De opmars van kunstmatige intelligentie gaat razendsnel. AI-modellen worden krachtiger, toepassingen breder en het aantal gebruikers groeit explosief. Waar AI voor veel mensen voelt als iets abstracts dat “in de cloud” gebeurt, draait het in werkelijkheid op een enorme fysieke infrastructuur: datacenters, chips, kabels, koelsystemen, elektriciteitsnetwerken en mijnbouwketens.
Dat roept een logische vraag op: hoe slecht is AI eigenlijk voor het milieu?
Het eerlijke antwoord is: dat hangt ervan af waar je naar kijkt. Eén korte tekstprompt verbruikt relatief weinig stroom. Maar miljarden prompts per dag, steeds grotere datacenters, nieuwe chips, watergebruik, grondstoffen en netcongestie vormen samen wél een serieus klimaat- en milieuvraagstuk.
In dit artikel nemen we je mee langs de belangrijkste feiten en cijfers. We kijken naar de energie die nodig is om AI-infrastructuur te bouwen, modellen te trainen en AI dagelijks te gebruiken. Daarna plaatsen we die impact in perspectief: hoe verhoudt een maand intensief AI-gebruik zich tot bijvoorbeeld een wasbeurt of één dag per week met de trein naar werk?
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 trainen van het model
Het dagelijks gebruik
1. De bouw van infrastructuur
Voordat een AI-model ook maar één prompt beantwoordt, is er al veel milieu-impact gemaakt. Denk aan het delven van grondstoffen, het produceren van gespecialiseerde chips, het bouwen van datacenters en het aanleggen of uitbreiden van elektriciteitsnetwerken.
Deze impact wordt ook wel embodied carbon genoemd: de ingebedde uitstoot en milieubelasting van de fysieke infrastructuur. Maar het gaat niet alleen om CO₂. Hardware vraagt ook om metalen, water, chemicaliën, transport, koeling en uiteindelijk afvalverwerking.
Volgens de United Nations University kan AI-infrastructuur richting 2030 oplopen tot ongeveer 2,5 miljoen ton elektronisch afval per jaar ([1]). Ook wijst de VN op de zware landvoetafdruk en op het feit dat kritieke mineralen vaak worden gewonnen in regio’s met zwakker milieutoezicht, regelmatig in het Globale Zuiden, terwijl de economische voordelen vooral elders terechtkomen ([1]).
2. Het trainen van modellen
Daarna komt het trainen van het model. Dit is de intensieve voorbereidingsfase waarin supercomputers dagen, weken of maanden draaien om patronen te leren uit enorme hoeveelheden data.
In de publieke discussie krijgt deze fase vaak veel aandacht, omdat de absolute getallen groot zijn. Voor GPT-4 wordt de trainingsenergie extern bijvoorbeeld geschat op ongeveer 50 tot 70 GWh ([1]). Dat klinkt gigantisch, en dat is het ook.
Tegelijk is training meestal een eenmalige investering per model. Als een model vervolgens honderden miljarden keren wordt gebruikt, wordt die initiële trainingsenergie over al die gebruikers en prompts uitgesmeerd. Voor één individuele gebruiker is het aandeel in die trainingsfase daardoor relatief klein.
3. Het dagelijks gebruik
Zodra een model online staat, verschuift de impact naar het dagelijks gebruik. Elke prompt, gegenereerde tekst, afbeelding, analyse of samenvatting vraagt opnieuw rekenkracht.
Per losse korte tekstprompt is dat stroomverbruik klein. Maar op systeemniveau telt het hard op, omdat AI-tools inmiddels door miljoenen mensen en bedrijven worden gebruikt. Volgens het UNU-rapport kan de gebruiksfase inmiddels 80% tot 90% van het totale AI-energieverbruik vertegenwoordigen ([1]).
Dat is de kern van het verhaal: één prompt is klein, maar miljarden prompts zijn dat niet.
Niet elke prompt weegt even zwaar
De milieu-impact van AI hangt sterk af van wat je doet. Een korte tekstvraag is iets heel anders dan een lange analyse van een document, een complexe code-opdracht, een reasoning-model of beeldgeneratie.
Voor simpele AI-taken, zoals tekstclassificatie of spamfiltering, meten benchmarks zeer lage waarden. Luccioni e.a. meten voor tekstclassificatie gemiddeld ongeveer 0,002 Wh per inference ([5]).
Voor generatieve chatbots ligt dat hoger. De schattingen lopen uiteen:
- Google rapporteert 0,24 Wh voor een mediane Gemini-tekstprompt ([3]).
- Epoch AI schat een typische GPT-4o-query op ongeveer 0,3 Wh ([4]).
- Een recente benchmark komt voor een korte GPT-4o-prompt uit op ongeveer 0,42 Wh ([2]).
In dit artikel gebruiken we bewust die ruimere schatting van 0,42 Wh per korte tekstprompt. Daarmee rekenen we liever iets te voorzichtig dan te optimistisch.
Maar: lange of complexe taken kunnen veel zwaarder zijn. Als je een groot document uploadt, een model uitgebreid laat redeneren of een lange output vraagt, moet het model veel meer tokens verwerken en genereren. Het stroomverbruik loopt dan mee op.
De echte sprong zit bij beeldgeneratie. Luccioni e.a. meten voor het maken van één AI-afbeelding gemiddeld ongeveer 2,9 Wh ([5]). Dat is ongeveer zeven keer zoveel als onze ruime schatting voor een korte tekstprompt van 0,42 Wh, en ongeveer 1.450 keer zoveel als simpele tekstclassificatie.
AI-gebruik is niet één categorie. Wat je vraagt, welk model je gebruikt en hoe lang je input en output zijn, maakt veel uit.
Groene stroom lost niet alles op
Datacenters draaien op elektriciteit. Het lijkt daarom logisch om te zeggen: als AI op groene stroom draait, is het probleem opgelost.
Zo simpel is het helaas niet.
Een laag-koolstof energienetwerk is beter dan een fossiel netwerk, maar niet vrij van milieu-impact. Elke kWh heeft namelijk niet alleen een CO₂-voetafdruk, maar ook een water- en landvoetafdruk ([1]).
Waterkracht: weinig CO₂, maar veel water- en landgebruik
Waterkracht kan veel CO₂ besparen ten opzichte van fossiele energie, maar vraagt vaak grote stuwmeren. Daardoor kunnen natuurgebieden permanent onder water komen te staan. Ook verdampt water uit stuwmeren, waardoor een energiebron met lage CO₂-uitstoot toch een grote water- en landvoetafdruk kan hebben.
Volgens het UNU-rapport kan de waterfootprint van datacenters richting 2030 wereldwijd oplopen tot 9,3 biljoen liter per jaar ([1]).
Biomassa: minder CO₂, maar veel landgebruik
Biomassa kan de CO₂-uitstoot verlagen ten opzichte van kolen, maar de ecologische prijs kan hoog zijn. Volgens het UNU-rapport kan de watervoetafdruk van biomassa meer dan dertig keer groter zijn dan die van kolen, en de landvoetafdruk ongeveer honderd keer groter ([1]).
De conclusie is dus niet dat groene stroom slecht is. Integendeel: groene alternatieven zijn doorgaans beter dan fossiele bronnen zoals kolen en gas. Maar groene stroom maakt AI niet automatisch impactvrij. De locatie van datacenters, de lokale stroommix, waterbeschikbaarheid en netcapaciteit blijven belangrijk.
De mogelijke upside van AI
AI is niet alleen een energieverbruiker. Het kan ook helpen om klimaatdoelen te behalen.
De International Energy Agency wijst bijvoorbeeld op toepassingen waarbij AI kan bijdragen aan efficiëntere energiesystemen. Denk aan betere voorspellingen van vraag en aanbod, slimmer netbeheer, betere integratie van wind- en zonne-energie en het optimaliseren van energieverbruik in gebouwen en industrie ([6]).
Ook buiten de energiesector zijn er kansen. AI kan helpen bij:
- slimmer waterbeheer en precisielandbouw;
- efficiëntere logistiek en transport;
- minder verspilling in productieprocessen;
Maar hier is nuance belangrijk. De positieve klimaatimpact van AI komt vooral van doelgerichte, specialistische toepassingen. Dat zijn niet dezelfde toepassingen als de generatieve chatbots en beeldgeneratoren die we dagelijks op kantoor of thuis gebruiken. De echte vraag is: waarvoor zetten we de rekenkracht in?
Wat kun jij doen? Duurzaam AI-gebruik
Hier zijn 3 praktische tips om duurzamer te werken met GenAI:
1. Gebruik AI alleen wanneer het echt waarde toevoegt
Stel geen prompts uit gewoonte. Gebruik generatieve AI vooral voor taken waarbij het daadwerkelijk helpt: analyseren, structureren, leren, samenvatten of creatief meedenken. Voor simpele feiten, adressen of directe bronvragen is een zoekmachine of betrouwbare bron vaak efficiënter én betrouwbaarder.
De duurzaamste prompt blijft de prompt die je niet nodig had.
2. Wees extra kritisch met beeld, video en zware modellen
Niet elke AI-taak weegt even zwaar. Beeldgeneratie, video en zware reasoning- of “Pro”-modellen vragen veel meer rekenkracht dan een korte tekstprompt. Gebruik ze dus vooral wanneer ze echt iets toevoegen, en kies voor lichtere modellen wanneer een taak eenvoudig is.
3. Houd je prompt en antwoord zo kort als praktisch kan
Het stroomverbruik hangt samen met hoeveel tekst, data of documenten een model moet verwerken en teruggeven. Lange documenten, lange prompts en lange antwoorden vragen meer verwerking. Vraag dus om een korte output als je geen uitgebreide analyse nodig hebt, en upload alleen de informatie die echt relevant is.
Wil je leren hoe je AI slim én bewust inzet? In onze workshop leer je hoe je betere prompts schrijft, wanneer AI echt waarde toevoegt en hoe je onnodig gebruik voorkomt.
In perspectief: is AI-gebruik verminderen de meest effectieve manier om het klimaat te redden?
Om de daadwerkelijke impact wat tastbaarder te maken, kunnen we de balans opmaken voor een gemiddelde kenniswerker. Stel: je gebruikt generatieve AI dagelijks voor je werk en typt zo’n 30 prompts per dag.
In dit rekensommetje laten we embodied carbon, grondstoffengebruik, e-waste, watergebruik en landvoetafdruk buiten beschouwing. We rekenen dus alleen met elektriciteit voor dagelijks gebruik, plus een ruwe verdeling van trainingsenergie. Het gaat hier bovendien om korte tekstprompts. Lange documenten, zware reasoning-modellen, beeldgeneratie en video kunnen aanzienlijk meer energie vragen.
De berekening: een maand lang tekst-AI gebruiken
Hoeveel stroom kost jouw AI-gebruik na een gemiddelde werkmaand?
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 een 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.
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, komt jouw persoonlijke aandeel in die trainingsfase voor één maand tekstgebruik naar schatting uit op hooguit ongeveer 0,05 kWh ([1]). Dit is geen exacte meetwaarde, maar een indicatieve opslag om de trainingsfase niet helemaal buiten beeld te laten.
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: één dag per week met de trein
Laten we dat maandelijkse AI-verbruik afzetten tegen een andere dagelijkse keuze: woon-werkverkeer. Stel dat je 20 kilometer van je werk woont, dus 40 kilometer retour per dag. Eén keer per week laat je de benzineauto staan en neem je de trein.
Voor deze vergelijking is CO₂ een betere maat dan kWh. Bij een auto zou je anders de chemische energie in benzine vergelijken met elektriciteitsverbruik van de trein, en dat is niet helemaal zuiver. Voor klimaatimpact gaat het uiteindelijk om de uitstoot.
Een gemiddelde benzineauto stoot volgens Milieu Centraal ongeveer 200 gram CO₂ per kilometer uit ([12]). Voor een retour van 40 kilometer komt dat neer op:
40 km × 200 gram CO₂ = 8 kg CO₂
Doe je dit vier keer per maand, dan vermijd je ongeveer:
4 × 8 kg CO₂ = 32 kg CO₂ per maand
De trein heeft natuurlijk ook impact, maar in Nederland is die per reizigerskilometer veel lager dan die van de benzineauto. Zelfs als je de treinimpact meerekent, blijft de besparing van een paar treinritten per maand vele malen groter dan de elektriciteitsimpact van korte tekstprompts.
Ter vergelijking: een maand intensief tekst-AI-gebruik uit ons voorbeeld kost ongeveer 0,30 kWh stroom. Afhankelijk van de stroommix staat dat meestal gelijk aan hooguit enkele tientallen tot honderden grammen CO₂, niet tientallen kilo’s.
De les is dus niet dat AI geen impact heeft, maar wel dat de schaal verschilt: bewust prompten is goed, maar één dag per week de auto laten staan heeft waarschijnlijk veel meer klimaateffect dan een maand lang geen korte tekstprompts sturen.
Dus: is AI een klimaatprobleem?
De International Energy Agency schat dat datacenters in 2024 ongeveer 415 TWh elektriciteit verbruikten. Dat is ongeveer 1,5% van de wereldwijde elektriciteitsvraag. Volgens de IEA is naar schatting 5% tot 15% daarvan toe te rekenen aan AI. Richting 2030 kan het totale datacenterverbruik oplopen tot ongeveer 945 TWh, bijna een verdubbeling ([6]).
Dat is serieus. Zeker omdat datacenters lokaal druk kunnen zetten op stroomnetten, waterbronnen en ruimtegebruik. Ook gaat het niet alleen om elektriciteit: de bouw van chips, servers en datacenters vraagt grondstoffen, water, land en uiteindelijk afvalverwerking.
Maar op individueel niveau ligt het genuanceerder. Een korte tekstprompt is geen vliegreis. Een maand intensief tekst-AI-gebruik is in ons voorbeeld minder stroom dan één zuinige wasbeurt.
De kern is dus:
Prompt bewust, maar overschat de impact van je individuele korte tekstprompts niet. De grote klimaatwinst boek je als individu waarschijnlijk eerder door bewuste keuzes in vervoer, wonen, voeding en lokaal kopen.
Bronnenlijst
[1] United Nations University — “Rising Emissions, Depleting Water and Vanishing Land—UN Scientists: AI Is Threatening Natural Resources for Billions”
https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints
[2] Jegham e.a. — “How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference”
https://arxiv.org/abs/2505.09598
[3] Google Cloud — “Measuring the environmental impact of AI inference”
[4] Epoch AI — “How much energy does ChatGPT use?”
https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
[5] Luccioni, Jernite & Strubell — “Power Hungry Processing: Watts Driving the Cost of AI Deployment?”
https://arxiv.org/html/2311.16863v3
[6] International Energy Agency — “Energy and AI — Executive summary”
https://www.iea.org/reports/energy-and-ai/executive-summary
[7] International Energy Agency — “Energy demand from AI”
https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[8] European Commission — “Washing Machines — Energy Efficient Products”
https://energy-efficient-products.ec.europa.eu/product-list/washing-machines_en
[9] Milieu Centraal — “CO₂-uitstoot fiets, ov en auto”
https://www.milieucentraal.nl/duurzaam-vervoer/co2-uitstoot-fiets-ov-en-auto/
[10] Milieu Centraal — “Autogebruik verminderen”
https://www.milieucentraal.nl/duurzaam-vervoer/alternatieven-voor-de-auto/autogebruik-verminderen/
[11] NS Annual Report 2025 — “Climate and energy”
https://nsannualreport.nl/annual-report-2025/sustainability-report/environment/climate-and-energy
[12] Milieu Centraal — “Wat is je CO₂-voetafdruk?”
https://www.milieucentraal.nl/klimaat-en-aarde/klimaatverandering/wat-is-je-co2-voetafdruk/
