Het beeld is hardnekkig: één ChatGPT-vraag zou evenveel water verbruiken als een flesje fris, en datacenters zouden het stroomnet leegtrekken. Tegelijkertijd zetten steeds meer bedrijven AI in voor klantenservice, documentanalyse en rapportages. De vraag is gerechtvaardigd: hoe zwaar drukt dat op uw energierekening en op uw duurzaamheidsdoelen?
Dit artikel scheidt feit van mythe. U leest waar het verbruik vandaan komt, welke keuzes echt verschil maken, en hoe u AI inzet zonder dat het uw CO₂-doelstellingen ondermijnt — of uw budget.
Waar het energieverbruik vandaan komt
AI kent twee energiefasen die u uit elkaar moet houden. Ze verschillen sterk in omvang en ze zijn voor bedrijven niet even relevant.
Training is het bouwen van een model. Dat gebeurt eenmalig en is energie-intensief: grote taalmodellen vergen wekenlang rekenwerk op duizenden gespecialiseerde chips. Dit kost veel energie, maar het gebeurt bij de modelmaker — niet bij u.
Inference is het gebruik: elke vraag die u stelt, elk document dat wordt samengevat. Per vraag is dit verbruik klein, maar het loopt op met volume. Voor de meeste bedrijven is inference de enige fase die telt, omdat u zelf geen modellen traint.
Het onderscheid is belangrijk. Cijfers over trainingskosten zeggen weinig over uw eigen voetafdruk als gebruiker van een bestaande dienst.
De rol van datacenters
Achter elke AI-toepassing draaien servers in datacenters. Hun verbruik gaat naar rekenkracht én koeling. Hoe efficiënt dat gebeurt, hangt af van de locatie, de hardware en de energiemix van het stroomnet ter plaatse.
Het Internationaal Energieagentschap schat in zijn rapport Electricity 2024 dat het wereldwijde elektriciteitsverbruik van datacenters tussen 2022 en 2026 ongeveer kan verdubbelen, mede door AI. Dat is een macrocijfer over de hele sector — het zegt op zichzelf weinig over de voetafdruk van uw eigen gebruik.
Een datacenter op groene stroom in een koel klimaat heeft een andere voetafdruk dan een vergelijkbaar centrum op een fossiele energiemix. De keuze van uw leverancier en hun hosting maakt dus verschil.
Mythe 1: “Eén AI-vraag kost een fles water”
Deze claim circuleert breed, maar is misleidend. De getallen die rondgaan zijn vaak schattingen, gebaseerd op specifieke modellen, locaties en koelmethoden — en daarna gegeneraliseerd alsof ze voor elke vraag gelden.
Onderzoekers van de University of California, Riverside (Li et al., 2023, Making AI Less “Thirsty”) laten zien dat watergebruik van AI sterk afhangt van het datacenter, de koelmethode en zelfs het tijdstip en de regio. Ze benadrukken juist dat één universeel cijfer ontbreekt.
Watergebruik ontstaat vooral bij koeling. Sommige datacenters gebruiken gesloten koelsystemen met minimaal waterverlies, andere verdampingskoeling. De getallen lopen daardoor sterk uiteen.
De eerlijke samenvatting: een individuele AI-vraag verbruikt meetbaar energie en water, maar de exacte hoeveelheid is sterk afhankelijk van factoren die per leverancier verschillen. Pas op met dramatische vergelijkingen zonder bronvermelding.
Mythe 2: “Groot model = beter, dus altijd groot inzetten”
Hier zit voor bedrijven de grootste winst — én het grootste misverstand. Niet elke taak vraagt om het zwaarste model.
Een compact model dat een vraag classificeert of een korte tekst samenvat, verbruikt doorgaans een fractie van wat een groot redeneermodel kost. Toch zien we organisaties standaard het grootste model inzetten “omdat het kan”.
Dat is energetisch én financieel vaak onverstandig. Energieverbruik en kosten lopen bij AI meestal parallel: een efficiëntere modelkeuze verlaagt in veel gevallen beide tegelijk.
Het juiste model voor de juiste taak
Een praktische aanpak is gelaagd werken. Eenvoudige verzoeken handelt u af met een klein, efficiënt model. Alleen complexe vragen routeert u naar een zwaarder model.
Ter illustratie: in veel klantenserviceomgevingen is een groot deel van de inkomende vragen routinematig — openingstijden, statusupdates, standaardprocedures. Die hoeven niet langs het zwaarste model. Door te splitsen daalt zowel het verbruik als de rekening, vaak zonder merkbaar kwaliteitsverlies. Hoe groot dat effect is, hangt af van uw eigen vragenmix en moet u zelf meten.
Mythe 3: “AI inzetten verhoudt zich slecht tot duurzaamheidsdoelen”
Dit klopt niet automatisch — het hangt af van hoe u meet. AI verbruikt energie, maar kan op andere plekken verbruik wegnemen.
Denk aan minder reiskilometers door betere planning, minder papier en handwerk door automatisering, of efficiënter voorraadbeheer. Of het saldo positief uitvalt, verschilt per toepassing en moet u per geval beoordelen.
De valkuil is dat AI-verbruik zichtbaar is op uw cloudfactuur, terwijl de besparingen elders verspreid zitten. Beoordeel de balans, niet alleen de kostenpost.
Wat u realistisch kunt verwachten
Concrete besparingscijfers hangen sterk af van uw processen, datakwaliteit en de mate van adoptie. Behandel rondgaande percentages als grove marktrichtlijn, niet als belofte.
Beter dan een algemeen percentage is een eigen meting: kies één proces, meet de situatie vóór en na invoering, en reken de energie- én tijdwinst door. Dat geeft cijfers die voor úw organisatie kloppen.
Wat u zelf kunt sturen
U heeft meer invloed op het energieverbruik dan u denkt. Vier keuzes maken het meeste verschil.
Modelkeuze. Zet het kleinste model in dat de taak aankan. Test of een compacter model voldoet voordat u standaard naar het grootste grijpt.
Hergebruik van antwoorden. Veelgestelde vragen hoeven niet elke keer opnieuw door een model. Caching van vaste antwoorden bespaart rekenkracht en versnelt de respons.
Slim ophalen van informatie. Laat een toepassing antwoorden op basis van uw eigen documenten via retrieval, in plaats van een groot model alles te laten “onthouden”. Dat kan efficiënter én actueler zijn, maar het hangt af van de implementatie en het queryvolume — meet het in uw eigen situatie.
Volume bewaken. Meet hoeveel AI-verzoeken u doet en waarvoor. Onnodig herhaalde of automatische aanroepen stapelen op. Wat u meet, kunt u beheersen.
Leverancier en hosting
Vraag uw leverancier naar de energiemix van hun datacenters en hun verbeterplannen. EU-hosting heeft voordelen voor latentie en regelgeving, maar zegt op zichzelf niets over de groenheid van de stroom — en evenmin over volledige AVG-compliance.
Let bij de keuze ook op de bredere afspraken. Een verwerkersovereenkomst is verplicht wanneer de leverancier als verwerker persoonsgegevens namens u verwerkt (artikel 28 AVG); treedt een partij in een andere rol op — bijvoorbeeld als zelfstandig verwerkingsverantwoordelijke — dan gelden andere afspraken. Stel daarom eerst de rolverdeling vast.
Of een leverancier op uw data traint, verschilt per contract. Controleer dat per leverancier en leg het schriftelijk vast.
AI Act en transparantie
De gefaseerd van toepassing wordende verplichtingen onder de EU AI Act (Verordening (EU) 2024/1689) richten zich vooral op veiligheid, transparantie en risicobeheer, niet primair op energie. Voor aanbieders van zogenoemde general-purpose AI-modellen gelden wel documentatie- en transparantieverplichtingen, met onder meer aandacht voor energieverbruik in de technische documentatie.
Voor uw eigen organisatie betekent dit: documenteer welke AI-diensten u gebruikt, waarvoor, en bij welke leverancier. Die administratie helpt zowel bij compliance als bij het inschatten van uw voetafdruk.
Bij toepassingen rond klantenservice, juridische of gevoelige onderwerpen hoort menselijke controle bij de oplossing. Dat is geen energiekwestie, maar wel onderdeel van verantwoord inzetten.
Een nuchtere balans
Het energieverbruik van AI is reëel, maar geen reden tot paniek of tot afzien van inzet. De meeste mythes ontstaan doordat trainingskosten en gebruikskosten op één hoop belanden, of doordat één cijfer wordt gegeneraliseerd.
Voor bedrijven geldt: u stuurt vooral op inference. Met de juiste modelkeuze, hergebruik en bewust volumebeheer houdt u zowel verbruik als kosten in de hand. Energie-efficiëntie en kostenefficiëntie lopen bij AI meestal samen op.
De grootste fout is niet AI gebruiken — het is AI klakkeloos inzetten zonder te meten wat het oplevert en wat het kost.
Uw eerste stap
Kies één AI-toepassing die u al gebruikt of overweegt, en stel drie vragen:
-
Welk model draait eronder, en kan het kleiner? Test of een compacter model dezelfde kwaliteit haalt voor uw meest voorkomende taken.
-
Hoeveel verzoeken doen we, en hoeveel daarvan zijn herhaling? Vraag uw leverancier om verbruikscijfers en kijk waar caching mogelijk is.
-
Wat levert het op tegenover wat het kost? Meet één proces vóór en na, in tijd én energie, en baseer uw oordeel op die eigen cijfers in plaats van rondgaande percentages.
Begin klein, meet eerlijk, en schaal op wat aantoonbaar werkt. Dat is verantwoorde AI in de praktijk — precisie boven vertoon.
Genoemde bronnen
- International Energy Agency (2024), Electricity 2024 — Analysis and forecast to 2026 (hoofdstuk over datacenters, AI en cryptovaluta).
- Li, P., Yang, J., Islam, M.A., Ren, S. (2023), Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models, University of California, Riverside.
- Verordening (EU) 2024/1689 (EU AI Act), met gefaseerde inwerkingtreding en specifieke verplichtingen voor general-purpose AI-modellen.
- Algemene Verordening Gegevensbescherming (AVG), artikel 28, over de verwerkersovereenkomst.