# Hoe vergelijk ik het energieverbruik van verschillende AI-modellen?

> AI-modellen eerlijk vergelijken op energie: gebruik benchmarks zoals de AI Energy Score, of meet ze zelf op dezelfde taak, hardware en instellingen.

Source: https://greenai.guide/nl/hoe/hoe-vergelijk-ik-het-energieverbruik-van-verschillende-ai-modellen/  
Updated: 2026-11-19

## In het kort

Gebruik een standaardbenchmark als die uw taak dekt, zoals de AI Energy Score van Hugging Face, en meet de kandidaten anders zelf op dezelfde taak, hardware en instellingen. Vergelijk het energieverbruik per geslaagde taak naast de kwaliteit, want een goedkoop model dat faalt, kost uiteindelijk meer.

## Steps

1. Controleer of uw kandidaat-modellen al een AI Energy Score-beoordeling voor uw taak hebben.
2. Draai voor modellen zonder beoordeling dezelfde benchmark op elk model, op dezelfde GPU en met dezelfde instellingen.
3. Gebruik een vaste set echte prompts met realistische invoer- en uitvoerlengtes.
4. Leg per model het energieverbruik per verzoek en de kwaliteit vast, op dezelfde manier gemeten.
5. Vergelijk de kosten per geslaagde taak, inclusief nieuwe pogingen.

**Vergelijk gelijk met gelijk: dezelfde taak, dezelfde hardware, dezelfde instellingen, dezelfde meting.**
Gepubliceerde cijfers van verschillende aanbieders gebruiken verschillende methoden en grenzen, dus ze zijn zelden
eerlijk te vergelijken.

## Bestaat er een kant-en-klare vergelijking? {#is-there-a-ready-made-comparison}

**Voor veel open modellen wel.** De AI Energy Score van Hugging Face meet het GPU-energieverbruik per 1.000 queries
(zoekopdrachten) voor tien veelvoorkomende taken en geeft een tot vijf sterren ten opzichte van andere modellen op
dezelfde taak. Er is ook een manier om private modellen met dezelfde methode te benchmarken. Begin daar.

## Hoe meet ik modellen zelf? {#how-do-i-measure-models-myself}

- **Modellen die u zelf draait:** verpak elke run in een tool zoals CodeCarbon, die het energieverbruik schat op basis
  van het vermogen van processor en geheugen.
- **Gehoste API's:** schat op basis van het aantal tokens met een tool zoals EcoLogits, en vermeld dat het om een
  schatting gaat.
- **Houd al het andere gelijk:** prompts, batchgrootte, invoer- en uitvoerlengte, hardware en regio.
- **Herhaal runs** en rapporteer een bandbreedte, niet één getal.

De verschillen kunnen groot zijn. In de vergelijking van Luccioni, Jernite en Strubell waren generatieve
modellen voor algemeen gebruik ordes van grootte duurder dan taakspecifieke systemen voor dezelfde taken.

## Veelgemaakte fouten {#common-mistakes}

- **Per aanroep vergelijken in plaats van per succes.** Tel nieuwe pogingen en mislukkingen mee.
- **Uitvoerlengte negeren.** Een model dat twee keer zoveel schrijft, kan twee keer zoveel kosten, ongeacht de
  grootte.
- **Geschatte en gemeten cijfers door elkaar gebruiken** in dezelfde tabel zonder dat te vermelden.

Voor de volledige methode, zie [hoe u het energieverbruik van AI meet](/nl/goede-praktijk/zo-meet-u-de-energie-en-co2-uitstoot-van-ai/), en voor het
lezen van beoordelingen, zie [een AI Energy Score-beoordeling lezen](/nl/hoe/hoe-lees-ik-een-ai-energy-score-beoordeling/).

## Bronnen

- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), 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)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [EcoLogits documentation](https://ecologits.ai/latest/), EcoLogits (2025)
