# 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.

Source: https://greenai.guide/nl/artikelen/meten-is-het-knelpunt-voor-groene-ai/  
Updated: 2026-11-19

## In het kort

De meeste energiecijfers voor AI worden óf door de bedrijven zelf gerapporteerd, met methoden die niet volledig openbaar zijn, óf geschat op basis van aannames in plaats van gemeten op echte hardware. Verschillende studies trekken bovendien de grens van "het systeem" op verschillende plaatsen. Zolang meten niet consistent gebeurt, zijn claims over groene AI moeilijk te controleren en kunnen vergelijkingen tussen modellen of aanbieders misleiden.

## Kernpunten

- De bekendste cijfers per prompt komen van de aanbieders zelf en gebruiken verschillende methoden, dus ze zijn niet rechtstreeks vergelijkbaar.
- Een andere meetgrens kan een resultaat meer dan verdubbelen; Googles eigen cijfer voor een Gemini-prompt daalt van 0,24 Wh naar 0,10 Wh als alleen de AI-chips worden meegeteld.
- Veel tools schatten energie op basis van hardwarespecificaties en gemiddelden van het stroomnet in plaats van die te meten.
- De transparantie over de milieukosten van AI is volgens een analyse uit 2025 afgenomen, niet verbeterd.
- Een goed cijfer vermeldt wat er gemeten is, hoe, binnen welke grens, op welke hardware en voor welke taak.

Wat u niet kunt meten, kunt u niet beheersen, en het energieverbruik van AI wordt nog altijd slecht gemeten. Dat is
geen detail: het bepaalt of claims over groene AI te controleren zijn, of kopers producten kunnen vergelijken en of
beleid zich op de juiste dingen kan richten. Zonder betrouwbare cijfers is elke groene claim een persbericht.

## Waarom zijn energiecijfers van AI moeilijk te vertrouwen? {#why-are-ai-energy-figures-hard-to-trust}

**Omdat de meeste afkomstig zijn van de bedrijven die de AI verkopen, methoden gebruiken die niet volledig openbaar
zijn en niet onafhankelijk te controleren zijn.** Dat maakt ze niet onjuist, maar wel moeilijk te vergelijken.

De twee meest geciteerde cijfers voor een tekstprompt zijn allebei eigen opgaven:

| Cijfer | Wie | Wat we weten over de methode |
|---|---|---|
| 0,24 Wh voor een mediane tekstprompt in Gemini Apps | Google, 2025 | Een gepubliceerd artikel beschrijft de methode, inclusief de overhead van het datacenter en stand-bycapaciteit. Gegevens van mei 2025, niet onafhankelijk geverifieerd. |
| Ongeveer 0,34 Wh voor een gemiddelde ChatGPT-vraag | De topman van OpenAI, 2025 | Een blogbericht; geen methode gepubliceerd. |
| Ruwweg 0,3 Wh voor een typische GPT-4o-vraag | Epoch AI, 2025 | Een onafhankelijke schatting op basis van openbare informatie over hardware en modelgrootte. |

De getallen lijken op elkaar, maar ze zijn niet gelijkwaardig: een mediaan is geen gemiddelde, en de grenzen
verschillen. Ze gaan bovendien alleen over korte tekstprompts, niet over het genereren van beeld of video, lang
redeneren of agents.

## Hoeveel maakt de grens uit? {#how-much-does-the-boundary-matter}

**Heel veel.** Het artikel van Google maakt dat zelf duidelijk. Wie alleen de actieve AI-versnellers (TPU's en GPU's)
meetelt, komt uit op 0,10 Wh per mediane prompt. Tel daar de hostservers, de stand-bycapaciteit die klaarstaat voor
de vraag en de overhead van het datacenter, zoals koeling, bij op, en het wordt 0,24 Wh: meer dan twee keer zoveel.

Waar u de lijn trekt, bepaalt het antwoord. Een volledige grens voor een AI-dienst kan het volgende omvatten:

1. De AI-chips die het werk doen.
2. De rest van de server: processors, geheugen, opslag.
3. Stand-by- en reservecapaciteit voor pieken.
4. Koeling en stroomomzetting in het datacenter.
5. Het netwerk dat verzoeken en antwoorden vervoert.
6. Het apparaat van de gebruiker.
7. De training van het model, verdeeld over al het gebruik ervan.
8. De productie van de hardware (ingebedde CO2).

Hetzelfde geldt voor stoutmoedige vergelijkingen. Een claim dat AI vele malen meer, of minder, energie verbruikt dan
een mens die dezelfde taak uitvoert, hangt af van wat er aan beide kanten wordt meegeteld: de computer en de tijd van
die persoon, de training van het model, het werk dat nodig is om de uitvoer van de AI te controleren en te
corrigeren. Een Britse groene-AI-sandpit (een verkennende werksessie) uit 2026 met wiskundigen, informatici en
mensen uit het bedrijfsleven benadrukte dat systeemgrenzen vermeld moeten worden voordat zo'n vergelijking iets
betekent.

## Wat is het verschil tussen schatten en meten? {#what-is-the-difference-between-estimating-and-metering}

**Meten leest het werkelijke vermogen af van hardware terwijl het werk draait; schatten berekent het uit
aannames.** Beide hebben hun plaats, maar ze worden vaak door elkaar gehaald.

- **Meten** gebruikt hardwaretellers (zoals die in moderne processors en GPU's zijn ingebouwd), vermogensmeters op
  servers of meters in het datacenter. Het is nauwkeurig voor wat het omvat, maar vereist toegang tot de hardware.
- **Schatten** vermenigvuldigt een aangenomen vermogen met looptijd en benutting, en daarna met een gemiddelde
  CO2-intensiteit van het stroomnet. Tools zoals CodeCarbon schatten het vermogen van processors, GPU's en geheugen
  en passen de regionale intensiteit van het stroomnet toe. Ze zijn makkelijk te gebruiken, maar het zijn
  schatters, geen meters.

Schattingen kunnen er ver naast zitten, vooral bij gedeelde cloudhardware waar u niet ziet wat er verder draait.
Eenvoudige vuistregels zijn ook riskant: Mytton, Lundén en Malmodin toonden in 2024 aan dat netwerkenergie
grotendeels een vaste basislast is, zodat factoren in "kilowattuur per gigabyte" het effect van meer of minder
dataverkeer verkeerd weergeven.

Het rapport van de International Telecommunication Union uit 2025 over het meten van de milieu-impact van AI
noemde de sterke afhankelijkheid van indirecte schattingen, zonder empirische metingen, een urgent probleem.

## Wordt de transparantie beter? {#is-transparency-getting-better}

**Volgens de meeste maatstaven niet.** Luccioni, Gamazaychikov, Alves da Costa en Strubell analyseerden in 2025 de
milieu-informatie die over AI-modellen wordt gepubliceerd. Ze concludeerden dat de transparantie over de kosten en
gevolgen van deze modellen is afgenomen, terwijl het gebruik ervan is gegroeid.

Regelgeving begint de andere kant op te duwen. Onder de Europese AI-verordening (AI Act) moeten aanbieders van
AI-modellen voor algemene doeleinden het bekende of geschatte energieverbruik van hun modellen documenteren
(bijlage XI). Die documentatie gaat naar toezichthouders en aanbieders verderop in de keten, niet naar het publiek,
en schattingen zijn toegestaan als meten niet mogelijk is.

## Hoe zou goed meten eruitzien? {#what-would-good-measurement-look-like}

**Een cijfer dat u kunt reproduceren: wat er gemeten is, hoe, binnen welke grens, op welke hardware en voor welke
taak.** Er bestaan al bruikbare bouwstenen:

- **Open benchmarks** zoals het ML.ENERGY Leaderboard, dat het energieverbruik bij inferentie van open modellen op
  bekende hardware meet, en de [energielabels en benchmarks](/nl/artikelen/energielabels-en-benchmarks-voor-ai/) die nu opkomen.
- **Normen** zoals ISO/IEC 21031:2024, de Software Carbon Intensity-specificatie, die een CO2-waarde per functionele
  eenheid definieert op basis van energie, de intensiteit van het stroomnet en ingebedde emissies.
- **Nauwkeurigheid naast energie.** Een goedkoop antwoord dat fout is, is niet efficiënt. Energiecijfers moeten
  worden gerapporteerd samen met de kwaliteit van het resultaat, en met hoeveel herstelwerk er nodig was.

Meten moet ook fijnmaziger worden dan "het datacenter": een verzoek, een model of een regel code. Juist dat soort
toerekening stelt engineers in staat de dure onderdelen te vinden en te verbeteren.

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

- Ziet u een energiecijfer voor AI, vraag dan: wie heeft het gemeten, binnen welke grens, en is het gemeten of geschat?
- Meet uw eigen workloads op de hardware die u gebruikt; zie [het energieverbruik van AI meten](/nl/goede-praktijk/zo-meet-u-de-energie-en-co2-uitstoot-van-ai/).
- Vermeld de grens en de methode bij elk cijfer dat u publiceert; zie [eerlijke groene claims maken](/nl/goede-praktijk/eerlijke-groene-claims-over-ai/).
- Vraag leveranciers om gemeten energie per taak, niet om marketingverhoudingen; zie [duurzame inkoop van AI](/nl/goede-praktijk/duurzame-inkoop-van-ai/).
- Zoek handige tools in de [productengids](/nl/producten/) en deskundige hulp in de [gids met consultants](/nl/adviseurs/).

## Veelgestelde vragen

### Waarom kan ik het energieverbruik van ChatGPT en Gemini niet vergelijken?

Omdat de gepubliceerde cijfers eigen opgaven zijn, verschillende dingen omvatten en methoden gebruiken die niet volledig openbaar zijn. Het ene cijfer telt misschien de overhead van het datacenter en stand-bycapaciteit mee, het andere niet. Zolang beide niet op dezelfde manier worden gemeten, is een directe vergelijking niet betrouwbaar.

### Wat is het verschil tussen het schatten en het meten van de energie van AI?

Bij meten wordt het vermogen afgelezen van hardwaresensoren of meters terwijl het werk draait. Bij schatten wordt de energie berekend uit aannames, zoals het nominale vermogen van chips, de benutting en de looptijd. Schattingen zijn nuttig als meten onmogelijk is, maar ze kunnen er ver naast zitten.

### Wat is een systeemgrens?

De lijn die bepaalt wat er wordt meegeteld. Een smalle grens telt alleen de AI-chip; een ruimere voegt de server, koeling, stand-bycapaciteit, het netwerk, het apparaat van de gebruiker en de productie van de hardware toe.

## 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)
- [Misinformation by omission: the need for more environmental transparency in AI](https://arxiv.org/abs/2506.15572), Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- [Measuring what matters: how to assess AI's environmental impact](https://www.itu.int/hub/publication/s-gen-gda-001-2025/), International Telecommunication Union (2025)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [The ML.ENERGY benchmark: toward automated inference energy measurement and optimization](https://arxiv.org/abs/2505.06371), Chung et al., NeurIPS Datasets and Benchmarks (2025)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [Network energy use not directly proportional to data volume](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
