# Hoeveel energie verbruikt AI?

> Hoeveel energie verbruikt AI? Cijfers per prompt voor ChatGPT, Gemini, redeneren, afbeeldingen, video en codeeragents, plus datacentertotalen, met bronnen.

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

## In het kort

Een gewone korte tekstprompt aan een chatbot zoals ChatGPT of Gemini verbruikt ongeveer 0,2 tot 0,4 wattuur elektriciteit, volgens de eigen cijfers van de aanbieders en onafhankelijke schattingen: ongeveer wat een tv in een paar seconden gebruikt. Het energieverbruik van AI stijgt sterk bij lange invoer, redeneermodellen, afbeeldingen, video en codeeragents, die per taak tientallen tot duizenden keren meer kunnen verbruiken. In totaal verbruikten datacenters in 2025 ongeveer 485 TWh elektriciteit, volgens het IEA, en AI is de belangrijkste reden dat dat cijfer groeit.

## Kernpunten

- Google meldt 0,24 Wh voor een mediane Gemini-tekstprompt in mei 2025; de topman van OpenAI noemde ongeveer 0,34 Wh voor een gemiddelde ChatGPT-vraag. Beide cijfers zijn door de bedrijven zelf gerapporteerd.
- Epoch AI schat een gewone GPT-4o-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.
- In de tests van de AI Energy Score van Hugging Face verbruikten redeneermodellen gemiddeld 30 keer meer energie dan standaardmodellen.
- In tests van open modellen kostte het genereren van een afbeelding gemiddeld ongeveer 2,9 Wh, en één korte AI-video ongeveer 90 Wh.
- Eén analyse van intensief gebruik van een AI-codeeragent schatte ongeveer 150 Wh per getypte prompt, zo'n 600 keer een mediane chatprompt.
- Het IEA schat dat datacenters in 2025 ongeveer 485 TWh verbruikten, 17% meer dan een jaar eerder, en verwacht rond 950 TWh in 2030.

Hoeveel energie verbruikt AI? Voor één korte vraag aan een chatbot heel weinig: een fractie van een wattuur. Voor
lange documenten, redeneermodi, afbeeldingen, video en codeeragents veel meer. En over miljarden verzoeken per dag
is het energieverbruik van AI inmiddels groot genoeg om de planning van het elektriciteitsnet te beïnvloeden. Deze
pagina brengt de beste openbare cijfers samen, zegt waar elk cijfer vandaan komt en legt uit waarom ze verschillen.

## Hoeveel energie verbruikt een prompt aan ChatGPT of Gemini? {#how-much-energy-does-a-chatgpt-or-gemini-prompt-use}

**Een korte tekstprompt aan een grote chatbot verbruikt ongeveer 0,2 tot 0,4 wattuur (Wh), volgens de beste
huidige cijfers.** Een wattuur is de energie die een apparaat van 1 watt in een uur verbruikt.

De meest geciteerde cijfers komen van de aanbieders zelf:

- **Google** meldde in 2025 dat een mediane tekstprompt in de Gemini-apps 0,24 Wh verbruikte. Het artikel vergelijkt
  dat met minder dan negen seconden televisiekijken.
- De topman van **OpenAI** schreef in 2025 dat een gemiddelde ChatGPT-vraag ongeveer 0,34 Wh verbruikt. Er werd geen
  methode gepubliceerd.
- **Epoch AI**, een onafhankelijke onderzoeksgroep, schatte ongeveer 0,3 Wh voor een gewone GPT-4o-vraag, op basis van
  openbare informatie over hardware en modelgrootte.

Deze cijfers liggen dicht bij elkaar, maar ze zijn niet zomaar vergelijkbaar: een mediaan is geen gemiddelde, en
elk cijfer trekt de grens van wat wordt meegeteld op een andere plek. Ze gaan bovendien alleen over korte
tekstprompts.

## Energie per taak: de cijfers vergeleken {#energy-per-task-the-figures-compared}

**De energie per AI-taak loopt meer dan een factor duizend uiteen, van minder dan een wattuur voor een korte prompt
tot honderden wattuur voor een sessie met een agent.** De tabel geeft de belangrijkste gepubliceerde cijfers.
Zelfgerapporteerde cijfers komen van het bedrijf dat de dienst levert; schattingen en metingen komen van
onafhankelijke onderzoekers.

| Taak | Energie | Bron en jaar | Soort |
|---|---|---|---|
| Mediane Gemini-tekstprompt | 0,24 Wh | Google, 2025 | Zelfgerapporteerd, methode gepubliceerd |
| Gemiddelde ChatGPT-vraag | ongeveer 0,34 Wh | Topman OpenAI, 2025 | Zelfgerapporteerd, geen methode |
| Gewone GPT-4o-vraag | ongeveer 0,3 Wh | Epoch AI, 2025 | Onafhankelijke schatting |
| GPT-4o, korte prompt (100 tokens in, 300 uit) | 0,42 Wh | Jegham et al., 2025 | Onafhankelijke schatting |
| Vraag aan een model van GPT-4o-klasse met een invoer van 10.000 tokens | ongeveer 2,5 Wh | Epoch AI, 2025 | Onafhankelijke schatting |
| Vraag aan een model van GPT-4o-klasse met een invoer van 100.000 tokens | bijna 40 Wh | Epoch AI, 2025 | Onafhankelijke schatting |
| Lange prompt (10.000 in, 1.500 uit): Llama 3.1 8B tegenover DeepSeek-R1 | ongeveer 0,44 Wh tegenover ongeveer 29 Wh | Jegham et al., 2025 | Onafhankelijke schatting |
| Redeneermodellen tegenover standaardmodellen | gemiddeld 30 keer meer | Hugging Face AI Energy Score, 2025 | Gemeten, open modellen |
| Eén gegenereerde afbeelding | ongeveer 2,9 Wh (2,9 kWh per 1.000) | Luccioni, Jernite en Strubell, 2024 | Gemeten, open modellen |
| Eén korte gegenereerde video | ongeveer 90 Wh voor één model; van 0,14 Wh tot meer dan 415 Wh over verschillende modellen | Delavande, Pierrard en Luccioni, 2025 | Gemeten, open modellen |
| Mediane sessie met een codeeragent | ongeveer 41 Wh | Couch, 2026 | Onafhankelijke schatting |
| Codeeragent, per getypte prompt (intensief gebruik) | ongeveer 150 Wh (bereik 60–290 Wh) | Hausfather, 2026 | Onafhankelijke schatting |

Een [token](/nl/woordenlijst/#token) is een stukje tekst, ongeveer driekwart van een Engels woord. De cijfers voor
afbeeldingen en video komen van open modellen die op onderzoekshardware draaiden; commerciële diensten kunnen
efficiënter of minder efficiënt zijn, en de meeste publiceren geen cijfers.

## Waarom verbruiken redeneermodellen, afbeeldingen en agents meer? {#why-do-reasoning-models-images-and-agents-use-more}

**Omdat ze per verzoek veel meer rekenwerk doen.** Het energieverbruik stijgt met het aantal tokens dat een model
leest en schrijft, en met de grootte van het model.

- **Redeneermodellen** schrijven lange, verborgen tussenstappen voordat ze antwoorden. Het team achter de AI Energy
  Score van Hugging Face ontdekte dat hetzelfde model met redeneren aan 150 tot 700 keer meer energie verbruikte dan
  met redeneren uit, en 300 tot 800 keer meer tokens schreef.
- **Lange invoer** moet volledig worden verwerkt. De schattingen van Epoch AI stijgen van ongeveer 0,3 Wh naar bijna
  40 Wh wanneer de invoer groeit tot 100.000 tokens, zo groot als een heel lang geplakt document.
- **Afbeeldingen en video** worden in veel stappen over veel pixels gegenereerd. Delavande, Pierrard en Luccioni
  stelden vast dat de energie voor video kwadratisch toenam met resolutie en lengte, en kwamen voor één korte clip uit
  op ongeveer 2.000 keer een tekstantwoord.
- **Agents** roepen het model telkens opnieuw aan en lezen hun groeiende context steeds opnieuw. Anthropic meldde dat
  zijn agents doorgaans ongeveer vier keer zoveel tokens gebruikten als een chat, en multi-agentsystemen ongeveer
  vijftien keer zoveel.

### Hoeveel energie verbruikt een AI-codeeragent? {#how-much-energy-does-an-ai-coding-agent-use}

**De schattingen lopen van tientallen wattuur voor een gewone sessie tot meer dan een kilowattuur voor een intensieve
dag.** Geen enkel AI-bedrijf publiceert energiecijfers voor zijn codeeragents, dus de beste beschikbare cijfers zijn
zorgvuldige onafhankelijke schattingen op basis van aantallen tokens.

Simon Couch schatte een mediane sessie met Claude Code, met 24 modelaanroepen en ongeveer 590.000 tokens, op ongeveer
41 Wh. Klimaatwetenschapper Zeke Hausfather hield acht weken lang zijn eigen intensieve gebruik bij: 1.138 getypte
prompts leidden tot meer dan 14.000 modelaanroepen en 3,2 miljard tokens, waarvan 96% het opnieuw lezen van gecachete
context was. Hij schatte het totaal op ongeveer 170 kWh (bereik 70–330 kWh), ongeveer 150 Wh per prompt, en een
mediane sessie op ongeveer 0,6 kWh, wat hij vergelijkt met ongeveer 50 keer een telefoon opladen. Zie
[agentische AI en tokenverspilling](/nl/artikelen/agentische-ai-en-verspilde-tokens/).

## Is training of inferentie de grootste kostenpost? {#is-training-or-inference-the-bigger-cost}

**Bij een veelgebruikt model weegt het draaien ervan (inferentie) meestal zwaarder dan het trainen.** Training is een
grote eenmalige kostenpost; [inferentie](/nl/woordenlijst/#inference) is per verzoek klein, maar wordt miljarden keren
herhaald.

Gepubliceerde trainingscijfers laten de omvang zien:

- **GPT-3** (2020): Patterson en collega's bij Google schatten dat de training 1.287 MWh elektriciteit kostte.
- **Llama 3.1** (2024): de modelkaart van Meta meldt 39,3 miljoen GPU-uren op H100-chips voor de drie modelgroottes,
  waarvan 30,84 miljoen voor het grootste model, met 405 miljard parameters.

Aan de andere kant halen Patterson en collega's schattingen van NVIDIA aan dat 80–90% van de
machinelearningwerklast uit inferentie bestaat, en de bewering van Amazon Web Services dat 90% van de vraag naar
machine learning in zijn cloud inferentie is. Door die verhouding is een dalend energieverbruik per prompt zo
belangrijk, en ook waarom dat op zichzelf niet genoeg is: het gebruik groeit sneller. Zie
[efficiëntie is geen suffiëntie](/nl/artikelen/efficientie-is-geen-suffientie-het-reboundeffect-bij-ai/).

## Hoeveel elektriciteit verbruiken datacenters en AI in totaal? {#how-much-electricity-do-data-centres-and-ai-use-in-total}

**Het Internationaal Energieagentschap (IEA) schat dat datacenters in 2025 ongeveer 485 TWh verbruikten, en verwacht
rond 950 TWh in 2030, ongeveer 3% van de elektriciteit in de wereld.** Een terawattuur (TWh) is een miljard
kilowattuur.

- Het IEA schatte het verbruik van datacenters in 2024 op ongeveer 415 TWh, rond 1,5% van de elektriciteit in de
  wereld. De update van april 2026 meldde 485 TWh in 2025, 17% meer dan een jaar eerder, waarbij het
  elektriciteitsverbruik van op AI gerichte datacenters met 50% steeg.
- Het verwacht dat de Verenigde Staten en China samen goed zijn voor bijna 80% van de groei tot 2030, en dat
  versnelde servers, vooral voor AI, bijna de helft van de toename veroorzaken.
- In de Verenigde Staten schatte het Lawrence Berkeley National Laboratory dat datacenters in 2023 ongeveer 178 TWh
  verbruikten, 4,4% van de nationale elektriciteit, en dat dit in 2028 kan oplopen tot 6,7–12%.

Er is geen betrouwbaar wereldwijd cijfer voor AI alleen, omdat datacenters AI-werk niet apart meten.
Bedrijfsrapporten laten de trend zien: het elektriciteitsverbruik van Microsoft steeg van ongeveer 10,8 TWh in
boekjaar 2020 tot ongeveer 37,0 TWh in 2025, en Google meldde voor 2025 een stijging van de elektriciteitsvraag met
37%, de grootste in zijn geschiedenis. Zie [waarom groene AI nu belangrijk is](/nl/artikelen/waarom-groene-ai-nu-belangrijk-is/).

## Waarom lopen de energiecijfers van AI zo uiteen? {#why-do-ai-energy-figures-vary-so-much}

**Omdat studies verschillende dingen meetellen, op verschillende hardware, voor verschillende modellen en taken.**
Vier factoren verklaren het grootste deel van de spreiding.

1. **Systeemgrens.** Googles eigen artikel laat zien dat alleen de actieve AI-chips meetellen 0,10 Wh per mediane
   prompt oplevert; met de hostprocessors en het geheugen, stilstaande capaciteit die klaarstaat voor de vraag, en de
   koeling van het datacenter erbij wordt het 0,24 Wh, meer dan twee keer zoveel. Zie
   [meten is het knelpunt](/nl/artikelen/meten-is-het-knelpunt-voor-groene-ai/).
2. **Hardware en benutting.** Nieuwere chips doen meer werk per watt, en een drukke server verdeelt zijn vaste
   overhead over meer verzoeken dan een rustige.
3. **Modelgrootte.** In de schattingen van Jegham en collega's kostte een lange prompt ongeveer 0,44 Wh op het kleine
   model Llama 3.1 8B en ongeveer 29 Wh op DeepSeek-R1, een groot redeneermodel.
4. **Tokens.** Langere invoer, langere antwoorden, verborgen redeneerstappen en herhaalde stappen van agents voegen
   allemaal tokens toe, en het energieverbruik stijgt mee.

Nog twee kanttekeningen. Cijfers verouderen snel: Google meldde in één jaar een daling van het energieverbruik per
mediane prompt met een factor 33. En zelfgerapporteerde cijfers kunnen niet onafhankelijk worden gecontroleerd. Ziet
u een getal, vraag dan wat er is gemeten, binnen welke grens en wanneer. Zie
[hoe controleer ik een claim over het energieverbruik van AI](/nl/hoe/hoe-controleer-ik-een-bewering-over-het-energieverbruik-van-ai/).

## Hoe verhoudt het energieverbruik van AI zich tot alledaagse dingen? {#how-does-ai-energy-compare-with-everyday-things}

**Een korte tekstprompt is klein naast het meeste elektriciteitsgebruik in huis; intensief gebruik van agents of
video is dat niet.** Deze vergelijkingen komen van de bronnen zelf:

- Google vergelijkt zijn mediane Gemini-prompt van 0,24 Wh met minder dan negen seconden televisiekijken.
- Hausfather vergelijkt een mediane sessie met een codeeragent bij zijn intensieve gebruik (ongeveer 0,6 kWh) met
  ongeveer 50 keer een telefoon opladen, en een gemiddelde dag van dat gebruik (ongeveer 3 kWh) met meer dan twee
  koelkasten laten draaien.
- Couch vergelijkt een mediane dag van zijn gebruik van een codeeragent (ongeveer 1.300 Wh) met elke dag een extra
  keer de vaatwasser laten draaien.
- Google zei in 2009 dat een gemiddelde zoekopdracht op het web ongeveer 0,3 Wh verbruikte, van dezelfde orde als de
  korte tekstprompts van nu. De cijfers liggen ver uit elkaar in tijd en methode.

Het punt is niet dat één verzoek groot is. Het gaat om gewoonten: een redeneermodel kiezen, lange documenten
plakken, reeksen afbeeldingen genereren of een agent laten doorlopen kan elk de energie van een taak vele malen
vermenigvuldigen. Zie [mijn AI-energieverbruik in perspectief plaatsen](/nl/hoe/hoe-zet-ik-mijn-energieverbruik-door-ai-in-perspectief/).

## Wat kunt u doen om het energieverbruik van AI te verminderen? {#what-can-you-do-to-cut-ai-energy-use}

**Gebruik het kleinste hulpmiddel dat de klus klaart, en vraag er minder van.** De grootste besparingen komen van
het vermijden van onnodig werk, niet van overstappen naar een andere aanbieder.

- **Bepaal of u voor de taak AI nodig hebt:** zie [bepalen of ik AI nodig heb voor een taak](/nl/hoe/hoe-bepaal-ik-of-ik-voor-een-taak-eigenlijk-wel-ai-nodig-heb/).
- **Kies een kleiner of sneller model** voor alledaagse vragen: zie [een kleiner AI-model kiezen](/nl/hoe/hoe-kies-ik-een-kleiner-ai-model/)
  en [het juiste model kiezen](/nl/goede-praktijk/kies-het-juiste-model-voor-de-taak/).
- **Zet redeneren uit** als u het niet nodig hebt: zie [redeneermodi alleen gebruiken als het nodig is](/nl/hoe/wanneer-gebruik-ik-de-denk-of-redeneermodus-van-een-ai/).
- **Houd gesprekken kort** en begin een nieuwe chat voor een nieuw onderwerp: zie [lange AI-chats efficiënt houden](/nl/hoe/hoe-voorkom-ik-dat-lange-ai-chats-energie-verspillen/).
- **Genereer minder afbeeldingen en video's:** zie [de impact van AI-afbeeldingen en -video's verminderen](/nl/hoe/hoe-verminder-ik-de-impact-van-het-genereren-van-ai-afbeeldingen-en/).
- **Stel grenzen aan agents:** zie [voorkomen dat AI-agents tokens verspillen](/nl/hoe/hoe-voorkom-ik-dat-ai-agents-tokens-verspillen/) en
  [een AI-codeerassistent met een kleinere voetafdruk gebruiken](/nl/hoe/hoe-gebruik-ik-een-ai-codeerassistent-zonder-grote-voetafdruk/).

Voor organisaties is meten het beginpunt: zie [het energieverbruik van AI meten](/nl/goede-praktijk/zo-meet-u-de-energie-en-co2-uitstoot-van-ai/),
[de energie van AI-API-aanroepen schatten](/nl/hoe/hoe-schat-ik-het-energieverbruik-van-mijn-ai-api-aanroepen/) en
[AI efficiënt gebruiken](/nl/goede-praktijk/ai-efficient-gebruiken-dagelijkse-gewoonten/).

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

- Lees [wat is de CO₂-voetafdruk van AI?](/nl/artikelen/wat-is-de-co2-voetafdruk-van-ai/) om energie om te rekenen naar uitstoot.
- Lees [hoeveel water verbruikt AI?](/nl/artikelen/hoeveel-water-verbruikt-ai/) voor de waterkant.
- Probeer [het energieverbruik van mijn ChatGPT-gebruik verminderen](/nl/hoe/hoe-verminder-ik-het-energieverbruik-van-mijn-chatgpt-gebruik/) voor alledaagse gewoonten.
- Vraag uw AI-aanbieder om energiecijfers per taak: zie [een AI-bedrijf om energiecijfers vragen](/nl/hoe/hoe-vraag-ik-een-ai-bedrijf-om-zijn-energiecijfers/).
- Vergelijk open modellen op gemeten energie met de [AI Energy Score](/nl/hoe/hoe-lees-ik-een-ai-energy-score-beoordeling/).

## Veelgestelde vragen

### Hoeveel energie verbruikt een ChatGPT-prompt?

De topman van OpenAI zei in 2025 dat een gemiddelde ChatGPT-vraag ongeveer 0,34 wattuur verbruikt, en Epoch AI schatte onafhankelijk ongeveer 0,3 Wh voor een gewone GPT-4o-vraag. Lange invoer, redeneermodi en het genereren van afbeeldingen verbruiken veel meer.

### Hoeveel energie verbruikt AI per prompt?

Voor een korte tekstprompt liggen de gepubliceerde cijfers rond 0,2 tot 0,4 Wh: Google meldt 0,24 Wh voor een mediane Gemini-prompt. Onafhankelijke schattingen voor grote modellen met lange prompts komen uit op ongeveer 29 Wh, en sessies met codeeragents kunnen honderden wattuur verbruiken.

### Verbruikt AI meer energie dan zoeken met Google?

Niet voor een korte tekstprompt, op basis van de gepubliceerde cijfers. Google zei in 2009 dat een gemiddelde zoekopdracht ongeveer 0,3 Wh verbruikte; nu meldt het 0,24 Wh voor een mediane Gemini-tekstprompt. De cijfers liggen 16 jaar uit elkaar en zijn anders gemeten, dus zie dit als een ruwe indicatie. Lange taken, redeneren, afbeeldingen en agents verbruiken veel meer.

### Hoeveel elektriciteit verbruikt AI in totaal?

Er is geen betrouwbaar cijfer voor AI alleen. Het Internationaal Energieagentschap schat dat alle datacenters samen in 2025 ongeveer 485 TWh verbruikten, 17% meer dan een jaar eerder, dat het verbruik van op AI gerichte datacenters met 50% groeide, en dat het totaal tegen 2030 rond 950 TWh zal liggen, ongeveer 3% van de elektriciteit in de wereld.

### Kost het trainen of het gebruiken van AI meer energie?

Het trainen van één groot model is een grote eenmalige kostenpost, zoals naar schatting 1.287 MWh voor GPT-3. Maar een populair model wordt miljarden keren gebruikt, en volgens schattingen uit de sector die onderzoekers van Google aanhalen, is inferentie goed voor 80–90% van de machinelearningwerklast.

### Waarom lopen schattingen van het energieverbruik van AI zo uiteen?

Omdat ze verschillende dingen meetellen. Door koeling van het datacenter, stilstaande servers en hostcomputers mee te rekenen, werd Googles eigen cijfer meer dan twee keer zo hoog, van 0,10 Wh naar 0,24 Wh. Ook de grootte van het model, de hardware, de lengte van de prompt en het aantal gegenereerde tokens veranderen de uitkomst.

### Hoeveel energie kost het genereren van afbeeldingen met AI?

In tests van open modellen door Luccioni, Jernite en Strubell kostte het genereren van afbeeldingen gemiddeld ongeveer 2,9 kWh per 1.000 afbeeldingen, of ongeveer 2,9 Wh per stuk, meer dan duizend keer zoveel als het classificeren van een stuk tekst.

### Hoe kan ik het energieverbruik van mijn AI-gebruik verminderen?

Gebruik een kleiner of sneller model voor eenvoudige taken, houd prompts en gesprekken kort, zet redeneermodi uit als u ze niet nodig hebt, en genereer minder afbeeldingen en video's. De grootste besparing zit in de vraag of u voor de taak überhaupt AI nodig hebt.

## Bronnen

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference](https://arxiv.org/abs/2505.09598), Jegham et al. (arXiv 2505.09598, v6) (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Luccioni and Gamazaychikov, Hugging Face (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM 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 (arXiv 2509.19222) (2025)
- [The real energy use of agentic AI](https://www.theclimatebrink.com/p/the-real-energy-use-of-agentic-ai), Zeke Hausfather, The Climate Brink (2026)
- [Electricity use of AI coding agents](https://www.simonpcouch.com/blog/2026-01-20-cc-impact/), Simon P. Couch (2026)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (arXiv 2104.10350) (2021)
- [Powering a Google search (Italian edition: Dare energia alle ricerche su Google)](https://blog.google/intl/it-it/notizie-aziendali/iniziative/dare-energia-alle-ricerche-su-google/), Google (2009)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai), International Energy Agency (2025)
- [Key questions on energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary), International Energy Agency (2026)
- [2024 United States Data Center Energy Usage Report](https://eta-publications.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report), Lawrence Berkeley National Laboratory (2024)
- [2026 environmental data fact sheet](https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf), Microsoft (2026)
- [Read our 11th annual Environmental Report](https://blog.google/company-news/outreach-and-initiatives/sustainability/2026-environmental-report/), Google (2026)
