In het kort
AI draaien op telefoons, sensoren en lokale servers in plaats van in verre datacenters kan de energie voor het verplaatsen van data verminderen en de privacy beschermen. Maar het verspreidt rekenwerk over miljarden apparaten waarvan het energieverbruik en de voetafdruk van de productie zelden worden gemeten. Of edge-AI groener is, hangt af van het model, het apparaat, hoe vaak het draait en wat het vervangt, en het bewijs is nog mager.
Kernpunten
- Edge-AI draait modellen op of vlak bij het apparaat dat de data verzamelt, in plaats van in een centraal datacenter.
- Het voorkomt dat data over netwerken wordt verstuurd, wat energie kost, en houdt data privé, maar het levert de efficiëntie van gedeelde, volledig benutte servers in.
- Studies die inferentie aan de edge en in de cloud vergelijken, spreken elkaar tegen; de resultaten hangen sterk af van het model, de hardware en het vergelijkingspunt.
- Het maken van apparaten heeft een grote CO2-kost, dus AI-functies die de levensduur van apparaten verkorten of nieuwe hardware vereisen, kunnen zwaarder wegen dan de energiebesparing.
- Edge-AI is moeilijk te meten en te reguleren, omdat er geen datacentermeter, geen PUE en geen rapportageplicht is.
Het meeste debat over het energieverbruik van AI gaat over datacenters, omdat daar de grote meters hangen. Maar een groeiend deel van AI draait elders: op telefoons, laptops, auto's, camera's, deurbellen en fabriekssensoren. Dat is "edge-AI". Het kan een deel van de oplossing zijn voor de voetafdruk van AI, of een manier om die voetafdruk te verplaatsen naar een plek waar niemand telt.
Wat is edge-AI?
Edge-AI draait een model op of vlak bij het apparaat dat de data verzamelt, in plaats van de data naar een ver datacenter te sturen. AI "op het apparaat" (on-device) is het uiterste geval: het model draait op de telefoon of sensor zelf.
Edge-AI is al gangbaar:
- Het technische rapport van Apple uit 2025 beschrijft een taalmodel op het apparaat van ongeveer drie miljard parameters, gecomprimeerd met 2-bit kwantisatiebewuste training, zodat het op telefoons en laptops past en draait.
- Met de Android AICore-dienst van Google kunnen apps Gemini Nano gebruiken, een model dat op het apparaat draait, op ondersteunde Pixel- en Samsung-telefoons.
- Industriële camera's, drones, auto's en medische apparaten draaien beeld- en besturingsmodellen lokaal, omdat ze niet kunnen wachten op, of vertrouwen op, een netwerkverbinding.
Het aantal apparaten is groot en groeit. IoT Analytics telde eind 2024 ongeveer 18,5 miljard verbonden apparaten voor het Internet of Things, telefoons, pc's en tablets niet meegerekend, en voorspelde er ongeveer 39 miljard tegen 2030.
Waarom zou edge-AI energie kunnen besparen?
Omdat het verplaatsen van data energie kost, en lokale verwerking dat kan vermijden. Het houdt gevoelige data ook waar die is.
Het Internationaal Energieagentschap (IEA) schatte dat netwerken voor datatransmissie ruwweg 1–1,5% van de elektriciteit in de wereld gebruiken, een vergelijkbaar aandeel als datacenters. Data verwerken waar ze wordt verzameld, en alleen resultaten versturen, kan die belasting verminderen.
Er is een kanttekening. Mytton, Lundén en Malmodin toonden in 2024 aan dat netwerkenergie niet recht evenredig is met de hoeveelheid data: een groot deel van het vermogen van een netwerk wordt afgenomen, of er nu data stroomt of niet. Minder data versturen bespaart dus niet één-op-één energie, en eenvoudige schattingen in "kWh per gigabyte" overdrijven de besparing.
Andere mogelijke voordelen:
- Privacy en soevereiniteit. Data die een apparaat, een ziekenhuis of een netbeheerder nooit verlaat, kan onderweg niet uitlekken en niet door een derde worden gebruikt.
- Veerkracht. Een lokaal model blijft werken als het netwerk of de cloud uitvalt.
- Latentie. Antwoorden komen zonder heen-en-terugreis, wat belangrijk is voor voertuigen en machines.
Waarom zou edge-AI meer kunnen kosten?
Omdat kleine apparaten meestal minder efficiënt zijn dan grote, gedeelde, volledig benutte servers, en omdat het maken van apparaten een grote CO2-kost heeft.
- Benutting. Een versneller in een datacenter kan de verzoeken van veel gebruikers bundelen en bezig blijven. Een telefoon of sensor verwerkt het verzoek van één gebruiker en staat daarna stil.
- Productie. Wu en collega's bij Meta meldden in 2022 dat ingebedde CO2, van het maken van hardware, de belangrijkste bron van de totale voetafdruk van AI aan het worden was, en merkten op dat rekenwerk dat naar de edge verschuift, kan draaien op plaatsen met beperkte toegang tot hernieuwbare energie. AI-functies die nieuwe telefoons vereisen, of oudere traag laten aanvoelen, voegen productie-uitstoot toe die zwaarder kan wegen dan de bespaarde energie.
- Vermenigvuldiging. Een kleine kost per apparaat, maal miljarden apparaten, is een grote kost. Een deurbel of camera die voortdurend een model draait, kan in totaal meer energie verbruiken dan af en toe een oproep naar de cloud zou hebben gedaan.
Wat zegt het bewijs?
Het is gemengd en hangt sterk af van de vergelijking. Li, Islam en Ren (2025) vergeleken inferentie van generatieve AI in de cloud en op edge-apparaten, en vonden voor verschillende modellen een kleinere milieuvoetafdruk bij inzet aan de edge, met energiebesparingen van meer dan 90% in hun tests op een recente telefoon. Hun vergelijkingspunt in de cloud was geen volledig geoptimaliseerde productiedienst, en dat is belangrijk: goed gebundelde servers in een efficiënt datacenter zijn een moeilijker te verslaan maatstaf.
Studies die een hele AI-dienst van begin tot eind volgen, van apparaat via netwerk tot datacenter, zijn nog zeldzaam, vooral voor grote taalmodellen. Een Britse sandpit (een verkennende werksessie) over groene AI in 2026, met wiskundigen, informatici en de industrie, noemde het modelleren van het netto energie-effect van edge-AI, over miljoenen apparaten, als een open vraag.
Waarom is edge-AI moeilijk te meten en te reguleren?
Omdat er geen enkele meter is. Datacenters rapporteren hun energieverbruik en hun power usage effectiveness (PUE), en in de EU moeten grotere datacenters rapporteren aan een gemeenschappelijk systeem. Telefoons, sensoren en AI-werkstations naast het bureau hebben zo'n plicht niet.
De energie verschijnt, als dat al gebeurt, als een lege batterij of een iets hogere elektriciteitsrekening, verspreid over miljoenen huishoudens en bedrijven. Daardoor is het makkelijk om besparingen te claimen door werk naar de edge te verplaatsen, zonder dat iemand dat kan controleren. Zie meten is de bottleneck.
Wat maakt edge-AI groener?
Kleine, efficiënte modellen, alleen gedraaid wanneer nodig, op hardware die mensen al hebben. Dezelfde methoden die de energie van datacenters verminderen, zijn op een batterij nog belangrijker:
- Gecomprimeerde modellen: pruning (snoeien), kwantisatie en distillatie. Zie de wiskunde die AI efficiënter maakt.
- Gebeurtenisgestuurde verwerking: wek het model wanneer er iets gebeurt, in plaats van het voortdurend te laten draaien.
- Samenvattingen versturen, geen ruwe data, wanneer de cloud nodig is.
- Oudere apparaten blijven ondersteunen, zodat AI-functies niet tot vervanging dwingen.
GreenCode, een Europees onderzoeksproject over energie-efficiënte software, maakt hetzelfde punt: kleine, afgestemde modellen, retrieval (ophalen van relevante informatie) in plaats van brute-force context, routering naar het goedkoopste onderdeel dat de taak aankan, en planning zijn wat AI haalbaar maakt op batterijstroom en beperkte hardware, waar het geen optie is om meer energie te verbruiken.
Wat u nu kunt doen
- Kies geval per geval tussen edge en cloud, met de vragen in edge of cloud?.
- Tel de productie mee, niet alleen de energie tijdens gebruik, en vermijd functies die nieuwe hardware vereisen.
- Meet tijdens het testen het energieverbruik van het apparaat, niet alleen de nauwkeurigheid en snelheid.
- Laat modellen draaien bij gebeurtenissen, niet voortdurend, en verstuur resultaten in plaats van ruwe data.
- Koopt u edge-AI-producten, vraag leveranciers dan naar de energie per inferentie en de ondersteunde levensduur van apparaten. Zie duurzame inkoop van AI.
Veelgestelde vragen
Wat is edge-AI?
AI die draait op of vlak bij het apparaat waar data wordt verzameld, zoals een telefoon, camera, auto of fabriekssensor, in plaats van in een ver datacenter.
Is AI op het apparaat beter voor het milieu?
Soms. Het kan de energie besparen die nodig is om data naar de cloud te sturen, maar kleine apparaten zijn minder efficiënt dan gedeelde servers, en nieuwe AI-functies kunnen mensen ertoe aanzetten nieuwe hardware te kopen. Het netto-effect hangt af van het geval.
Loopt mijn telefoonbatterij leeg door AI op het apparaat?
Een model op een telefoon draaien verbruikt batterij, net als elke andere zware app. Fabrikanten gebruiken kleine, gecomprimeerde modellen en speciale chips om dat te beperken, maar de energie wordt toch verbruikt, en ze verschijnt in geen enkele datacenterstatistiek.
Bronnen
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
- Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
- Gemini Nano with Android AICore, Google, Android Developers (2024)
- A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Green AI and energy-aware computing, GreenCode (2026)
Gerelateerd
Edge of cloud: waar moet AI draaien?
Zo weegt u AI op het apparaat en aan de edge af tegen centrale datacenters: energie, netwerk, hardware, privacy en veerkracht, met een stappenplan.
Hosting en datacenters voor groene AI
Waar laat u AI draaien? CO2-intensiteit van het stroomnet, PUE en WUE, claims over groene stroom, waterverbruik en locatie, met vragen voor hosts.
Meten is het knelpunt voor groene AI
Waarom energiecijfers van AI moeilijk te vertrouwen en te vergelijken zijn: eigen opgaven, schattingen in plaats van metingen, andere grenzen, en hoe het beter kan.
De wiskunde die AI efficiënter maakt
Pruning, sparsiteit, sketching, randommatrixtheorie en fysica-geïnformeerde modellen: hoe wiskunde het rekenwerk, geheugen en energie van AI vermindert.