AI en duurzaamheid — hoeveel energie verbruikt AI?

De energievraag van de AI-revolutie

De AI-revolutie is niet kosteloos. Achter elke chatgesprek, elk gegenereerd beeld en elke automatische aanbeveling gaat een enorme fysieke infrastructuur schuil: servers, koelsystemen, stroomkabels en generatoren. De energiebehoefte van AI groeit exponentieel — en dit heeft reele consequenties voor stroomnetten, waterbronnen en CO₂-uitstoot.

Tegelijkertijd is AI misschien ook het krachtigste gereedschap dat we hebben om de klimaatcrisis aan te pakken. De vraag is niet simpelweg “is AI slecht voor het milieu”, maar “wegen de voordelen op tegen de kosten, en hoe minimaliseren we de kosten?”

Hoeveel energie verbruikt AI precies?

Training: de eenmalige grote investering

Het trainen van een groot AI-model is een enorm eenmalig project:

• GPT-3 (2020): naar schatting 1.300 MWh energie voor de volledige training — vergelijkbaar met het jaarverbruik van circa 130 Nederlandse huishoudens
• GPT-4 (2023): OpenAI publiceert geen cijfers, maar schattingen lopen op tot 100.000 MWh — genoeg voor 10.000 huishoudens een jaar
• Llama 3 70B (Meta, 2024): Meta rapporteerde 6,94 miljoen GPU-uren, wat overeenkomt met circa 1.700 MWh directe GPU-energie (plus overhead voor koeling)

Trainingenergie is een eenmalige investering die over miljoenen gebruikers wordt gedeeld. De koolstofvoetafdruk per gebruikerssessie is verwaarloosbaar ten opzichte van het totale trainingsverbruik.

Inference: de doorlopende kosten

Elke keer dat een gebruiker een vraag stelt aan ChatGPT, Claude of Gemini, wordt energie verbruikt:

• GPT-4 query: Geschat op 0,001–0,01 kWh per langere conversatie — 10x meer dan een Google-zoekopdracht (0,0003 kWh)
• ChatGPT dagelijks gebruik: Met 300 miljoen wekelijkse gebruikers en meerdere sessies per dag vereist alleen ChatGPT al tienduizenden servers die permanent actief zijn
• Beeldgeneratie: Is energiezuiger per gebruikersinteractie dan conversationele AI

Het verschil met Google zoeken is groot: een zoekquery is een indexopzoekactie; een ChatGPT-vraag vereist het genereren van tokens via een miljarden-parameter model.

Het totaalplaatje: datacenters

De IEA (International Energy Agency) rapporteerde in 2024:

• Datacenters verbruikten in 2022 circa 240–340 TWh — 1% van het wereldwijde elektriciteitsverbruik
• Prognose voor 2026: 500+ TWh, aangedreven door AI-groei
• Ter vergelijking: heel Japan verbruikt circa 950 TWh per jaar

Microsoft’s CO₂-uitstoot steeg met 29% in 2023 ten opzichte van 2020, grotendeels door AI-datacenter-uitbreiding. Google meldde een stijging van 48% over dezelfde periode.

Waterconsumptie: het vergeten probleem

Datacenters koelen hun servers via watercircuits. Dit verbruikt enorme hoeveelheden:

• Microsoft verbruikte 6,4 miljoen m³ water in 2022 voor datacenter-koeling
• Google: 21 miljoen m³ in 2022
• Nieuwe hyperscale datacenters in Arizona en Nevada — regio’s met ernstige droogte — vereisen duizenden kubieke meters water per dag

Dit heeft geleid tot lokale conflicten in waterschaarse gebieden. In Ierland, een van Europa’s grootste datacenter-hubs, zijn drinkwaterbeheerproblemen gedeeltelijk te wijten aan datacenter-verbruik.

De CO₂-uitstoot in perspectief

Is AI’s CO₂-uitstoot vergeleken met andere sectoren groot of klein?

• De wereldwijde luchtvaartsector: circa 2–2,5% van CO₂-uitstoot
• Alle ICT gecombineerd: 1,8–2,8% van CO₂-uitstoot
• AI specifiek: nog altijd een klein percentage van ICT-totaal, maar snelst groeiend

Het probleem is de groeivoet. Als AI-gebruik de komende vijf jaar vertienvoudigt (plausibel), en efficiëntieverbeteringen houden die groei niet bij, wordt AI’s bijdrage significant.

Efficiëntie-innovaties: AI wordt groener

Efficiëntere chips

NVIDIA’s Blackwell B200 (2025) levert 2,5x meer AI-rekenkracht per watt dan de H100. Naarmate chips efficiënter worden, daalt de energie per query. Moore’s law voor energie-efficiëntie is actief.

Kleinere, efficiëntere modellen

Een van de meest impactvolle trends: dezelfde prestaties met minder rekenkracht. DeepSeek V3 presteerde vergelijkbaar met GPT-4o maar gebruikte radicaal minder rekenkracht. Microsoft’s Phi-4 presteert op wiskundige taken beter dan veel grotere modellen. Kwantisatie (modellen comprimeren van 32-bit naar 4-bit) vermindert energie per inference met factor 4–8.

Mixture of Experts (MoE)

In plaats van alle parameters te activeren per query, activeren MoE-architecturen slechts een klein deel. GPT-4 en Mistral’s Mixtral gebruiken dit principe. De totale parametercount is groot, maar de effectieve computatielast per query is klein.

On-device AI

Kleine modellen die op smartphones en laptops draaien vermijden volledig de serverreis. Apple’s on-device modellen (iOS 18+), Qualcomm’s edge AI-chips en Google’s Gemini Nano voor Android zijn het begin van een fundamentele verschuiving.

Betere koeltechnologie

• Vloeibare koeling vervangt luchtkoeling bij de nieuwste generatie datacenters — 30–40% efficiënter
• Onderwaterdatacenters (Microsoft’s Project Natick) gebruiken de zee als koelmedium
• Warmteretur: datacenters leveren overtollige warmte aan stadsverwarming

AI als klimaatoplossing

Paradoxaal genoeg is AI ook een krachtig gereedschap in de strijd tegen klimaatverandering:

Energienetten optimaliseren

Google’s DeepMind-team reduceerde de koelenergie van Google’s datacenters zelf met 40% via reinforcement learning. Dezelfde aanpak wordt toegepast op stroomnetten: AI voorspelt vraag-en-aanbod en optimaliseert de mix van energiebronnen in realtime.

Materiaalonderzoek

AlphaFold van Google heeft de eiwitstructuur-revolutie gedreven. Vergelijkbare AI-tools worden ingezet voor het ontwerpen van:

• Efficiëntere zonnecellen
• Betere batterijen voor elektrische voertuigen
• Nieuwe katalysatoren voor groene waterstof
• CO₂-opslagmaterialen

Klimaatmodellering

AI-modellen versnellen weersvoorspellingen en klimaatsimulaties drastisch. Google’s GraphCast genereert 10-daagse weersverwachtingen in minuten in plaats van uren. Dit verbetert de planning van zonne- en windenergie en rampenpreventie.

Bewakingssystemen

Satellietbeelden + AI monitoren ontbossing, ijskapsmelt, methaan-lekken bij oliebronnen en CO₂-uitstoot van fabrieken in realtime. Dit maakt klimaatbeleid evidence-based en naleving controleerbaar.

De netto-balans: is AI goed of slecht voor het klimaat?

Er is geen simpel antwoord. De werkelijkheid is:

• Vandaag: AI verbruikt significant energie en de groei is sneller dan de efficiëntieverbeteringen
• Toekomst: Als AI bijdraagt aan doorbraken in schone energie, materiaalonderzoek en klimaatoptimalisatie, kan de netto bijdrage positief zijn
• Kritisch: De meeste huidige AI-energie gaat naar consumentenproducten en advertentiesystemen, niet naar klimaatoplossingen

De verantwoordelijkheid ligt bij:

• AI-bedrijven: Investeer in efficiënte modellen en groene energie
• Overheden: Stel eisen aan datacenter-energie en CO₂-rapportage
• Gebruikers: Wees bewust van je AI-verbruik; gebruik efficiënte modellen voor eenvoudige taken