Kunstmatige intelligentie kan een bedrijf helpen om minder energie te verbruiken, verspilling tegen te gaan en de ESG-rapportage minder handmatig te maken. Maar wie AI-producten ontwikkelt, kent ook de andere kant van het verhaal: elk model draait op energieverslindende infrastructuur, elke API-aanroep brengt rekenkosten met zich mee, en de vraag naar rekenkracht neemt niet af.
Daarom mag duurzaamheid in de context van kunstmatige intelligentie niet worden behandeld als een slogan of als een zonde die moet worden goedgemaakt. Het moet worden benaderd als een operationeel vraagstuk. In Italië draait het debat inmiddels om twee specifieke ideeën: ‘sustainability of AI ’ en ‘AI for sustainability’. Het eerste betreft de ecologische voetafdruk van AI zelf. Het tweede betreft het gebruik van AI om processen, verbruik en milieubeheer te verbeteren. In dezelfde context is het aandeel van AI-ondersteunde ESG-rapportage volgens deze analyse over de duurzaamheid van kunstmatige intelligentie en ESG-governance „het afgelopen jaar bijna verdrievoudigd“.
Als oprichter van een AI-bedrijf vind ik zowel automatisch alarmisme als laks techno-optimisme zinloos. Het gaat er niet om te beslissen of AI ‘goed’ of ‘slecht’ is voor het milieu. Het gaat erom te begrijpen waar het energie verbruikt, wanneer het echte waarde creëert en welke concrete keuzes de impact verminderen zonder het nut teniet te doen.
Het debat over duurzaamheid en kunstmatige intelligentie is volwassener geworden. Eindelijk. Niet omdat het probleem is opgelost, maar omdat het onmogelijk is geworden om het tot een cliché te herleiden.
Enerzijds helpt AI bedrijven en fabrieken om energie efficiënter te gebruiken, verspilling tegen te gaan en de ESG-rapportage overzichtelijker te maken. Anderzijds vereisen diezelfde systemen rekenkracht, datacenters, koeling, netwerken en hardwareonderdelen die een reële milieukost met zich meebrengen. Als je alleen naar één van beide kanten kijkt, neem je een verkeerde beslissing.
De twee categorieën die ik het vaakst gebruik, zijn inmiddels ook in de Italiaanse context wijdverbreid:
Het verschil is niet louter theoretisch. Het dwingt je om twee verschillende vragen te stellen. De eerste is: hoeveel 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 „is voor deze taak echt zoveel rekenkracht nodig?”.
De fout die ik het vaakst zie, is niet van technologische aard. Het is een beslissingsfout. Veel bedrijven passen AI toe alsof alle beschikbare rekenkracht altijd volledig moet worden benut. In de praktijk kiezen ze voor het grootste model, de meest complexe workflow en de meest uitgebreide automatisering, zelfs als het probleem veel eenvoudiger was.
In werkelijkheid gaat een duurzame strategie uit van een minder spectaculair principe: evenredigheid. Als een taak goed kan worden uitgevoerd met minder rekenkracht, minder gegevensoverdracht en minder complexiteit, is dat geen concessie. Het is een betere keuze.
Het nuttigste deel van de discussie begint pas wanneer men ophoudt in abstracte termen te spreken. De milieu-impact van AI is geen kwestie van mening. Het is een infrastructureel vraagstuk waarbij de cijfers al duidelijk genoeg zijn om voorzichtigheid te gebieden.
Een Italiaanse bron die internationale gegevens citeert, meldt dat uit een onderzoek uit 2019 van de Universiteit van Massachusetts is gebleken dat het trainen van één enkel AI-model naar schatting meer dan 284 ton CO₂ kan genereren, wat overeenkomt met de uitstoot van vijf auto’s gedurende hun gehele levenscyclus. Dezelfde bron meldt dat de ontwikkeling van ChatGPT-3 ongeveer 1.287 MWh aan elektriciteit zou hebben gekost, wat overeenkomt met het jaarlijkse verbruik van ongeveer 120-130 gemiddelde Amerikaanse huishoudens, en verwijst ook naar een prognose van Goldman Sachs Research waarin wordt gesteld dat de vraag naar elektriciteit door datacenters met 160% zou kunnen stijgen, met een stijging 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 opgenomen in deze Italiaanse analyse over de milieukosten van AI.
Het gaat er niet om deze cijfers te gebruiken om paniek te zaaien. Het gaat erom de omvang te begrijpen. Als je AI ontwikkelt of implementeert, draag je bij aan een toename van de energievraag die betrekking heeft op complete infrastructuren, niet alleen op je cloudbudget.
Praktische tip: kijk bij het beoordelen van een AI-project verder dan de kosten per token of per API-aanroep. Het echte probleem ligt vaak verderop in de keten, namelijk in de infrastructuur die die aanroep mogelijk maakt.
Velen denken dat de milieukosten van AI vrijwel uitsluitend samenhangen met het trainen van het systeem. Dat is een gemakkelijke, maar onjuiste vereenvoudiging. Het verbruik is verdeeld over verschillende niveaus:
| Onderdeel | Waarom het belangrijk is |
|---|---|
| Training | Vereist grote hoeveelheden geconcentreerde rekenkracht |
| Conclusie | Elke aanvraag van een gebruiker leidt tot terugkerend werk |
| Datacenter | Stroomvoorziening, redundantie en continu beheer van de infrastructuur |
| Koeling | De warmte die door de systemen wordt geproduceerd, moet op een efficiënte manier worden afgevoerd |
| Netwerken en gegevensoverdracht | Het verplaatsen van gegevens tussen systemen, regio’s en diensten brengt energiekosten met zich mee |
Dit verandert de manier waarop we duurzaamheid op het gebied van kunstmatige intelligentie moeten benaderen. Het volstaat niet om je af te vragen „hoeveel energie het model verbruikt“. Je moet je ook afvragen waar het draait, hoeveel verkeer het genereert, hoe vaak het wordt geraadpleegd en of de architectuur is ontworpen om verspilling te beperken.
Daarom is het zinvol om ook te kijken naar gevallen waarin AI wordt ingezet om de eigen infrastructuur te verbeteren. Een goed voorbeeld hiervan isde energieoptimalisatie van datacenters met behulp van AI, wat een eenvoudig punt duidelijk illustreert: het probleem ligt niet alleen bij het model, maar bij de gehele technische omgeving die het model ondersteunt.
Als je alleen naar de kosten kijkt, mis je de helft van het plaatje. AI kan ook een belangrijke hefboom zijn om de duurzaamheid van een bedrijf te verbeteren. Niet in retorische zin, maar in heel concrete processen.
In de Italiaanse context kan AI, toegepast op energiebeheersystemen, het operationele verbruik in industriële installaties en bij het MKB verminderen door pieken in de vraag te voorspellen en belastingen zoals HVAC en verlichting in realtime te regelen. Dit heeft een directe invloed op de Scope 2-emissies en helpt bij het optimaliseren van het gebruik van intermitterende hernieuwbare energiebronnen, zoals beschreven in dit diepgaande artikel over energiebeheersystemen met AI.
Dit is het soort toepassing dat ik ook vanuit milieuoogpunt verdedigbaar acht. Niet omdat het gratis is, maar omdat het rekenkracht gebruikt om voortdurende fysieke verspilling tegen te gaan. In een installatie met een variabele vraag kan het in realtime regelen van ventilatie, klimaatbeheersing of verlichting meer waard zijn dan duizend dia’s over de groene transitie.
Dit zijn drie gebieden waarop AI doorgaans erg nuttig is:
Voor een MKB-bedrijf komt het voordeel vaak niet voort uit een spectaculair model. Het komt voort uit een systeem dat dubbel werk voorkomt. Handmatige exports, meerdere Excel-sheets, bijlagen die meerdere keren worden verzonden, afstemmingen die door verschillende mensen op dezelfde gegevens worden uitgevoerd. Dit alles kost tijd, rekenkracht, bandbreedte en aandacht.
Een proces dat vijf keer door verschillende mensen wordt herhaald, is niet alleen vanuit organisatorisch oogpunt, maar ook vanuit milieuoogpunt inefficiënt.
Wanneer AI gegevens centraliseert, repetitieve stappen automatiseert en analyses herbruikbaar maakt, ligt de toegevoegde waarde niet in de afzonderlijke conclusie. Die ligt juist in het wegwerken van redundantie.
Voor wie zich bezighoudt met rapportage is ELECTE voor ESG-rapportage een relevant voorbeeld van dit probleem. Het laat zien hoe automatisering handmatige stappen en informatieversnippering kan verminderen, zonder dat elke activiteit daardoor in een complex IT-project verandert.
Het bemoedigende is dat de sector niet stilzit. AI veroorzaakt het probleem, maar stimuleert tegelijkertijd innovaties die erop gericht zijn de energiekosten ervan te verlagen. We moeten echter eerlijk zijn: er is geen eenduidige oplossing.
Een veelbelovende richting is die waarbij de nadruk ligt op onderlinge koppelingen en de efficiëntie van de infrastructuur. Wanneer computersystemen op gegevens moeten wachten, wordt het geïnstalleerde vermogen niet optimaal benut. Dit is een van de redenen waarom de nieuwe generatie hardware niet alleen vanuit het oogpunt van prestaties moet worden bekeken, maar ook vanuit het oogpunt van efficiëntie.
In het technologische debat doen voorstellen de ronde die gericht zijn op fotonische verbindingen, betere gegevensoverdracht en minder energieverlies. Voor wie clouddiensten afneemt in plaats van chips, ligt de praktische focus echter elders: het kiezen van stacks die meer nuttig werk verrichten met minder wachttijden, minder verkeer en minder overhead.
Deze redenering geldt ook buiten de AI in strikte zin. Wie meer in het algemeen wil nadenken over productieprocessen die minder verspillend zijn, kan nuttige ideeën opdoen uit deze praktijken op het gebied van duurzame economie, met name om digitale efficiëntie te koppelen aan het terugdringen van materiaalverspilling in processen.
Wat de software betreft, zijn de interessantste functies vaak minder glamoureus en directer:
Dit was, naar mijn ervaring, de keuze met de grootste impact. De meest effectieve verandering was niet de invoering van een futuristische technologie, maar het feit dat we niet langer voor alles het krachtigste model gebruikten. Classificatie, formattering, het herkennen van bekende patronen en veel ondersteunende taken vereisen niet altijd een geavanceerd model. Ze vereisen architectonische discipline.
Als het resultaat voor de gebruiker hetzelfde blijft, is minder rekenkracht geen compromis. Het is een beter ontwerp.
Daarom heb ik het vaak over ‘het juiste model voor de juiste taak’. In de praktijk betekent dit dat je een routeringslaag creëert die elke bewerking toewijst aan het benodigde vermogensniveau. Het is een keuze die niet alleen met de kosten te maken heeft, maar ook met duurzaamheid.
Wie zich verder wil verdiepen in het verband tussen technische oplossingen en milieueffecten, kan ook het ELECTE-rapport over AI en het milieu lezen, waarin verschillende voorbeelden en ontwikkelingsrichtingen worden besproken zonder deze als wondermiddelen te presenteren.
Het belangrijkste bezwaar is tegelijkertijd ook het meest ongemakkelijke: het efficiënter maken van AI leidt niet automatisch tot een daling van het totale verbruik. Integendeel, soms gebeurt juist het tegenovergestelde.
Naarmate rekenkracht goedkoper, toegankelijker en sneller wordt, maken bedrijven er steeds vaker gebruik van. Meer automatisering, meer verzoeken, meer integraties, meer processen die worden opgezet ‘omdat het toch maar weinig kost’. Dat is de kern van de efficiëntieparadox.
Daarom kan duurzaamheid op het gebied van kunstmatige intelligentie niet alleen gaan over betere chips of compactere modellen. Het moet een prioriteit worden. Vóór elke implementatie zouden enkele vragen gesteld moeten worden:
Een van de meest in het oog springende tekortkomingen in het Italiaanse debat is juist deze: het ontbreken van gestandaardiseerde meetcriteria en een holistische benadering om de voetafdruk van AI gedurende de gehele levenscyclus te meten, een thema dat wordt benadrukt in dit systemische perspectief op de duurzaamheid van kunstmatige intelligentie.
Het gaat er dus niet om innovatie te remmen. Het gaat erom dat we rekenkracht niet langer als een gratis en onuitputtelijke hulpbron beschouwen. Elke organisatie zou ermee moeten omgaan zoals ze met het budget of de tijd van haar medewerkers omgaat: als iets dat moet worden ingezet waar het daadwerkelijk waarde oplevert.
Voor een MKB-bedrijf heeft het weinig zin om over duurzaamheid te praten zonder een operationeel plan. Het is beter om te beginnen met vier beslissingen die meteen kunnen worden genomen, ook zonder een perfecte meting van de ecologische voetafdruk.
Een Italiaanse bron merkt op dat in veel discussies over de duurzaamheid van AI geen rekening wordt gehouden met de afweging tussen kosten en baten, terwijl datacenters nu al ongeveer 3% van het wereldwijde energieverbruik voor hun rekening nemen. De vraag die vaak over het hoofd wordt gezien, is: wanneer is het zinvoller om een kleiner model of een traditioneel proces te gebruiken om een onhoudbare stijging van het verbruik en de kosten te voorkomen? Dit punt wordt goed samengevat in dit artikel over de milieuafwegingen bij AI.
Kies het model dat bij het probleem past
Dit is de hefboom met de beste verhouding tussen eenvoud en impact. Gebruik het krachtigste model niet standaard. Gebruik het alleen waar het echt een verschil maakt. Voor veel dagelijkse taken volstaan lichtere modellen of niet-generatieve systemen.
Beoordeel de cloudprovider ook op zijn energieprofiel
Kijk niet alleen naar prijs, latentie en compliance. Let ook op transparantie over datacenters, de regionale energiemix en de aanpak op het gebied van operationele efficiëntie. De geografische ligging is van belang. Een workload heeft niet in elke regio dezelfde ecologische voetafdruk.
Verminder redundantie in de werkstromen
Als dezelfde gegevens meerdere keren worden geëxporteerd, gekopieerd, opnieuw opgemaakt en opnieuw verzonden, verspil je middelen nog voordat je het over AI hebt. Een platform als ELECTE, een door AI aangestuurd data-analyseplatform voor het MKB, kan worden gebruikt om gegevens te centraliseren, rapportages te automatiseren en dubbele analyses te verminderen. Het voordeel is in deze context niet ‘meer AI toepassen’. Het is juist minder nutteloos werk doen.
Het meet ook, zij het niet perfect
Niet alle bedrijven beschikken over instrumenten om het verbruik in kWh of de CO₂-uitstoot per afzonderlijke activiteit te meten. Dat is niet erg. Begin met operationele indicatoren die al voorhanden zijn.
Aangezien er geen echt gevestigde sectorstandaard bestaat, zou ik beginnen met een eenvoudige tabel:
| Operationele maatstaf | Wat zegt dat je? |
|---|---|
| API-aanroepen bij voltooide taak | Als je te veel werk verzet om een bepaald resultaat te bereiken |
| Gemiddelde omvang van het model per bewerking | Als je de taken te groot inschat |
| Hoeveelheid overgedragen gegevens per sessie | Als je workflow onnodig verkeer genereert |
| Gemaakte analyses die niet zijn gebruikt | Als je output automatiseert die niemand leest |
Slecht maar consistent meten is beter dan helemaal niet meten.
Als je na drie maanden merkt dat het aantal oproepen per taak afneemt, dat de grote modellen minder vaak worden geactiveerd en dat de gegevensoverdracht beperkter is, dan heb je nog geen perfecte koolstofboekhouding. Je hebt echter wel iets heel nuttigs: een efficiëntieaanpak die rekenverspilling, kosten en waarschijnlijk ook de milieu-impact vermindert.
De duurzaamheid van kunstmatige intelligentie is niet iets wat je met een slogan kunt oplossen. Evenmin met een ideologische afwijzing van AI. Die wordt bereikt door betere technische en managementbeslissingen.
Wie vandaag de dag gebruikmaakt van AI, moet twee feiten tegen elkaar afwegen. Ten eerste: de milieukosten zijn reëel, nemen toe en mogen niet worden gebagatelliseerd. Ten tweede: AI kan concrete voordelen opleveren wanneer het verspilling tegengaat, het energieverbruik verbetert en repetitieve en chaotische processen vervangt door slimmere systemen. De kwaliteit van de keuze hangt af van de verhouding tussen deze twee kanten.
Voor Europese bedrijven geldt ook een tweede niveau van verantwoordelijkheid. Het volstaat niet om alleen maar aan de regels te voldoen. Het is belangrijk om te begrijpen hoe technologie, infrastructuur, governance en intellectueel eigendom met elkaar verweven zijn. Wat dit laatste punt betreft, raad ik iedereen die zich wil verdiepen in het juridische kader rond de invoering van AI deze gids over octrooien op het gebied van kunstmatige intelligentie aan. Deze gids is nuttig om technologische duurzaamheid ook te zien als een strategische keuze voor de lange termijn.
De juiste aanpak is niet om in het algemeen minder AI te gebruiken. Het gaat erom de juiste AI te gebruiken , op de juiste plek en met de juiste kracht.
Als je AI efficiënter en bewuster wilt inzetten, kun je eens kijken hoe ELECTE werkt. Het platform helpt het MKB om gegevens te centraliseren, rapportages te automatiseren en overbodig analytisch werk te verminderen, met een pragmatische aanpak bij de modelkeuze en de operationele efficiëntie.
.svg)
.svg)
.svg)
