Duurzaamheid kunstmatige intelligentie: Praktische gids 2026

Kunstmatige intelligentie kan een bedrijf helpen minder energie te verbruiken, verspilling te verminderen en ESG-rapportage minder handmatig te maken. Maar wie AI-producten bouwt, kent ook de andere kant van het verhaal: elk model draait op energie-intensieve infrastructuur, elke API-aanroep heeft een rekenkundige kostprijs, en de vraag naar rekenkracht neemt niet af.

Daarom mag duurzaamheid kunstmatige intelligentie niet als slogan of als schuld die moet worden afgekocht worden behandeld. Het moet worden aangepakt als een operationeel vraagstuk. In Italië is het debat inmiddels gestructureerd rond twee precieze concepten: sustainability of AI en AI for sustainability. Het eerste betreft de voetafdruk van AI zelf. Het tweede betreft het gebruik van AI om processen, verbruik en milieugovernance te verbeteren. In diezelfde context is de door AI ondersteunde ESG-rapportagecomponent “het afgelopen jaar bijna verdrievoudigd” volgens deze analyse over de duurzaamheid van kunstmatige intelligentie en ESG-governance.

Als oprichter van een AI-bedrijf vind ik zowel automatisch alarmisme als lui techno-optimisme steriel. Het punt is niet om te bepalen of AI “goed” of “slecht” is voor het milieu. Het punt is begrijpen waar het verbruik zit, wanneer er echte waarde wordt gecreëerd en welke concrete keuzes de impact verminderen zonder het nut te vernietigen.

Inleiding: de twee gezichten van duurzame AI

Het gesprek over duurzaamheid kunstmatige intelligentie is volwassener geworden. Eindelijk. Niet omdat het probleem is opgelost, maar omdat het onmogelijk is geworden om het tot een cliché te reduceren.

Aan de ene kant helpt AI bedrijven en installaties om energie beter te gebruiken, verspilling te beperken en ESG-rapportage overzichtelijker te maken. Aan de andere kant vereisen diezelfde systemen rekenkracht, datacenters, koeling, netwerken en hardwarecomponenten die een reële milieukost hebben. Als je slechts naar één van de twee kanten kijkt, neem je een verkeerde beslissing.

De juiste taal om over het probleem te spreken

De twee categorieën die ik het vaakst gebruik, zijn inmiddels ook wijdverspreid in de Italiaanse context:

• Sustainability of AI. De energie- en materiaalimpact van AI verminderen.
• AI for sustainability. AI gebruiken om milieu-, energie- en governanceprocessen te verbeteren.

Het verschil is niet theoretisch. Het dwingt je twee verschillende vragen te stellen. De eerste is: hoe zwaar weegt mijn AI-stack? De tweede is: levert dat gewicht een milieu- of operationeel voordeel op dat concreet genoeg is om het te rechtvaardigen?

De juiste vraag is niet “AI gebruiken of niet gebruiken”. De juiste vraag is “heeft deze taak echt deze hoeveelheid rekenkracht nodig?”.

De meest voorkomende fout bij bedrijven

De fout die ik het vaakst zie, is niet technologisch. Het is een kwestie van besluitvorming. Veel bedrijven passen AI toe alsof alle beschikbare rekenkracht altijd moet worden gebruikt. In de praktijk kiezen ze het grootste model, de meest complexe workflow en de meest uitgebreide automatisering, zelfs wanneer het probleem veel eenvoudiger was.

In werkelijkheid begint een duurzame strategie bij een minder spectaculair principe: proportionaliteit. Als een taak goed kan worden uitgevoerd met minder rekenkracht, minder gegevensoverdracht en minder complexiteit, is dat geen concessie. Het is een betere keuze.

De reële impact van AI op het milieu

Het nuttigste deel van de discussie begint wanneer men stopt abstract te praten. De milieu-impact van AI is geen mening. Het is een infrastructureel vraagstuk met cijfers die al duidelijk genoeg zijn om voorzichtigheid op te leggen.

Cijfers die je maar beter niet kunt negeren

Een Italiaanse bron die internationale gegevens overneemt, meldt dat een studie uit 2019 van de University of Massachusetts heeft geschat dat het trainen van één enkel AI-model meer dan 284 ton CO₂ kan genereren, gelijk aan de emissies van vijf auto's over hun hele levenscyclus. Dezelfde bron rapporteert dat de ontwikkeling van ChatGPT-3 ongeveer 1.287 MWh elektriciteit zou hebben gevergd, gelijk aan het jaarlijkse verbruik van ongeveer 120-130 gemiddelde Amerikaanse woningen, en verwijst ook naar een projectie van Goldman Sachs Research volgens welke de elektriciteitsvraag van datacenters met 160% zou kunnen stijgen, met een toename van ongeveer 200 TWh per jaar tussen 2023 en 2030, terwijl het verbruik in verband met AI tegen 2028 zou kunnen oplopen tot 19% van de totale energiebehoefte van datacenters. Al deze gegevens zijn te vinden in deze Italiaanse analyse over de milieukosten van AI.

Het punt is niet om deze cijfers te gebruiken voor communicatief alarmisme. Het punt is de schaal te begrijpen. Als je AI bouwt of implementeert, neem je deel aan een groei van de energievraag die hele infrastructuren betreft, niet alleen jouw cloudbudget.

Praktische regel: kijk bij het beoordelen van een AI-project verder dan de kosten per token of per API-call. Het echte probleem zit vaak stroomopwaarts, in de infrastructuur die die call mogelijk maakt.

Waar de energiekosten zich werkelijk concentreren

Velen denken dat de milieukosten van AI vrijwel samenvallen met training. Dat is een gemakkelijke maar onjuiste vereenvoudiging. Het verbruik verdeelt zich over meerdere niveaus:

Dit verandert de manier waarop duurzaamheid van kunstmatige intelligentie moet worden benaderd. Het volstaat niet om je af te vragen "hoeveel verbruikt het model". Je moet je ook afvragen waar het draait, hoeveel verkeer het genereert, hoe vaak het wordt aangeroepen en of de architectuur is ontworpen om verspilling te beperken.

Daarom is het zinvol om ook te kijken naar gevallen waarin AI wordt gebruikt om de eigen infrastructuur te verbeteren. Een nuttig voorbeeld is dat van de energie-optimalisatie van datacenters met AI, dat één ding duidelijk laat zien: het probleem is niet alleen het model, maar de hele technische omgeving die het ondersteunt.

AI als Strategische Hefboom voor Duurzaamheid in Bedrijven

Als je alleen naar de kosten kijkt, mis je de helft van het plaatje. AI kan ook een serieuze hefboom zijn om bedrijfsduurzaamheid te verbeteren. Niet in retorische zin, maar in heel concrete processen.

Waar AI concrete milieuwaarde creëert

In de Italiaanse context kan AI, toegepast op energiebeheersystemen, de operationele verbruiken in industriële installaties en mkb-bedrijven verminderen door piekvraag te voorspellen en belastingen zoals HVAC en verlichting in real time te regelen. Dit heeft een directe impact op de Scope 2-emissies en helpt het gebruik van intermitterende hernieuwbare bronnen te optimaliseren, zoals beschreven in deze verdieping over energiebeheersystemen met AI.

Dit is het type toepassing dat ik ook vanuit milieuoogpunt verdedigbaar acht. Niet omdat het gratis is, maar omdat het rekenkracht gebruikt om continue fysieke verspilling te elimineren. In een installatie met wisselende vraag kan het in real time regelen van ventilatie, klimaatbeheersing of verlichting meer waard zijn dan duizend slides over de groene transitie.

Drie gebieden waarin AI echt nuttig blijkt te zijn:

• Operationele energie. Sensoren, meters en algoritmes helpen onnodige piekbelastingen te vermijden.
• Toeleveringsketen. Een betere vraagvoorspelling kan overbodige voorraden, verplaatsingen en overproductie verminderen.
• ESG-rapportage. Het automatiseren van het verzamelen, opschonen en structureren van gegevens vermindert handmatig werk en fragmentatie.

Het praktische punt voor een mkb-bedrijf

Voor een mkb-bedrijf ontstaat het voordeel vaak niet uit een spectaculair model. Het ontstaat uit een systeem dat dubbel werk voorkomt. Handmatige exports, meerdere Excel-bestanden, bijlagen die meerdere keren worden verstuurd, reconciliaties die door verschillende mensen op dezelfde data worden uitgevoerd. Dit alles kost tijd, machines, bandbreedte en aandacht.

Een proces dat vijf keer door verschillende mensen opnieuw wordt gedaan, is niet alleen organisatorisch inefficiënt, maar ook vanuit milieuoogpunt.

Wanneer AI data centraliseert, herhaalde stappen automatiseert en analyses herbruikbaar maakt, ligt de milieuwaarde niet in de afzonderlijke inferentie. Ze ligt in het elimineren van redundantie.

Voor wie werkt aan rapportage is een voorbeeld dat dicht bij dit probleem staat ELECTE voor ESG-rapportage, nuttig om te begrijpen hoe automatisering handmatige stappen en informatieversnippering kan verminderen zonder elke activiteit tot een complex IT-project te maken.

Opkomende oplossingen voor een groenere AI

Het bemoedigende aspect is dat de sector niet stilstaat. AI creëert het probleem, maar stimuleert ook innovaties die proberen de energiekosten ervan te verlagen. Het is echter beter eerlijk te zijn: er bestaat geen enkele oplossing.

Hardware en infrastructuur

Een veelbelovende richting is die welke inzet op interconnecties en infrastructuurefficiëntie. Wanneer rekensystemen op data wachten, wordt het geïnstalleerde vermogen slecht benut. Dit is een van de redenen waarom hardware van de nieuwe generatie niet alleen vanuit performance-oogpunt moet worden bekeken, maar ook vanuit efficiëntie.

In het technologiedebat circuleren voorstellen die werken aan fotonische verbindingen, betere gegevensoverdracht en minder verlies. Het praktische punt, voor wie clouddiensten koopt en geen chips, is een ander: kiezen voor stacks die meer nuttig werk doen met minder wachttijd, minder verkeer en minder overhead.

Deze logica geldt ook buiten AI in strikte zin. Wie in meer algemene zin wil nadenken over minder verspillende productiemodellen, kan nuttige aanknopingspunten vinden in deze praktijken van duurzame economie, vooral om digitale efficiëntie en de vermindering van materiële verspilling in processen met elkaar te verbinden.

Soberdere software en architecturen

Aan de softwarekant zijn de interessantste hefbomen vaak minder glamoureus en directer toepasbaar:

• Kleinere modellen wanneer de taak goed gedefinieerd is.
• Intelligente routing tussen verschillende modellen op basis van het type verzoek.
• Geoptimaliseerde inferentie om onnodige aanroepen, latentie en gegevensoverdracht te verminderen.
• Traditionele workflows voor taken die niet echt een LLM vereisen.

Dit is, in mijn ervaring, de keuze met de meeste impact geweest. De meest doeltreffende verandering was niet het introduceren van futuristische technologie, maar het stoppen met het overal gebruiken van het krachtigste model. Classificatie, opmaak, extractie van bekende patronen en veel ondersteunende handelingen vereisen niet altijd een frontier-model. Ze vereisen architecturale discipline.

Als het resultaat voor de gebruiker gelijkwaardig blijft, is minder rekenkracht gebruiken geen compromis. Het is beter ontwerp.

Daarom spreek ik vaak over “het juiste model voor de juiste taak”. In de praktijk betekent dit het creëren van een routinglaag die elke bewerking toewijst aan het benodigde vermogensniveau. Het is een kostenkeuze, maar ook een duurzaamheidskeuze.

Wie het verband tussen technische oplossingen en milieu-impact verder wil verdiepen, kan ook ELECTE over AI en het milieu lezen, waarin verschillende casussen en ontwikkelingsrichtingen worden verzameld zonder ze als wondermiddelen voor te stellen.

De paradox van efficiëntie en de verantwoordelijkheid van de keuze

Het belangrijkste bezwaar is ook het meest ongemakkelijke: AI efficiënter maken garandeert niet automatisch een vermindering van het totale verbruik. Integendeel, soms gebeurt het tegenovergestelde.

Waarom efficiëntie niet volstaat

Wanneer rekenkracht goedkoper, toegankelijker en sneller wordt, gebruiken bedrijven deze doorgaans meer. Meer automatiseringen, meer aanvragen, meer integraties, meer processen die worden gegenereerd "omdat het toch weinig kost". Dat is de kern van de efficiëntieparadox.

Daarom kan duurzame kunstmatige intelligentie niet enkel gaan over betere chips of compactere modellen. Het moet een prioriteitscriterium worden. Sommige vragen zouden vóór elke implementatie gesteld moeten worden:

• Vereist deze taak echt generatieve AI?
• Is een groot model nodig, of volstaat een licht model?
• Elimineert de automatisering een reële kost, of voegt ze enkel elegante complexiteit toe?
• Zal de output echt gebruikt worden, of levert ze alleen extra digitale ruis op?

Een van de meest opvallende lacunes in het Italiaanse debat is precies dit: het ontbreken van gestandaardiseerde metrieken en een holistische aanpak om de voetafdruk van AI over de hele levenscyclus te meten, een thema dat wordt benadrukt in dit systemische perspectief op de duurzaamheid van kunstmatige intelligentie.

Het probleem is dus niet innovatie af te remmen. Het gaat erom te stoppen met rekenkracht te beschouwen als een gratis en onuitputtelijke hulpbron. Elke organisatie zou dit moeten behandelen zoals ze budget of de tijd van medewerkers behandelt: iets om toe te wijzen waar het echt waarde oplevert.

Praktische Gids voor kmo's 4 Stappen naar een Duurzame AI

Voor een kmo heeft het weinig zin om over duurzaamheid te praten zonder operationeel plan. Het loont om te starten met vier beslissingen die meteen genomen kunnen worden, zelfs zonder een perfecte meting van de ecologische voetafdruk.

Een Italiaanse bron merkt op dat veel discussies over de duurzaamheid van AI de kosten-batenafweging negeren, terwijl datacenters al ongeveer 3% van het wereldwijde energieverbruik voor hun rekening nemen. De onderbelichte vraag is: wanneer loont het om een kleiner model of een traditioneel proces te gebruiken om een onhoudbare toename van verbruik en kosten te vermijden? Dit punt wordt goed samengevat in dit artikel over de ecologische afweging van AI.

Vier beslissingen die er echt toe doen

1. Kies het model dat in verhouding staat tot het probleem
   Dit is de hefboom met de beste verhouding tussen eenvoud en impact. Gebruik het krachtigste model niet als standaard. Zet het alleen in waar het echt een verschil maakt. Voor veel dagelijkse taken volstaan lichtere modellen of niet-generatieve systemen.
2. Beoordeel de cloudprovider ook op basis van het energieprofiel
   Kijk niet alleen naar prijs, latency en compliance. Kijk ook naar transparantie over datacenters, de regionale energiemix en de aanpak van operationele efficiëntie. Geografie speelt een rol. Een workload heeft niet overal dezelfde voetafdruk.
3. Snoei in redundantie binnen workflows
   Als hetzelfde gegeven meerdere keren wordt geëxporteerd, gekopieerd, geherformatteerd en opnieuw verzonden, verspil je middelen nog voordat er sprake is van AI. Een platform zoals ELECTE, an AI-powered data analytics platform for SMEs, kan worden ingezet om data te centraliseren, rapportages te automatiseren en dubbele analyses te verminderen. Het voordeel hierbij is niet "meer AI doen". Het is minder nutteloos werk verrichten.
4. Meet ook al is het onvolmaakt
   Niet elk bedrijf beschikt over instrumenten om kWh of CO₂ per afzonderlijke inferentie te meten. Dat is geen probleem. Begin met operationele metrieken die al binnen handbereik liggen.

Wat te monitoren, ook zonder perfecte metrieken

Bij gebrek aan een werkelijk gevestigde sectorstandaard zou ik vertrekken van een eenvoudige tabel:

Slecht meten maar op consistente wijze is beter dan helemaal niet meten.

Als je na drie maanden ziet dat het aantal aanroepen per taak daalt, dat grote modellen minder vaak worden ingezet en dat de gegevensoverdracht beperkter is, heb je nog geen perfecte carbon accounting. Je hebt echter wel iets heel nuttigs: een efficiëntiediscipline die computationele verspilling, kosten en waarschijnlijk ook milieu-impact vermindert.

Conclusie De Toekomst Belichten met Verantwoorde AI

De duurzaamheid van kunstmatige intelligentie los je niet op met een slogan. Ook niet met een ideologische afwijzing van AI. Ze wordt opgebouwd met betere technische en managementbeslissingen.

Wie AI vandaag gebruikt, moet twee waarheden tegelijk vasthouden. De eerste: de milieukost bestaat, groeit en mag niet geminimaliseerd worden. De tweede: AI kan concrete voordelen opleveren wanneer ze verspilling vermindert, het energiegebruik verbetert en repetitieve, ongeordende processen vervangt door slimmere systemen. De kwaliteit van de keuze zit in de verhouding tussen deze twee kanten.

Voor Europese bedrijven is er ook een tweede verantwoordelijkheidsniveau. Compliant zijn is niet genoeg. Je moet begrijpen hoe technologie, infrastructuur, governance en intellectuele eigendom met elkaar verweven zijn. Voor wie op dit laatste punt het juridische kader rond de invoering van AI verder wil verdiepen, verwijs ik naar deze gids over AI-patenten, nuttig om technologische duurzaamheid ook te lezen als een strategische langetermijnkeuze.

De juiste richting is niet om absoluut minder AI te gebruiken. Het is om de juiste AI, op de juiste plaats, met het juiste niveau van rekenkracht te gebruiken.

Als je AI op een efficiëntere en bewustere manier wilt inzetten, kun je bekijken hoe ELECTE werkt. Het platform helpt kmo's om data te centraliseren, rapportages te automatiseren en overtollig analytisch werk te verminderen, met een pragmatische aanpak voor modelkeuze en operationele efficiëntie.