In het kort
Groene AI betekent kunstmatige intelligentie zo gebruiken dat de milieukosten in verhouding blijven tot de waarde die ze oplevert. Het omvat twee ideeën, AI gebruiken om het milieu te helpen ("AI voor groen") en de voetafdruk van AI zelf verkleinen ("groenere AI"), en twee manieren om daar te komen: efficiëntie (elke taak met minder doen) en suffiëntie (alleen de taken doen die het waard zijn).
Kernpunten
- "AI voor groen" gebruikt AI om milieudoelen te helpen bereiken; "groenere AI" verkleint de voetafdruk van AI zelf. Groene AI heeft beide nodig.
- De voetafdruk van AI is niet alleen elektriciteit. Ook CO2-uitstoot, water voor koeling en stroomopwekking, en de materialen en het afval van hardware horen erbij.
- Efficiëntie verlaagt de kosten van elke taak; suffiëntie vraagt of de taak überhaupt AI nodig heeft, of zo'n groot model.
- Groene AI is niet "geen AI". Het gaat erom AI goed te gebruiken, de kosten ervan te meten en het juiste hulpmiddel voor de klus te kiezen.
- Omdat "AI" alles omvat van kleine classifiers tot de grootste chatbots, moet elke claim over groene AI zeggen welk soort AI bedoeld wordt.
"Groene AI" wordt gebruikt voor verschillende dingen, en dat maakt gesprekken erover verwarrend. Dit artikel zet de belangrijkste ideeën en de begrippen die op deze site worden gebruikt op een rij, zodat latere pagina's erop kunnen voortbouwen.
Wat betekent groene AI?
Groene AI betekent kunstmatige intelligentie zo gebruiken dat de milieukosten in verhouding blijven tot de waarde die ze oplevert. Het gaat om AI goed gebruiken, niet om weigeren het te gebruiken.
De term werd bekend door Schwartz, Dodge, Smith en Etzioni in een artikel uit 2020 in Communications of the ACM. Zij zetten "Red AI", onderzoek dat kleine winsten in nauwkeurigheid koopt met steeds grotere hoeveelheden rekenwerk, tegenover "Green AI", dat efficiëntie naast nauwkeurigheid rapporteert en beloont. Hun artikel volgde op de studie van Strubell, Ganesh en McCallum uit 2019, die liet zien hoeveel energie en CO2 er gemoeid kon zijn met het ontwikkelen van een groot taalmodel.
Sindsdien is de betekenis breder geworden. Tegenwoordig omvat groene AI meestal de hele levensloop van een AI-systeem: de hardware waarop het draait, het datacenter, het model, de software eromheen en hoe mensen het gebruiken.
Wat is het verschil tussen "AI voor groen" en "groenere AI"?
"AI voor groen" gebruikt AI om milieudoelen te helpen bereiken; "groenere AI" verkleint de voetafdruk van AI zelf. Groene AI heeft beide nodig, en de twee kunnen tegengesteld werken.
| AI voor groen | Groenere AI | |
|---|---|---|
| Doel | AI gebruiken om elders uitstoot te verminderen of de natuur te beschermen | De energie, CO2, het water en de materialen die AI gebruikt verminderen |
| Voorbeelden | Hernieuwbare opwek voorspellen, stroomnetten beheren, lekken opsporen, klimaatmodellering | Kleinere modellen, efficiënte code, schonere stroom, langere levensduur van hardware |
| Risico | Beloofde voordelen die nooit worden gemeten | Besparingen die opgaan aan meer gebruik (het reboundeffect) |
Het rapport Energy and AI van het Internationaal Energieagentschap (IEA) uit 2025 behandelt beide kanten. Het concludeert dat breder gebruik van bestaande AI-toepassingen de uitstoot in energie en industrie kan verminderen, maar waarschuwt dat de eigen stroomvraag van AI snel stijgt en dat het netto-effect afhangt van hoe AI wordt ingezet.
Een Britse groene-AI-sandpit (een verkennende werksessie) uit 2026 met wiskundigen, informatici en mensen uit het bedrijfsleven benaderde groene AI op dezelfde tweezijdige manier, waarbij de wiskunde aan beide kan bijdragen: betere methoden voor milieuproblemen en zuinigere methoden voor AI.
Wat zijn efficiëntie en suffiëntie?
Efficiëntie is elke taak met minder doen; suffiëntie is alleen de taken doen die het waard zijn.
- Efficiëntie vraagt: hoe kan dit model, deze prompt of dit datacenter minder energie gebruiken voor hetzelfde resultaat? Voorbeelden zijn pruning (snoeien) en kwantisatie van modellen, betere chips en efficiëntere koeling.
- Suffiëntie (genoeg-denken) vraagt: heeft deze taak überhaupt AI nodig, of een model van deze omvang? Een rekenmachine, een databasequery of een klassieke numerieke methode is vaak goedkoper en betrouwbaarder dan een groot taalmodel.
Efficiëntie alleen kan averechts werken, omdat goedkopere AI meestal meer wordt gebruikt. Dat is het reboundeffect, uitgelegd in efficiëntie is geen suffiëntie.
Wat omvat de milieuvoetafdruk van AI?
Vier dingen: energie, CO2, water en materialen. Het meeste publieke debat gaat alleen over de eerste twee.
Energie
AI draait op elektriciteit, vooral in datacenters. Het Internationaal Energieagentschap schat dat datacenters in 2024 zo'n 415 TWh verbruikten, ongeveer 1,5% van de elektriciteit in de wereld, en verwacht dat dit tegen 2030 meer dan verdubbelt tot ongeveer 945 TWh, met AI als belangrijkste aanjager. Zie waarom groene AI nu belangrijk is.
Energie wordt in twee fasen gebruikt:
- Training, een grote eenmalige kostenpost om een model te bouwen.
- Inferentie, de kosten telkens wanneer het model wordt gebruikt. Bij veelgebruikte modellen loopt dat op: Google meldde in 2022 dat inferentie ongeveer drie vijfde van zijn energieverbruik voor machine learning uitmaakte, en training twee vijfde.
CO2
De CO2-voetafdruk hangt af van hoeveel energie er wordt gebruikt en hoe schoon de elektriciteit is. Dezelfde taak kan op een stroomnet met veel kolenstroom vele malen meer CO2 uitstoten dan op een net dat vooral draait op wind, waterkracht of kernenergie. Ook ingebedde CO2 telt mee: de uitstoot bij het maken van chips, servers en gebouwen. Wu en collega's bij Meta meldden in 2022 dat ingebedde CO2 ongeveer 30% van de voetafdruk van de grootschalige machine learning van Meta uitmaakte, en betoogden dat dit de grootste bron werd naarmate de energie voor het gebruik schoner wordt.
Water
Datacenters gebruiken water voor koeling, en energiecentrales gebruiken water om de elektriciteit op te wekken. Li, Yang, Islam en Ren toonden in 2023 aan dat deze "verborgen watervoetafdruk" van AI aanzienlijk is en sterk varieert met de locatie en het tijdstip van de dag. Volgens Googles meting van zijn Gemini-assistent uit 2025 kostte de mediane tekstprompt ongeveer 0,26 milliliter water, naast 0,24 wattuur energie.
Materialen
AI-hardware heeft metalen en mineralen nodig en wordt snel vervangen. Wang en collega's schatten in 2024 dat grote taalmodellen tussen 2020 en 2030 in totaal tussen 1,2 en 5,0 miljoen ton elektronisch afval zouden kunnen opleveren, afhankelijk van hoe snel het gebruik groeit, en dat hergebruik en recycling dit flink zouden kunnen verminderen. Hardware langer in gebruik houden, en software maken die goed draait op oudere apparaten, vermindert dit.
Waarom doet het ertoe welke "AI" we bedoelen?
Omdat "AI" systemen omvat waarvan de voetafdruk vele ordes van grootte verschilt. Een klein model dat e-mails sorteert, een systeem voor weersvoorspelling en de grootste chatbot zijn allemaal "AI".
In het dagelijks taalgebruik betekent "AI" nu vooral generatieve AI: chatbots en generatoren van afbeeldingen en video. Veel van de zorgen over het energieverbruik van AI gaan over deze grote modellen. Maar de meeste machine learning in het bedrijfsleven en de wetenschap is kleiner en meer gespecialiseerd. Een goede claim over groene AI zegt over welk soort AI het gaat, en binnen welke grens de kosten worden meegeteld. Zie meten is het knelpunt.
Is groene AI hetzelfde als "geen AI"?
Nee. Geen AI gebruiken is soms de groenste keuze, en groene AI omvat die optie. Maar groene AI gaat vooral over AI verantwoord gebruiken: de kosten ervan meten, het juiste model voor de taak kiezen en het efficiënter maken.
Sommige mensen geven de voorkeur aan andere woorden. "Duurzame AI" wordt vaak gebruikt om naast ecologische ook sociale en economische duurzaamheid mee te nemen. Anderen pleiten ervoor het doel te omschrijven als het vermijden van verspillend rekenwerk, wat moeilijker af te doen is als louter goedbedoeld. Deze site gebruikt "groene AI" voor de milieukant, en zegt precies over welke hulpbron (energie, CO2, water of materialen) een claim gaat.
Wat u nu kunt doen
- Lees waarom groene AI nu belangrijk is voor de omvang van de energievraag van AI.
- Leer de belangrijkste begrippen in de woordenlijst.
- Vind de gids voor u: bedrijven, onderzoekers, goede doelen of het publiek.
- Begin met de praktische gids over AI efficiënt gebruiken.
- Geeft u les? Zie het onderdeel Voor scholen.
Veelgestelde vragen
Wat is groene AI, eenvoudig gezegd?
Groene AI is kunstmatige intelligentie die zo wordt ontworpen, gebouwd en gebruikt dat de milieukosten, in energie, CO2, water en materialen, zo laag zijn als redelijkerwijs mogelijk is voor de waarde die ze oplevert.
Wie heeft de term groene AI bedacht?
De term werd bekend door Schwartz, Dodge, Smith en Etzioni in een artikel uit 2020 in Communications of the ACM. Zij zetten 'Red AI', onderzoek dat nauwkeurigheid koopt met steeds meer rekenwerk, tegenover 'Green AI', dat efficiëntie naast nauwkeurigheid als beoordelingscriterium behandelt.
Is groene AI hetzelfde als duurzame AI?
De begrippen overlappen en worden vaak door elkaar gebruikt. 'Duurzame AI' wordt soms breder gebruikt, zodat naast de milieu-impact ook sociale en economische duurzaamheid eronder valt.
Betekent groene AI minder AI gebruiken?
Soms. AI alleen gebruiken waar het waarde toevoegt, hoort bij groene AI, maar dat geldt ook voor het efficiënter maken van de AI die wel wordt gebruikt, en voor AI inzetten om elders uitstoot te verminderen.
Bronnen
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)
Gerelateerd
Waarom groene AI nu belangrijk is
AI drijft de stroomvraag van datacenters snel op, belast stroomnetten en verhoogt kosten. De feiten over schaal, energie, kosten en beleid in 2026.
Efficiëntie is geen suffiëntie: het reboundeffect bij AI
Waarom efficiëntere AI niet garandeert dat AI in totaal minder energie gebruikt, wat het rebound- of Jevons-effect is, en wat besparingen echt houdt.
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.
Groene AI: een heldere gids voor iedereen
Wat AI-gebruik echt kost aan energie en water, welke dagelijkse gewoonten ertoe doen en welke niet, hoe u claims beoordeelt en hoe u meepraat.