greenai.guide

Home › Artikelen › Energielabels en benchmarks voor AI

Artikel

Energielabels en benchmarks voor AI

Bijgewerkt · 5 min. leestijd

In het kort

Er is nog geen officieel energielabel voor AI-modellen, maar de bouwstenen bestaan. De AI Energy Score beoordeelt open modellen met één tot vijf sterren, MLPerf Power test hardwaresystemen, en de EU eist energiedocumentatie voor AI-modellen voor algemene doeleinden en bouwt aan een beoordelingssysteem voor datacenters. De EU heeft ook een aanbesteding uitgeschreven voor werk aan het meten van energie-efficiënte AI, en een label wordt besproken.

Kernpunten

  • De AI Energy Score, gelanceerd in februari 2025, geeft modellen per taak een beoordeling van één tot vijf sterren, op basis van gemeten GPU-energie.
  • MLPerf Power meet de energie-efficiëntie van volledige machine-learningsystemen, van piepkleine apparaten tot racks in datacenters.
  • Onder de EU-AI-verordening moeten aanbieders van AI voor algemene doeleinden het bekende of geschatte energieverbruik documenteren, maar dat gaat naar toezichthouders, niet naar consumenten.
  • De EU bouwt aan een beoordeling in A–G-stijl voor datacenters, en heeft een aanbesteding uitgeschreven voor werk dat zou kunnen leiden tot een label voor de energie en uitstoot van AI.
  • Een label kan vergelijkbare opties rangschikken, maar kan niet alles vatten: hardware, instellingen en gebruik in de praktijk veranderen allemaal het resultaat.

Koelkasten, wasmachines en lampen hebben energielabels waarmee kopers ze in één oogopslag kunnen vergelijken. Steeds meer mensen vragen waarom AI-modellen dat niet hebben. Het korte antwoord: AI labelen is moeilijker dan een koelkast labelen, maar het werk eraan is goed op gang. Dit artikel zet op een rij wat er eind 2026 bestaat, en wat een label u wel en niet kan vertellen.

Is er een officieel energielabel voor AI?

Nee, nog niet. Er zijn vrijwillige beoordelingen en benchmarks, wettelijke plichten in de EU om energieverbruik te documenteren, en werk van de Europese Commissie dat tot een label zou kunnen leiden. Geen van die dingen is al een consumentenlabel zoals dat van een koelkast.

Wat is de AI Energy Score?

Een vrijwillige sterrenbeoordeling voor AI-modellen, op basis van gemeten energieverbruik op standaardtaken. Ze werd in februari 2025 gelanceerd door Hugging Face met partners als Salesforce, Cohere en Carnegie Mellon University.

Hoe het werkt:

  • Modellen draaien op een vaste reeks gangbare taken, met hetzelfde type GPU voor elk model.
  • De GPU-energie die wordt gebruikt voor een vast aantal zoekvragen, wordt gemeten.
  • Elk model krijgt één tot vijf sterren, ten opzichte van andere modellen in dezelfde taak en grootteklasse. De beoordelingen worden opnieuw gekalibreerd wanneer er nieuwe modellen bijkomen.

De eerste versie beoordeelde 166 modellen over 10 taken. Een tweede versie, eind 2025 uitgebracht, voegde redeneren toe als geteste taak; Hugging Face meldde dat redeneermodellen gemiddeld ongeveer 30 keer meer energie gebruikten dan modellen zonder redeneren of met redeneren uitgeschakeld, grotendeels omdat ze veel meer uitvoertokens produceren.

De kracht van de score is dat hij gemeten is, niet geschat, en dat hij voor elk model dezelfde omstandigheden gebruikt. De beperking is de dekking: gesloten commerciële modellen kunnen alleen worden opgenomen als hun aanbieders ervoor kiezen mee te doen.

Wat zijn MLPerf Power en het ML.ENERGY Leaderboard?

Benchmarks die energie meten onder gecontroleerde omstandigheden, de ene voor hardwaresystemen, de andere voor open modellen.

  • MLPerf Power, van het industrieconsortium MLCommons, meet de energie-efficiëntie van volledige machine-learningsystemen die standaard MLPerf-workloads draaien. Het artikel uit 2025 rapporteert 1.841 metingen van 60 systemen, ingediend door meer dan 20 organisaties, van apparaten van microwatts tot datacentersystemen van megawatts. Het helpt kopers hardware te vergelijken, geen modellen.
  • Het ML.ENERGY Leaderboard, van de University of Michigan, meet de inferentie-energie van veelgebruikte open modellen op bekende hardware, en publiceert zijn tools zodat anderen de metingen kunnen herhalen.

Rekenen op hoog niveau (high-performance computing) heeft een precedent. De Green500-lijst rangschikt supercomputers naar prestaties per watt op een standaardbenchmark. Het is een grove maatstaf, maar omdat iedereen dezelfde test draait, is hij vergelijkbaar, en hij duwt de efficiëntie al jaren omhoog. AI-benchmarks kunnen dezelfde weg gaan: onvolmaakt, maar nuttig omdat ze gedeeld zijn.

Wat eist het EU-recht?

Documentatie voor AI-modellen voor algemene doeleinden, rapportage voor datacenters, en een kader voor toekomstige normen.

  • AI-verordening, bijlage XI. Aanbieders van AI-modellen voor algemene doeleinden moeten het "bekende of geschatte energieverbruik van het model" documenteren. Als dat niet bekend is, mag het gebaseerd zijn op informatie over de gebruikte rekenmiddelen. Deze documentatie gaat naar het AI-bureau van de EU en naar nationale autoriteiten, niet naar het publiek.
  • AI-verordening, artikel 40. Het normalisatieverzoek van de Commissie omvat processen voor rapportage en documentatie om de prestaties van AI-systemen op het vlak van hulpbronnen te verbeteren, waaronder de energie-efficiënte ontwikkeling van modellen voor algemene doeleinden. Die normen worden nog ontwikkeld.
  • Datacenters. Onder Gedelegeerde Verordening (EU) 2024/1364 moeten datacenters met ten minste 500 kW IT-vermogen elk jaar indicatoren voor energie en duurzaamheid rapporteren. In 2026 stelde de Commissie de volgende stap voor: een beoordelingssysteem met klassen voor indicatoren zoals power usage effectiveness (PUE) en water usage effectiveness (WUE); het voorstel wordt nog onderzocht en is nog niet van kracht.

Werkt de EU aan een energielabel voor AI?

Ze verkent er een. De Commissie heeft onder de AI-verordening een aanbesteding uitgeschreven om energie-efficiënte AI met lage uitstoot te meten en te bevorderen, met daarin de mogelijkheid van een label voor de energie en uitstoot van AI, en hield in 2026 een gerichte raadpleging. Of er een label komt, en of de AI-verordening er een rechtsgrond voor biedt, staat nog niet vast. Een eerste kader wordt waarschijnlijk eerder een richtlijn met ruime onzekerheidsmarges dan een precieze score.

Buiten de EU is het beeld vooral vrijwillig. In het Verenigd Koninkrijk en de Verenigde Staten is er geen verplicht energielabel voor AI; organisaties steunen op vrijwillige systemen zoals de AI Energy Score en op normen zoals ISO/IEC 21031:2024, de Software Carbon Intensity-specificatie, die een CO2-intensiteit per eenheid werk definieert maar zelf geen vergelijkend label is.

Waarom is AI labelen moeilijker dan een koelkast labelen?

Omdat het energieverbruik van hetzelfde model verandert met de hardware, de instellingen en de taak. Een koelkast doet elke dag hetzelfde. De energie per taak van een AI-model hangt af van:

  • Hardware: de chipgeneratie, hoeveel chips, de instellingen voor vermogen en boost.
  • Software: de inferentie-engine, bundeling (batching), kwantisatie, caching.
  • De taak: de lengte van de prompt, de lengte van het antwoord, of de redeneermodus aan staat.
  • De omgeving: een benchmark in een lab tegenover een druk productiedatacenter met reservecapaciteit voor pieken.
  • Kwaliteit: een model dat minder energie gebruikt maar meer antwoorden fout heeft, kan in totaal meer kosten.

Een label moet de omstandigheden dus vastleggen, wat het vergelijkbaar maakt maar minder realistisch. Dat is dezelfde afweging die tests voor het brandstofverbruik van auto's maken.

Waar moet een koper intussen naar vragen?

Gemeten energie per taak, onder vermelde omstandigheden, met de kwaliteit ernaast. In de praktijk:

  • Vraag of het model een AI Energy Score of een andere onafhankelijke meting heeft.
  • Vraag van welke hardware, regio en instellingen de cijfers van de leverancier uitgaan.
  • Vraag naar energie en kwaliteit voor uw taak, niet voor een algemene benchmark.
  • Ga voorzichtig om met verhoudingen als "35 keer efficiënter": ze zeggen evenveel over het vergelijkingspunt als over het product.

Zie duurzame inkoop van AI en meten is de bottleneck.

Wat u nu kunt doen

Veelgestelde vragen

Is er een energielabel voor AI-modellen?

Geen officieel. De AI Energy Score is een vrijwillige sterrenbeoordeling voor modellen op standaardtaken. De Europese Commissie heeft opdracht gegeven voor werk aan het meten van energie-efficiënte AI dat tot een label zou kunnen leiden, maar er is er nog geen aangenomen.

Wat is de AI Energy Score?

Een project dat in februari 2025 werd gelanceerd door Hugging Face met partners als Salesforce, Cohere en Carnegie Mellon University. Het meet de GPU-energie die modellen gebruiken op standaardtaken en geeft elk model een beoordeling van één tot vijf sterren, ten opzichte van andere modellen voor dezelfde taak.

Wat is MLPerf Power?

Een benchmark van het MLCommons-consortium die de energie-efficiëntie meet van hardware- en softwaresystemen voor machine learning die standaard MLPerf-workloads draaien, van apparaten van microwatts tot datacentersystemen van megawatts.

Bronnen

  1. Announcing AI Energy Score ratings, Hugging Face (2025)
  2. AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (2025)
  3. AI Energy Score, OECD.AI catalogue of tools (2025)
  4. MLPerf Power: benchmarking the energy efficiency of machine learning systems from µWatts to MWatts for sustainable AI, Tschand et al., MLCommons, HPCA 2025 (2025)
  5. The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
  6. Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
  7. Regulation (EU) 2024/1689 (AI Act), Article 40, European Union (2024)
  8. Artificial Intelligence Act: call for tenders to measure and foster energy-efficient and low-emission AI, European Commission (2025)
  9. Commission Delegated Regulation (EU) 2024/1364 on the first phase of the establishment of a common Union rating scheme for data centres, European Commission (2024)
  10. European Commission proposes mandatory sustainability label for data centres, Latham & Watkins (2026)
  11. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  12. TOP500 and Green500 lists, TOP500 (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