In het kort
Deze statistieken over het energieverbruik van AI zijn 40 van de nuttigste cijfers over de elektriciteit, het water en de CO2-uitstoot van AI, elk gecontroleerd bij de oorspronkelijke bron en voorzien van een jaartal. Kort gezegd: datacenters verbruikten in 2024 ongeveer 415 TWh elektriciteit (ongeveer 1,5% van het wereldwijde totaal), het IEA verwacht rond 2030 ongeveer 950 TWh, en een gewone tekstprompt kost volgens de eigen cijfers van aanbieders ruwweg 0,24–0,34 Wh, terwijl beelden, video, lange invoer en redeneren veel meer gebruiken.
Kernpunten
- Datacenters verbruikten in 2024 ongeveer 415 TWh elektriciteit, ongeveer 1,5% van het wereldwijde totaal, en in 2025 485 TWh, volgens het IEA.
- Het IEA verwacht rond 2030 ongeveer 950 TWh, zo'n 3% van de wereldwijde vraag naar elektriciteit; het stroomverbruik van op AI gerichte datacenters groeide in 2025 met 50%.
- Aanbieders melden ongeveer 0,24 Wh (Google, mediane Gemini-tekstprompt) en 0,34 Wh (OpenAI, gemiddelde ChatGPT-vraag) per tekstprompt.
- Redeneermodellen gebruikten in de tests van Hugging Face uit 2025 gemiddeld 30 keer meer energie dan standaardmodellen.
- De training van GPT-3 kostte naar schatting 1.287 MWh en stootte ongeveer 552 ton CO₂e uit.
- Datacenters gebruikten in 2025 23% van de gemeten elektriciteit in Ierland.
Deze pagina verzamelt de cijfers over het energieverbruik van AI waar mensen het vaakst naar zoeken, elk gecontroleerd bij de oorspronkelijke bron en met het jaar waarop het betrekking heeft. Gebruik de pagina om snel een cijfer te vinden, en raadpleeg de bron voordat u het in iets belangrijks aanhaalt.
Wat zijn de belangrijkste cijfers over het energieverbruik van AI?
Datacenters gebruiken ongeveer 1,5% van de elektriciteit in de wereld, dat zal rond 2030 ongeveer verdubbelen, en AI is de belangrijkste drijfveer. Een gewone tekstprompt kost een fractie van een wattuur, terwijl beelden, video, zeer lange invoer en redeneren veel meer gebruiken. De tabellen hieronder geven 40 cijfers in tien groepen. Waar bronnen het oneens zijn of een cijfer een bandbreedte is, staat de bandbreedte erbij.
Elektriciteit van datacenters
Datacenters verbruikten volgens het IEA ongeveer 415 TWh in 2024 en 485 TWh in 2025. Een terawattuur (TWh) is een miljard kilowattuur.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 1 | Datacenters verbruikten in 2024 ongeveer 415 TWh elektriciteit, ongeveer 1,5% van het wereldwijde verbruik. | International Energy Agency (IEA) | 2025 |
| 2 | Het stroomverbruik van datacenters groeide in 2025 met 17%, tot 485 TWh. | IEA | 2026 |
| 3 | Het IEA verwacht rond 2030 ongeveer 950 TWh, zo'n 3% van de wereldwijde vraag naar elektriciteit. | IEA | 2026 |
| 4 | Prognoses voor 2035 lopen in de scenario's van het IEA uiteen van 700 tot 1.700 TWh. | IEA | 2025 |
| 5 | Het stroomverbruik van datacenters is sinds 2017 met ongeveer 12% per jaar gegroeid. | IEA | 2025 |
| 6 | Datacenters zullen tot 2030 goed zijn voor ongeveer een tiende van de groei van de wereldwijde vraag naar elektriciteit. | IEA | 2025 |
Waar de vraag geconcentreerd is
Een paar landen en regio's dragen het grootste deel van de last. Zie AI en de stroomvraag van datacenters voor wat dit betekent voor stroomnetten.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 7 | De Verenigde Staten en China zijn tot 2030 goed voor bijna 80% van de wereldwijde groei van het stroomverbruik van datacenters. | IEA | 2025 |
| 8 | Amerikaanse datacenters verbruikten in 2023 176 TWh, ongeveer 4,4% van de elektriciteit in de VS. | Lawrence Berkeley National Laboratory (LBNL) | 2024 |
| 9 | Amerikaanse datacenters zullen naar verwachting in 2028 325–580 TWh verbruiken, 6,7–12% van de elektriciteit in de VS. | LBNL | 2024 |
| 10 | Datacenters zijn tot 2030 goed voor bijna de helft van de groei van de vraag naar elektriciteit in de VS. | IEA | 2025 |
| 11 | Datacenters gebruikten in 2025 23% van de gemeten elektriciteit in Ierland, tegen 5% in 2015. | Central Statistics Office, Ireland | 2026 |
| 12 | Datacenters gebruikten in 2023 bijna een kwart van de elektriciteit in Virginia. | Electric Power Research Institute | 2024 |
Het aandeel van AI
Er is geen exact openbaar cijfer voor het aandeel van AI in het stroomverbruik van datacenters, maar AI is het snelst groeiende deel.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 13 | Het stroomverbruik van op AI gerichte datacenters groeide in 2025 met 50%. | IEA | 2026 |
| 14 | Het stroomverbruik van versnelde servers, vooral gebruikt voor AI, groeit in het basisscenario van het IEA naar verwachting met 30% per jaar. | IEA | 2025 |
| 15 | Een gemiddeld op AI gericht datacenter verbruikt evenveel elektriciteit als 100.000 huishoudens. | IEA | 2025 |
Energie per prompt
Volgens de eigen cijfers van aanbieders kost een gewone tekstprompt ongeveer 0,24–0,34 Wh. Deze cijfers zijn door de aanbieders zelf gemeld, gebruiken verschillende methoden en gaan alleen over tekst. Zie meten is het knelpunt.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 16 | Een mediane tekstprompt in Gemini Apps gebruikte 0,24 Wh, stootte 0,03 g CO₂e uit en verbruikte 0,26 mL water. | Google (Elsworth et al.) | 2025 |
| 17 | Wie alleen actieve AI-chips in de efficiëntste datacenters meetelt, komt voor dezelfde prompt op 0,10 Wh. | Google (Elsworth et al.) | 2025 |
| 18 | Een gemiddelde ChatGPT-vraag gebruikt ongeveer 0,34 Wh en ongeveer 0,000085 gallon water. | Sam Altman, OpenAI | 2025 |
| 19 | Een gewone GPT-4o-vraag gebruikt ruwweg 0,3 Wh, oplopend tot ongeveer 2,5 Wh bij een invoer van 10.000 tokens en bijna 40 Wh bij een invoer van 100.000 tokens. | Epoch AI | 2025 |
| 20 | Een antwoord van 400 tokens van Mistral Large 2 stoot 1,14 g CO₂e uit en gebruikt 45 mL water. | Mistral AI | 2025 |
| 21 | Redeneermodellen gebruikten gemiddeld 30 keer meer energie dan standaardmodellen; één model gebruikte met redeneren aan 150–700 keer meer. | Hugging Face AI Energy Score | 2025 |
Afbeeldingen en video
Afbeeldingen en video genereren kost veel meer energie dan teksttaken.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 22 | Het genereren van afbeeldingen kostte gemiddeld ongeveer 2,9 kWh per 1.000 afbeeldingen, tegen 0,002 kWh per 1.000 tekstclassificaties. | Luccioni, Jernite and Strubell | 2024 |
| 23 | Het minst efficiënte geteste beeldmodel gebruikte per afbeelding ongeveer een halve smartphonelading. | Luccioni, Jernite and Strubell | 2024 |
| 24 | Open tekst-naar-videomodellen gebruikten van 0,14 Wh tot meer dan 415 Wh per korte clip, waarbij de energie kwadratisch toenam met resolutie en lengte. | Delavande, Pierrard and Luccioni | 2025 |
Trainingsruns
Het trainen van een groot model kan gigawatturen kosten, maar de meeste ontwikkelaars van de nieuwste modellen maken dat niet bekend.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 25 | De training van GPT-3 kostte naar schatting 1.287 MWh en stootte ongeveer 552 ton CO₂e uit. | Patterson et al., Google | 2021 |
| 26 | De training van BLOOM stootte ongeveer 24,7 ton CO₂e uit door elektriciteit, of 50,5 ton inclusief productie en stilstaande hardware. | Luccioni, Viguier and Ligozat | 2022 |
| 27 | De training van de Llama 3.1-modellen kostte 39,3 miljoen GPU-uren en 11.390 ton CO₂e (locatiegebaseerd). | Meta | 2024 |
| 28 | De training van Mistral Large 2 en 18 maanden gebruik ervan leverden 20,4 kiloton CO₂e op en verbruikten 281.000 m³ water. | Mistral AI | 2025 |
Water
AI gebruikt water vooral om datacenters te koelen en, indirect, om elektriciteit op te wekken. Zie hoe u de watervoetafdruk van AI schat.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 29 | De training van GPT-3 in de Amerikaanse datacenters van Microsoft kon direct 700.000 liter zoet water laten verdampen. | Li, Yang, Islam and Ren | 2023 (herzien 2025) |
| 30 | De wereldwijde vraag naar AI kan in 2027 goed zijn voor 4,2–6,6 miljard m³ wateronttrekking. | Li, Yang, Islam and Ren | 2023 (herzien 2025) |
| 31 | Google verbruikte in 2025 41 miljard liter (10,9 miljard gallon) water in zijn datacenters en kantoren, en vulde ongeveer 78% van zijn zoetwaterverbruik weer aan. | 2026 |
CO2 en uitstoot van bedrijven
De uitstoot van de grootste AI-aanbieders stijgt, ondanks grote aankopen van schone energie.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 32 | De ambitiegebaseerde uitstoot van Google was in 2025 ongeveer 14,5 miljoen ton CO₂e, 18% meer dan in 2024 en 81% meer dan in 2019. | 2026 | |
| 33 | De totale uitstoot van Microsoft was in zijn boekjaar 2025 ongeveer 20,3 miljoen ton CO₂e, tegen ongeveer 12,9 miljoen in 2020. | Microsoft | 2026 |
| 34 | De absolute uitstoot van Amazon steeg van 2024 tot 2025 met 16%, tot 80,85 miljoen ton CO₂e. | Amazon | 2026 |
| 35 | Generatieve AI kan over 2020–2030 in totaal 1,2–5,0 miljoen ton elektronisch afval toevoegen. | Wang et al., Nature Computational Science | 2024 |
Trends in hardware en efficiëntie
Hardware en software worden veel efficiënter, maar de vraag groeit sneller.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 36 | Toonaangevende hardware voor machine learning wordt elk jaar ongeveer 40% energiezuiniger. | Epoch AI | 2024 |
| 37 | De energiezuinigste supercomputer op de Green500-lijst van november 2026, KAIROS in Frankrijk, levert 73,28 gigaflops per watt. | TOP500 | 2026 |
| 38 | Het aantal berekeningen per kilowattuur verdubbelde van 1946 tot 2009 ongeveer elke 1,57 jaar ("wet van Koomey"). | Koomey et al. | 2011 |
Efficiëntiewinst gemeld door aanbieders en onderzoekers
De gemelde winst is groot, maar meestal door de partij zelf gemeld of afgezet tegen een zelfgekozen uitgangspunt.
| # | Cijfer | Bron | Jaar |
|---|---|---|---|
| 39 | Google meldt over 12 maanden een daling van 33 keer in energie en 44 keer in CO2 per mediane Gemini-tekstprompt. | Google (Elsworth et al.) | 2025 |
| 40 | Kleine, taakspecifieke modellen kunnen het energieverbruik met tot 90% verlagen, en kortere prompts en antwoorden met meer dan 50%. | UNESCO and University College London | 2025 |
Twee andere cijfers worden vaak aangehaald. NVIDIA zei in 2024 dat zijn Blackwell-platform de kosten en het energieverbruik voor inferentie van grote taalmodellen tot 25 keer verlaagt ten opzichte van de vorige generatie; dat is een claim van de leverancier voor een specifieke werklast. En onderzoekers van Google schatten in 2021 dat de keuze van model, datacenter en processor de CO2-voetafdruk van training tot ongeveer 100 tot 1.000 keer kan verkleinen. Hoe u zulke winst in de praktijk haalt, leest u in energiezuinige AI.
Publieke opinie
De bezorgdheid over de milieu-impact van AI neemt toe, in elk geval in de VS. Elders is er minder peilingsonderzoek.
- In 2026 maakte 53% van de Amerikanen zich zeer of uiterst bezorgd over de milieu-impact van AI, tegen 41% in 2025 (AP-NORC en het Energy Policy Institute at the University of Chicago).
- In 2025 was 72% van de Amerikanen op zijn minst enigszins bezorgd (dezelfde peilers).
- In het Verenigd Koninkrijk bleek uit de publieke-opiniemonitor van de overheid uit 2024 dat 54% verwachtte dat AI zou helpen klimaatverandering te volgen, en dat dit optimisme niet gepaard ging met besef van de negatieve milieueffecten van AI.
Hoe wij cijfers kiezen
We gebruiken primaire bronnen, vermelden het jaar en geven de voorkeur aan bandbreedtes waar cijfers omstreden zijn.
- Alleen primaire bronnen. Elk cijfer is gecontroleerd in het eigen rapport, artikel of de eigen pagina van de uitgever, niet in nieuwsberichten. Waar we geen primaire bron konden vinden, is het cijfer weggelaten.
- Zoals gepubliceerd. We ronden cijfers niet af tot iets wat de bron niet zegt. Waar we zelf iets berekenen, zeggen we dat.
- Afbakening doet ertoe. Cijfers per prompt veranderen met wat er wordt meegeteld: het eigen cijfer van Google daalt van 0,24 Wh naar 0,10 Wh als alleen actieve chips worden meegeteld. Cijfers van bedrijven zijn door henzelf gemeld en niet onafhankelijk gecontroleerd.
- Bandbreedtes waar cijfers omstreden zijn. Prognoses verschillen per scenario, en we tonen de bandbreedte in plaats van één getal te kiezen.
- Oudere cijfers gemarkeerd. Een veelaangehaalde schatting uit 2019 voor één trainingsrun met neural architecture search (ongeveer 626.000 lb CO₂e) zou volgens latere onderzoekers van Google de werkelijke kosten overschatten; we hebben haar niet in de tabellen opgenomen.
Wilt u een cijfer controleren dat u elders hebt gezien, lees dan hoe u een claim over het energieverbruik van AI controleert.
Laatst gecontroleerd
Alle cijfers op deze pagina zijn op 20 november 2026 voor het laatst bij hun bronnen gecontroleerd. We werken de pagina bij wanneer het IEA, nationale statistiekbureaus of grote aanbieders nieuwe gegevens publiceren. Ziet u een nieuwer cijfer of een fout, neem dan contact met ons op.
Wat u nu kunt doen
- Link naar deze pagina of naar een specifieke tabel wanneer u cijfers over AI-energie aanhaalt, en noem de oorspronkelijke bron.
- Zet uw eigen gebruik in perspectief met hoe u uw AI-energieverbruik in perspectief plaatst.
- Meet de energie van uw eigen AI met hoe u de energie en CO2 van AI meet.
- Vraag leveranciers naar hun cijfers: zie hoe u een AI-bedrijf om energiecijfers vraagt.
- Verklein uw eigen voetafdruk met energiezuinige AI.
Veelgestelde vragen
Hoeveel energie verbruikt AI?
Er is geen los cijfer voor AI. Het IEA schat dat alle datacenters samen in 2024 ongeveer 415 TWh verbruikten, ongeveer 1,5% van de wereldwijde elektriciteit, met op AI gerichte datacenters als snelst groeiende deel: hun stroomverbruik steeg in 2025 met 50%.
Hoeveel energie kost een ChatGPT-vraag?
De topman van OpenAI noemde in 2025 ongeveer 0,34 Wh voor een gemiddelde vraag, en Epoch AI schatte onafhankelijk ongeveer 0,3 Wh voor een gewone GPT-4o-vraag. Zeer lange invoer drijft dat sterk op: Epoch AI schat bijna 40 Wh bij een invoer van 100.000 tokens.
Hoeveel energie kost het om een AI-afbeelding te maken?
In een studie uit 2024 van Luccioni, Jernite en Strubell kostte het genereren van afbeeldingen gemiddeld ongeveer 2,9 kWh per 1.000 afbeeldingen, ongeveer 2,9 Wh per stuk. Het minst efficiënte model gebruikte per afbeelding ruwweg een halve smartphonelading.
Hoeveel water verbruikt AI?
Google meldt 0,26 mL water voor een mediane Gemini-tekstprompt, en Mistral 45 mL voor een antwoord van 400 tokens van Mistral Large 2. Onderzoekers schatten dat de wereldwijde vraag naar AI in 2027 goed kan zijn voor 4,2–6,6 miljard kubieke meter wateronttrekking.
Hoeveel energie kostte het om GPT-3 te trainen?
Onderzoekers van Google schatten 1.287 MWh elektriciteit en ongeveer 552 ton CO₂e voor de training van GPT-3, gepubliceerd in 2021. Het trainingsverbruik van nieuwere, grotere modellen wordt meestal niet bekendgemaakt.
Welk percentage van de elektriciteit gebruiken datacenters?
Ongeveer 1,5% wereldwijd in 2024 (IEA), 4,4% in de Verenigde Staten in 2023 (Lawrence Berkeley National Laboratory) en 23% van de gemeten elektriciteit in Ierland in 2025 (Central Statistics Office).
Wordt AI energiezuiniger?
Ja, per taak. Google meldt dat de energie van zijn mediane Gemini-prompt in een jaar 33 keer daalde, en Epoch AI stelt vast dat toonaangevende AI-chips elk jaar ongeveer 40% energiezuiniger worden. Het totale verbruik stijgt toch, omdat de vraag sneller groeit.
Maken mensen zich zorgen over de milieu-impact van AI?
Steeds meer, in elk geval in de VS: uit een peiling van AP-NORC en de University of Chicago bleek dat 53% van de Amerikanen zich in 2026 zeer of uiterst bezorgd maakte over de milieu-impact van AI, tegen 41% in 2025.
Bronnen
- Energy and AI: executive summary, International Energy Agency (2025)
- Key questions on energy and AI, International Energy Agency (2026)
- DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
- Data centres metered electricity consumption 2025: key findings, Central Statistics Office, Ireland (2026)
- Powering data centers: U.S. energy system and emissions impacts of growing loads, Electric Power Research Institute (2024)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Our contribution to a global environmental standard for AI, Mistral AI (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum (2019)
- Estimating the carbon footprint of BLOOM, a 176B parameter language model, Luccioni, Viguier and Ligozat (2022)
- Llama 3.1 model card, Meta (2024)
- Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2025)
- Google 2026 environmental report, Google (2026)
- 2026 environmental data fact sheet, Microsoft (2026)
- 2025 Amazon sustainability report, Amazon (2026)
- E-waste challenges of generative artificial intelligence, Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Green500, November 2026, TOP500 (2026)
- NVIDIA Blackwell platform arrives to power a new era of computing, NVIDIA (2024)
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
- 2026 poll: Americans' views on the impact of AI and data centers, Energy Policy Institute at the University of Chicago and AP-NORC (2026)
- 2025 poll: Americans' views on the environmental impact of AI, Energy Policy Institute at the University of Chicago and AP-NORC (2025)
- Public attitudes to data and AI: tracker survey (wave 4), Department for Science, Innovation and Technology (2024)
Gerelateerd
AI en het stroomverbruik van datacenters
Energieverbruik van datacenters en de stroomvraag van AI uitgelegd: IEA-prognoses, hotspots als Ierland en Virginia, het stroomnet en wat beleid doet.
Energiezuinige AI: zo verbruikt AI minder energie
Energiezuinige AI in de praktijk: de maatregelen die AI-energie het meest verlagen, van kleinere modellen en kwantisatie tot routering, caching en locatie.
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.
Zo meet u de energie en CO2-uitstoot van AI
Een praktische gids om de energie en CO2-uitstoot van AI-werk te meten of te schatten: tools, systeemgrenzen, maatstaven per taak en eerlijke onzekerheid.