greenai.guide

Home › Artikelen › De Jevons-paradox en AI: waarom efficiëntie niet genoeg is

Artikel

De Jevons-paradox en AI: waarom efficiëntie niet genoeg is

Bijgewerkt · 8 min. leestijd

In het kort

De Jevons-paradox is de bevinding, voor het eerst beschreven door William Stanley Jevons in 1865, dat efficiënter gebruik van steenkool ertoe leidde dat Groot-Brittannië er meer van verbrandde, niet minder. Bij AI wordt elke vraag veel goedkoper en efficiënter, maar het totale stroomverbruik van datacenters stijgt snel. Onderzoekers die de klimaatimpact van digitale technologie bestuderen, stellen dat efficiëntie alleen echte emissiereductie oplevert als de totale uitstoot wordt begrensd.

Kernpunten

  • De Jevons-paradox: een hulpbron goedkoper maken in gebruik kan het totale gebruik ervan verhogen. Jevons liet dit in 1865 zien voor steenkool.
  • Rebound kan direct zijn (meer van dezelfde taak), indirect (besparingen die elders worden uitgegeven) of economiebreed; als het de besparing overtreft, heet het backfire.
  • Google meldde dat de energie van zijn mediane Gemini-tekstprompt in een jaar 33 keer daalde, terwijl het IEA verwacht dat het stroomverbruik van datacenters tot 2030 meer dan verdubbelt.
  • Freitag, Berners-Lee en collega's stelden vast dat de klimaatvoetafdruk van ICT wordt onderschat, en stellen dat claims over besparingen dankzij ICT op zwak bewijs rusten.
  • Widdicks en collega's concluderen dat efficiëntie binnen emissiegrenzen de enige manier is om efficiëntie om te zetten in echte emissiereductie.
  • In de praktijk: meet totalen, stel budgetten of plafonds in, ontmantel vrijgekomen capaciteit en gebruik AI alleen waar het waarde toevoegt.

AI wordt heel snel efficiënter, en het totale energieverbruik ervan groeit heel snel. Die twee feiten spreken elkaar niet tegen. Ze vormen een 160 jaar oud patroon dat bekendstaat als de Jevons-paradox. Dit artikel legt de paradox uit, het bewijs dat hij op AI van toepassing is, de zorgen die onderzoekers hebben geuit over digitale technologie als klimaatoplossing, en wat efficiëntie echt omzet in lagere uitstoot. Voor de basis van efficiëntie en suffiëntie begint u met efficiëntie is geen suffiëntie.

Wat is de Jevons-paradox?

De Jevons-paradox treedt op wanneer efficiënter gebruik van een hulpbron ertoe leidt dat er meer van wordt gebruikt, niet minder. De econoom William Stanley Jevons beschreef dit in 1865 in The Coal Question, een boek over de vraag of de Britse steenkoolmijnen uitgeput zouden raken.

Jevons was het daar niet mee eens. Hij schreef dat het "geheel een verwarring van ideeën is om te veronderstellen dat zuinig gebruik van brandstof gelijkstaat aan een verminderd verbruik. Het tegendeel is waar." Zijn redenering was dat goedkopere stoomkracht steenkool de moeite waard maakte voor veel meer taken, zodat de totale vraag sneller steeg dan het verbruik van elke machine daalde.

Het inzicht is niet dat efficiëntie slecht is. Het is dat efficiëntie de prijs van iets doen verandert, en dat mensen, bedrijven en hele economieën op prijzen reageren.

Wat is het rebound-effect?

Het rebound-effect is het extra gebruik dat een efficiëntiewinst uitlokt, en dat een deel van de besparing opeet. De Jevons-paradox is de meest extreme vorm ervan. Widdicks en collega's beschrijven in een artikel uit 2023 in het tijdschrift Patterns de belangrijkste soorten:

Soort Wat er gebeurt Voorbeeld bij AI
Directe rebound Dezelfde dienst wordt goedkoper en daarom meer gebruikt Goedkopere prompts leiden tot meer prompts, langere antwoorden en meer aanroepen door agents
Indirecte rebound Bespaard geld of bespaarde tijd gaat naar andere dingen die ook energie gebruiken (het "inkomenseffect" en de "tijdrebound") Tijd die een AI-assistent bespaart, gaat naar energie-intensievere activiteiten
Economiebrede rebound De bredere economie past zich aan: nieuwe producten, markten en sectoren groeien op de goedkopere input AI standaard ingebouwd in zoekmachines, telefoons en kantoorsoftware

Wanneer de rebound groter is dan de besparing, zodat het totale gebruik of de totale uitstoot stijgt, heet dat backfire. Dezelfde auteurs merken op dat in de wereldeconomie energie-efficiëntie in de meeste producten en diensten sinds 1850 hand in hand is gegaan met een gemiddelde groei van de wereldwijde CO2-uitstoot van 1,8% per jaar. Ze zeggen er zorgvuldig bij dat dit niet bewijst dat efficiëntie hogere uitstoot veroorzaakt, alleen dat de uitstoot, als dat niet zo is, zonder efficiëntie veel sneller had moeten stijgen.

Zie de woordenlijst voor rebound-effect en Jevons-paradox.

Speelt de Jevons-paradox bij AI?

Het bewijs wijst die kant op: de energie per vraag daalt snel, terwijl het totale stroomverbruik van datacenters stijgt. Twee veelaangehaalde cijfers, uit verschillende bronnen, laten het patroon zien:

  • Per vraag. Google meldde in 2025 dat zijn mediane tekstprompt in Gemini Apps 0,24 Wh energie gebruikt, en dat over een periode van 12 maanden de energie per mediane prompt 33 keer daalde en de CO2-voetafdruk 44 keer.
  • In totaal. Het Internationaal Energieagentschap (IEA) schat dat datacenters in 2024 ongeveer 415 TWh verbruikten, ongeveer 1,5% van de elektriciteit in de wereld, en dat dit sinds 2017 met ongeveer 12% per jaar is gegroeid. Het verwacht dat het verbruik tot 2030 meer dan verdubbelt tot ongeveer 945 TWh, met AI als "de belangrijkste drijfveer van deze groei".

Deze cijfers bewijzen op zichzelf geen oorzakelijk verband, want de vraag naar AI groeit ook om andere redenen dan de prijs. Maar ze laten zien dat grote winst per vraag het totale gebruik niet heeft tegengehouden. Het IEA zelf behandelt de snelheid van efficiëntieverbeteringen als een van de grootste onzekerheden in zijn vooruitblik: over zijn scenario's heen loopt de vraag van datacenters in 2035 uiteen van 700 tot 1.700 TWh.

AI heeft kenmerken die rebound extra waarschijnlijk maken. Goedkopere inferentie laat aanbieders AI standaard inbouwen in hulpmiddelen die mensen al gebruiken, en laat agents per taak veel modelaanroepen doen (zie agentische AI en tokenverspilling). Besparingen worden ook vaak besteed aan meer mogelijkheden, zoals grotere modellen of een langere context, in plaats van te worden vastgehouden.

Welke zorgen hebben Mike Berners-Lee en collega's geuit?

Zij stellen dat de klimaatimpact van digitale technologie wordt onderschat, dat de efficiëntiewinst ervan stelselmatig wordt tenietgedaan door de vraag, en dat claims over klimaatvoordelen veel beter bewijs nodig hebben. Mike Berners-Lee, oprichter van Small World Consulting, gevestigd aan Lancaster University, is specialist in CO2-voetafdrukken en medeauteur van twee artikelen in Patterns over deze vraag.

De voetafdruk is groter dan gemeld

Freitag, Berners-Lee, Widdicks, Knowles, Blair en Friday bekeken in 2021 schattingen van de klimaatimpact van informatie- en communicatietechnologie (ICT). Zij stelden vast dat collegiaal getoetste studies ICT op 1,8–2,8% van de wereldwijde uitstoot van broeikasgassen schatten, maar dat het aandeel 2,1–3,9% kan zijn als ketens worden meegeteld die in gangbare levenscyclusstudies buiten beschouwing blijven (de "afkappingsfout").

Efficiëntie heeft het totaal niet verlaagd

Dezelfde studie stelde vast dat de vraag naar rekenkracht en apparaten per persoon de efficiëntieverbeteringen had ingehaald, zodat het energieverbruik en de voetafdruk van ICT jaar na jaar bleven groeien. Alle onderzochte analisten waren het erover eens dat de uitstoot van ICT "niet zal dalen zonder grote, gezamenlijke inspanningen met brede politieke en industriële actie". De auteurs gaven redenen om te verwachten dat de uitstoot zonder ingrijpen stijgt, en achtten een natuurlijke piek door verzadigde vraag onwaarschijnlijk. Ter wille van de eerlijkheid vermelden ze ook de afwijkende opvatting van de onderzoeker Jens Malmodin, die hun in persoonlijke communicatie meedeelde dat de uitstoot van ICT voorlopig is gestabiliseerd en tot 2030 zou kunnen halveren.

Claims over "AI voor het klimaat" missen bewijs van nettovoordeel

Rapporten uit de sector hebben beweerd dat ICT in andere sectoren meerdere keren zijn eigen uitstoot zou kunnen besparen. Freitag en collega's stellen dat deze schattingen rebound maar zeer beperkt meenemen, en dat ICT even goed groei mogelijk maakt, ook in CO2-intensieve sectoren, als dat het uitstoot vermindert. Zij schrijven dat "ondanks twijfelachtig bewijs dat de groeitrends van ICT meer CO2-uitstoot zullen besparen dan ze veroorzaken" blockchain, het internet der dingen en AI steeds meer investeringen en gebruik zien. ICT bespaart volgens hen alleen elders uitstoot als het CO2-intensieve activiteit vervangt in plaats van eraan toe te voegen.

Dit betekent niet dat AI het klimaat niet kan helpen. Het betekent dat elke claim een nettovoordeel moet aantonen, met de eigen voetafdruk van de AI en de rebound meegeteld. Zie groene AI versus AI voor groen.

Efficiëntie heeft een plafond nodig

Het artikel van Widdicks en collega's uit 2023, gebaseerd op een workshop met 19 deskundigen, concludeert dat "efficiëntie binnen grenzen aan broeikasgasuitstoot de enige manier is waarop efficiëntie tot echte emissiereductie kan leiden". De studie uit 2021 stelt dat er zonder een wereldwijde CO2-grens nieuwe regelgeving nodig is om de voetafdruk van ICT in lijn te houden met het Akkoord van Parijs. Beide artikelen presenteren een plafond ook als goed voor de sector zelf: binnen een grens wordt efficiëntie meer waard, niet minder.

In zijn eigen woorden

Tegenover digitale leiders van de overheid in Londen vatte Berners-Lee in februari 2026 het rebound-probleem samen als "hoe efficiënter het wordt, hoe meer we doen", en waarschuwde hij dat "veel mensen bij elk probleem met de voorhamer van AI en machine learning gaan zwaaien", volgens een verslag van THINK Digital Partners.

Wat zet efficiëntie om in echte besparingen?

Koppel elke efficiëntiewinst aan een grens voor het totaal, en meet het totaal. Het onderzoek hierboven wijst op vijf praktische hefbomen.

Werk binnen een budget of plafond

Stel een absoluut budget in voor energie, uitstoot, rekenkracht of tokens voor een product, team of project, en houd het aan naarmate de efficiëntie verbetert. Efficiëntie laat u dan meer doen binnen het budget, in plaats van het totaal op te drijven.

Meet de absolute impact, niet alleen cijfers per eenheid

Een claim dat een model "tien keer efficiënter" is, zegt niets over de vraag of de totale uitstoot is gedaald. Rapporteer de totale energie en uitstoot door de tijd heen, naast de energie per taak. Zie hoe u de energie van AI meet.

Pas suffiëntie toe

Gebruik AI waar het echte waarde toevoegt, en dan het kleinste model dat volstaat. Een formule, een zoekopdracht of een databasequery doet het werk vaak met een fractie van de energie. Zie suffiëntie.

Houd de besparingen vast

Wanneer een efficiëntieproject capaciteit vrijmaakt, beslis dan vooraf wat ermee gebeurt. Servers, gereserveerde cloudcapaciteit of licenties afstoten legt de besparing vast; ze laten doorlopen nodigt uit tot nieuw gebruik om ze te vullen. Zie hoe u voorkomt dat efficiëntiewinst wordt tenietgedaan.

Gebruik beleidsinstrumenten die op totalen werken

CO2-beprijzing, emissieplafonds, grenzen aan netaansluitingen en rapportage van absoluut energieverbruik werken op de totale vraag op een manier die efficiëntienormen alleen niet kunnen. Zie groen AI-beleid.

Wat u nu kunt doen

  • Neem de totale energie of uitstoot van AI op in uw vaste rapportage, naast cijfers per taak.
  • Stel een budget of plafond in voor AI-rekenkracht of -uitstoot, en houd het aan als de efficiëntie verbetert.
  • Beslis vóór elk efficiëntieproject of de vrijgekomen capaciteit wordt afgestoten of hergebruikt.
  • Vraag u bij elke nieuwe AI-functie af of die nodig is, en of die standaard aan moet staan.
  • Behandel elke claim dat AI elders uitstoot zal verminderen als een hypothese die u toetst, met rebound meegeteld.
  • Lees efficiëntie is geen suffiëntie en groene AI versus AI voor groen voor het bredere beeld.

Veelgestelde vragen

Wat is de Jevons-paradox?

De waarneming van de econoom William Stanley Jevons, in zijn boek The Coal Question uit 1865, dat efficiënter gebruik van steenkool tot meer steenkoolgebruik leidde, omdat efficiëntie werk op steenkool goedkoper en dus wijder verbreid maakte.

Vermindert efficiëntere AI de uitstoot?

Per vraag wel. In totaal niet per se: goedkopere vragen moedigen veel meer gebruik aan. Het totale stroomverbruik van datacenters stijgt nog steeds snel terwijl de energie per prompt daalt, dus efficiëntie vermindert de uitstoot alleen over de hele linie als ook het totale gebruik of de totale uitstoot wordt begrensd.

Wat is het rebound-effect bij AI?

Het extra AI-gebruik dat volgt wanneer AI goedkoper of gemakkelijker wordt, en dat een deel van de bespaarde energie opeet. Het kan direct zijn (meer prompts), indirect (bespaard geld of bespaarde tijd gaat naar andere dingen die energie gebruiken) of economiebreed (nieuwe producten en sectoren gebouwd op goedkope AI).

Wat is backfire?

Backfire is een rebound-effect dat zo groot is dat het totale verbruik of de totale uitstoot uiteindelijk hoger uitkomt dan vóór de efficiëntiewinst. De Jevons-paradox is een voorbeeld van backfire.

Wat zeggen Mike Berners-Lee en zijn medeauteurs over AI en klimaat?

In collegiaal getoetste artikelen stellen zij dat de voetafdruk van ICT wordt onderschat, dat efficiëntiewinst meestal wordt tenietgedaan door groeiende vraag, dat het bewijs voor een netto klimaatvoordeel van ICT, waaronder AI, twijfelachtig is, en dat een plafond voor uitstoot nodig is om efficiëntie echte reductie te laten opleveren.

Hoe voorkomt u dat efficiëntiewinst wordt tenietgedaan?

Meet de totale energie of uitstoot naast de energie per taak, stel een budget of plafond in, beslis vooraf wat er met vrijgekomen capaciteit gebeurt, en gebruik AI alleen waar het genoeg waarde toevoegt.

Bronnen

  1. The Coal Question, W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
  2. Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy, Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
  3. The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
  4. Energy and AI, International Energy Agency (2025)
  5. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  6. "We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate, THINK Digital Partners (2026)

Doe mee

Help de impact van AI op de planeet te verkleinen

Ontvang ongeveer eens per maand nieuwe gidsen, financieringsoproepen en vermeldingen per e-mail. Of voeg uw product, cursus, promotieplaats of onderzoek toe aan de gidsen.

Geen tracking. Met één klik afmelden. Andere manieren om mee te doen · Privacy