In het kort
Als elke AI-taak goedkoper wordt, betekent dat niet dat AI als geheel minder energie gebruikt, want goedkopere taken leiden meestal tot meer taken. Dat is het rebound- of Jevons-effect. Groene AI heeft efficiëntie nodig (elke taak met minder doen) en suffiëntie (alleen de taken doen die het waard zijn), met besparingen die worden gemeten op het niveau van het hele systeem.
Kernpunten
- Efficiëntie verlaagt de energie per taak; de totale energie hangt af van hoeveel taken er worden uitgevoerd.
- Als efficiëntie iets goedkoper maakt, groeit de vraag vaak, soms genoeg om de besparing teniet te doen. Dat is het rebound- of Jevons-effect.
- Rekenwerk is al tientallen jaren enorm veel efficiënter geworden, en toch is het totale elektriciteitsverbruik ervan blijven groeien.
- Suffiëntie vraagt of een taak überhaupt AI nodig heeft, of een model van deze omvang.
- Efficiëntiewinst telt pas als besparing wanneer het totale gebruik wordt begrensd, gemeten of beprijsd.
Groene AI wordt vaak voorgesteld als een efficiëntieprobleem: maak modellen kleiner, chips beter en datacenters schoner, en de voetafdruk daalt. Efficiëntie is belangrijk, maar op zichzelf garandeert ze niet dat AI minder energie gebruikt. Dit artikel legt uit waarom, en wat er nog bij moet komen.
Wat is het verschil tussen efficiëntie en suffiëntie?
Efficiëntie is een taak met minder doen; suffiëntie is alleen de taken doen die het waard zijn. Beide verminderen de milieu-impact, maar ze beantwoorden verschillende vragen.
| Efficiëntie | Suffiëntie | |
|---|---|---|
| Vraag | Hoe doen we dit met minder energie? | Moeten we dit doen, op deze schaal? |
| Voorbeelden | Pruning (snoeien), kwantisatie, betere chips, koeling | Geen AI gebruiken waar een zoekopdracht of een formule volstaat; een klein model gebruiken in plaats van een frontiermodel |
| Gemeten als | Energie per taak | Totale energie, en waarde per eenheid energie |
| Wie handelt | Ingenieurs, hardwaremakers, datacenterexploitanten | Gebruikers, producteigenaren, inkopers, beleidsmakers |
De twee zijn geen rivalen. Een Britse sandpit (een verkennende werksessie) over groene AI in 2026, met wiskundigen, informatici en de industrie, hield een peiling over de vraag of groene AI zich moet richten op efficiëntie of op AI alleen gebruiken waar het nodig is; het populairste antwoord was "allebei evenveel". Zie wat is groene AI? voor de bredere definities.
Wat is het reboundeffect?
Het reboundeffect is het extra gebruik dat volgt wanneer iets goedkoper of makkelijker wordt. Als het extra gebruik groot genoeg is om de besparing teniet te doen, stijgt het totale verbruik. Dat uiterste geval heet de Jevonsparadox (in mildere vormen ook bekend als het reboundeffect).
De econoom William Stanley Jevons beschreef het in 1865 in The Coal Question. Hij betoogde dat efficiëntere stoommachines het steenkoolverbruik van Groot-Brittannië niet zouden verminderen, omdat goedkopere stoomkracht voor veel meer toepassingen zou worden ingezet. Hij had gelijk: het steenkoolverbruik bleef stijgen.
Rebound bestaat in gradaties:
- Directe rebound: een goedkopere taak wordt vaker gedaan. Een snellere, goedkopere chatbot krijgt meer vragen.
- Indirecte rebound: bespaard geld of bespaarde tijd wordt aan iets anders besteed dat ook energie gebruikt.
- Economiebrede rebound: goedkopere mogelijkheden maken hele nieuwe producten en sectoren mogelijk.
Is dit in de informatica al gebeurd?
Ja. Koomey en collega's stelden in 2011 vast dat het aantal berekeningen per eenheid energie sinds de eerste elektronische computers van de jaren 1940 ongeveer elke 1,57 jaar was verdubbeld. In dezelfde decennia groeide het totale elektriciteitsverbruik van rekenwerk, omdat het goedkopere rekenwerk voor veel meer toepassingen werd ingezet.
Het overzicht uit 2021 van Freitag en collega's over de klimaatimpact van ICT schatte het aandeel van de sector op 1,8–2,8% van de wereldwijde uitstoot van broeikasgassen, of 2,1–3,9% als toeleveringsketens volledig worden meegeteld. Zij betoogden dat de voetafdruk van ICT is gegroeid ondanks grote efficiëntiewinst, en dat reboundeffecten moeten worden meegerekend voordat efficiëntie als klimaatbesparing wordt geteld.
Volgt AI hetzelfde patroon?
De eerste tekenen wijzen daarop. De energie per AI-taak daalt snel, terwijl de totale vraag stijgt.
- Google meldde in 2025 dat de energie van zijn mediane tekstprompt voor Gemini in twaalf maanden 33 keer kleiner werd, dankzij betere modellen, software en hardware.
- In een vergelijkbare periode voorspelde het Internationaal Energieagentschap (IEA) dat het elektriciteitsverbruik van datacenters tegen 2030 meer dan zou verdubbelen, van ongeveer 415 TWh in 2024 tot ongeveer 945 TWh, met AI als belangrijkste drijfveer van de groei.
Beide kunnen tegelijk waar zijn. Goedkopere prompts maken het economisch om AI standaard in zoekresultaten, documenten, telefoons en softwaretools te stoppen, en om agents te draaien die per taak veel oproepen doen (zie agentische AI en verspilde tokens).
Luccioni, Strubell en Crawford onderzochten dit in 2025 in een artikel over het gepolariseerde milieudebat rond AI. Zij betoogden dat AI efficiënter maken op zichzelf geen lagere milieuschade garandeert, omdat efficiëntiewinst het totale gebruik kan verhogen, en dat het debat die indirecte effecten verwaarloost. Zij pleiten voor levenscyclusanalyse, gecombineerd met analyse van bedrijfsprikkels, markten, bestuur en sociale normen.
Waarom wordt efficiëntie niet vanzelf een besparing?
Omdat wie baat heeft bij efficiëntie, de winst meestal uitgeeft. Bij AI komen drie mechanismen vaak voor:
- Prijs. Aanbieders geven lagere kosten door, dus het gebruik groeit.
- Mogelijkheden. Een besparing bij een bepaalde omvang wordt besteed aan een groter model of een langere context, omdat kwaliteit verkoopt.
- Standaardinstellingen. Wanneer AI goedkoop genoeg is om voor iedereen aan te zetten, wordt het voor iedereen aangezet, ook voor mensen die er niet om vroegen.
Niets hiervan is een reden om te stoppen met het verbeteren van efficiëntie. Zonder efficiëntie zou de totale vraag nog hoger zijn. Het is wel een reden om efficiëntiewinst niet als klimaatbesparing te tellen zolang het totale gebruik niet is gemeten.
Hoe ziet suffiëntie er in de praktijk uit?
Het betekent het hulpmiddel afstemmen op de taak, en soms helemaal geen AI kiezen. Praktische vormen zijn onder meer:
- Gebruik een deterministische methode als die bestaat. Een rekenmachine, een databasequery of een klassieke numerieke methode is meestal goedkoper en betrouwbaarder dan een taalmodel.
- Kies een model van de juiste omvang. Stuur eenvoudige verzoeken naar kleine modellen. Zie het juiste model kiezen.
- Maak zware AI een keuze, geen standaard. Functies die bij elke paginaweergave inhoud genereren, vermenigvuldigen het energieverbruik.
- Itereer minder. Een afbeelding of video steeds opnieuw genereren tot ze er goed uitziet, vermenigvuldigt de kost van elke poging. Betere prompts en bewerkingstools verminderen het aantal pogingen.
- Hergebruik in plaats van opnieuw te genereren. Zie orkestratie boven generatie.
Op de sandpit was één thema dat het systeem, en niet elke gebruiker, deze keuzes moet maken waar dat kan, bijvoorbeeld door automatisch naar het kleinste geschikte model te routeren, omdat het niet schaalt om elke gebruiker de energiekost van elk verzoek te laten inschatten.
Hoe kan rebound in toom worden gehouden?
Door het totale gebruik te meten, te begrenzen of te beprijzen, niet alleen het gebruik per taak. Opties zijn onder meer:
- Budgetten. Stel een budget voor energie, tokens of CO2 vast voor een project of product, zodat efficiëntiewinst ruimte vrijmaakt in plaats van automatisch het gebruik uit te breiden.
- Meting van het hele systeem. Rapporteer de totale energie in de tijd, naast de energie per taak. Zie meten is de bottleneck.
- Eerlijke claims. Een claim dat een product "X keer efficiënter" is, zegt niets over de totale impact. Zie eerlijke groene claims maken.
- Beleid. CO2-beprijzing en beperkingen van het stroomnet werken in op de totale vraag, op een manier die efficiëntienormen alleen niet doen. Zie beleid voor groene AI.
Wat u nu kunt doen
- Volg de totale energie of uitgaven voor AI in de tijd, niet alleen cijfers per verzoek.
- Vraag u, voordat u een AI-functie toevoegt, af of een methode zonder AI zou volstaan, en of de functie standaard aan moet staan.
- Stuur verzoeken naar het kleinste model dat de taak aankan: zie AI efficiënt gebruiken.
- Als u efficiëntiewinst boekt, beslis dan vooraf of die het totale gebruik zal verminderen of nieuw gebruik zal financieren.
- Lees de gids voor bedrijven om te zien hoe u deze keuzes inbouwt in inkoop en productontwerp.
Veelgestelde vragen
Wat is de Jevonsparadox?
De vaststelling, voor het eerst gedaan door William Stanley Jevons in 1865 over steenkool, dat een grondstof efficiënter gebruiken het totale verbruik ervan kan verhogen, omdat efficiëntie die grondstof goedkoper en dus breder gebruikt maakt.
Betekent het reboundeffect dat efficiëntie zinloos is?
Nee. Efficiëntie blijft nodig, en zonder efficiëntie zou het totale gebruik hoger zijn. Het punt is dat efficiëntie alleen geen lager totaalgebruik garandeert, en dus moet samengaan met suffiëntie en meting.
Wat is suffiëntie bij groene AI?
AI alleen gebruiken waar het genoeg waarde toevoegt, en het kleinste model en het minste rekenwerk gebruiken dat de taak goed doet. Het stelt de vraag 'moeten we dit doen?' naast de vraag 'hoe doen we dit goedkoper?'
Bronnen
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- 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)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
Gerelateerd
Wat is groene AI?
Een heldere definitie van groene AI: AI voor groen en groenere AI, efficiëntie en suffiëntie, en de voetafdruk in energie, CO2, water en materialen.
AI efficiënt gebruiken: dagelijkse gewoonten
Dagelijkse gewoonten die het energieverbruik van AI verlagen: duidelijke prompts, minder opnieuw genereren, zuinig met beeld en video, caching en standaardfuncties uit.
Kies het juiste model voor de taak
AI op maat: wanneer u kleine of gespecialiseerde modellen gebruikt, wanneer een frontiermodel zijn kosten waard is, hoe routing werkt en wanneer u geen AI gebruikt.
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.