Hoe heeft jouw AI-gebruik impact op het milieu?

#7.1Wat betekent jouw AI-gebruik eigenlijk voor energie, CO₂ en water?

Als je via je laptop of telefoon een vraag stelt aan een generatieve AI, zie je niet wat er allemaal achter de schermen gebeurt. Je gebruikt dan ongemerkt een groot netwerk van datacenters, krachtige grafische processors en koelsystemen die veel energie en water gebruiken. In dit hoofdstuk verkennen we hoe dat samenhangt met de impact op het milieu.

We staan stil bij drie dingen: hoeveel energie kost het om modellen te trainen, hoeveel energie en water nodig is om antwoorden te genereren, en hoeveel CO2 dat uitstoot. We kijken daarbij naar het wereldwijde gebruik. Daarna zoomen we in op jouw eigen gebruik en vergelijken we dat met de milieu-impact van andere dagelijkse activiteiten. Denk hierbij aan YouTubefilmpjes kijken, vliegen naar je vakantiebestemming, een hamburger eten of douchen.

#7.2Waarom kost het trainen van AI-modellen veel energie, water en CO2?

Het kost veel energie om modellen te trainen, omdat de waarde van de miljarden parameters van het neurale netwerk van het LLM moet worden berekend. Daarvoor worden over het algemeen tienduizenden processoren (GPU's) van het bedrijf Nvidia gebruikt. Elke processor vraagt zo’n 700 Watt aan vermogen. Dit kun je vergelijken met een consumentenmagnetron die op bijna maximaal vermogen draait. Voor koeling is veel water nodig en door fossiele brandstoffen opgewekte energie zorgt voor CO2 uitstoot.

Tegelijkertijd is het moeilijk om vast te stellen hoeveel energie er nodig is om taalmodellen te trainen en wat de CO₂ -uitstoot daarvan is. Ten eerste omdat daar veel factoren een rol bij spelen, zoals de complexiteit van het model zelf, maar ook van de hardware waarop het draait, de vragen die je stelt en de energiebron die je gebruikt (bijvoorbeeld als je hernieuwbare energie zou gebruiken). Ten tweede omdat de AI bedrijven niet rapporteren over hun energiegebruik (Vries-Gao, 2025b). Daarnaast zijn de cijfers veranderlijk op basis van de snelle technologische ontwikkelingen. Veel onderzoek naar de milieubelasting van generatieve AI zijn daarom schattingen.

Maar over hoeveel energie praten we? De training van modellen van de huidige generatie LLM’s, die vergelijkbaar zijn met trainingssessies voor GPT-4o, duren ongeveer drie maanden en verbruiken ongeveer 45-56 gigawattuur energie (You, 2025). De trainingssessies vragen dus zowel een hoog vermogen als een lange duur. De totale hoeveelheid energie voor training is daarmee gelijk aan de hoeveelheid energie die nodig is om ongeveer 60.000-74.000 Nederlandse huishoudens een jaar van stroom te voorzien. Dat is behoorlijk veel. Soms wordt wel beweerd dat je voor het energieverbruik van één datacenter zelfs een kerncentrale nodig hebt. Op het vermogen van een gemiddelde kerncentrale (3000 MW) zou je bijvoorbeeld 120 LLM's tegelijk kunnen trainen. Neem je windturbines op zee (10-15 MW per stuk), dan heb je er twee of drie nodig. Het blijft dus oppassen met vergelijkingen.

Modeltraining kost dus veel energie, maar hoe vertaalt dat zich eigenlijk naar een prompt? ChatGPT verwerkt ongeveer 1 miljard prompts per dag (Ahmed, 2025). Stel dat een LLM ongeveer een jaar gebruikt wordt en we smeren de energie voor modeltraining over dat aantal prompts uit, dan komen we uit op ongeveer 0,151 Wh (wattuur) per prompt. Hieronder lees je daarover meer.

#7.3Hoeveel energie kost het als jij een vraag stelt aan een AI?

Elke keer dat je een tekst, afbeelding of video genereert met een generatief AI-systeem, draaien er servers in een datacentrum. Dat kost energie - maar hoeveel precies?

Over het precieze energieverbruik is weinig bekend. Er wordt wel vergelijkend naar onderzoek gedaan met open source modellen (zie paragraaf 9.7 voor meer uitleg hierover). Maar de meest gebruikte modellen zijn gesloten en daarom niet te testen. Daarnaast veranderen ze voortdurend: nieuwe, grotere modellen en zogenaamde ‘reasoning modellen’ (modellen die met zichzelf converseren) hebben vaak meer rekenkracht nodig en gebruiken dus waarschijnlijk meer energie.

Om toch een indruk te krijgen, wordt vaak een vergelijking gemaakt tussen een vraag stellen aan Google en een prompt aan een AI. Een ingewikkelde vergelijking omdat ook over Google’s energieverbruik weinig bekend is. Maar voor de discussie gaan we er toch even op in. Het energieverbruik voor een Google-zoekopdracht ligt naar schatting bijvoorbeeld rond 0,3 wattuur (Wh). Een schatting voor een gemiddelde ChatGPT-opdracht lag bij eerdere modellen rond de 2,9 Wh - bijna tien keer zoveel (You, 2025). Maar dankzij technologische vooruitgang en efficiëntere modellen, zoals GPT-4o, is het energieverbruik per prompt inmiddels gedaald tot ongeveer 0,3 Wh. Dat zou dus vergelijkbaar zijn met een Google-zoekopdracht (You, 2025). Bij een lange invoer zijn de energiekosten wel hoger: dit kan oplopen tot zo'n 2,5 Wh bij een invoer met lengte van een tijdschriftartikel, tot 40 Wh bij een invoer van ongeveer 200 pagina's tekst. Het genereren van afbeeldingen en video’s vraagt flink meer energie.

#7.4Hoe verhoudt prompten zich tot ander dagelijks energieverbruik?

Of de hoeveelheid energie om een prompt te verwerken veel of weinig is, hangt dus af van hoe je het vergelijkt met het gebruik van andere apparaten of diensten voor een bepaalde tijdsduur. Bijvoorbeeld: 0,3 Wh is minder dan de hoeveelheid elektriciteit die een ledlamp of een laptop in een paar minuten verbruikt. Of gelijk aan 0,9 seconden gebruik van een 1200 Watt haardroger of 7,2 seconden draaien van je koelkastcompressor van 150 Watt. Dus zelfs voor een intensieve gebruiker zullen de energiekosten van ChatGPT maar een kleine fractie zijn van diens totale elektriciteitsverbruik en dus ook van de totale hoeveelheid energie die wereldwijd gebruikt wordt. In de tabel hieronder vergelijken we de hoeveelheid energie voor 100 prompts (als je een dag intensief gebruikmaakt van een generatief AI-systeem) met het energieverbruik van andere alledaagse energiebehoeften. Laat de getallen eens op je inwerken.

#7.5Wat betekent jouw AI-gebruik in het grote energiegeheel?

Hoewel het energieverbruik per prompt weinig is, wordt de impact op globale schaal duidelijk als je dit vermenigvuldigt met de miljoenen dagelijkse prompts. Alleen al ChatGPT’s jaarlijkse energieverbruik bedroeg in 2023 naar schatting 226,8 GWh - genoeg om ruim 3 miljoen elektrische auto’s een keer volledig op te laden (You, 2025).

Volgens een rapport van het Internationaal Energieagentschap (Cozzi & Gould, 2024) zal de verwerking van alle digitale gegevens, voornamelijk voor AI, in 2030 alleen al in de VS meer elektriciteit verbruiken dan de productie van staal, cement, chemicaliën en alle andere energie-intensieve goederen samen. Volgens het rapport zal de wereldwijde vraag naar elektriciteit vanuit datacenters tegen 2030 daarmee meer dan verdubbelen. Mogelijk tot een energieverbruik dat oploopt tot 10 procent van het totale energieverbruik in de Verenigde Staten. AI zal de belangrijkste motor achter die stijging zijn, waarbij de vraag vanuit speciale AI-datacenters alleen al naar verwachting meer dan verviervoudigen zal. Eén datacenter verbruikt momenteel evenveel elektriciteit als 100.000 huishoudens, maar sommige datacenters die momenteel in aanbouw zijn, zullen twintig keer zo veel elektriciteit nodig hebben.

Krantenkoppen suggereerden kortgeleden nog dat AI in 2030 zal zorgen voor een stijging van 165 procent in het stroomverbruik van datacenters (Verhagen, 2025). Aan de toename naar 650 TWh zullen algemene groei van het internet en algemene AI-toepassingen ongeveer 200 TWh bijdragen. Alleen, deze toename is al per eind 2025 bereikt waarschijnlijk (Vries-Gao, 2025b).

Het is wel belangrijk om hierbij in gedachten te houden dat algemeen AI-gebruik veel breder is dan alleen generatieve AI-toepassingen volgens Masley (2025a), een essayist die AI-doembeelden kritisch tegen het licht houdt (zie de kanttekening verderop in dit hoofdstuk). Denk bij algemeen internet- en AI-gebruik aan:

• het aansturen van aanbevelingssystemen voor personalisatie van bijvoorbeeld streaming platforms, e-commerce sites, sociale mediafeeds, en onlineadvertenties.
• bedrijfsvoering zoals data-analyse, voorspellings- en besluitvormingsprocessen, zoeken en advertentiepersonalisatie.
• computer vision zoals object detectie, gezichtsherkenning, video en medische beeldanalyse en content moderatie voor het automatisch vlaggen van ongepaste beelden.
• geluid en audio (denk aan spraakassistenten en spraakherkenningssystemen, zoals Alexa van Amazon, Google Assistant, Siri van Apple).

Chatbots zoals ChatGPT vertegenwoordigen slechts 3 procent van het totale AI-gebruik (of 0,6 procent van het totale energieverbruik van datacenters). Dat is dus een beperkt aandeel in het energielandschap, maar dit groeit wel, zie ook Figuur 7.3 (Masley, 2025a).

Ter vergelijking: YouTube gebruikt momenteel ongeveer 1 procent van de wereldwijde energie - ongeveer tien keer zo veel dan het verwachte gebruik van chatbots in 2030. Zorgen over de energie-impact van ChatGPT kun je daarom waarschijnlijk het beste proportioneel afwegen tegen andere digitale diensten.

Wil je nog meer weten? Kai Williams (Williams, 2023) heeft een artikel geschreven waarin hij in 16 grafieken laat zien wat de groei van AI betekent.

#7.6CO2: Hoe AI bijdraagt aan opwarming van de aarde

In de toekomst zou de energie die nodig is voor datacenters uit groene en hernieuwbare bronnen kunnen komen - daar wordt ook hard aan gewerkt (OECD, 2022). Maar momenteel komt deze energie vooral uit het verbranden van fossiele brandstoffen: steenkool en aardgas. Daarbij komt CO2 vrij. En hoewel AI maar een deel van de totale hoeveelheid uitgestoten CO2 veroorzaakt, is het toch belangrijk om de effecten van verhoogde CO2 concentraties in de atmosfeer goed te begrijpen om de soms hoogoplopende discussies in media, sociale media en politiek erover op waarde te kunnen schatten. Het gaat daarbij om twee belangrijke effecten van verhoogde CO2 concentraties in de lucht en de gevolgen daarvan. Deze worden op een indringende manier beschreven door Andri Snær Magnason in zijn boek ‘Over tijd en water’ (2022). Hieronder lees je meer over zijn inzichten.

#7.6.1Opwarming van de aarde en de gevolgen

Ten eerste veroorzaakt een verhoogde CO2 concentratie opwarming van de aarde. Zonder aanvullend klimaatbeleid bestaat het risico dat we rond 2050 richting 2 °C opwarming gaan. Dat lijkt misschien niet veel, maar dat is het wel. Vooral omdat de effecten verschillen (en dus ook veel groter kunnen zijn) per gebied en per continent:

• Grote gebieden worden nu al (en in de nabije toekomst nog meer) onleefbaar omdat het simpelweg te heet is om te leven.
• Heftigere periodes van droogte en neerslag verstoren de groei van gewassen.
• Er komen meer en grotere bos- en gebiedsbranden.
• Er komen meer en grote overstromingen.
• Er komt meer erosie en meer vruchtbare grond spoelt weg.
• Het weer wordt extremer en fluctueert onvoorspelbaarder.
• Meer overstromingen en risico's op gebieden die onder water komen te staan.

Al deze fenomenen hebben grote gevolgen. We zoomen even in op het versneld verdwijnen van de gletsjers als voorbeeld. Het effect hiervan op middellange termijn is bijvoorbeeld dat gebieden waar de bewoners afhankelijk zijn van de aanvoer van water van de rivieren die deze gletsjers traditioneel voeden, onbewoonbaar worden. Denk aan dichtbevolkte gebieden in Azië (van rivieren van gletsjers uit de Himalaya) en Latijns-Amerika (rivieren van gletsjers uit de Andes). Dit zal grote bevolkingsmigraties veroorzaken. Door het smelten van de gletsjers stijgt ook de zeespiegel. Daardoor zullen grote laaggelegen gebieden aan de zee verzilten of onder water komen te staan. Dat levert enerzijds problemen op om gewassen te laten groeien, anderzijds zullen migratiestromen op gang komen. Daarnaast zullen door hogere temperaturen de uitgestrekte wereldwijde toendra’s (grote gebieden die grenzen aan een poolgebied en bestaan uit grassen, mossen, korstmossen en dwergstruiken) langzaam ontdooien. Hierdoor komen grote hoeveelheden methaan in de atmosfeer terecht. Methaan heeft een nog groter effect op het vasthouden van warmte op de aarde dan CO2. Daarmee wordt de opwarming van de aarde dus weer verder versneld.

#7.6.2Verzuring van de oceanen en gevolgen

Ten tweede veroorzaakt een verhoogde CO2 concentratie een hogere zuurgraad in de oceanen. CO2 wordt namelijk opgenomen in de oceanen, maar dat is inmiddels zoveel dat de pH-waarde van het water substantieel verandert. Hierdoor gaat de aangroei van kalk voor organismen (schaaldieren en riffen) langzamer of stopt zelfs, waardoor al het leven dat zich voedt met deze organismen zal uitsterven. Dit zal een enorm effect hebben op de biodiversiteit in de oceanen en ook onze voedselproductie via visserij raken.

Er wordt hard gewerkt om CO2-uitstoot te verminderen (bijvoorbeeld direct wegvangen bij de bron) of om CO2 uit de atmosfeer of zeewater weg te vangen. Deze technieken staan echter nog in de beginfase en de schaal die nodig is om substantieel het percentage CO2 in de atmosfeer te laten dalen is gigantisch. Het zou een internationale aanpak en investeringen vergen die ongekend zijn.

#7.6.3Verminder je de CO2-uitstoot substantieel als je generatieve AI niet gebruikt?

De honger naar electriciteit zal de komende jaren toenemen. Dat hoeft niet noodzakelijk tot meer uitstoot van CO2 te leiden als overheden industrie inzetten op een schone energiemix: van windparken en zonneweiders tot zelfs kerncentrales (alhoewel die weer een afvalprobleem opleveren op langere termijn).

olang de wereld voor haar energieverbruik zwaar blijft leunen op het verbranden van fossiele brandstoffen, zal dit wel tot wereldwijde problemen leiden. In vele journalistieke, sociale media en zelfs wetenschappelijke bronnen wordt betoogd dat we eigenlijk helemaal geen generatieve AI zouden moeten gebruiken vanwege het milieu. En waarschijnlijk vanwege de nieuwheid, snelheid en omvang van groei van het gebruik van AI en generatieve AI daarin, wordt in klimaatdiscussies daar een grote nadruk op gelegd. Hoe effectief is dat?

Als we kijken naar omvang, dan weten we dat het aandeel van generatieve AI in de totale wereldwijde hoeveelheid energieverbruik relatief bescheiden is. Waarom is er dan toch zo’n nadruk op generatieve AI? Waarom (ook) niet op andere factoren die zorgen voor CO2 uitstoot?

Door andere vormen van CO2 uitstoot naast AI-gebruik te zetten, krijg je een realistischer en breder perspectief over de verhoudingen daartussen. Masley (2025a) heeft daarvoor veranderingen van leefstijl en consumptiepatroon geanalyseerd op effecten (Zie Figuur 7.5). Masley toont wat de hoeveelheid CO2-uitstoot is die je kunt voorkomen door andere levensstijlbeslissingen te nemen, in vergelijking met 50.000 minder ChatGPT-prompts. Daaruit blijkt dat het aandeel van ChatGPT prompts in het niet valt in vergelijking met andere levensstijlveranderingen zoals niet meer autorijden, een keer niet met het vliegtuig gaan, vegetariër worden, of je kleren te drogen hangen in plaats van de wasdroger gebruiken.

Masley vraagt zich daardoor af of we onze inspanningen niet beter op die factoren kunnen richten in plaats van eenzijdig de nadruk leggen op de milieubelasting van generatieve AI.

Het is overigens belangrijk om te weten wie Masley is wanneer je zijn cijfers leest. Masley is geen wetenschapper die peer-reviewed onderzoek publiceert, maar een essayist die zijn analyses op zijn eigen blog deelt. Hij neemt daarin een duidelijk standpunt in en wil het beeld corrigeren dat generatieve AI een groot milieuprobleem zou zijn. Een van zijn stukken draagt zelfs de stellige titel dat het waterprobleem van AI "nep" zou zijn. Dat maakt zijn werk niet onbruikbaar, want zijn vergelijkingen zijn navolgbaar en zijn onderliggende data zijn vaak controleerbaar. Maar het betekent wel dat je zijn conclusies leest als een gemotiveerd betoog en niet als een neutrale wetenschappelijke bevinding. Een goede oefening in AI-geletterdheid is dan ook om je af te vragen: welke keuzes maakt hij in zijn vergelijkingen, en zou een andere keuze tot een ander beeld leiden?

#7.7Water: waarom je AI ook dorst heeft

#7.7.1Globaal en lokaal watergebruik

Je hebt het misschien niet door wanneer je een prompt intypt, maar AI-systemen gebruiken ook relatief veel water (You, 2025). Servers in datacenters genereren namelijk veel warmte en moeten daarom gekoeld worden, momenteel nog met water. Op globaal niveau is het effect hiervan groot. Techbedrijven zoals Microsoft, Meta en Google gebruikten samen in 2022 bijvoorbeeld zo’n 2,2 miljard kubieke meter water - vergelijkbaar met het jaarlijkse waterverbruik van heel Denemarken. En dit verbruik groeit sterk waarbij de verwachting is dat de wereldwijde vraag in 2027 goed is voor 4,2 tot 6,6 miljard kubieke meter wateronttrekking (Li et al., 2025).

Het grootste probleem daarbij is niet eens de totale omvang van het gebruik (het water komt weer in de cyclus terecht), hierover later meer, maar vooral dat het lokaal tot problemen leidt: datacenters worden ook gebouwd in gebieden waar al waterschaarste heerst. Dit leidt tot conflicterende belangen tussen de koelwaterbehoefte van datacenters en het watergebruik voor landbouw, industrie en huishoudens.

Mesa is bijvoorbeeld een stad in een woestijnachtig gebied in Arizona dat dit probleem goed illustreert (Solon, 2021). Een belangrijke reden voor lokale overheden om datacenters te willen huisvesten is werkgelegenheid. En een woestijnachtig gebied met veel zonne- en windenergie biedt datacenters goedkope elektriciteit. Arizona lijkt dus geschikt voor een datacenter. Maar daarbij is geen rekening gehouden met de waterbehoefte. Het datacenter dat in Mesa in 2021 is gerealiseerd verbruikt tot 15 miljoen liter water per dag terwijl de regio al decennia kampt met extreme droogte. In totaal verbruikten datacenters in Mesa in 2021 meer dan 3,8 miljard liter water per jaar: genoeg om tienduizenden huishoudens van water te voorzien. Dit leidt tot veel lokale spanningen.

#7.7.2Watergebruik per prompt

Maar hoeveel water gebruikt generatieve AI dan eigenlijk in vergelijking met ander activiteiten? In de media of op internet hoor je misschien vaker dat een enkele prompt een halve liter water zou kosten. Maar dat klopt niet: volgens recente schattingen is de hoeveelheid koelwater die nodig is om 10 tot 50 prompts te verwerken via ChatGPT ongeveer een halve liter koelwater (Li et al., 2025). In vergelijking: vooral het kijken van streaming video’s kost bijvoorbeeld veel energie en water volgens Masley. Ook zet hij dit naast het waterverbruik voor het produceren van een hamburger (landbouw) of het totale volume water dat verloren gaat door lekkage in de VS. Zie Figuur 7.6 en Figuur 7.7. Zijn overwegingen brengen hem tot de verzuchting dat het gebruik van twintig ChatGPT prompts van 500 milliliter water ook kan worden gecompenseerd door simpelweg vijf seconden korter te douchen of een hamburger over te slaan.

De vraag is niet zozeer of het watergebruik van datacenters inherent slecht is, maar eerder of er bewuste keuzes worden gemaakt. In waterrijke gebieden is waterverbruik voor datacenters waarschijnlijk geen probleem, maar in gebieden met waterschaarste is elke druppel een ethische afweging. De vraag zou moeten zijn: is dit de beste locatie voor een datacenter? Zijn er alternatieven voor koeling? Momenteel wordt onderzocht of het in de ruimte bouwen van datacenters (“SpaceX neemt xAI over en wil datacenters in de ruimte bouwen,” 2026) of op zee, direct bij windturbine parken (“Vattenfall en Project Enki willen datacenters bouwen bij windparken op de Noordzee,” 2026), mogelijk oplossingen zijn. Maar, hoe verhouden de economische voordelen zich tot de ecologische kosten? Raakt de ruimte niet vervuild? Het watergebruik van datacenters is relatief klein vergeleken met landbouw, maar in de context van extreme droogte telt elke liter.

#7.8Wanneer helpt AI juist het milieu?

Is AI dan altijd slecht voor het milieu? Niet per se. In een aantal publicaties wordt betoogd dat AI-toepassingen juist kunnen bijdragen aan duurzaamheid (Stern et al., 2025). Denk aan:

• optimalisatie van energieverbruik in gebouwen;
• snellere analyse van klimaatdata;
• het voorspellen van opbrengsten in de landbouw;
• efficiënter plannen van logistiek en mobiliteit.

Een voorbeeld: Onderzoekers van DeepMind, Google en Trane Technologies lieten een AI-systeem drie maanden de koelinstallaties aansturen van twee grote gebouwen: een universiteitscampus en een complex met winkels, woningen en medische voorzieningen. Het systeem leerde van sensordata en wisselde elke dag af met de gewone regelsoftware. Dat leverde energiebesparingen op van ongeveer 9 en 13 procent (Luo et al., 2022). Het systeem werd tijdens de proef steeds beter, en er hoefde geen nieuwe hardware bij.

Een ander voorbeeld is het Project Green Light. Hierin analyseert Google anonieme verkeersdata uit Google Maps. Op basis daarvan krijgen steden advies om hun bestaande verkeerslichten anders af te stellen. Bij de eerste twaalf deelnemende steden, waaronder Hamburg, Manchester en Seattle, waren er op de aangepaste kruispunten tot 30 procent minder stops en tot 10 procent minder uitstoot (Matias, 2023). Er komt geen nieuwe infrastructuur aan te pas, en daardoor is de aanpak ook bruikbaar voor steden met een kleiner budget.

• Er is ook serieus tegengeluid. Alpine et al. (2026) rekenen met een mondiaal energie-economiemodel en vinden dat productiviteitswinst door AI per saldo tot 0,47 tot 1,8 Gt extra CO₂ per jaar leidt. De reden is dat AI de fossiele sector minstens zo efficiënt maakt als de duurzame sector en dus het gebruik van fossiele brandstoffen stimuleert. Verder zijn de meeste positieve cijfers potentieelschattingen of resultaten van kleine proeven. Stern et al. en het IEA werken met scenario's. De koelproef liep op twee locaties. De cijfers van Green Light zijn "tot"-waarden uit een bedrijfsblog van Google zelf en zijn niet onafhankelijk getoetst.

Het bepalen van de de effecten op het klimaat van inzet van AI is duidelijk erg complex en gebaseerd op vele aannames. Het is daarom moeilijk om te bepalen in welke mate hier lokale of mondiale positieve resultaten uit voortkomen.

#7.9De informatie-energie paradox

Een ander perspectief gaat over de verhouding van het energieverbruik van digitalisering en generatieve AI ten opzichte van de hoeveelheid informatie die het oplevert (Masley, 2025b)? Als je het energieverbruik van digitale informatiebronnen in perspectief plaatst, ontstaat er een opmerkelijk beeld. Voor 0,3 wattuur - de energie die een ChatGPT-prompt kost - krijg je volgens Masley toegang tot een synthese van miljarden documenten aan kennis. Ter vergelijking: het opzoeken van dezelfde informatie in een fysieke bibliotheek zou uren kosten, waarbij je vervoer naar de bibliotheek, de verlichting van het gebouw, en mogelijk het printen of kopiëren van bronnen meeneemt. De verschuiving van fysieke naar digitale informatiedragers heeft een enorme milieuwinst opgeleverd die we vaak over het hoofd zien, maar die wel al in gang was gezet voor de komst van generatieve AI. Een wetenschappelijk tijdschrift dat vroeger maandelijks naar duizenden abonnees wereldwijd werd verzonden - met alle papierproductie, inkt, transport en afvalverwerking - is nu toegankelijk via een download van enkele megabytes. Zelfs als we alle serverkosten en het individuele energieverbruik meetellen, is de CO₂ -voetafdruk per geraadpleegd artikel drastisch gedaald.

Daarnaast heeft generatieve AI volgens Masley het vermogen om kennis te vermenigvuldigen zonder een evenredige toename van energieverbruik. Wanneer een AI-model eenmaal is getraind, kan het miljoenen gebruikers tegelijkertijd bedienen waarbij elke extra gebruiker slechts marginale kosten meebrengt. Een door AI gegenereerde samenvatting van complexe wetenschappelijke literatuur die vroeger dagen onderzoekswerk zou vergen, wordt nu in seconden geproduceerd voor de energiekosten van zeven seconden föhnen. Hiermee heeft iedere student wereldwijd toegang tot dezelfde geavanceerde AI-tools zonder de milieukosten van internationale conferenties, studiebezoeken of het verschepen van studiemateriaal. In die zin is de kennisopbrengst per wattuur van moderne AI-systemen ongekend hoog - een efficiëntie die vroegere informatiesystemen bij lange na niet haalden.

Toch knaagt er iets. En dat heeft te maken met de schaalgrootte waarop alles plaatsvindt en dat nieuwe technieken - als ze maar goedkoop genoeg zijn - tot een veelvoud van toepassingen leiden wat in eerste instantie niet was voorzien. De Jevons paradox verklaart dit.

#7.10Waar gaat het heen? De Jevons Paradox

Zelfs door (of juist door) het feit dat de modellen en technieken efficiënter worden groeit de totale hoeveelheid energie die het kost om generatieve AI-systemen te trainen en gebruiken.

Hoe dit kan? Een verklaring hiervoor wordt gegeven door de zogenaamde Jevons Paradox. Die theorie voorspelt niet veel goeds (Polimeni et al., 2015): efficiencyvoordelen van (deel)systemen gaan juist altijd gepaard met grote groei van de energiebehoefte van het totale systeem omdat de efficiency ook meer gebruikstoepassingen en opbrengsten van systemen mogelijk maakt. En dat geldt zeker ook voor AI en generatieve AI (Luccioni et al., 2025). Want de mogelijke toepassingen van generatieve AI - omdat het relatief goedkoop is - groeien met duizelingwekkende snelheid en kunnen bijna zonder extra kosten aan ontzettend veel gebruikers ter beschikking worden gesteld. Met andere woorden: goedkopere en energiezuiniger digitale processoren zorgen juist voor een toenemende vraag naar digitale generatieve AI-diensten en daarmee de energiebehoefte.

Tegelijkertijd is het belangrijk om ook de relatieve bijdrage van generatieve AI aan milieubelasting tegenover andere activiteiten en de besparingen vanuit het paradoxale perspectief uit paragraaf 7.9 mee te nemen in je overwegingen. Vraag je af: is er een leverancier die hernieuwbare energiebronnen gebruikt? Bijvoorbeeld datacentra waarvan je weet dat ze op zonne- of windenergie draaien. En bekijk niet alleen de kosten van AI-gebruik, neem ook je doel mee in je overweging. Je wilt iets opzoeken of maken, maar is generatieve AI daarvoor echt nodig? Vraag niet alleen: "Hoeveel energie kost dit?", maar ook: "Welke waarde levert dit op?" Kritisch AI-gebruik is dan niet langer de uitkomst van een kostenanalyse, maar van een – rijkere – kosten-batenanalyse. Wat denk jij?

Deze twee kanten, de relativering van Masley en de waarschuwing die uit de Jevons paradox spreekt, hoeven elkaar niet uit te sluiten. Dataonderzoeker Hannah Ritchie beschrijft in haar boek Not the End of the World (2024) hoe je feiten in perspectief kunt plaatsen zonder in onverschilligheid te vervallen. Haar houding laat zich samenvatten als “urgent maar niet zelfgenoegzaam”: de cijfers laten zien dat veel doembeelden overdreven zijn, maar dat is een reden om gericht te handelen, niet om achterover te leunen. Let wel dat Ritchie schrijft over het milieu in het algemeen, niet over AI en ze beschrijft een houding en niet iets over AI. Voor jouw AI-gebruik betekent dit dat je de milieu-impact van een losse prompt kunt relativeren, terwijl je tegelijk serieus blijft nemen dat het totale energie- en watergebruik van AI wereldwijd fors groeit en om echte keuzes vraagt.

Net als bij andere technologieën ligt de sleutel in verantwoord gebruik en overwegingen:

• Gebruik AI niet omdat het kan, maar omdat het het gewenste resultaat daadwerkelijk verbetert.
• Kies bewust voor het (minder) gebruiken van apparaten of diensten in het algemeen. Specifiek vliegtuigen en auto’s.
• Kies een andere leefstijl om energie en het milieu te ontlasten, wordt bijvoorbeeld vegetariër of flexitariër, kijk minder YouTube-filmpjes, beperk je gebruik van sociale media.
• Kies bewust voor het al dan niet gebruiken van AI-toepassingen in relatie tot de informatie-energie paradox en de Jevons Paradox.
• Ook al gebruik je generatieve AI en vind je het handig, steun eventuele (toekomstige) reguleringsvoorschriften om gebruik te verminderen.
• Vraag niet alleen: "Hoeveel energie kost dit?", maar ook: "Welke waarde levert dit op?".