AI kost veel energie omdat AI-modellen draaien op krachtige computers die grote aantallen berekeningen uitvoeren. Vooral het trainen van modellen, het verwerken van miljoenen prompts en het koelen van datacenters vragen veel elektriciteit.
AI lijkt digitaal en onzichtbaar, maar achter iedere chatbot, afbeeldinggenerator en andere AI-toepassing staat fysieke infrastructuur. In dit artikel leg ik stap voor stap uit waar het energieverbruik vandaan komt, wat het verschil is tussen training en dagelijks gebruik en waarom stroomverbruik niet automatisch hetzelfde is als CO₂-uitstoot.
Kort uitgelegd: AI kost energie doordat krachtige chips grote hoeveelheden berekeningen uitvoeren. Daar komen koeling, gegevensopslag, netwerkverkeer en andere infrastructuur bij. Eén afzonderlijke prompt gebruikt meestal weinig energie, maar het totale verbruik loopt snel op wanneer miljoenen mensen AI tegelijk gebruiken.
Bekijk de uitlegvideo
Bekijk je de uitleg liever als video? In de video Waarom kost AI zoveel energie? leg ik in ongeveer vier minuten uit waarom AI energie gebruikt, welke rol training en dagelijks gebruik spelen en waarom datacenters ook stroom nodig hebben voor koeling en infrastructuur.
AI draait op krachtige computers
Een AI-model draait niet alleen op je telefoon of laptop. Je vraag wordt meestal doorgestuurd naar een datacenter, een gebouw met grote aantallen servers. Voor moderne AI worden vaak gespecialiseerde chips gebruikt, zoals GPU’s. Die kunnen veel berekeningen tegelijk uitvoeren en zijn daardoor geschikt voor het trainen en gebruiken van neurale netwerken.
Volgens het Internationaal Energieagentschap, de IEA, zijn servers gemiddeld verantwoordelijk voor ongeveer 60 procent van het elektriciteitsgebruik in moderne datacenters. Het precieze aandeel verschilt per type datacenter en toepassing. Opslag, netwerkapparatuur, noodstroomvoorzieningen en koeling gebruiken het overige deel.
Wil je eerst begrijpen wat AI precies is? Lees dan ook Wat is kunstmatige intelligentie? Een eenvoudige introductie.
Training vraagt veel rekenkracht
Voordat een AI-model gebruikt kan worden, moet het meestal worden getraind. Tijdens die training verwerkt het model grote hoeveelheden voorbeelden. Het voorspelt een uitkomst, vergelijkt die met het juiste antwoord, past interne waarden aan en herhaalt dit proces zeer vaak.
Bij grote modellen kunnen veel krachtige chips weken of maanden tegelijk actief zijn. Hoe groter het model, hoe groter de dataset en hoe uitgebreider de experimenten, hoe meer rekenwerk doorgaans nodig is. Ook mislukte trainingsrondes, tests en latere verbeteringen tellen mee in het totale energiegebruik.
Het is daarom te eenvoudig om alleen naar de laatste trainingsronde van één model te kijken. De ontwikkeling van AI omvat vaak meerdere versies, proefopstellingen en aanvullende trainingen.
Ook iedere prompt kost energie
Na de training begint het dagelijkse gebruik. Dit heet inference, oftewel het moment waarop een getraind model een antwoord, afbeelding of andere uitvoer maakt. Iedere prompt activeert servers die berekeningen uitvoeren om stap voor stap een resultaat te produceren.
Voor één korte vraag kan het energiegebruik beperkt zijn. Het totaal wordt echter groot wanneer miljoenen gebruikers meerdere keren per dag AI gebruiken. Ook de soort taak telt mee. Een korte tekst classificeren vraagt meestal minder rekenwerk dan een lang antwoord genereren, ingewikkelde code schrijven, uitgebreid redeneren of een afbeelding maken.
Onderzoek laat bovendien zien dat het energiegebruik sterk kan verschillen tussen modellen. Bij een vergelijking van zeventien modellen voor beeldgeneratie werd zelfs een verschil tot een factor 46 gemeten. Een vaste uitspraak zoals “één AI-afbeelding staat gelijk aan één telefoonoplading” is daarom te algemeen. Modelkeuze, hardware, afbeeldingsgrootte en instellingen maken veel verschil.
Koeling en infrastructuur tellen mee
Chips zetten een deel van de gebruikte elektriciteit om in warmte. Datacenters moeten die warmte afvoeren om storingen en schade te voorkomen. Daarvoor worden ventilatoren, pompen, koelinstallaties en soms waterkoeling gebruikt.
De IEA schat dat koeling ongeveer 7 procent van het elektriciteitsgebruik kan vormen in zeer efficiënte hyperscale datacenters. Bij minder efficiënte bedrijfsdatacenters kan dit oplopen tot meer dan 30 procent. Daarnaast zijn elektriciteit nodig voor opslag, interne netwerken, noodstroom en andere ondersteunende systemen.
Hoeveel stroom gebruiken datacenters?
Datacenters gebruikten volgens de IEA in 2024 wereldwijd ongeveer 415 terawattuur elektriciteit. Dat was circa 1,5 procent van het wereldwijde elektriciteitsgebruik. De IEA verwacht dat het verbruik richting 2030 ongeveer kan verdubbelen tot rond 950 terawattuur, ongeveer 3 procent van de mondiale vraag naar elektriciteit.
Niet al deze elektriciteit is uitsluitend voor AI. Datacenters verwerken ook websites, videostreaming, cloudopslag, bedrijfssoftware en andere digitale diensten. AI is volgens de IEA wel de belangrijkste aanjager van de verwachte groei.
Wereldwijd blijft het aandeel van datacenters relatief beperkt vergeleken met het totale elektriciteitsgebruik. Lokaal kan de impact veel groter zijn, omdat grote datacenters vaak dicht bij elkaar staan en veel vermogen op één elektriciteitsnet vragen.
Energieverbruik is niet hetzelfde als uitstoot
Een AI-systeem dat veel elektriciteit gebruikt, veroorzaakt niet automatisch overal evenveel CO₂-uitstoot. Dat hangt af van de manier waarop de elektriciteit wordt opgewekt. Een datacenter dat op een elektriciteitsnet met veel wind, zon of kernenergie draait, heeft doorgaans een andere klimaatimpact dan een datacenter dat vooral stroom uit kolen of gas gebruikt.
Daarom zijn drie vragen belangrijk: hoeveel energie wordt gebruikt, op welk moment gebeurt dat en welke energiebronnen leveren de stroom? Ook de productie van chips, de bouw van datacenters en het gebruik van water en grondstoffen horen bij de bredere milieu-impact, maar vallen niet altijd onder cijfers over elektriciteitsgebruik.
Wordt AI steeds zuiniger?
AI kan efficiënter worden door betere chips, kleinere modellen, slimmere software en technieken die minder berekeningen nodig hebben. Onderzoek naar taalmodellen laat zien dat passende optimalisaties het energiegebruik van inference aanzienlijk kunnen verlagen. Ook kan een kleiner gespecialiseerd model voor een afgebakende taak veel efficiënter zijn dan een groot algemeen model.
Efficiëntie alleen garandeert echter niet dat het totale energiegebruik daalt. Wanneer AI goedkoper en sneller wordt, kan het gebruik juist sterk toenemen. Dit wordt soms het terugslageffect genoemd. Zuiniger AI per taak kan daardoor samengaan met een hoger totaalverbruik.
Kun je zelf energiezuiniger omgaan met AI?
Als individuele gebruiker is je invloed beperkt, maar niet nul. Gebruik AI vooral wanneer het echt waarde toevoegt. Formuleer vragen duidelijk, zodat minder herstelprompts nodig zijn. Kies tekst in plaats van afbeeldingen wanneer beeld geen meerwaarde heeft en vraag geen onnodig lange antwoorden.
Voor organisaties ligt de grootste winst in bewuste modelkeuze. Niet iedere taak vraagt om het grootste of krachtigste model. Een kleiner model, een vaste automatisering of gewone software kan soms hetzelfde doel bereiken met minder kosten, minder energie en minder complexiteit.
Samengevat
AI kost energie doordat het draait op krachtige computers die grote aantallen berekeningen uitvoeren. Training kan veel energie vragen, maar ook het dagelijkse gebruik loopt op wanneer AI op grote schaal wordt ingezet. Koeling, opslag en netwerkapparatuur verhogen het totale verbruik.
Exacte vergelijkingen per prompt of afbeelding zijn lastig, omdat modellen, hardware en instellingen sterk verschillen. De belangrijkste conclusie is daarom niet dat iedere AI-handeling extreem veel energie gebruikt, maar dat miljarden afzonderlijke handelingen samen een groeiende belasting vormen. Efficiëntere AI en bewustere keuzes zijn beide nodig om die groei te beperken.
Bronnen en verantwoording
Voor de cijfers en technische uitleg in dit artikel zijn onder meer de volgende bronnen gebruikt:
- International Energy Agency, Energy demand from AI
- International Energy Agency, Key Questions on Energy and AI
- Luccioni, Jernite en Strubell, Power Hungry Processing
- Fernandez en anderen, Energy Considerations of Large Language Model Inference
- Bertazzini en anderen, The Hidden Cost of an Image
De energiebehoefte van AI verandert snel. Cijfers zijn daarom momentopnamen en hangen af van gebruikte modellen, hardware, datacenters en meetmethoden.
Geef een reactie