De discussie hierover gaat vaak alle kanten op. Sommigen zien AI als een grote stroomslurper, terwijl anderen juist wijzen op de kansen voor klimaat- en energiebesparing. De werkelijkheid ligt, zoals zo vaak, ergens in het midden.
In dit artikel nemen we je mee langs de belangrijkste feiten en cijfers. We kijken naar de energie die nodig is om AI-modellen te bouwen, trainen en gebruiken, bespreken de impact op grondstoffen, water en elektriciteit, en plaatsen die impact in perspectief ten opzichte van andere keuzes die we dagelijks maken.
Mocht je het liever in een korte video willen zien; de NOS heeft ook een beknopte uitleg gemaakt:
De drie fases van AI-impact
Om de werkelijke ecologische voetafdruk van AI te begrijpen, kunnen we de impact het beste opdelen in drie fases:
De bouw van infrastructuur
Het delven van zeldzame grondstoffen, het produceren van gespecialiseerde chips en het optrekken van enorme datacenters.Het trainen van het model
De intensieve voorbereidingsfase waarin supercomputers weken of maanden non-stop draaien om het AI-model miljarden datapunten te laten verwerken en patronen te leren.Het dagelijks gebruik
De rekenkracht die nodig is voor elke individuele prompt, gegenereerde tekst of afbeelding door miljoenen eindgebruikers wereldwijd.
Voordat een server überhaupt aan staat, is er al sprake van embodied carbon: de ingebedde uitstoot en milieu-impact van de fysieke infrastructuur. Dit omvat onder meer het delven van zeldzame grondstoffen, het produceren van chips en het bouwen van datacenters. Volgens de United Nations University kan AI-infrastructuur richting 2030 oplopen tot 2,5 miljoen ton elektronisch afval per jaar. De VN wijst daarnaast op de zware landvoetafdruk en het feit dat kritieke mineralen vaak worden gewonnen in regio’s met zwakker milieutoezicht, regelmatig in het Globale Zuiden, terwijl de economische voordelen elders terechtkomen ([1]).
Trainen vs dagelijks gebruik
Zodra een model operationeel is, verschuift de belasting naar de gebruiksfase. Systemen zoals ChatGPT worden inmiddels zo massaal gebruikt — met naar schatting 2,5 miljard prompts per dag — dat de gebruiksfase volgens het UNU-rapport inmiddels 80% tot 90% van het totale AI-energieverbruik kan vertegenwoordigen ([1]). De cumulatieve impact van dagelijks gebruik weegt dus op systeemniveau steeds zwaarder dan de eenmalige trainingsfase.
Niet elke prompt weegt even zwaar
Dat is ruim 200 keer zoveel als een eenvoudige tekstclassificatie, al blijft het per losse prompt nog steeds een kleine hoeveelheid stroom ([2], [5]). Bij complexe analyses van lange documenten loopt het verbruik verder op, omdat het model veel meer tekst moet verwerken en vaak ook langere antwoorden genereert; dezelfde benchmark laat zien dat de meest energie-intensieve lange prompts kunnen oplopen tot tientallen Wh per prompt ([2]). De echte stroomslurpers zijn echter beeldgeneratoren: in de benchmark van Luccioni e.a. kost het maken van een AI-afbeelding gemiddeld 2,9 Wh ([5]). Dat is ongeveer 7 keer zoveel als onze ruime schatting voor een korte tekstprompt van 0,42 Wh, ruim 60 keer zoveel als de tekstgeneratie-taak uit dezelfde benchmark, en ongeveer 1.450 keer zoveel als simpele tekstclassificatie ([5]). Ter vergelijking: de VN vergelijkt 2,9 Wh met de stroom die nodig is om een 10-watt LED-lamp ongeveer 17 minuten te laten branden ([1]).
Groene stroom lost niet alles op
Elk datacenter trekt stroom van een lokaal energienetwerk. Het is logisch om te denken dat overschakelen op groene stroom het probleem oplost, maar het VN-rapport benadrukt dat een “laag-koolstof” netwerk niet automatisch vrij is van milieu-impact. Elke kWh heeft namelijk niet alleen een CO₂-voetafdruk, maar ook een water- en landvoetafdruk ([1]).
Waterkracht (Weinig CO₂, enorme verdamping)
Energie uit stuwmeren kan veel CO₂ besparen, maar vereist vaak de permanente overstroming van grote stukken natuur. Daarnaast kan water uit stuwmeren verdampen, waardoor een energiebron met lage CO₂-uitstoot toch een aanzienlijke water- en landvoetafdruk kan hebben. Tegen 2030 wordt de waterfootprint van datacenters wereldwijd geraamd op 9,3 biljoen liter per jaar ([1]).Biomassa (Minder CO₂, massaal landgebruik)
Biomassa kan de CO₂-uitstoot gemiddeld met ongeveer 70% verlagen ten opzichte van kolen, maar de ecologische prijs kan hoog zijn. Volgens het UNU-rapport kan de watervoetafdruk meer dan 30 keer groter zijn en de landvoetafdruk ongeveer 100 keer groter dan bij kolen ([1]).
Kortom: de werkelijke impact hangt sterk af van de locatie van de servers en van de stroommix waarop het datacenter draait. Een perfect schone energiebron voor deze enorme stroomvraag bestaat simpelweg niet. Toch zijn groene alternatieven doorgaans beter dan traditionele fossiele brandstoffen zoals steenkool en gas, die door hun CO₂-uitstoot direct bijdragen aan de opwarming van de aarde ([1], [6]).
De mogelijke upside van AI
Het is daarbij wel cruciaal om te beseffen dat deze positieve klimaatimpact vooral afkomstig is van doelgericht ontwikkelde, specialistische AI-systemen. Dit zijn niet per se de generatieve chatbots of beeldgeneratoren die we als consument en op kantoor massaal gebruiken. Of de eindbalans van AI positief of negatief uitvalt, hangt dus sterk af van het doel waarvoor we het inzetten. Omdat juist onze alledaagse interacties de stroomvraag flink opstuwen, is verantwoord gebruik van deze consumententools noodzakelijk ([1], [6]). Waar je in de praktijk zelf op kunt letten om jouw impact te verkleinen, leggen we hieronder uit.
Wat kun jij doen? Duurzaam AI-gebruik
Als eindgebruiker stuur je met je eigen digitale gedrag het energieverbruik direct bij. Door bewuste keuzes te maken, verklein je je ecologische voetafdruk:
Maak geen nutteloos of onnodig gebruik van AI: Evalueer of generatieve AI echt nodig is. Voor simpele feitelijke zoekopdrachten is een gewone zoekmachine of directe bron vaak efficiënter en betrouwbaarder. De vaak genoemde claim dat AI altijd tien keer zoveel stroom kost als zoeken is te grof, omdat moderne korte tekstprompts volgens recente schattingen eerder rond enkele tienden van een Wh zitten ([3], [4]). Ter vergelijking: Google meldde in 2009 dat een zoekopdracht ongeveer 0,0003 kWh, oftewel 0,3 Wh, kostte; nieuwere zoekinfrastructuur kan efficiënter zijn, maar actuele officiële cijfers zijn beperkt beschikbaar ([7]).
Kies de kleinere modellen: Gebruik lichtere en snellere AI-varianten als standaard. Escaleer pas naar zware “Pro”-, “Thinking”- of reasoning-modellen als de complexiteit van de taak dat vereist. Modelkeuze, promptlengte, outputlengte en productinstellingen hebben volgens het UNU-rapport allemaal invloed op de voetafdruk ([1], [2]).
Houdt de antwoorden kort: Het stroomverbruik schaalt mee met het aantal te verwerken en te genereren tokens. Vraag om to-the-point antwoorden om verbruik te minimaliseren. Je blijft daarmee ook nog eens langer binnen je gebruikslimiet ([1], [2]).
Goed prompten: Formuleer je prompts direct helder om te voorkomen dat je de AI onnodig vaak dezelfde opdracht opnieuw laat uitvoeren. Minder herhaling betekent minder inference en dus minder energiegebruik ([1]).
In perspectief: is AI-gebruik verminderen de meest effectieve manier om het klimaat te redden?
In dit rekensommetje laten we embodied carbon, grondstoffengebruik, e-waste, watergebruik en landvoetafdruk buiten beschouwing. We rekenen dus alleen met elektriciteit voor gebruik, plus een ruwe verdeling van trainingsenergie.
De berekening: Een maand lang AI gebruiken
Hoeveel stroom kost jouw AI-gebruik na een gemiddelde werkmaand? We breken het op in behapbare stappen:
Het dagelijks gebruik
Je werkt gemiddeld 20 dagen per maand en voert 30 prompts per dag in. Dat zijn in totaal 600 opdrachten. Zoals we eerder zagen, gebruiken we in deze berekening bewust de ruime schatting van 0,42 Wh per korte tekstprompt ([2]). Voor de hele maand is dat:
600 × 0,42 Wh = 252 Wh, oftewel ongeveer 0,25 kWh.Jouw persoonlijke aandeel in de training
Het AI-model moest natuurlijk ook gebouwd en getraind worden. Die initiële 50.000.000 kWh — oftewel 50 GWh — voor training klinkt gigantisch, maar dit bedrag wordt verdeeld over de honderden miljarden prompts die het systeem wereldwijd verwerkt. Als we dit getal uitsmeren, is jouw persoonlijke “schuld” aan deze trainingsfase voor die ene maand naar schatting hooguit 0,05 kWh ([1]). Dit is een ruwe verdeling, geen exacte meetwaarde.De eindstand
Jouw totale, persoonlijke stroomverbruik voor een volle maand intensief tekst-AI-gebruik komt daarmee uit op ongeveer:
0,25 kWh gebruik + 0,05 kWh training = 0,30 kWh per maand.
Ter vergelijking: 0,30 kWh is dezelfde orde van grootte als, maar lager dan, één zuinige wasbeurt. De Europese Commissie rapporteert dat moderne wasmachines door Ecodesign- en energielabelregels rond 2020 gemiddeld ongeveer 96 kWh per jaar verbruikten, oftewel ongeveer 0,14 kWh per kilo wasgoed. Bij een was van ongeveer 4 kilo kom je dan uit rond 0,55 kWh ([8]).
De vergelijking: Een dagje met de trein
Laten we dat maandelijkse AI-verbruik eens afzetten tegen een andere dagelijkse keuze: je woon-werkverkeer. Stel dat je 20 kilometer van je werk woont, dus een retour van 40 kilometer per dag. Je besluit om één dag in de week je benzineauto te laten staan en in plaats daarvan met de trein naar kantoor te reizen.
De Auto
We rekenen met een benzineauto die gemiddeld 6,5 liter per 100 kilometer verbruikt. Voor 40 kilometer is dat ongeveer 2,6 liter benzine. Benzine bevat ongeveer 8,7 kWh energie per liter, dus 2,6 liter staat gelijk aan ongeveer 23 kWh aan chemische energie ([9], [10]).De Trein
Voor de trein gebruiken we Nederlandse NS-cijfers. NS rapporteerde in 2025 een tractie-energie-efficiëntie van 68,4 Wh per reizigerskilometer. Voor 40 kilometer komt dat uit op ongeveer 2,7 kWh per reiziger ([11]).De Besparing
Door de auto te laten staan, bespaar je in dit rekenvoorbeeld ongeveer:
4 × 20,3 kWh = 81 kWh.
Dit blijft een vereenvoudigde vergelijking: bij de auto rekenen we met de chemische energie in benzine, terwijl we bij de trein rekenen met tractie-elektriciteit per reizigerskilometer. Voor klimaatimpact is CO₂ per reizigerskilometer eigenlijk een betere maat. Toch maakt de vergelijking de schaal duidelijk: een paar keer per maand de auto laten staan heeft veel meer effect dan een maand lang geen tekstprompts sturen.
De nuance
AI-gebruik verminderen is voor een individuele kenniswerker waarschijnlijk niet de meest effectieve klimaatmaatregel. Je rekensom komt uit op ongeveer 0,30 kWh per maand, en dat is klein vergeleken met veel dagelijkse klimaatkeuzes rond vervoer, wonen, voeding en spullen. Milieu Centraal laat bijvoorbeeld zien dat de CO₂-voetafdruk van huishoudens vooral samenhangt met energie in huis, dagelijks vervoer, vakanties, eten, kleding en spullen ([12]).
Wel is het zo dat lange chats, reasoning-modellen, code, beeldgeneratie en video veel zwaarder zijn dan een simpele tekstprompt ([1], [2], [5]). Daarom blijft het belangrijk dat we AI alleen gebruiken voor nuttige toepassingen; anders is het toch echt verspilling.
Tegelijkertijd is AI op macro-niveau wél degelijk een grote stroomvrager. De International Energy Agency schat dat datacenters in 2024 ongeveer 415 TWh verbruikten, goed voor rond 1,5% van de wereldwijde elektriciteitsvraag. Richting 2030 kan dat volgens de IEA oplopen tot ongeveer 945 TWh, bijna een verdubbeling ([6]). Het probleem zit dus minder in jouw losse prompt, en veel meer in de optelsom van miljarden prompts, nieuwe datacenters, lokale netcongestie, watergebruik, landgebruik en de energiebronnen waarop die infrastructuur draait.
Bronnenlijst
https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints
https://arxiv.org/html/2505.09598v5
https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
https://arxiv.org/html/2311.16863v3
https://www.iea.org/reports/energy-and-ai/executive-summary
https://googleblog.blogspot.com/2009/01/powering-google-search.html
https://energy-efficient-products.ec.europa.eu/product-list/washing-machines_en
https://publications.tno.nl/publication/34642358/YuUfgl/TNO-2023-R12726.pdf
https://www.abo.fi/en/continuous-learning/habitability/habitability-handbook/area-4-energy/
https://nsannualreport.nl/annual-report-2025/sustainability-report/environment/climate-and-energy
https://www.milieucentraal.nl/klimaat-en-aarde/klimaatverandering/wat-is-je-co2-voetafdruk/
