greenai.guide

Home › Artikelen › Wat is de CO₂-voetafdruk van AI?

Artikel

Wat is de CO₂-voetafdruk van AI?

Bijgewerkt · 9 min. leestijd

In het kort

De CO₂-voetafdruk van AI is de uitstoot van broeikasgassen bij het maken van de hardware en gebouwen waarop AI draait (ingebedde CO₂) en bij het opwekken van de elektriciteit waarmee de modellen worden getraind en gebruikt (operationele CO₂). Per tekstprompt is die klein: Google meldt 0,03 g CO₂-equivalent voor een mediane Gemini-prompt. Maar de uitstoot van AI telt op: de training van GPT-3 werd geschat op 552 ton, en de totale uitstoot van Microsoft steeg tussen 2020 en 2025 van ongeveer 12,9 naar 20,3 miljoen ton terwijl het bedrijf zijn AI-capaciteit uitbreidde. Waar de elektriciteit vandaan komt, telt even zwaar als hoeveel er wordt verbruikt.

Kernpunten

  • Google meldt 0,03 g CO₂e voor een mediane Gemini-tekstprompt in mei 2025, marktgebaseerd, een daling met een factor 44 in een jaar; ongeveer een derde daarvan komt van hardware en andere uitstoot die niet uit elektriciteit voortkomt.
  • De levenscyclusanalyse van Mistral AI kwam uit op 1,14 g CO₂e voor een antwoord van 400 tokens in Le Chat, en op 20.400 ton voor training plus 18 maanden gebruik van Mistral Large 2.
  • De training van GPT-3 werd geschat op 552 ton CO₂e; Meta meldt 11.390 ton locatiegebaseerd voor de Llama 3.1-familie, en nul marktgebaseerd.
  • De uitstoot van Microsoft steeg van ongeveer 12,9 miljoen ton in boekjaar 2020 naar ongeveer 20,3 miljoen in 2025.
  • De keuze van model, datacenter en processor kan de CO₂-uitstoot van training ongeveer 100 tot 1.000 keer verlagen, volgens Patterson en collega's.
  • De elektriciteit van Amerikaanse datacenters in 2023 hing samen met ongeveer 74 miljoen ton CO₂e, gemiddeld 0,34 kg per kWh, volgens het Lawrence Berkeley National Laboratory.

Wat is de CO₂-voetafdruk van AI? Het is de uitstoot van broeikasgassen bij het bouwen van de hardware en gebouwen waarop AI draait, en bij het opwekken van de elektriciteit waarmee de modellen worden getraind en gebruikt. Per prompt is de CO₂-voetafdruk van AI klein; in totaal groeit de uitstoot van AI snel, omdat het elektriciteitsverbruik en de bouw van datacenters snel groeien. Deze pagina zet de gepubliceerde cijfers op een rij, legt uit waarom ze verschillen, en hoe u uw eigen voetafdruk kunt schatten.

Hoe groot is de CO₂-voetafdruk van AI per prompt?

Voor een korte tekstprompt een fractie van een gram CO₂-equivalent volgens de aanbieders zelf; meer als de hele levenscyclus wordt meegeteld. CO₂-equivalent (CO₂e) telt andere broeikasgassen bij koolstofdioxide op, gewogen naar hun opwarmend effect.

Cijfer Wat het omvat Bron
0,03 g CO₂e per mediane Gemini-tekstprompt Elektriciteit (marktgebaseerd), plus hardware en andere uitstoot; mei 2025 Google, 2025
1,14 g CO₂e per antwoord van 400 tokens in Le Chat Levenscyclusanalyse van inferentie, zonder het apparaat van de gebruiker Mistral AI, 2025
ongeveer 0,34 Wh per gemiddelde ChatGPT-vraag Alleen energie; geen CO₂-cijfer gepubliceerd Topman OpenAI, 2025

Er is geen officiële CO₂-voetafdruk van ChatGPT per vraag: OpenAI heeft een energiecijfer gegeven, maar geen CO₂-cijfer, en de uitstoot hangt af van de stroomnetten waarop zijn datacenters draaien.

Het cijfer van Google bestaat uit 0,023 g door elektriciteit en 0,010 g door zijn scope 1- en scope 3-uitstoot, waaronder de productie van de hardware. Google meldt ook een daling van de CO₂ per mediane prompt met een factor 44 in één jaar. Het cijfer van Mistral is hoger, deels omdat het meer van de levenscyclus meetelt en een andere methode gebruikt; de twee zijn niet direct vergelijkbaar.

Intensief gebruik verandert het beeld. Zeke Hausfather schatte dat zijn eigen intensieve gebruik van een AI-codeeragent, ongeveer 1,1 MWh elektriciteit per jaar, ongeveer 370 kg CO₂e per jaar zou uitstoten. Zie hoeveel energie verbruikt AI?

Wat is het verschil tussen operationele en ingebedde CO₂?

Operationele CO₂ komt van de elektriciteit om AI te laten draaien; ingebedde CO₂ komt van het maken, vervoeren en afdanken van de hardware en gebouwen. Beide horen in een eerlijke voetafdruk.

  • Operationele CO₂ hangt af van hoeveel energie het werk kost en hoe schoon de elektriciteit is.
  • Ingebedde CO₂ komt van chipfabricage, de productie van servers, de bouw van datacenters en de verwerking aan het einde van de levensduur. Ze wordt verdeeld over elke taak die de hardware in haar leven uitvoert.

Ingebedde CO₂ is een groot aandeel. Wu en collega's bij Meta meldden in 2022 dat die ongeveer 30% van de voetafdruk van de grootschalige machine learning van Meta uitmaakte. Luccioni, Viguier en Ligozat schatten de training van BLOOM op ongeveer 24,7 ton CO₂e als alleen het dynamische vermogen tijdens de training werd meegeteld, en op ongeveer 50,5 ton als alles van de productie van apparatuur tot de operationele energie werd meegenomen. Naarmate elektriciteit schoner wordt, groeit het ingebedde aandeel, waardoor het belangrijker wordt hardware langer te gebruiken en goed bezet te houden. Zie de ingebedde CO₂ van AI-hardware meetellen.

Hoeveel CO₂ stoot het trainen van een AI-model uit?

De tot nu toe gepubliceerde trainingsuitstoot van grote modellen loopt van tientallen tot tienduizenden tonnen CO₂e. Modelkaarten (de documentatie die met een model wordt uitgebracht) zijn de belangrijkste plek om die te vinden, al publiceren veel frontiermodellen niets.

Model Trainingsuitstoot Basis Bron
BLOOM (176 miljard parameters, 2022) ongeveer 24,7 t CO₂e; 50,5 t inclusief productie en alle operationele energie Onafhankelijke levenscyclusschatting Luccioni, Viguier en Ligozat, 2022
GPT-3 (175 miljard parameters, 2020) 552 t CO₂e; 1.287 MWh Schatting door onderzoekers van Google Patterson et al., 2021
Llama 3.1-familie (8B, 70B, 405B, 2024) 11.390 t CO₂e locatiegebaseerd; 0 t marktgebaseerd Modelkaart, 39,3 miljoen GPU-uren Meta, 2024
Alleen Llama 3.1 405B 8.930 t CO₂e locatiegebaseerd Modelkaart Meta, 2024
Mistral Large 2 (training plus 18 maanden gebruik) 20.400 t CO₂e; 281.000 m³ water Levenscyclusanalyse Mistral AI, 2025

Dit zijn eenmalige kosten, maar ze vertellen niet het hele verhaal. Patterson en collega's halen schattingen uit de sector aan dat 80–90% van de machinelearningwerklast inferentie is, dus bij een populair model kan het gebruik over de hele levensduur zwaarder wegen dan de training. De AI-verordening van de EU verplicht aanbieders van AI-modellen voor algemene doeleinden nu om het bekende of geschatte energieverbruik voor toezichthouders te documenteren. Zie de CO₂-voetafdruk van het trainen van een model meten.

Hoe verandert het stroomnet de uitstoot van AI?

Dezelfde kilowattuur kan heel verschillende CO₂-uitstoot met zich meebrengen, afhankelijk van waar en wanneer hij wordt gebruikt. CO₂-intensiteit is de CO₂e-uitstoot per opgewekte kilowattuur elektriciteit. Een net dat vooral draait op waterkracht, kernenergie, wind of zon heeft een lage intensiteit; een net op kolen of gas een hoge.

  • Het Lawrence Berkeley National Laboratory schatte dat de elektriciteit van Amerikaanse datacenters in 2023 samenhing met ongeveer 74 miljoen ton CO₂e, gemiddeld 0,34 kg CO₂e per kWh, gezien de netten op de plekken waar ze staan.
  • Patterson en collega's ontdekten dat de keuze van model, datacenter en processor de CO₂-voetafdruk van training ongeveer 100 tot 1.000 keer kan verlagen. De locatie is een van de grootste van die hefbomen.

Daarom maakt het uit waar en wanneer u AI laat draaien. Een trainingstaak die kan wachten, kan worden ingepland voor uren waarin het net schoner is. Zie een cloudregio met weinig CO₂ kiezen, training inplannen wanneer het net groener is en gegevens over de CO₂-intensiteit van het net vinden.

Locatiegebaseerd of marktgebaseerd: welk getal klopt?

Beide zijn legitiem, maar ze beantwoorden verschillende vragen, en het verschil kan enorm zijn. Volgens het Greenhouse Gas Protocol rapporteert een bedrijf zijn scope 2-uitstoot uit elektriciteit op twee manieren:

  • Locatiegebaseerd gebruikt de gemiddelde CO₂-intensiteit van de netten waarvan het werkelijk stroom afneemt.
  • Marktgebaseerd weerspiegelt de contracten en certificaten voor schone energie die het bedrijf koopt.

Meta rapporteert de training van Llama 3.1 als 11.390 ton locatiegebaseerd en nul marktgebaseerd. Het boekjaar 2025 van Microsoft laat een scope 2-uitstoot zien van ongeveer 12,0 miljoen ton locatiegebaseerd tegenover 2,7 miljoen marktgebaseerd. Alphabet rapporteerde voor 2025 15,1 miljoen ton locatiegebaseerd tegenover 2,8 miljoen marktgebaseerd. Als een bedrijf zijn AI "klimaatneutraal" of "100% hernieuwbaar" noemt, controleer dan welke methode het gebruikt. Zie controleren of mijn AI op hernieuwbare energie draait en eerlijke groene claims.

Stijgt de uitstoot van techbedrijven door AI?

Ja: de grootste AI-aanbieders melden een stijgende totale uitstoot, vooral door het bouwen en van stroom voorzien van datacenters. Hun jaarlijkse duurzaamheidsverslagen laten de trend zien.

  • Microsoft meldt een totale uitstoot van ongeveer 12,9 miljoen ton CO₂e in boekjaar 2020, het basisjaar voor zijn doel om in 2030 CO₂-negatief te zijn, en ongeveer 20,3 miljoen ton in 2025 (volgens zijn eigen managementcriteria). Het elektriciteitsverbruik ruim verdrievoudigde in dezelfde periode, van ongeveer 10,8 TWh naar 37,0 TWh.
  • Google meldde dat zijn operationele uitstoot (scope 1 en marktgebaseerde scope 2) in 2025 met 2% daalde, terwijl de elektriciteitsvraag met 37% steeg en de uitstoot in de toeleveringsketen met 25%. De gecontroleerde cijfers van Alphabet voor 2025 tonen ongeveer 15,9 miljoen ton scope 3-uitstoot (toeleveringsketen), meer dan vijf keer de 2,9 miljoen ton operationele uitstoot.

Het patroon is bij beide hetzelfde: het inkopen van schone elektriciteit houdt de operationele uitstoot laag, maar de productie en bouw achter nieuwe AI-capaciteit duwen de uitstoot in de toeleveringsketen omhoog.

Op nationaal niveau schatte de bijlage met onderbouwing bij de UK Compute Roadmap dat de uitstoot van AI-rekenkracht tussen 2025 en 2035 34–123 miljoen ton CO₂ zou kunnen bedragen, ongeveer 0,9–3,4% van de verwachte Britse uitstoot in die periode. De brede marge weerspiegelt de onzekerheid over hoeveel rekenkracht er wordt gebouwd en hoe schoon het net zal zijn.

Waarom lopen schattingen van de CO₂-uitstoot van AI uiteen?

Omdat ze verschillende dingen meetellen, verschillende cijfers voor het net gebruiken en snel verouderen. De belangrijkste oorzaken van verschil:

  1. Grens. Alleen de chips, of de hele server, koeling en stilstaande capaciteit? De productie van hardware? Training verdeeld over het gebruik?
  2. Boekhoudmethode. Locatiegebaseerde of marktgebaseerde elektriciteit, zoals hierboven.
  3. Net en tijd. Hetzelfde model in een andere regio, of een jaar later, kan een heel andere voetafdruk hebben.
  4. Werklast. Een korte prompt, een lang redeneerantwoord en een sessie met een agent verschillen een factor duizend in energie.

Een cijfer betekent alleen iets met de grens, methode, locatie en datum erbij. Zie meten is het knelpunt.

Hoe kan ik de CO₂-voetafdruk van mijn eigen AI-gebruik schatten?

Vermenigvuldig de energie met de CO₂-intensiteit van het net, en tel daar een deel van de ingebedde uitstoot bij op. Dat is de opbouw van de norm Software Carbon Intensity (SCI), ISO/IEC 21031:2024, die het resultaat uitdrukt per eenheid nuttig werk, zoals per verzoek of per gebruiker.

  1. Schat de energie van het AI-werk in kilowattuur: met een meter of tool als u het zelf draait, of met cijfers per taak voor een gehoste dienst.
  2. Zoek de CO₂-intensiteit van het net waar het werk draait, in kg CO₂e per kWh, bij voorkeur voor het uur waarin het draaide.
  3. Vermenigvuldig de twee voor de operationele uitstoot.
  4. Tel de ingebedde uitstoot erbij op: de productievoetafdruk van de hardware, verdeeld over de gebruiksduur.
  5. Vermeld de grens, de methode (locatie- of marktgebaseerd) en een bandbreedte in plaats van één getal.

Tools helpen. CodeCarbon en Green Algorithms schatten de uitstoot van code die u zelf draait; EcoLogits schat de impact van aanroepen naar gehoste AI-modellen. Het zijn schatters, geen meters. Stapsgewijze handleidingen: mijn persoonlijke CO₂-voetafdruk van AI berekenen, een SCI-score berekenen voor een AI-functie en de CO₂-gegevens van mijn cloudaanbieder vinden.

Wat u nu kunt doen

Veelgestelde vragen

Wat is de CO₂-voetafdruk van ChatGPT?

OpenAI heeft geen CO₂-cijfer per vraag gepubliceerd. De topman noemde ongeveer 0,34 Wh energie voor een gemiddelde vraag; de CO₂-uitstoot hangt af van het stroomnet dat het datacenter voedt. Google meldt 0,03 g CO₂e voor een mediane Gemini-tekstprompt, volgens zijn eigen marktgebaseerde boekhouding.

Hoeveel CO₂ stoot het trainen van een AI-model uit?

Dat loopt van tientallen tot duizenden tonnen. De training van BLOOM werd geschat op ongeveer 24,7 ton CO₂e (50,5 inclusief productie en alle operationele energie), die van GPT-3 op 552 ton, en Meta meldt 11.390 ton locatiegebaseerd voor de drie Llama 3.1-modellen.

Stijgt de uitstoot van AI?

Bij de grootste aanbieders wel. De totale uitstoot van Microsoft steeg van ongeveer 12,9 miljoen ton in boekjaar 2020 naar 20,3 miljoen in 2025. Google meldde dat zijn operationele uitstoot in 2025 met 2% daalde, maar dat de uitstoot in zijn toeleveringsketen met 25% steeg doordat het datacenters bouwde.

Wat is ingebedde CO₂ bij AI?

De uitstoot van het maken, vervoeren en afdanken van chips, servers en datacentergebouwen. Wu en collega's bij Meta schatten die op ongeveer 30% van de voetafdruk van de grootschalige machine learning van Meta, en het aandeel groeit naarmate de elektriciteit schoner is.

Heeft AI die op hernieuwbare energie draait geen uitstoot?

In werkelijkheid niet. Met marktgebaseerde boekhouding kan een bedrijf een lage of nul-uitstoot voor elektriciteit rapporteren als het certificaten voor hernieuwbare energie koopt, terwijl het net waarop het draait nog steeds fossiele brandstof kan verbranden. Meta rapporteert de training van Llama 3.1 als 11.390 ton locatiegebaseerd, maar nul marktgebaseerd.

Hoe bereken ik de CO₂-voetafdruk van mijn AI-gebruik?

Vermenigvuldig de verbruikte energie, in kilowattuur, met de CO₂-intensiteit van het net dat de stroom levert, in kg CO₂e per kWh, en tel daar een deel van de ingebedde uitstoot van de hardware bij op. Tools zoals CodeCarbon, Green Algorithms en EcoLogits helpen elk onderdeel te schatten.

Is AI slecht voor het klimaat?

AI draagt bij aan de uitstoot, vooral door de snelle groei van het elektriciteitsverbruik en de bouw van datacenters. Hoeveel hangt af van hoe AI wordt gebruikt, hoe efficiënt het draait en hoe schoon het net is. AI kan ook elders helpen uitstoot te verminderen, maar die voordelen komen niet vanzelf en zijn moeilijker te meten.

Bronnen

  1. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  2. Our contribution to a global environmental standard for AI, Mistral AI (2025)
  3. The gentle singularity, Sam Altman (OpenAI) (2025)
  4. Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
  5. Llama 3.1 8B model card, Meta (2024)
  6. Estimating the carbon footprint of BLOOM, a 176B parameter language model, Luccioni, Viguier and Ligozat (arXiv 2211.02001) (2022)
  7. Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
  8. 2026 environmental data fact sheet, Microsoft (2026)
  9. Read our 11th annual Environmental Report, Google (2026)
  10. Alphabet FY2025 environmental indicators assurance letter (Schedule of select environmental metrics), Alphabet (2026)
  11. 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
  12. Scope 2 guidance, Greenhouse Gas Protocol (2015)
  13. Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
  14. UK Compute Roadmap: evidence annex, Department for Science, Innovation and Technology (2025)
  15. The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
  16. ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
  17. CodeCarbon, CodeCarbon project (2020)
  18. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  19. EcoLogits, GenAI Impact (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