# 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.

Source: https://greenai.guide/nl/artikelen/energiezuinige-ai-zo-verbruikt-ai-minder-energie/  
Updated: 2026-11-20

## In het kort

Energiezuinige AI betekent hetzelfde nuttige resultaat krijgen voor minder elektriciteit. De grootste besparingen komen meestal van het kiezen van een kleiner of taakspecifiek model, lang redeneren uitzetten als het niet nodig is, en draaien in een efficiënt datacenter op een schoon net; technieken zoals kwantisatie, distillatie, routering, caching en batching verlagen het energieverbruik van AI daarna verder. Gepubliceerde studies melden besparingen van tientallen procenten tot 90% of meer voor afzonderlijke maatregelen, en veel meer als ze worden gecombineerd.

## Kernpunten

- UNESCO en UCL ontdekten dat kleine taakspecifieke modellen het energieverbruik tot 90% kunnen verlagen, en dat kortere prompts en antwoorden het met meer dan 50% kunnen verlagen.
- Redeneermodellen verbruikten in de tests van de AI Energy Score van Hugging Face gemiddeld 30 keer meer energie dan standaardmodellen; redeneren aanzetten verhoogde het energieverbruik van één model 150 tot 700 keer.
- In een studie uit 2024 kostte het genereren van 1.000 afbeeldingen ongeveer 2,9 kWh, tegenover 0,002 kWh voor 1.000 tekstclassificaties.
- Onderzoekers van Google schatten dat de keuze van model, datacenter en processor samen de CO₂-voetafdruk van training tot ongeveer 100 tot 1.000 keer kan verlagen.
- Efficiënt serveren telt: het geheugenbeheer van vLLM gaf 2 tot 4 keer de doorvoer bij dezelfde latentie, en speculatieve decodering maakte één model 2 tot 3 keer sneller met identieke uitvoer.
- Korte trainingstaken starten op momenten met weinig CO₂ verlaagde de uitstoot in één studie tot 80%, maar met minder dan 1,5% voor een lange taak.

Energiezuinige AI is AI die u het resultaat geeft dat u nodig hebt voor minder elektriciteit. Deze pagina zet de
belangrijkste manieren op een rij om het energieverbruik van AI te verlagen, ruwweg op volgorde van hoeveel ze
meestal besparen, met de gepubliceerde cijfers achter elke maatregel.

## Wat is de snelste manier om AI minder energie te laten verbruiken? {#what-is-the-quickest-way-to-make-ai-use-less-energy}

**Gebruik het kleinste geschikte model, en zet geen zware modi aan die u niet nodig hebt.** De keuze van het model
weegt meestal zwaarder dan elke andere maatregel, omdat het energieverbruik meegroeit met de hoeveelheid rekenwerk
per antwoord. Een rapport van UNESCO en University College London (UCL) uit 2025 concludeerde dat kleine
taakspecifieke modellen het energieverbruik tot 90% kunnen verlagen, en dat kortere prompts en antwoorden het met meer
dan 50% kunnen verlagen. Samen gebruikt kunnen zulke maatregelen het energieverbruik volgens het rapport tot 90%
verlagen.

De tweede grote hefboom is de locatie. Onderzoekers van Google schatten in 2021 dat de keuze van model, datacenter en
processor samen de CO₂-voetafdruk van training tot ongeveer 100 tot 1.000 keer kan verlagen. Efficiënte AI-modellen,
gedraaid op efficiënte plekken: daar zit de meeste winst.

## Welke maatregelen besparen het meest? Een lijst op volgorde {#which-levers-save-the-most-a-ranked-list}

**De volgorde hieronder volgt de gebruikelijke omvang van de besparing in gepubliceerde studies, de grootste eerst.**
Uw eigen resultaten hangen af van de taak, de kwaliteit die u nodig hebt en waar het werk draait, dus meet vooraf en
achteraf (zie [het energieverbruik en de CO₂-uitstoot van AI meten](/nl/goede-praktijk/zo-meet-u-de-energie-en-co2-uitstoot-van-ai/)).

### 1. Gebruik geen generatieve AI voor taken waarvoor het niet nodig is {#1-don-t-use-generative-ai-for-jobs-it-isn-t-needed-for}

**Genereren is veel duurder dan eenvoudigere taken.** In een studie uit 2024 maten Sasha Luccioni, Yacine Jernite en
Emma Strubell voor het genereren van afbeeldingen gemiddeld ongeveer 2,9 kWh per 1.000 afbeeldingen, tegenover
0,002 kWh per 1.000 tekstclassificaties: ruim meer dan duizend keer zoveel per verzoek. Ze stelden ook vast dat
generatieve modellen voor algemeen gebruik voor dezelfde taak ordes van grootte duurder zijn dan taakspecifieke
systemen.

Video is nog zwaarder. Een studie uit 2025 van open tekst-naar-videomodellen mat bijna 90 Wh voor een korte clip van
één model en meer dan 415 Wh van een groter model, waarbij het energieverbruik kwadratisch toenam met de grootte en
lengte van de video. Zie [bepalen of u AI nodig hebt voor een taak](/nl/hoe/hoe-bepaal-ik-of-ik-voor-een-taak-eigenlijk-wel-ai-nodig-heb/) en
[klassieke machine learning kiezen in plaats van een LLM](/nl/hoe/hoe-bepaal-ik-of-klassieke-machine-learning-volstaat-in-plaats-van/).

### 2. Kies een model van de juiste omvang {#2-right-size-the-model}

**Kies het kleinste model dat aan uw kwaliteitseis voldoet.** Naast de bevinding van UNESCO en UCL laat onderzoek
naar cascades zien hoeveel ruimte er is: FrugalGPT, dat eerst goedkopere modellen probeert en alleen opschaalt als
het nodig is, haalde de prestaties van GPT-4 tegen tot 98% lagere kosten. Kosten zijn geen energie, maar voor
gehoste modellen zijn ze een redelijke ruwe indicatie van het rekenwerk. Zie
[het juiste model voor de taak kiezen](/nl/goede-praktijk/kies-het-juiste-model-voor-de-taak/),
[een kleiner AI-model kiezen](/nl/hoe/hoe-kies-ik-een-kleiner-ai-model/) en
[een taakspecifiek model vinden](/nl/hoe/hoe-vind-ik-een-taakspecifiek-model-in-plaats-van-een-algemene/).

### 3. Gebruik redeneermodi alleen als het nodig is {#3-use-reasoning-modes-only-when-needed}

**"Denk"-modi vermenigvuldigen het energieverbruik.** De tests van de AI Energy Score van Hugging Face eind 2025
lieten zien dat redeneermodellen gemiddeld 30 keer meer energie verbruikten dan standaardmodellen, en dat hetzelfde
model met redeneren aan 150 tot 700 keer meer energie verbruikte dan met redeneren uit. Agents, die in een lus veel
aanroepen doen, kunnen op dezelfde manier oplopen. Zie
[redeneermodi alleen gebruiken als het nodig is](/nl/hoe/wanneer-gebruik-ik-de-denk-of-redeneermodus-van-een-ai/) en
[agentische AI en tokenverspilling](/nl/artikelen/agentische-ai-en-verspilde-tokens/).

### 4. Kies efficiënte hardware, datacenters en locaties met weinig CO₂ {#4-choose-efficient-hardware-data-centres-and-low-carbon-locations}

**Waar en waarop het werk draait, kan de CO₂-uitstoot meerdere keren veranderen.** Jesse Dodge en collega's
ontdekten dat het trainen van hetzelfde BERT-model ongeveer 7 kg CO₂ uitstootte in de efficiëntste cloudregio en
ongeveer 26 kg in de minst efficiënte, bijna vier keer zoveel. Ook hardware blijft beter worden: Epoch AI schat dat
toonaangevende chips voor machine learning elk jaar ongeveer 40% energie-efficiënter worden. Zie
[hosting en datacenters voor groene AI](/nl/goede-praktijk/hosting-en-datacenters-voor-groene-ai/),
[een cloudregio met weinig CO₂ kiezen](/nl/hoe/hoe-kies-ik-een-cloudregio-met-een-lage-co2-uitstoot/) en
[energiezuinige hardware voor AI kiezen](/nl/hoe/hoe-kies-ik-energiezuinige-hardware-voor-ai/).

### 5. Maak prompts, context en uitvoer korter {#5-shorten-prompts-context-and-outputs}

**Het energieverbruik stijgt met hoeveel het model leest en schrijft.** Epoch AI schat een gewone ChatGPT-vraag op
ongeveer 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. Lange gesprekken steeds opnieuw versturen en om lange antwoorden vragen zijn de alledaagse oorzaken.
Zie [prompts schrijven die minder energie verbruiken](/nl/hoe/hoe-schrijf-ik-prompts-die-minder-energie-gebruiken/),
[beperken hoeveel een LLM schrijft](/nl/hoe/hoe-beperk-ik-hoeveel-een-llm-schrijft/) en
[stoppen met het hele gesprek steeds opnieuw versturen](/nl/hoe/hoe-voorkom-ik-dat-mijn-chatbot-steeds-het-hele-gesprek-opnieuw/).

### 6. Stuur verzoeken naar het juiste model {#6-route-requests-to-the-right-model}

**Stuur eenvoudige verzoeken naar een klein model en moeilijke naar een groot model.** Onderzoek naar routering meldt
grote besparingen: Hybrid LLM deed tot 40% minder aanroepen naar het grote model zonder dat de kwaliteit van de
antwoorden daalde, en RouteLLM verlaagde de kosten in sommige gevallen met meer dan de helft zonder kwaliteitsverlies.
Zie [modelroutering instellen](/nl/hoe/hoe-stuur-ik-verzoeken-door-naar-kleinere-ai-modellen/) en
[orkestratie boven generatie](/nl/artikelen/orkestratie-boven-generatie/).

### 7. Kwantiseer het model {#7-quantise-the-model}

**Sla getallen op en reken ermee met minder bits per getal.** [Kwantisatie](/nl/woordenlijst/#quantisation) vermindert het
geheugen en de gegevensverplaatsing, die bij grote modellen het energieverbruik bepalen. LLM.int8() halveerde het
geheugen dat nodig is voor inferentie met behoud van de prestaties van volledige precisie, en het rapport van UNESCO
en UCL vond dat compressie zoals kwantisatie tot 44% energie bespaarde. Zie
[een model kwantiseren](/nl/hoe/hoe-kwantiseer-ik-een-model/).

### 8. Distilleer een groot model tot een klein model {#8-distil-a-large-model-into-a-small-one}

**Train een klein "student"-model om een groot "leraar"-model na te doen.** [Distillatie](/nl/woordenlijst/#distillation) is
de manier waarop veel efficiënte AI-modellen worden gemaakt. DistilBERT was 40% kleiner en 60% sneller dan BERT en
behield 97% van zijn vermogen om taal te begrijpen. Zie
[een groot model distilleren tot een klein model](/nl/hoe/hoe-distilleer-ik-een-groot-model-tot-een-kleiner-model/).

### 9. Snoei en benut sparsity {#9-prune-and-exploit-sparsity}

**Verwijder gewichten die het model niet nodig heeft.** SparseGPT liet zien dat zeer grote taalmodellen in één keer,
zonder opnieuw te trainen, tot ten minste 50% [sparsity](/nl/woordenlijst/#sparsity) (ijlheid) kunnen worden
[gesnoeid](/nl/woordenlijst/#pruning), met minimaal verlies aan nauwkeurigheid. De energiebesparing hangt ervan af of de
software en hardware de nullen kunnen overslaan, dus snoeien bespaart in de praktijk minder dan het sparsitycijfer
doet vermoeden. Zie [een neuraal netwerk snoeien](/nl/hoe/hoe-snoei-ik-een-neuraal-netwerk/).

### 10. Cache, batch en serveer efficiënt {#10-cache-batch-and-serve-efficiently}

**Vermijd herhaald werk en houd de hardware bezig.** Serveersoftware doet ertoe: het gepagineerde beheer van de
[KV-cache](/nl/woordenlijst/#kv-cache) in vLLM verbeterde de doorvoer 2 tot 4 keer bij dezelfde latentie, en speculatieve
decodering maakte T5-XXL 2 tot 3 keer sneller met identieke uitvoer. Aanbieders prijzen hergebruik daarnaar: de Batch
API van OpenAI kost 50% minder dan gewone verzoeken, en Anthropic rekent 10% van de normale invoerprijs voor het lezen
van gecachete prompts. Zie [LLM-aanroepen cachen](/nl/hoe/hoe-gebruik-ik-caching-om-de-energie-van-llm-aanroepen-te-verminderen/),
[AI-verzoeken bundelen in batches](/nl/hoe/hoe-bundel-ik-ai-verzoeken-om-energie-te-besparen/),
[speculatieve decodering gebruiken](/nl/hoe/hoe-maak-ik-een-groot-model-sneller-met-speculatieve-decodering/) en
[het energieverbruik van het serveren van een model verlagen](/nl/hoe/hoe-verminder-ik-het-energieverbruik-van-een-model-in-productie/).

### 11. Plan flexibel werk in op schonere momenten {#11-schedule-flexible-work-for-cleaner-times}

**CO₂-bewust inplannen verlaagt de uitstoot, niet het energieverbruik, en werkt het best voor korte, flexibele
taken.** In de studie van Dodge en collega's verlaagde het uitstellen van de start van een korte trainingstaak tot een
moment met weinig CO₂ de uitstoot tot 80% in één Amerikaanse regio, maar met minder dan 1,5% voor een lange taak; een
lange taak pauzeren en hervatten bespaarde tot ongeveer 25%. Zie
[training inplannen wanneer het net groener is](/nl/hoe/hoe-plan-ik-ai-training-op-momenten-dat-het-stroomnet-groener-is/) en
[CO₂-bewust rekenen](/nl/woordenlijst/#carbon-aware-computing).

## Maatregelen voor energiezuinige AI in één oogopslag {#energy-efficient-ai-levers-at-a-glance}

**Deze tabel vat de maatregelen samen, wie ze kan toepassen en de besparingen die de bronnen melden.** De cijfers
komen uit verschillende studies met verschillende uitgangspunten, dus lees ze als indicaties van de orde van grootte,
niet als totalen die u kunt optellen.

| Maatregel | Wie kan het toepassen | Gemelde gebruikelijke besparing | Bron |
|---|---|---|---|
| Een taakspecifiek model gebruiken in plaats van een generatief model | Ontwikkelaars, organisaties | Ordes van grootte voor taken zoals classificatie | Luccioni, Jernite en Strubell, 2024 |
| Kleiner, taakspecifiek model | Gebruikers, ontwikkelaars | Tot 90% energie | UNESCO en UCL, 2025 |
| Redeneren uit, tenzij nodig | Gebruikers, ontwikkelaars | 150–700 keer minder voor één model; gemiddeld 30 keer over modellen | Hugging Face AI Energy Score, 2025 |
| Model, datacenter en processor samen | Ontwikkelaars, organisaties | Tot ongeveer 100–1.000 keer minder CO₂ (training) | Patterson et al., Google, 2021 |
| Cloudregio met weinig CO₂ | Ontwikkelaars, organisaties | Ongeveer 3,7 keer tussen de beste en slechtste regio | Dodge et al., 2022 |
| Kortere prompts en antwoorden | Gebruikers, ontwikkelaars | Meer dan 50% energie | UNESCO en UCL, 2025 |
| Routering | Ontwikkelaars | Tot 40% minder aanroepen naar het grote model | Ding et al., 2024 |
| Kwantisatie | Ontwikkelaars | Tot 44% energie; de helft van het geheugen | UNESCO en UCL, 2025; Dettmers et al., 2022 |
| Distillatie | Ontwikkelaars | 40% kleiner, 60% sneller, 97% van het vermogen behouden | Sanh et al., 2019 |
| Snoeien | Ontwikkelaars | Ten minste 50% van de gewichten verwijderd | Frantar en Alistarh, 2023 |
| Efficiënt serveren en batching | Ontwikkelaars | 2–4 keer de doorvoer | Kwon et al., 2023 |
| Speculatieve decodering | Ontwikkelaars | 2–3 keer sneller, dezelfde uitvoer | Leviathan et al., 2022 |
| CO₂-bewuste starttijd | Ontwikkelaars, onderzoekers | Tot 80% (korte taken); minder dan 1,5% (lange taken) | Dodge et al., 2022 |
| Parameterefficiënt fine-tunen (LoRA) | Ontwikkelaars, onderzoekers | 10.000 keer minder trainbare parameters, 3 keer minder GPU-geheugen | Hu et al., 2021 |

## Hoe kunnen gebruikers het energieverbruik van AI verminderen? {#how-can-users-reduce-ai-energy}

**Kies lichtere opties en vraag minder.** De meeste mensen kunnen het datacenter niet veranderen, maar wel wat ze
vragen:

- Gebruik een snel of "mini"-model voor alledaagse taken, en bewaar de grootste modellen en redeneermodi voor moeilijke
  problemen.
- Houd verzoeken duidelijk en vraag om korte antwoorden; begin een nieuwe chat in plaats van door te gaan in een heel
  lange.
- Vermijd steeds opnieuw genereren: verfijn liever het verzoek. Zie [stoppen met AI-antwoorden opnieuw genereren](/nl/hoe/hoe-voorkom-ik-dat-ik-ai-antwoorden-steeds-opnieuw-laat-genereren/).
- Genereer alleen afbeeldingen en video als u ze nodig hebt. Zie [de impact van AI-afbeeldingen en -video's verminderen](/nl/hoe/hoe-verminder-ik-de-impact-van-het-genereren-van-ai-afbeeldingen-en/).
- Zet AI-functies uit die u niet gebruikt. Zie [AI efficiënt gebruiken: alledaagse gewoonten](/nl/goede-praktijk/ai-efficient-gebruiken-dagelijkse-gewoonten/).

Ter vergelijking: Google meldde in 2025 dat een mediane Gemini-tekstprompt 0,24 Wh verbruikte. Afzonderlijke
tekstprompts zijn klein; de totalen komen van heel grote volumes en van de zwaardere taken hierboven. Zie de
[gids voor het publiek](/nl/gidsen/groene-ai-een-heldere-gids-voor-iedereen/).

## Hoe kunnen ontwikkelaars efficiënte AI-modellen en -systemen bouwen? {#how-can-developers-build-efficient-ai-models-and-systems}

**Kies eerst de juiste omvang, optimaliseer daarna het serveren, en meet dan.** Een praktische volgorde:

1. Stel een kwaliteitseis op uw eigen data vast en test de kleinste kandidaat-modellen daartegen.
2. Voeg routering of een cascade toe, zodat het grote model alleen afhandelt wat het kleine niet kan.
3. Kwantiseer, en overweeg distillatie als de volumes hoog zijn.
4. Serveer met een efficiënte runtime: batching, gepagineerde KV-cache, prompt caching en speculatieve decodering.
5. Begrens de lengte van de uitvoer en de lussen van agents; zie [voorkomen dat AI-agents tokens verspillen](/nl/hoe/hoe-voorkom-ik-dat-ai-agents-tokens-verspillen/).
6. Fine-tune met LoRA in plaats van vanaf nul te trainen; zie [vermijden dat u een model vanaf nul traint](/nl/hoe/hoe-voorkom-ik-dat-ik-een-model-vanaf-nul-train/).
7. Meet het energieverbruik per taak vooraf en achteraf; zie [het energieverbruik van AI per taak bijhouden](/nl/hoe/hoe-meet-ik-het-energieverbruik-van-ai-per-taak-in-plaats-van-in/).

Meer details staan in [efficiënt trainen en inferentie van AI](/nl/goede-praktijk/efficiente-training-en-inferentie-van-ai/) en
[wiskunde voor efficiënte AI](/nl/artikelen/de-wiskunde-die-ai-efficienter-maakt/).

## Hoe kunnen organisaties het energieverbruik van AI op grote schaal verminderen? {#how-can-organisations-reduce-ai-energy-at-scale}

**Stel standaarden in, koop goed in en meet.** De grootste hefbomen voor organisaties zijn welk model de standaard is,
welke functies standaard aanstaan, en waar werklasten draaien:

- Maak een klein, snel model de standaard in interne tools, met grotere modellen beschikbaar op verzoek.
- Vraag leveranciers om het energieverbruik per taak en cijfers over hun datacenters; zie [duurzame inkoop van AI](/nl/goede-praktijk/duurzame-inkoop-van-ai/).
- Kies aanbieders en regio's met schone stroom; zie [hosting en datacenters](/nl/goede-praktijk/hosting-en-datacenters-voor-groene-ai/).
- Stel beleid op en train medewerkers; zie [een beleid voor groene AI schrijven](/nl/goede-praktijk/zo-schrijft-u-een-beleid-voor-groene-ai/) en
  [medewerkers leren AI efficiënt te gebruiken](/nl/hoe/hoe-leer-ik-medewerkers-ai-efficient-te-gebruiken/).
- Stel een nulmeting en doelen vast; zie [een nulmeting voor energiebesparing door AI vaststellen](/nl/hoe/hoe-stel-ik-een-nulmeting-op-om-energiebesparing-door-ai-aan-te-tonen/).

## Verlaagt energiezuinige AI het totale energieverbruik? {#does-energy-efficient-ai-reduce-total-energy-use}

**Alleen als het totale gebruik niet sneller groeit dan de efficiëntie verbetert.** Google meldde dat het
energieverbruik van zijn mediane Gemini-prompt in een jaar met een factor 33 daalde, maar het elektriciteitsverbruik
van datacenters blijft wereldwijd stijgen omdat het gebruik sneller groeit. Dat is het
[reboundeffect](/nl/woordenlijst/#rebound-effect). Efficiëntie verlaagt de kosten van elke taak; suffiëntie vraagt of de taak
gedaan moet worden. Beide zijn nodig, zoals [efficiëntie is geen suffiëntie](/nl/artikelen/efficientie-is-geen-suffientie-het-reboundeffect-bij-ai/)
uitlegt, en [voorkomen dat efficiëntiewinst tenietgedaan wordt](/nl/hoe/hoe-voorkom-ik-dat-efficientiewinst-bij-ai-tenietgedaan-wordt-door/)
geeft praktische stappen. Voor het bredere beeld, zie
[AI en de elektriciteitsvraag van datacenters](/nl/artikelen/ai-en-het-stroomverbruik-van-datacenters/) en
[statistieken over het energieverbruik van AI](/nl/artikelen/energieverbruik-van-ai-in-cijfers-bijgewerkt-november-2026/).

## Wat u nu kunt doen {#what-to-do-next}

- Test of een kleiner model aan uw kwaliteitseis voldoet, en stap over als dat zo is.
- Zet redeneren en de modi voor afbeeldingen en video standaard uit waar ze niet nodig zijn.
- Voeg caching, batching en routering toe aan elke AI-functie met een echt volume.
- Kies voor nieuwe werklasten een regio met weinig CO₂ en een efficiënte aanbieder.
- Meet het energieverbruik per taak vóór en na elke wijziging, en rapporteer het resultaat.
- Vind hulp in de [gids met adviseurs](/nl/adviseurs/) of leer meer via [cursussen](/nl/cursussen/).

## Veelgestelde vragen

### Wat is energiezuinige AI?

Dat is AI die het resultaat levert dat u nodig hebt voor minder elektriciteit, door kleinere of geschiktere modellen, slankere software, efficiënte hardware en datacenters, en door AI alleen te gebruiken waar het waarde toevoegt. Het is onderdeel van groene AI, die ook vraagt of het totale gebruik verstandig is.

### Hoe kan ik het energieverbruik van AI verminderen?

Als gebruiker: kies een kleiner of sneller model, houd prompts en gevraagde antwoorden kort, vermijd steeds opnieuw genereren en gebruik redeneren of de modi voor afbeeldingen en video alleen als het nodig is. Als ontwikkelaar: kies een model van de juiste omvang, voeg daarna kwantisatie, routering, caching en batching toe, en draai in een regio met weinig CO₂.

### Zijn kleinere AI-modellen energiezuiniger?

Meestal wel, voor de taken die ze goed kunnen. UNESCO en UCL melden dat kleine taakspecifieke modellen het energieverbruik bij geschikte taken tot 90% kunnen verlagen. Controleer de kwaliteit op uw eigen werk: een klein model dat meerdere keren opnieuw moet draaien, bespaart misschien niets.

### Bespaart kwantisatie energie?

Meestal wel, omdat het model minder data verplaatst en minder geheugen nodig heeft. UNESCO en UCL melden besparingen tot 44% door modelcompressie zoals kwantisatie, en LLM.int8() halveerde het geheugen dat nodig is voor inferentie. De besparing hangt ervan af of de hardware de lagere precisie ondersteunt.

### Welke AI verbruikt de meeste energie?

Het genereren van video, daarna het genereren van afbeeldingen en lange redeneer- of agenttaken. In een studie uit 2025 verbruikte één open model bijna 90 Wh voor een korte videoclip en een groter model meer dan 415 Wh, en redeneermodellen verbruikten gemiddeld ongeveer 30 keer meer energie dan standaardmodellen.

### Verlaagt efficiëntie werkelijk het totale energieverbruik van AI?

Niet vanzelf. Goedkopere, snellere AI wordt meestal meer gebruikt: het reboundeffect. Efficiëntie verlaagt het energieverbruik per taak; om het totaal laag te houden is ook suffiëntie nodig, dus AI gebruiken waar het de moeite waard is.

### Besparen AI-aanbieders energie met prompt caching en batchverwerking?

Ze vermijden herhaald werk, en daarom rekenen ze er minder voor: OpenAI geeft 50% korting op batchtaken, en gecachete invoer kost bij verschillende aanbieders ongeveer een tiende van het normale tarief. Prijzen zijn een ruwe indicatie van bespaard rekenwerk, geen meting van energie.

## Bronnen

- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Hugging Face (Luccioni and Gamazaychikov) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al., Google (2021)
- [Good news about the carbon footprint of machine learning training](https://research.google/blog/good-news-about-the-carbon-footprint-of-machine-learning-training/), Google Research (2022)
- [Measuring the carbon intensity of AI in cloud instances](https://arxiv.org/abs/2206.05229), Dodge et al. (FAccT 2022) (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [DistilBERT, a distilled version of BERT](https://arxiv.org/abs/1910.01108), Sanh et al., Hugging Face (2019)
- [LLM.int8(): 8-bit matrix multiplication for transformers at scale](https://arxiv.org/abs/2208.07339), Dettmers et al. (2022)
- [SparseGPT: massive language models can be accurately pruned in one-shot](https://arxiv.org/abs/2301.00774), Frantar and Alistarh (2023)
- [FrugalGPT: how to use large language models while reducing cost and improving performance](https://arxiv.org/abs/2305.05176), Chen, Zaharia and Zou (2023)
- [Hybrid LLM: cost-efficient and quality-aware query routing](https://arxiv.org/abs/2404.14618), Ding et al. (2024)
- [RouteLLM: learning to route LLMs with preference data](https://arxiv.org/abs/2406.18665), Ong et al. (2024)
- [Efficient memory management for large language model serving with PagedAttention](https://arxiv.org/abs/2309.06180), Kwon et al. (2023)
- [Fast inference from transformers via speculative decoding](https://arxiv.org/abs/2211.17192), Leviathan, Kalman and Matias (2022)
- [LoRA: low-rank adaptation of large language models](https://arxiv.org/abs/2106.09685), Hu et al. (2021)
- [Batch API](https://developers.openai.com/api/docs/guides/batch), OpenAI (2026)
- [Prompt caching](https://platform.claude.com/docs/en/build-with-claude/prompt-caching), Anthropic (2026)
- [Leading ML hardware becomes 40% more energy-efficient each year](https://epoch.ai/data-insights/ml-hardware-energy-efficiency), Epoch AI (2024)
