen
Det som bromsar utbyggnaden är inte längre bristen på chip. Det är strömmen. Elnätet har blivit den stora flaskhalsen för AI-datacenter och det märks internationellt. I Nederländerna har nätet kapacitetsproblem på flera platser, väntetiderna för att ansluta nya datacenter kan bli långa och byggplaner skjuts upp.
De största teknikföretagen svarar med att bygga egen kraft. Microsoft, Google och Amazon investerar miljardbelopp i nya datacenter och kärnkraftsprojekt för att säkra egen elproduktion. Mycket av den nya kapaciteten väntas dock inte stå klar förrän tidigast mot slutet av decenniet.
Tillgången på el har blivit den avgörande faktorn för hur snabbt AI-kapaciteten kan byggas ut. Ett stort datacenter kan dra lika mycket el som en medelstor stad under ett dygn. TrendForce har analyserat hur balansen mellan CPU och GPU påverkar denna utbyggnad och pekar på att arkitekturvalet får allt större betydelse när effekten är begränsad.
Vad energin räcker till per AI-fråga
Enskilda frågor låter obetydliga tills man räknar samman dem. Globalt ställs cirka 700 miljoner AI-frågor varje dag.
Skillnaden mellan modeller är enorm. De tyngsta modellerna drar över 29 wattimmar (Wh) för ett enda långt prompt. De mest effektiva systemen klarar samma uppgift på cirka 0,42 Wh. Det betyder att en tung modell förbrukar 65 gånger mer energi än en effektiv för samma svar.
Multiplicerat med 700 miljoner frågor om dagen blir valet av modell en energifråga i sig, inte bara en fråga om kvalitet. Och när agenter kör flera frågor i kedja för en enda uppgift, staplas förbrukningen snabbt.
Vad det betyder för dig som privatperson
Du köper inte serverprocessorer. Men utvecklingen når din plånbok ändå.
När molnföretagen slåss om samma komponenter, minne och tillverkningskapacitet som konsumentmarknaden, pressas priserna uppåt. Det syns redan i minnespriserna och budgetlaptops har fått anpassa sig efter läget. Vill du förstå prispressen bättre finns mer om det i vår artikel om hur Snapdragon C ska rädda budgetlaptopen från DRAM-priserna.
Den andra effekten är mer diffus men lika verklig. Ju fler AI-agenter som körs åt dig i bakgrunden, desto mer energi förbrukas någonstans. Det är värt att veta att en enkel AI-fråga och en agent som utför tio steg åt dig kostar helt olika mycket i el. Vi har skrivit mer om baksidan av tekniken i artikeln om att användningen av autonoma AI-agenter ökar men riskerna är stora.
FAQ
Hur AI-agenter använder CPU:er tillsammans med GPU:er
AI-agenter planerar steg, anropar verktyg och samordnar arbetsflöden, vilket är logikarbete som passar CPU:n bättre än GPU:n. GPU:erna gör de tunga beräkningarna men utan tillräckligt med CPU-kapacitet står de dyra grafikprocessorerna och väntar. Därför stiger efterfrågan på serverprocessorer i takt med att fler agenter körs i produktion.
Vad är CPU/GPU-kvoten?
CPU/GPU-kvoten är förhållandet mellan antalet processorer och grafikprocessorer i ett datacenter. En server byggd för att träna modeller behöver få CPU:er per GPU, medan en server som kör många AI-agenter parallellt behöver fler CPU-kärnor. Rätt balans avgör hur effektivt de dyra GPU:erna utnyttjas.
Hur mycket el förbrukar datacenter idag?
Datacenter förbrukar cirka 415 TWh per år globalt, ungefär 1,5 procent av världens totala elanvändning. Förbrukningen väntas nå 565 TWh under 2026 och 945 TWh år 2030, en ökning som drivs nästan uteslutande av AI.
Påverkar datacenter-boomen priset på vanliga datorkomponenter?
Ja. När molnföretagen konkurrerar om samma minne, chip och tillverkningskapacitet som konsumentmarknaden pressas priserna uppåt. Det märks särskilt på minnespriser, som har stigit och tvingat tillverkare att anpassa budgetdatorer efter läget.
Varför är elnätet en flaskhals för AI-datacenter?
Bristen på chip är inte längre det som bromsar utbyggnaden, utan tillgången på ström. Elnätet har svårt att leverera tillräcklig effekt och i länder som Nederländerna leder det till långa väntetider och uppskjutna byggplaner. Ny elproduktion väntas i många fall inte stå klar förrän mot slutet av decenniet.
Hur mycket energi drar en enda AI-fråga?
De tyngsta AI-modellerna drar över 29 Wh för ett långt prompt, medan de mest effektiva systemen klarar samma uppgift på cirka 0,42 Wh. Skillnaden är alltså upp till 65 gånger. Med runt 700 miljoner AI-frågor varje dag globalt blir valet av modell en betydande energifråga.
Fredrik Albinsson är chefredaktör för PC Concept och har varit med sedan sajten grundades. Med över 15 års erfarenhet inom IT och teknikjournalistik leder han redaktionens arbete och sätter riktningen för innehållet. Han bevakar framför allt utvecklingen inom digitala tjänster och appar.