Hoe AI je duurzaamheidsdoelen opeet

AI is niet groen.

AI is een stroomvreter met een vriendelijke interface.

Aan de voorkant lijkt het bijna gewichtloos. Je typt een prompt, krijgt een antwoord, maakt een afbeelding, vat een document samen of laat een model code schrijven. Schoon. Stil. Snel. Alsof er ergens in de lucht een slimme assistent voor je klaarzit.

Maar AI draait niet in de lucht.

AI draait in datacenters die stroom vreten, water vragen, hardware verslijten en complete energienetten onder druk zetten. Achter elke “slimme” toepassing staat een fysieke machinekamer vol GPU’s, koeling, noodstroom, transformatoren, kabels en beton.

En die machinekamer groeit absurd hard.

Datacenters op de schaal van Colossus laten zien waar dit naartoe gaat. Niet naar een paar extra serverracks. Naar industriële infrastructuur die zo veel energie vraagt dat het bestaande elektriciteitsnet het niet kan leveren. Dan verschijnen er ineens tientallen gasturbines naast het datacenter. Niet omdat dat zo duurzaam is. Maar omdat de honger groter is dan het net aankan.

Daar zit de ongemakkelijke waarheid.

AI wordt verkocht als vooruitgang. Als efficiëntie. Als de technologie die ons helpt slimmer te werken, sneller te beslissen en misschien zelfs duurzamer te worden. Maar zolang de onderliggende infrastructuur steeds meer stroom, koeling, hardware en fossiele back-up vraagt, schuiven we het probleem vooral door.

Dan wordt AI geen oplossing voor duurzaamheid.

Dan wordt AI de reden dat duurzaamheidsdoelen uit zicht raken.

In dit blog kijken we naar de oorzaken van die energiehonger. En naar wat er wél moet gebeuren: efficiëntere modellen, scherpere keuzes, betere meting, slimmere infrastructuur en vooral minder gedachteloos gebruik van AI waar het nauwelijks waarde toevoegt.

Want AI kan slimmer.

Maar alleen als wij ophouden te doen alsof “digitaal” automatisch duurzaam is.

De hardware onder AI is minder slim dan AI zelf

AI draait op hardware uit een omweg

AI draait voor een groot deel op GPU’s: graphics processing units. De naam zegt al waar ze vandaan komen. Ze zijn ooit ontworpen om snel bewegende 3D-beelden op een scherm te krijgen. Eerst voor games. Later voor professionele grafische toepassingen.

Dat werkte verrassend goed voor AI. Niet omdat een GPU speciaal voor taalmodellen bedacht was, maar omdat taalmodellen net als 3D-graphics enorme hoeveelheden berekeningen parallel uitvoeren. Een LLM op een GPU draaien is daarom veel sneller dan op een klassieke CPU.

Alleen: sneller is niet hetzelfde als efficiënter.

GPU’s waren de logische snelweg naar de markt. Ze waren beschikbaar, programmeerbaar en krachtig genoeg om AI ineens praktisch bruikbaar te maken. Zonder GPU’s had de huidige AI-golf waarschijnlijk jaren langer op zich laten wachten. Daarom zijn leveranciers erop gaan bouwen. Niet omdat het de perfecte oplossing was, maar omdat het de beste beschikbare oplossing was.

Inmiddels zit daar een tweede probleem achter: lock-in. Er is gigantisch veel software, tooling en expertise rond GPU’s opgebouwd. Moderne AI-GPU’s zijn bovendien verder aangepast met bijvoorbeeld Tensor Cores voor deep learning, dus het is niet meer eerlijk om te doen alsof ze alleen grafische kaarten zijn. Maar dat maakt ze nog niet automatisch de meest energiezuinige keuze voor elke AI-taak. NVIDIA positioneert Tensor Cores expliciet als versnellers voor AI en matrixberekeningen; Apple gebruikt daarnaast een aparte Neural Engine als gespecialiseerd blok voor AI-workloads op het apparaat zelf.

Apple laat zien waar de richting naartoe gaat. AI-taken afhandelen op hardware die daar specifiek voor gebouwd is. Dichter bij de gebruiker. Met minder transport, minder centrale rekenlast en minder energieverlies.

Dat is geen detail.

Als AI duurzaam moet worden moeten we eerlijk kijken naar het verbruik van de machine waarop AI draait. En naar de alternatieven.

AI gebruiken voor kaasfondue is geen innovatie

De kracht van AI wordt onderbenut

AI wordt verkocht als doorbraaktechnologie. Als versneller. Als nieuwe laag intelligentie onder je organisatie.

En vervolgens vragen we om een kaasfondue-recept.

Dat is het ongemakkelijke stuk. AI kan indrukwekkende dingen. Patronen herkennen in grote hoeveelheden data. Verbanden leggen die mensen missen. Teksten herschrijven in een specifieke tone of voice. Scenario’s helpen verkennen. Code verklaren. Complexe informatie terugbrengen naar bruikbare inzichten.

Maar een groot deel van het dagelijkse AI-gebruik zit niet in die categorie.

Veel prompts zijn eigenlijk oude Google-vragen met een nieuw sausje. Een adres. Een simpele uitleg. Een recept. Een lijstje. Handig, zeker. Alles op één plek vragen voelt prettig. Alleen is het de vraag of je daar een zwaar taalmodel voor moet laten draaien.

Hetzelfde zie je bij AI-agents. Iemand bouwt trots een agent die facturen uit een map haalt, de bank controleert en automatisch aanmaningen verstuurt. Klinkt modern. Tot je bedenkt dat boekhoudsoftware dit al decennialang kan. Vaak betrouwbaarder, goedkoper en met veel minder technische omweg.

De agent doet dan vooral alsof iets slimmer is geworden. In werkelijkheid loopt er een dure, energie-intensieve route om een probleem heen waarvoor al een rechte weg bestond. Extra API-calls. Extra infrastructuurbelasting. Extra kosten. Extra complexiteit.

Voor AI-leveranciers is dat prachtig. Elk triviaal gebruik is consumptie. Elke prompt is omzet. Elke agent is een verhaal dat verkoopt.

Voor organisaties ligt dat anders.

Daar telt niet of iets “met AI” is gedaan. Daar telt of het beter, sneller, goedkoper, veiliger of schaalbaarder is geworden. Als het antwoord nee is, dan is AI geen innovatie. Dan is het verspilling met een mooie interface.

De echte kracht van AI zit niet in het vervangen van simpele software of zoekvragen. Die zit in werk waar bestaande systemen tekortschieten: interpretatie, context, patroonherkenning, complexiteit, snelheid van analyse.

Gebruik AI dus vooral waar het verschil maakt.

Niet waar het alleen maar duurder voelt dan gezond verstand.

Duurzame AI begint met een kleiner model

Hoe gebruik je AI sustainable?

AI hoeft niet altijd met het volle gewicht van een groot taalmodel te draaien.

Dat is misschien wel de belangrijkste stap richting duurzame AI: kies het kleinste model dat de taak goed uitvoert.

Voor veel toepassingen heb je geen LLM nodig dat de halve wereld heeft gelezen. Een Small Language Model of Medium Language Model dat is toegespitst op jouw kennisgebied kan vaak hetzelfde werk doen. Soms zelfs beter, omdat het minder ruis bevat en dichter op de context zit.

En vooral: veel zuiniger.

Er zijn inmiddels genoeg open source modellen beschikbaar die je lokaal kunt draaien. Niet voor elk vraagstuk. Niet voor elke organisatie meteen plug-and-play. Maar wel voor veel meer toepassingen dan vaak wordt gedacht.

Daar komt bij dat lokale AI-hardware snel toegankelijker wordt. Moderne Macs, nieuwe Windows-pc’s en compacte machines met specifieke AI-versnelling maken het steeds realistischer om AI dicht bij de gebruiker of de organisatie te laten draaien.

Dat scheelt energie, dataverkeer en tokenkosten. Maar minstens zo belangrijk: je houdt grip op je gegevens. Je weet waar je data blijft. Je hoeft niet elke interne vraag door een externe AI-dienst te halen.

Ja, het vraagt iets meer werk dan een account aanmaken bij Grok, Gemini of ChatGPT.

Maar dat werk is eenmalig.

En de winst blijft terugkomen: lagere kosten, minder afhankelijkheid, minder energieverspilling en meer controle.

Duurzame AI begint dus bij de vraag: hoe klein kan het model zijn zonder dat de waarde verloren gaat?

Maak je AI-aanpak lichter, scherper en duurzamer

AI kan waarde toevoegen. Veel waarde zelfs. Maar alleen als je het bewust inzet.

Niet elk vraagstuk heeft een groot taalmodel nodig. Niet elke toepassing hoort in de cloud. En niet elke AI-tool verdient automatisch een plek in je IT-landschap omdat er “AI” op de doos staat.

Wil je AI gebruiken zonder je kosten, energieverbruik en datarisico’s onnodig op te blazen? Dan begint dat met inzicht. Welke taken zijn geschikt? Welk model past daarbij? Welke data mag waarheen? En welke infrastructuur maakt het slim, veilig en duurzaam?

Maak een vrijblijvende afspraak met mij.

Dan krijg je een scherp beeld van de mogelijkheden, risico’s en praktische keuzes voor sustainable AI in jouw situatie.