Waarom AI zoveel stroom verbruikt en wat daar tegenover staat

Elke vraag aan ChatGPT, elke gegenereerde afbeelding, elke AI-samenvatting draait ergens in een datacenter: een hal vol servers die stroom verbruiken en warmte produceren. Nu AI-gebruik explodeert, groeit ook de discussie: hoeveel energie kost dit eigenlijk, en is dat een probleem? De cijfers zijn genuanceerder dan de krantenkoppen, beide kanten op.

Waarom AI zoveel stroom vraagt

Er zijn twee heel verschillende energieposten. De eerste is training: het bouwen van een groot taalmodel. Daarbij rekenen duizenden gespecialiseerde chips wekenlang non-stop aan miljarden teksten. De training van een groot model kost naar schatting tientallen gigawattuur, vergelijkbaar met het jaarverbruik van duizenden huishoudens. Dat gebeurt eenmalig per model.

De tweede post is het gebruik (inference): elke keer dat iemand een vraag stelt, rekent het model opnieuw. Per vraag is dat weinig. Schattingen lopen uiteen, maar een AI-vraag kost meerdere keren zoveel energie als een klassieke zoekopdracht. Het venijn zit in de schaal: miljarden vragen per dag maken van kleine beetjes een grote som. Bij populaire AI-diensten is het gebruik inmiddels een grotere energiepost dan de training.

Hoe groot is het werkelijk?

Datacenters als geheel (dus inclusief al het gewone internet: streaming, e-mail en cloud) verbruiken wereldwijd grofweg anderhalf tot twee procent van alle elektriciteit. AI is daarbinnen het snelst groeiende deel. Energie-analisten zoals het Internationaal Energieagentschap verwachten dat het datacenterverbruik richting 2030 fors stijgt, met AI als belangrijkste aanjager.

Daar staat iets tegenover dat vaak onderbelicht blijft: de efficiëntie per berekening daalt razendsnel. Nieuwe chips doen meer met minder stroom, modellen worden slimmer gecomprimeerd, en voor veel taken volstaat een klein model dat een fractie verbruikt van de grote vlaggenschepen. Alleen: goedkoper per vraag betekent méér vragen. De totale vraag naar rekenkracht groeit sneller dan de efficiëntiewinst. Economen kennen dit patroon als de Jevons-paradox.

Waarom techbedrijven ineens kerncentrales willen

De honger naar stroom verklaart een opvallende trend: grote techbedrijven sluiten langlopende contracten voor kernenergie en investeren in nieuwe opwekcapaciteit, van zonneparken tot experimentele kleine kernreactoren. Een datacenter heeft dag en nacht stabiele stroom nodig, en het net kan die groei niet overal aan. Ook in Nederland is netcongestie een reëel obstakel voor nieuwe datacenters.

De locatiekeuze draait om drie dingen: beschikbare stroom, koeling (koud klimaat of koelwater) en een snelle verbinding met gebruikers. Vandaar dat datacenters clusteren op plekken als Scandinavië (koud, waterkracht) en Ierland, waar datacenters inmiddels een tweecijferig percentage van het nationale stroomverbruik uitmaken.

Wat betekent dit voor jou?

Voor de meeste professionals is de praktische les bescheiden maar reëel: gebruik het juiste gereedschap voor de taak. Een korte samenvatting of een simpele herformulering heeft geen zwaar vlaggenschipmodel nodig; kleinere en snellere modellen doen dat prima, tegen een fractie van de energie (en vaak ook de kosten). Wie AI structureel inzet in een organisatie, doet er goed aan energie- en kostenefficiëntie mee te wegen bij de modelkeuze.

En wie wil begrijpen wat er nu eigenlijk gebeurt in die datacenters (waarom training zo zwaar is en wat een model doet als jij een vraag stelt) vindt de uitleg zonder formules in hoe een AI-model wordt gemaakt en wat een LLM is.