greenai.guide

Home › Artikelen › Groene AI versus AI voor groen: het verschil

Artikel

Groene AI versus AI voor groen: het verschil

Bijgewerkt · 7 min. leestijd

In het kort

Groene AI betekent in enge zin de milieuvoetafdruk van AI zelf verkleinen: de energie, CO2-uitstoot, het water en de hardware. AI voor groen betekent AI gebruiken om klimaat- en milieuactie te ondersteunen, van het voorspellen van hernieuwbare stroom en het opsporen van methaanlekken tot overstromingswaarschuwingen en weersverwachtingen. Ze horen bij elkaar, want een AI-project voor het klimaat helpt alleen als het meer bespaart dan het kost.

Kernpunten

  • Groene AI verkleint de voetafdruk van AI zelf; AI voor groen gebruikt AI om elders uitstoot te verminderen of mensen te helpen zich aan te passen aan klimaatverandering.
  • AI voor groen omvat mitigatie (uitstoot verminderen) en adaptatie en weerbaarheid (omgaan met de gevolgen van een veranderend klimaat).
  • Het Internationaal Energieagentschap schat dat breed gebruik van bestaande AI-oplossingen de uitstoot in 2035 kan verminderen met het equivalent van ongeveer 5% van de energiegerelateerde uitstoot, maar zegt dat dit niet gegarandeerd is.
  • Een AI-voor-groenproject moet zijn eigen voetafdruk meetellen en afzetten tegen de uitstoot of schade die het voorkomt, met een eerlijke onzekerheidsmarge.
  • Goede AI-voor-groenprojecten passen groene AI toe: het kleinste model dat werkt, gemeten energieverbruik en aandacht voor rebound-effecten.

Twee begrippen die bijna hetzelfde klinken, beschrijven heel verschillend werk. "Groene AI" gaat over wat AI de planeet kost. "AI voor groen" gaat over wat AI voor de planeet kan doen. Dit artikel legt het verschil uit, geeft van beide echte voorbeelden en laat zien waarom de beste projecten beide nodig hebben.

Wat is het verschil tussen groene AI en AI voor groen?

Groene AI verkleint de milieuvoetafdruk van AI zelf; AI voor groen gebruikt AI om klimaat- en milieuactie te ondersteunen. Het ene kijkt naar binnen, naar het AI-systeem, het andere naar buiten, naar het probleem waarop het wordt toegepast.

  • Groene AI, in de enge zin die de meeste mensen bedoelen, gaat over de energie, CO2-uitstoot, het water en de hardware die AI gebruikt. Daaronder vallen efficiëntere modellen en code, het meten van energieverbruik, draaien op schonere stroom, hardware langer in gebruik houden, en suffiëntie: AI, of een groot model, alleen gebruiken waar het de moeite waard is.
  • AI voor groen past AI toe op milieuproblemen. Het omvat zowel het verminderen van uitstoot als mensen en natuur helpen omgaan met een veranderend klimaat.

Op deze site gebruikt wat is groene AI? "groene AI" als overkoepelend begrip voor beide ideeën, en noemt de enge betekenis "groenere AI". Het onderscheid is hetzelfde: welke woorden u ook gebruikt, het helpt om te zeggen welke u bedoelt.

Wat valt er onder AI voor groen?

Twee brede soorten klimaatwerk: mitigatie, die uitstoot vermindert, en adaptatie en weerbaarheid, die de schade van een veranderend klimaat beperken. Het artikel Tackling climate change with machine learning van Rolnick en collega's uit 2019 bracht beide in kaart, van slimme stroomnetten tot rampenbeheersing. Het is uitgegeven door Climate Change AI, een door vrijwilligers gerunde non-profitorganisatie, opgericht in 2019, die nu workshops, een zomerschool en innovatiesubsidies op dit gebied organiseert.

Mitigatie: uitstoot verminderen

  • Stroomnetten: wind- en zonne-opbrengst en vraag voorspellen, zodat netten vraag en aanbod in evenwicht kunnen houden met minder fossiele reserve.
  • Opsporen van methaan en uitstoot: het Methane Alert and Response System (MARS) van het VN-Milieuprogramma, ingevoerd in 2023, gebruikt satellietgegevens, gekoppeld aan wetenschappelijke expertise en AI, om gratis waarschuwingen te sturen over grote methaanuitstoot. Het IEA meldt dat in 2025 maar op ongeveer 12% van de meldingen werd gereageerd, een herinnering dat opsporen alleen helpt als iemand er iets mee doet.
  • Ontdekken van materialen: het GNoME-project van Google DeepMind meldde in 2023 in Nature dat graafnetwerken 2,2 miljoen kristalstructuren identificeerden, waarvan 381.000 nieuw ontdekte stabiele materialen, een uitgangspunt voor betere batterijen en zonnecellen. Elke kandidaat moet nog wel worden gemaakt en getest.
  • Gebouwen en industrie: DeepMind meldde in 2016 dat machine learning de energie voor het koelen van de datacenters van Google consequent met 40% kon verlagen.
  • Landbouw en landgebruik: gewassen, bodems en ontbossing volgen met satellietbeelden.

Adaptatie en weerbaarheid: omgaan met klimaatverandering

  • Weers- en klimaatvoorspelling: GraphCast, een weermodel op basis van machine learning, presteerde op 90% van 1.380 verificatiedoelen beter dan de nauwkeurigste operationele deterministische systemen, en maakte een wereldwijde verwachting voor 10 dagen in minder dan een minuut. Op 25 februari 2025 nam het Europees Centrum voor Weersverwachtingen op Middellange Termijn (ECMWF) zijn Artificial Intelligence Forecasting System (AIFS), gebaseerd op machine learning, in gebruik. Volgens het ECMWF presteert het op veel punten beter dan op natuurkunde gebaseerde modellen en gebruikt het ongeveer 1.000 keer minder energie om een verwachting te maken.
  • Overstromingswaarschuwingen: Nearing en collega's lieten in 2024 in Nature zien dat AI-overstromingsvoorspelling in stroomgebieden zonder meetstations vijf dagen vooruit even betrouwbaar of betrouwbaarder was dan de verwachtingen voor dezelfde dag van een toonaangevend wereldwijd systeem. Hun model voedt een vroegwaarschuwingssysteem met gratis, openbare verwachtingen in meer dan 80 landen.
  • Vroege waarschuwing voor bosbranden en hittegolven, rampenbestrijding, waterbeheer en monitoring van biodiversiteit, zoals soorten herkennen op beelden van cameravallen en in geluidsopnamen.

Hoe verhouden ze zich tot elkaar?

Ze verschillen in doel, betrokkenen en maatstaf voor succes, maar delen één risico: voordelen die worden geclaimd en nooit gemeten.

Groene AI AI voor groen
Doel De energie, CO2, het water en de materialen die AI gebruikt verminderen AI gebruiken om elders uitstoot te verminderen of klimaatschade te beperken
Wie doet het AI-ontwikkelaars, ontwerpers van datacenters en chips, IT- en inkoopteams, gewone gebruikers Klimaat- en aardwetenschappers, energiebedrijven, weervoorspellers, natuurorganisaties, overheden, samen met AI-specialisten
Hoe succes eruitziet Minder energie en CO2 per nuttig resultaat, en een lager totaalverbruik Gemeten vermeden uitstoot, eerdere waarschuwingen, geredde levens en bespaard geld
Voorbeelden van methoden Kleinere of gedistilleerde modellen, kwantisatie, energiemeting, CO2-bewuste planning, langere levensduur van hardware Voorspellen, analyse van satellietbeelden, optimalisatie van stroomnetten en gebouwen, screening van materialen
Belangrijkste risico's Besparingen die opgaan aan meer gebruik (het rebound-effect); efficiëntieclaims zonder totalen Voetafdruk groter dan het voordeel; voordelen aangenomen in plaats van gemeten; signaleringen waar niemand iets mee doet

Is AI goed of slecht voor het klimaat?

Allebei, en de balans hangt af van hoe het wordt gebruikt. Het rapport Energy and AI van het Internationaal Energieagentschap uit 2025 verwacht in zijn basisscenario dat de uitstoot door het stroomverbruik van datacenters groeit van 180 miljoen ton nu tot 300 miljoen ton in 2035. Het schat ook dat breed gebruik van bestaande AI-oplossingen de uitstoot in 2035 kan verminderen met het equivalent van ongeveer 5% van de energiegerelateerde uitstoot: veel meer dan de uitstoot van datacenters, maar veel minder dan nodig is om klimaatverandering aan te pakken.

Het IEA is voorzichtig met dat tweede cijfer. Het zegt dat drempels voor invoering moeten worden overwonnen, dat rebound-effecten, zoals mensen die van het openbaar vervoer overstappen op zelfrijdende auto's, de voordelen kunnen ondermijnen, en dat AI "geen wondermiddel" is. Kaack en collega's bieden in 2022 in Nature Climate Change een nuttige manier om hierover na te denken. Zij delen de effecten van AI op uitstoot in drie groepen in:

  1. Effecten van het rekenwerk: de energie en hardware die de AI gebruikt.
  2. Directe effecten van de toepassing: het rechtstreekse effect van het gebruik, bijvoorbeeld minder verbrande brandstof.
  3. Effecten op systeemniveau: bredere veranderingen in gedrag en vraag, inclusief rebound.

Groene AI werkt aan de eerste groep, AI voor groen aan de tweede. De derde kan elk van beide helpen of schaden.

Waarom horen groene AI en AI voor groen bij elkaar?

Omdat een AI-voor-groenproject alleen helpt als het meer bespaart dan het kost, en groene AI de manier is om die kosten laag te houden. Een klimaatdoel laat een voetafdruk niet verdwijnen.

Veel AI-voor-groentaken lenen zich goed voor groene AI. Weers-, overstromings- en netvoorspellingen zijn gespecialiseerde systemen die voor één taak zijn gebouwd, en het ECMWF meldt dat zijn AIFS ongeveer 1.000 keer minder energie gebruikt om een verwachting te maken. Dat cijfer geldt voor het maken van een verwachting; een volledige afrekening telt ook de training van het model mee. Het risico ontstaat wanneer een project naar een groot algemeen model grijpt, vaker dan nodig opnieuw traint, of draait op een schaal die het voordeel niet rechtvaardigt. Luccioni, Strubell en Crawford stellen dat efficiëntiewinst tot meer gebruik kan leiden, dus een project moet naar zijn totale voetafdruk kijken, niet alleen naar zijn efficiëntie per taak (zie efficiëntie is geen suffiëntie).

Goede AI-voor-groenprojecten passen daarom groene AI toe:

  • kies de eenvoudigste methode die werkt, soms klassieke statistiek of een natuurkundig model;
  • meet de energie van het trainen en draaien van het systeem;
  • draai waar en wanneer de stroom schoner is;
  • hergebruik bestaande modellen en gegevens in plaats van vanaf nul te trainen.

Hoe beoordeelt u het nettovoordeel van een AI-voor-groenproject?

Zet de eigen voetafdruk van de AI af tegen de uitstoot of schade die ze voorkomt, vergeleken met wat er zonder haar zou zijn gebeurd, en geef een onzekerheidsmarge. Kaack en collega's noemen zo'n effectbeoordeling een prioriteit.

  1. Tel de voetafdruk van de AI. Neem training, hertraining, dagelijks gebruik, gegevensopslag en waar mogelijk de ingebedde CO2 van de hardware mee. Meet waar u kunt in plaats van te gissen.
  2. Bepaal het alternatief zonder AI. Wat zou er zonder de AI gebeuren: de bestaande voorspelling, de handmatige inspectie, helemaal niets? Het voordeel is alleen het verschil.
  3. Schat de vermeden uitstoot of schade. Gebruik gemeten uitkomsten waar die er zijn, zoals lekken die echt zijn gerepareerd of energie die echt is bespaard, niet alleen signaleringen of voorspellingen.
  4. Neem rebound- en systeemeffecten mee. Vraag u af of goedkopere of gemakkelijkere activiteit tot meer van die activiteit leidt.
  5. Laat de onzekerheid zien. Geef een bandbreedte, vermeld uw aannames en bekijk de schatting opnieuw zodra het systeem in gebruik is.

Is het voordeel zelfs aan de pessimistische kant van de bandbreedte vele malen groter dan de voetafdruk, dan is de zaak sterk. Liggen de twee dicht bij elkaar, of is het voordeel niet gemeten, wees dan voorzichtig met de claim. Zie meten is het knelpunt en eerlijke groene claims.

Wat u nu kunt doen

Veelgestelde vragen

Wat is AI voor groen?

AI voor groen is het gebruik van kunstmatige intelligentie om klimaat- en milieuactie te ondersteunen: uitstoot verminderen, bijvoorbeeld door hernieuwbare stroom te voorspellen of methaanlekken te vinden, en mensen helpen zich aan te passen, bijvoorbeeld met overstromingswaarschuwingen en betere weersverwachtingen.

Wat is het verschil tussen groene AI en AI voor groen?

Groene AI gaat over de voetafdruk van AI zelf: zorgen dat modellen, hardware en datacenters minder energie, CO2, water en materialen gebruiken. AI voor groen gaat over waarvoor AI wordt gebruikt: het toepassen op milieuproblemen. Een project kan het een zijn, allebei of geen van beide.

Is AI goed of slecht voor het klimaat?

Allebei, afhankelijk van hoe het wordt gebruikt. Het Internationaal Energieagentschap stelt dat breder gebruik van bestaande AI-toepassingen de uitstoot veel meer kan verminderen dan datacenters eraan toevoegen, maar waarschuwt dat dit niet gegarandeerd is en dat rebound-effecten de winst kunnen ondermijnen.

Wat is het verschil tussen groene AI en duurzame AI?

De begrippen overlappen en worden vaak door elkaar gebruikt. Groene AI richt zich meestal op de milieuvoetafdruk van AI; duurzame AI wordt vaak breder gebruikt, zodat ook sociale en economische effecten eronder vallen.

Hoe weet u of een AI-klimaatproject zijn voetafdruk waard is?

Schat de energie en CO2 van het bouwen en draaien van de AI, schat de uitstoot of schade die het voorkomt ten opzichte van wat er zonder zou gebeuren, en vergelijk beide met een onzekerheidsmarge. Is het voordeel niet gemeten, dan is de claim niet bewezen.

Zijn er voorbeelden van AI die helpt tegen klimaatverandering?

Ja. Weermodellen op basis van machine learning, zoals AIFS van het ECMWF, draaien nu operationeel, AI-gebaseerde overstromingsvoorspellingen leveren gratis openbare waarschuwingen in meer dan 80 landen, en het methaanwaarschuwingssysteem van het VN-Milieuprogramma gebruikt satellietgegevens en AI om grote methaanuitstoot te signaleren.

Bronnen

  1. Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
  2. About Climate Change AI, Climate Change AI (2026)
  3. Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
  4. Energy and AI: executive summary, International Energy Agency (2025)
  5. ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
  6. Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
  7. Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
  8. Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
  9. Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
  10. DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
  11. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)

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