In het kort
Schat de eigen voetafdruk van de AI (training of fine-tuning, plus het draaien gedurende de verwachte levensduur) en zet die af tegen het nut, gemeten over dezelfde periode. Vergelijk met de eenvoudigste optie zonder AI, niet met niets doen. Als het project bedoeld is om energie of uitstoot te besparen, moet de besparing duidelijk groter zijn dan de eigen kosten van de AI, anders is het per saldo een verlies.
Stappen
- Schrijf op welk nut u verwacht en hoe u dat gaat meten.
- Schat de voetafdruk van de AI over de verwachte levensduur, inclusief training, inferentie en herhaalpogingen.
- Vergelijk die met de eenvoudigste methode zonder AI die het werk zou kunnen doen.
- Bepaal vooraf bij welk resultaat u stopt of afschaalt.
- Controleer opnieuw met gemeten cijfers zodra het systeem draait.
Tel de eigen voetafdruk van de AI en zet die af tegen het nut over dezelfde periode. Projecten die AI gebruiken om iets te optimaliseren, ook "AI for green"-projecten, tellen zelden de energie van de AI zelf mee, en zonder dat getal kan een project per saldo negatief uitpakken.
Hoe schat ik de kant van de AI?
- Training of fine-tuning, als u dat doet.
- Inferentie: verzoeken per dag × energie per verzoek × dagen in gebruik. De schatting van Epoch AI van ongeveer 0,3 Wh voor een gemiddelde ChatGPT-vraag is een startpunt voor tekst, maar lange invoer verhoogt dat sterk, dus gebruik uw eigen aantallen tokens; zie de energie van AI-API-aanroepen schatten.
- Herhaalpogingen en mislukte runs, die u makkelijk vergeet.
Waarmee moet ik het vergelijken?
Met de eenvoudigste optie zonder AI, niet met niets doen. AI is niet gratis, ook niet als het tijd bespaart: een studie uit 2025 die handmatig en door AI ondersteund programmeren vergeleek op 12 programmeertaken, vond dat de aanpak met AI gemiddeld ongeveer 33 keer de CO₂-voetafdruk van de handmatige aanpak had. Dat betekent niet dat u nooit AI moet gebruiken; het betekent dat u moet controleren of het zich terugbetaalt.
GreenCode, een ITEA-onderzoeksproject, publiceert een klimaatonderbouwing die de eigen AI-voetafdruk afzet tegen de energiebesparing die het wil bereiken. Dat is een nuttig voorbeeld om na te volgen.
Wat het grootste verschil maakt
Vóór de start bepalen wanneer u stopt. Schrijf op bij welk resultaat u zou afschalen, zodat de beslissing niet uit gewoonte wordt genomen.
Veelgemaakte fouten
- Het nut over tien jaar tellen en de kosten van de AI over één maand.
- De groei van het gebruik negeren zodra de tool populair is.
- Onzekerheid als nul behandelen. Geef een bandbreedte.
Lees efficiëntie is geen genoegzaamheid voor het bredere beeld.
Bronnen
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
Gerelateerd
Hoe bepaal ik of ik voor een taak eigenlijk wel AI nodig heb?
Een snelle test of een taak generatieve AI nodig heeft, of dat zoeken, een rekenmachine, een sjabloon of een simpele regel het sneller en zuiniger doet.
Hoe voorkom ik dat efficiëntiewinst bij AI tenietgedaan wordt door meer gebruik?
Voorkom dat besparingen door efficiëntere AI opgaan aan meer gebruik: volg totalen, budgetteer, bouw vrijgekomen capaciteit af en vraag of het nodig is.
Hoe schat ik het energieverbruik van mijn AI-API-aanroepen?
U kunt een gehoste AI-API niet meten, maar wel het energieverbruik per aanroep schatten uit tokens en modelaannames met EcoLogits, en het naast de kosten loggen.
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.