# Hoe doe ik…? Antwoorden over het verkleinen van de impact van AI

> Korte antwoorden met bronnen op de vragen die mensen stellen over het verkleinen van de milieu-impact van AI gebruiken en bouwen.

Source: https://greenai.guide/nl/hoe/

97 duidelijke antwoorden op de vragen die mensen stellen over AI gebruiken met minder energie, water en verspilling: voor dagelijkse gebruikers, ontwikkelaars, organisaties en scholen. Elk antwoord komt eerst, daarna de stappen en de bronnen.

## Dagelijks gebruik van AI

- [Hoe bepaal ik of ik voor een taak eigenlijk wel AI nodig heb?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): Vraag u af of een eenvoudiger hulpmiddel het werk al betrouwbaar doet: een zoekmachine, rekenmachine, kaart, woordenboek, sjabloon of spreadsheetformule. Gebruik generatieve AI waar het echt tijd bespaart of het resultaat verbetert, zoals bij het opstellen, uitleggen of herschrijven van tekst, en sla het over voor opzoekwerk en sommen die andere hulpmiddelen goed afhandelen.
- [Hoe compenseer ik de CO2-uitstoot van mijn AI-gebruik?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): Verminder eerst, en zie compensatie als een optionele extra, niet als een manier om AI-gebruik "klimaatneutraal" te maken. Voor de meeste mensen is de voetafdruk van alledaagse tekst-AI klein, en het terugdringen van zwaar gebruik, zoals het genereren van beelden en video en eindeloos opnieuw genereren, doet meer dan het kopen van credits. Normen voor de CO2-uitstoot van software laten compensatie niet meetellen om de gemeten voetafdruk te verlagen.
- [Hoe gebruik ik AI op mijn telefoon zonder energie te verspillen?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): Zet AI-functies uit die u niet gebruikt, kies voor eenvoudige taken snelle functies op het apparaat zelf, en bewaar zware klussen zoals het genereren van afbeeldingen of video voor wanneer u ze echt nodig hebt. Kleine modellen op het apparaat kunnen voorkomen dat gegevens naar een datacenter gaan, maar ze gebruiken nog steeds uw batterij. De grootste besparing is dus geen AI draaien die niets toevoegt.
- [Hoe gebruik ik AI-agents en deep research-tools zonder verspilling?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): Bewaar agents en deep research-modi voor taken die echt veel stappen vragen, zoals een breed onderwerp onderzoeken in veel bronnen, en gebruik een gewone chat voor snelle vragen. Agents roepen per taak vaak een model aan: Anthropic meldde dat agents ongeveer vier keer zoveel tokens gebruikten als een chat, en multi-agentsystemen ongeveer vijftien keer zoveel.
- [Hoe help ik mijn gezin om AI duurzamer te gebruiken?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): Spreek een paar eenvoudige gewoonten af in plaats van regels: gebruik het eenvoudigste hulpmiddel dat werkt, stel duidelijke vragen, verfijn in plaats van opnieuw te genereren, en zie AI-afbeeldingen en -video's als iets voor af en toe in plaats van eindeloos vermaak. Telefoons, tablets en laptops langer gebruiken telt ook, want het maken van apparaten heeft ook een voetafdruk.
- [Hoe praat ik met mijn kinderen over AI en het milieu?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): Leg uit dat AI draait op krachtige computers in grote gebouwen die datacenters heten. Die gebruiken elektriciteit en vaak water om koel te blijven. Sommige toepassingen, zoals het maken van afbeeldingen en video's, kosten veel meer dan andere. Houd het rustig en praktisch: het doel is AI bewust te gebruiken, niet om er schuldig over te voelen.
- [Hoe schrijf ik prompts die minder energie gebruiken?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): Schrijf korte, specifieke prompts die precies zeggen wat u wilt, geef alleen de context die het model nodig heeft, en stel een lengte voor het antwoord in. Het energieverbruik stijgt met de hoeveelheid tekst die een model leest en schrijft. Beide inkorten, en in één keer een bruikbaar antwoord krijgen, bespaart dus het meest.
- [Hoe verminder ik de impact van het genereren van AI-afbeeldingen en -video's?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): Genereer minder afbeeldingen en video's, plan de prompt voordat u begint, houd video kort en op de resolutie die u nodig hebt, en hergebruik goede resultaten. Het genereren van afbeeldingen verbruikte in één onderzoek meer dan duizend keer zoveel energie per verzoek als tekstclassificatie, en een korte AI-video kan nog veel meer kosten.
- [Hoe verminder ik het energieverbruik van mijn ChatGPT-gebruik?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): Vraag in één duidelijk verzoek wat u nodig hebt, houd antwoorden kort, begin een nieuwe chat voor een nieuw onderwerp en wees zuinig met het genereren van beelden en video. Een gewone tekstvraag verbruikt volgens gepubliceerde schattingen ongeveer een derde wattuur, maar lange invoer, herhaaldelijk opnieuw genereren en het maken van media kunnen dat vele malen vermenigvuldigen.
- [Hoe voorkom ik dat ik AI-antwoorden steeds opnieuw laat genereren?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): Ga na waarom het eerste antwoord niet goed was en vertel de AI in een korte vervolgvraag wat er anders moet, in plaats van op opnieuw genereren te drukken. Elke nieuwe generatie is een volledig nieuw antwoord, dus de gewoonte om vijf of tien keer te gokken vermenigvuldigt de energie van een taak, vooral bij beeld en video.
- [Hoe voorkom ik dat ik mijn apparaten vervang alleen om AI te gebruiken?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): De meeste AI-tools draaien in de cloud en werken via een browser of app op de apparaten die u al hebt, dus u hebt zelden nieuwe hardware nodig om ze te gebruiken. Apparaten langer gebruiken voorkomt de voetafdruk van het maken van nieuwe, waaronder elektronisch afval waarvan onderzoekers verwachten dat generatieve AI het doet toenemen.
- [Hoe voorkom ik dat lange AI-chats energie verspillen?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): Begin een nieuwe chat als u van onderwerp wisselt, en als een lang gesprek nog nuttig is, vraag dan om een korte samenvatting en ga daarmee verder in een nieuwe chat. Chatbots lezen voor elk nieuw bericht doorgaans het hele gesprek tot dan toe opnieuw, dus heel lange gesprekken maken elk antwoord duurder dan nodig.
- [Hoe zet ik AI-functies uit die ik niet nodig heb?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): Open de instellingen van elke app, telefoon, browser of kantoorsuite die u gebruikt, zoek naar onderdelen met de naam van de AI-assistent of "slimme functies", en zet uit wat u niet gebruikt. Functies die automatisch op elke e-mail, pagina of elk document draaien, gebruiken energie of u het resultaat nu leest of niet. Standaardinstellingen doen er dus toe.
- [Hoe zet ik mijn energieverbruik door AI in perspectief?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): Eén gewone tekstvraag aan een chatbot verbruikt volgens gepubliceerde cijfers een fractie van een wattuur, ongeveer wat een oven in zo'n seconde verbruikt. Beelden, video, lange documenten en redeneermodi kunnen vele malen meer verbruiken, en het wereldwijde totaal groeit snel. Zowel "het stelt niets voor" als "het is een ramp" gaat dus aan de kern voorbij.
- [Hoe zoek ik op internet zonder AI-antwoorden die ik niet nodig heb?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): Zoek naar een zoekoptie of filter die gewone weblinks toont, kies een zoekmachine of instelling zonder automatische AI-antwoorden, of ga met bladwijzers rechtstreeks naar sites die u vertrouwt. Een AI-antwoord bij elke zoekopdracht voegt modelwerk toe dat u misschien niet nodig hebt, vooral bij eenvoudige opzoekingen zoals openingstijden of een bekende website.
- [Wanneer gebruik ik de 'denk'- of redeneermodus van een AI?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): Gebruik een redeneer- of "denk"-modus voor echt moeilijke problemen, zoals wiskunde in meerdere stappen, lastige code of zorgvuldige analyse, en een standaard- of snel model voor alledaagse vragen, concepten en samenvattingen. Redeneermodi schrijven lange verborgen denkstappen uit voordat ze antwoorden, en één benchmark vond dat ze gemiddeld 30 keer meer energie gebruikten.

## AI-tools en -modellen kiezen

- [Hoe bepaal ik of klassieke machine learning volstaat in plaats van een LLM?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): Als uw invoer gestructureerde data of korte gelabelde tekst is en de uitvoer een getal, een categorie of een rangschikking, probeer dan eerst een klassiek model: een lineair model, gradient-boosted trees of een kleine classifier. Die zijn veel goedkoper om te draaien, sneller, makkelijker uit te leggen en vaak even nauwkeurig. Grijp naar een groot taalmodel wanneer de taak echt open taal vraagt.
- [Hoe draai ik een AI-model lokaal op mijn eigen computer?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Installeer een lokale runner zoals Ollama of llama.cpp, download een klein model met open gewichten in een gekwantiseerd formaat zoals GGUF en draai het op uw eigen computer. Kies het kleinste model dat uw taak aankan: gekwantiseerde versies hebben veel minder geheugen nodig, dus een model met 8 miljard parameters dat in 16-bitsvorm ongeveer 16 GB nodig heeft, past bij 4 bits in ongeveer 4–5 GB.
- [Hoe gebruik ik een AI-codeerassistent zonder grote voetafdruk?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): Gebruik de assistent waar die zich duidelijk terugbetaalt, geef gerichte context in plaats van hele repositories, kies een kleiner of sneller model voor routinematige bewerkingen, en knip moeilijke taken op in eenvoudige stappen die u controleert. Eén onderzoek vond dat programmeren met AI-hulp bij de geteste taken ongeveer 33 keer de koolstofvoetafdruk had van handmatig werken. Gewoonten doen er dus toe.
- [Hoe herken ik greenwashing in marketing voor AI?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): Wees op uw hoede voor woorden als "groen", "duurzaam" of "klimaatneutrale AI" zonder cijfers, methoden en afbakening erachter, en voor claims die steunen op compensatie of jaarlijkse certificaten voor hernieuwbare energie. Eerlijke claims vertellen wat er gemeten is, ten opzichte van welke nulmeting, en wat er buiten beschouwing bleef; in de EU zijn algemene milieuclaims die niet bewezen kunnen worden verboden.
- [Hoe kies ik een kleiner AI-model?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): Bepaal aan de hand van echte voorbeelden wat "goed genoeg" betekent, test dan modellen van klein naar groot en stop bij het eerste dat slaagt. Kleine en taakspecifieke modellen kunnen een fractie van de energie van grote algemene modellen gebruiken: UNESCO en University College London melden besparingen tot 90% bij geschikte taken.
- [Hoe kies ik tussen AI op mijn eigen apparaat en AI in de cloud?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): Voer kleine, frequente, privacygevoelige of tijdkritische taken uit op het apparaat, en stuur grote of incidentele taken die grote modellen nodig hebben naar een efficiënte clouddienst. Sommige studies vinden grote energiebesparingen op het apparaat voor geschikte modellen, maar goed beheerde datacenters zijn een lastige maatstaf, dus meet waar mogelijk voor uw eigen situatie.
- [Hoe lees ik een AI Energy Score-beoordeling?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): Een AI Energy Score-beoordeling geeft een model één tot vijf sterren voor energie-efficiëntie, vergeleken met andere modellen die op dezelfde taak zijn getest, op basis van het gemeten GPU-energieverbruik per 1.000 vragen. Meer sterren betekent minder energie voor die taak, maar de sterren zijn relatief binnen een taak, dus vergelijk modellen alleen met andere modellen die voor dezelfde taak zijn beoordeeld.
- [Hoe vergelijk ik het energieverbruik van verschillende AI-modellen?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): 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.
- [Hoe vind ik een taakspecifiek model in plaats van een algemene chatbot te gebruiken?](https://greenai.guide/how-do-i/find-a-task-specific-model/): Benoem de taak precies, doorzoek dan een modelhub zoals Hugging Face op taaktype en test twee of drie kleine kandidaten op uw eigen voorbeelden. Een model dat voor één taak is gebouwd, kan ordes van grootte goedkoper zijn om te draaien dan een algemeen generatief model dat dezelfde taak doet, dus een middag testen is de moeite waard voordat u voor een chatbot kiest.
- [Hoe vraag ik een AI-bedrijf om zijn energiecijfers?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): Vraag naar energie, CO₂ en water per gemiddeld verzoek voor het model dat u gebruikt, plus de methode, de systeemgrens en waar het draait. Vraag naar CO₂-cijfers op locatiebasis én op marktbasis. Veel aanbieders kunnen nog niet volledig antwoorden, maar een specifieke vraag levert een beter antwoord op dan een algemene, en herhaald vragen vergroot de vraag ernaar.
- [Hoe weet ik of een AI-tool groen is?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): Kijk naar bewijs in plaats van labels: gepubliceerde energie- of uitstootcijfers per verzoek met een vermelde methode, een keuze uit kleinere modellen, informatie over waar de tool draait, en onafhankelijke beoordelingen zoals de AI Energy Score. Nog maar weinig tools publiceren dit allemaal, dus zie "groen" of "duurzaam" zonder cijfers als een claim, niet als een feit.
- [Welke AI-chatbot is het groenst?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): Niemand kan de grote chatbots al betrouwbaar rangschikken op energie, omdat aanbieders verschillende cijfers publiceren, op verschillende manieren gemeten, en sommige helemaal niets publiceren. Kies een dienst die open is over zijn energie- en waterverbruik, lichtere modellen biedt voor eenvoudige vragen en u functies laat beheren, en gebruik die dan goed: hoe u een chatbot gebruikt, maakt meer uit dan welke u kiest.

## Energie en uitstoot meten

- [Hoe bereken ik een Software Carbon Intensity-score voor een AI-functie?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): De Software Carbon Intensity-score (SCI), gepubliceerd als ISO/IEC 21031:2024, is ((E × I) + M) per R: de gebruikte energie, maal de CO₂-intensiteit van het stroomnet op locatiebasis, plus een deel van de belichaamde uitstoot van de hardware, gedeeld door een functionele eenheid zoals één verzoek of één document. Kies de eenheid, bepaal de systeemgrens, verzamel of schat elke term, en bereken de score na elke wijziging opnieuw.
- [Hoe bereken ik mijn eigen AI-koolstofvoetafdruk?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): Tel ruwweg hoeveel tekstvragen, lange documenten en afbeeldingen u per week gebruikt, vermenigvuldig dat met gepubliceerde cijfers per verzoek, en u hebt een ruwe bandbreedte. Een gemiddelde tekstprompt kost volgens de eigen cijfers van de bedrijven een fractie van een wattuur, terwijl lange invoer en afbeeldingen veel meer kosten. Uw zwaarste gewoonten bepalen dus meestal het totaal. Zie de uitkomst als een schatting, niet als een precies getal.
- [Hoe controleer ik een bewering over het energieverbruik van AI?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): Stel zes vragen: per wat (prompt, afbeelding, jaar?), wie het heeft gemeten, wat er is meegeteld, hoe oud het cijfer is, waarmee het wordt vergeleken, en of het over efficiëntie of over totaal gebruik gaat. De meeste misleidende beweringen, alarmerend of geruststellend, vallen op een van deze vragen door de mand. Gepubliceerde cijfers per prompt verschillen vooral omdat ze verschillende dingen tellen.
- [Hoe meet ik de CO2-voetafdruk van het trainen van een model?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): Laat uw trainingsscript draaien binnen een emissietracker zoals CodeCarbon. Die schat het energieverbruik van uw CPU, GPU en geheugen en zet dat om in CO2 op basis van het lokale stroomnet. Tel elke run mee, ook afstemming en mislukte runs, leg hardware, locatie en duur vast en publiceer het resultaat samen met het model. Hebt u geen logs, dan kan een calculator als Green Algorithms het achteraf schatten.
- [Hoe meet ik het energieverbruik van AI per taak in plaats van in totaal?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): Kies een functionele eenheid die past bij de waarde die de AI levert, zoals per samengevat document of per geslaagde taak, en deel de energie daardoor. Volg energie per eenheid, kwaliteit per eenheid en het totaal naast elkaar. Cijfers per eenheid laten zien of het systeem efficiënter wordt; het totaal laat zien of groei die winst inhaalt.
- [Hoe meet ik hoeveel energie AI verbruikt op mijn eigen computer of GPU?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): Op uw eigen machine kunt u direct meten: gebruik CodeCarbon of een tool die de tellers van processor en GPU uitleest, of plaats een slimme meetstekker tussen de computer en het stopcontact. Meet eerst het stationaire verbruik, meet gedurende de hele taak in plaats van momentopnamen te nemen, en herhaal de run een paar keer voordat u het getal vertrouwt.
- [Hoe rapporteer ik het energieverbruik van mijn AI-onderzoek?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): Rapporteer de hardware, de GPU-uren voor alle runs inclusief afstemming en mislukkingen, de energie in kWh met de gebruikte tool, de locatie en de CO2-intensiteit van het stroomnet, de emissies in kg CO₂e, en de inferentie-energie bij een vermelde batchgrootte. Geef aan wat de afbakening omvat en hoe onzeker de cijfers zijn. Als u gaandeweg meet, met een tool zoals CodeCarbon, wordt dit een tabel in plaats van een reconstructie.
- [Hoe reken ik de belichaamde CO₂-uitstoot van AI-hardware mee?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): Belichaamde CO₂-uitstoot (embodied carbon) is de uitstoot van het maken, vervoeren en afvoeren van hardware. Om die mee te rekenen neemt u de totale belichaamde uitstoot van de hardware, verdeelt u die naar hoe lang en hoeveel van de apparatuur uw AI-werk gebruikt, en telt u dat deel op bij het operationele cijfer, zoals de M-term van de SCI-specificatie doet. Omdat de gegevens vaak mager zijn, vermeldt u uw aannames; en bedenk dat langer gebruik van hardware dezelfde uitstoot over meer werk verdeelt.
- [Hoe schat ik de watervoetafdruk van AI?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): Het waterverbruik volgt het energieverbruik: vermenigvuldig het energieverbruik van uw AI-werk met de water usage effectiveness (WUE) van het datacenter voor koeling ter plaatse, en tel het water op dat nodig is om de elektriciteit op te wekken als dat binnen uw afbakening valt. Gepubliceerde cijfers per prompt lopen uiteen van een fractie van een milliliter tot tientallen milliliters, vooral omdat ze verschillende dingen meetellen. Waar het water wordt gebruikt, doet er evenveel toe als hoeveel.
- [Hoe schat ik het energieverbruik van mijn AI-API-aanroepen?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): Hardware die u niet beheert, kunt u niet meten, dus schat u in plaats daarvan: log de invoer- en uitvoertokens per aanroep en gebruik een tool zoals EcoLogits, die uw AI-client omhult en per verzoek het geschatte energieverbruik en de uitstoot rapporteert. Vermeld dat de cijfers schattingen zijn, noem de methode, en vervang ze door cijfers van de leverancier zodra u die kunt krijgen.
- [Hoe stel ik een nulmeting op om energiebesparing door AI aan te tonen?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): Meet het huidige systeem voordat u iets verandert, op dezelfde hardware, belasting en invoer die u daarna gebruikt, en herhaal de runs om de normale spreiding te zien. Rapporteer het energieverbruik per eenheid nuttig werk en ook in totaal, en claim alleen een besparing die groter is dan de ruis en die zonder kwaliteitsverlies is bereikt.
- [Hoe stel ik een rekenbudget op voor een onderzoeksproject?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): Schat hoeveel GPU-uren uw belangrijkste experimenten nodig hebben, tel er een marge voor verkenning bij op en houd het gebruik tegen dat budget bij, net als bij geld. Test ideeën eerst op kleine schaal, stop slechte runs vroeg, hergebruik voorgetrainde modellen en checkpoints, en rapporteer resultaten naast de rekenkracht die ze kostten. Een budget maakt afwegingen zichtbaar en voorkomt eindeloos bijstellen.
- [Hoe vind ik de koolstofintensiteit van mijn elektriciteitsnet?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): Gebruik regionale netgegevens die passen bij waar en wanneer uw AI-werk draaide. In Groot-Brittannië geeft de Carbon Intensity API van de National Energy System Operator regionale schattingen en prognoses; Electricity Maps dekt meer dan 350 zones wereldwijd. Val alleen terug op nationale jaargemiddelden als er niets fijners bestaat, en vermeld wat u hebt gebruikt.

## Voor ontwikkelaars en datawetenschappers

- [Hoe bepaal ik of een mixture-of-experts-model energie bespaart?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): Een mixture-of-experts-model stuurt elk token naar een paar gespecialiseerde subnetwerken, zodat maar een deel van het model per token werk doet. Mixtral heeft bijvoorbeeld 47 miljard parameters, maar gebruikt er 13 miljard per token. Dat kan de rekenkracht per antwoord verlagen ten opzichte van een dicht (dense) model van vergelijkbare kwaliteit, maar elke expert moet nog steeds in het geheugen staan. Vergelijk dus kwaliteit, latentie en energie per verzoek op uw eigen hardware.
- [Hoe beperk ik hoeveel een LLM schrijft?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): Stel in de API-aanroep een maximale outputlengte in, vertel het model in de prompt welk formaat en welke lengte u wilt, en gebruik stopsequenties of gestructureerde output zodat het stopt als het werk klaar is. Het energieverbruik groeit met het aantal tokens dat een model genereert, dus output begrenzen is een van de eenvoudigste besparingen in elke toepassing.
- [Hoe bundel ik AI-verzoeken om energie te besparen?](https://greenai.guide/how-do-i/batch-ai-requests/): Bedien live verkeer met een inference-engine die continuous batching gebruikt, zodat gelijktijdige verzoeken de accelerator delen. Zet werk dat geen direct antwoord nodig heeft, zoals het 's nachts verwerken van documenten, in een wachtrij en voer het uit in grote batches, bij voorkeur wanneer het stroomnet schoner is. Een accelerator die één verzoek tegelijk afhandelt, wordt onderbenut maar verbruikt nog steeds veel stroom.
- [Hoe distilleer ik een groot model tot een kleiner model?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): Controleer eerst of er al een gedistilleerde versie van uw model bestaat. Zo niet, gebruik dan het grote "teacher"-model (leraar) om voorbeelden voor uw taak te labelen of te genereren, train daarop een klein "student"-model, en test de student op uw eigen echte gevallen. DistilBERT, een vroeg voorbeeld, was 40% kleiner en 60% sneller dan BERT en behield 97% van zijn taalbegrip.
- [Hoe fine-tune ik een model zonder enorme rekenkracht?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): Begin met een voorgetraind model en train een kleine adapter in plaats van alle gewichten, met LoRA, of QLoRA met 4-bitgewichten. LoRA verminderde het aantal trainbare parameters 10.000 keer en het GPU-geheugen drie keer ten opzichte van volledige fine-tuning van GPT-3, en QLoRA fine-tunede een model met 65 miljard parameters op één GPU van 48 GB. Vergelijk het resultaat met uw kwaliteitseisen voordat u iets groters overweegt.
- [Hoe gebruik ik caching om de energie van LLM-aanroepen te verminderen?](https://greenai.guide/how-do-i/cache-llm-calls/): Gebruik twee lagen. Prompt caching bij de aanbieder hergebruikt de verwerking van een vast begin (prefix), zoals een lange systeemprompt of een gedeeld document, dus zet stabiele inhoud vooraan. Uw eigen responscache bewaart antwoorden op identieke verzoeken, zodat het model niet opnieuw wordt aangeroepen. Beide verminderen rekenwerk, kosten en latentie, mits u verstandige verlooptijden instelt.
- [Hoe kies ik tussen retrieval en fine-tuning om energie te besparen?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): Gebruik retrieval (ophalen) wanneer het model feiten nodig heeft die veranderen of specifiek voor u zijn: zet ze in een doorzoekbare index en haal alleen de relevante passages op. Gebruik fine-tuning wanneer het model een vaardigheid, opmaak of stijl nodig heeft die het mist. Opnieuw trainen om feiten actueel te houden herhaalt de trainingskosten, terwijl hele documenten in elke prompt plakken inferentie verspilt, dus elke aanpak heeft zijn plaats.
- [Hoe kwantiseer ik een model?](https://greenai.guide/how-do-i/quantise-a-model/): Bij kwantisatie worden de gewichten van een model met minder bits opgeslagen, meestal 8 of 4 in plaats van 16 of 32, zodat het minder geheugen nodig heeft en vaak minder energie per antwoord. Laad een kant-en-klare gekwantiseerde versie of kwantiseer met de ingebouwde methoden van uw bibliotheek, en test het daarna op uw eigen voorbeelden tegen het model met volledige precisie. Houd het aan als de kwaliteit standhoudt en de energie per verzoek daalt.
- [Hoe laat ik AI energiezuinige code schrijven?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): Vraag uitdrukkelijk om efficiënte code en noem de beperking, zoals geheugen, allocaties of algoritmische complexiteit, en draai daarna de tests en meet het energieverbruik van de code voordat u die accepteert. Onderzoek liet zien dat aanpassingen in de prompt gegenereerde code tot 91,9% energiezuiniger konden maken, maar vaak ten koste van de correctheid. Geef de assistent energieprincipes om te volgen en laat een mens het resultaat blijven controleren.
- [Hoe maak ik een groot model sneller met speculatieve decodering?](https://greenai.guide/how-do-i/use-speculative-decoding/): Koppel uw grote model aan een klein conceptmodel (draft model) uit dezelfde familie: het conceptmodel stelt meerdere tokens voor en het grote model controleert ze in één doorgang, waarbij het alleen de tokens houdt waarmee het instemt. De output is dezelfde als van het grote model alleen, en het oorspronkelijke onderzoek meldde 2 tot 3 keer snellere inferentie. Controleer of uw serving-stack het ondersteunt en meet daarna het energieverbruik per verzoek, niet alleen de snelheid.
- [Hoe maak ik een model klein genoeg voor een edge-apparaat?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): Begin met het kleinste model dat aan uw kwaliteitseis zou kunnen voldoen en verklein het verder met distillatie, kwantisatie en pruning, waarbij u elke stap test op het doelapparaat. Meet energie per inferentie, latentie en nauwkeurigheid samen op de echte hardware, en laat het model terugschakelen als de batterij bijna leeg is of het apparaat warm is.
- [Hoe maak ik vectorzoeken en RAG efficiënter?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): Gebruik een index voor benaderend zoeken naar dichtstbijzijnde buren in plaats van elke zoekvraag met elke opgeslagen vector te vergelijken, haal een paar korte, relevante passages op in plaats van veel lange, en maak alleen opnieuw embeddings van inhoud die is gewijzigd. Gebruik daarna het kleinste generatiemodel dat met goede context goed antwoordt. De meeste verspilling in retrievalsystemen komt van brute-force zoeken en te grote prompts.
- [Hoe ontwerp ik AI-functies zodat ze niet draaien als niemand ze nodig heeft?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): Laat AI-functies draaien als een gebruiker erom vraagt, niet automatisch bij elke paginalading, elk bericht of elk bestand. Genereer één keer en hergebruik gedeelde resultaten, gebruik gewone code voor beslissingen die een regel kan nemen, en verwijder AI-functies die weinig mensen gebruiken. De W3C Web Sustainability Guidelines vragen teams te beoordelen of AI nodig is voordat ze het implementeren, en dat geldt voor elke trigger en voor elke functie.
- [Hoe sla ik trainingsdata voor AI op zodat pipelines minder hoeven te lezen?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): Sla trainings- en featuredata op in een kolomgebaseerd formaat, zodat taken alleen de kolommen en partities lezen die ze gebruiken, en zet ruwe tekst één keer om naar een binair formaat in plaats van die bij elke run of epoch opnieuw te parsen. Meet een typische taak vooraf en achteraf om te controleren of de omzetting zich terugbetaalt. Gegevensverwerking wordt naast het model gemakkelijk over het hoofd gezien, maar draait bij elk experiment mee.
- [Hoe snoei ik een neuraal netwerk?](https://greenai.guide/how-do-i/prune-a-neural-network/): Snoei (pruning) een getraind netwerk door de gewichten, neuronen of lagen te verwijderen die het minst bijdragen, verfijn het daarna kort zodat het herstelt, en test het tegen uw kwaliteitseis. Snoeien verkleinde het aantal parameters van AlexNet negen keer zonder verlies van nauwkeurigheid, en zeer grote taalmodellen zijn in één keer gesnoeid tot minstens 50% sparsity (ijlheid). Kies voor gestructureerd snoeien als u wilt dat gewone hardware sneller rekent.
- [Hoe stuur ik verzoeken door naar kleinere AI-modellen?](https://greenai.guide/how-do-i/set-up-model-routing/): Zet een router vóór uw modellen: een regel, een kleine classifier of een cascade die eerst een klein model probeert en opschaalt als het vertrouwen laag is of een controle faalt. Gepubliceerde routers hebben in sommige tests de kosten met meer dan de helft verlaagd zonder kwaliteitsverlies. Stem de drempel af op uw eigen gegevens en meet de kosten per geslaagde taak, niet per aanroep.
- [Hoe verminder ik het energieverbruik van een model in productie?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): Bedien het kleinste model dat aan uw eisen voldoet, op een runtime die voor inferentie is gebouwd, met batching ingeschakeld, gewichten in halve precisie of gekwantiseerd, en de geoptimaliseerde attention- en cachepaden van de bibliotheek ingeschakeld. Benchmark daarna twee of drie runtimes en hardwareopties bij uw echte verkeer, en kies op energie per verzoek en op latentie.
- [Hoe verminder ik het energieverbruik van het trainen van een model?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): Begin waar mogelijk met een voorgetraind model, kies de kleinste architectuur die aan uw eis zou kunnen voldoen, train met gemengde precisie, stop zodra de validatie niet meer verbetert, en draai op efficiënte hardware in een regio en op een tijdstip met weinig CO2. Patterson en collega's ontdekten dat de keuze van model, datacenter en processor de CO2-voetafdruk van training tot ongeveer 100 à 1.000 keer kan verkleinen. Meet elke run, zodat de afwegingen zichtbaar worden.
- [Hoe verminder ik het energieverbruik van hyperparameterzoektochten?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): Vervang grote grid searches door willekeurig of adaptief zoeken, stop slechte trials (proefruns) vroeg, draai eerst pilots op kleine data of kleine modellen, en begin met gepubliceerde standaardwaarden voor uw architectuur. Houd het energieverbruik van elke trial bij, niet alleen van de winnaar, en stel vooraf een rekenbudget vast. Afstemruns kosten vaak meer dan de uiteindelijke trainingsrun, en worden zelden gerapporteerd.
- [Hoe voorkom ik dat AI-agents tokens verspillen?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): Geef elke agent een toetsbaar doel dat de run beëindigt, harde limieten op stappen, tokens, tijd en uitgaven, en lusdetectie die hem stopt als hij zichzelf herhaalt. Kort de context in die elke stap meeneemt, gebruik gewone code voor beslissingen die een regel kan nemen en stuur eenvoudige deeltaken naar kleine modellen. Agents kunnen vele malen de tokens van een chat gebruiken, dus deze limieten betalen zich snel terug.
- [Hoe voorkom ik dat ik een model vanaf nul train?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): Zoek een voorgetraind model dat dicht bij uw taak ligt en pas het daarna aan: fine-tune het, train een kleine adapter zoals LoRA, of voeg kennis toe via retrieval (ophalen) in plaats van opnieuw te trainen. Hebt u al meerdere modellen die vanuit hetzelfde basismodel zijn gefinetuned, dan kan het middelen van hun gewichten de nauwkeurigheid verbeteren zonder extra kosten bij inferentie. Vanaf nul trainen is buiten onderzoek naar foundation models zelden nodig.
- [Hoe voorkom ik dat mijn chatbot steeds het hele gesprek opnieuw verstuurt?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): De meeste chatfuncties sturen bij elke beurt het hele gesprek terug naar het model, dus de invoer groeit met elk bericht. Beperk hoeveel eerdere beurten u meestuurt, vat oudere beurten samen in een korte notitie, haal alleen de eerdere berichten of documenten op die ertoe doen, en cache vaste systeemprompts. Lange invoer kost veel meer energie dan korte.

## Datacenters, cloud en hosting

- [Hoe controleer ik of mijn AI op hernieuwbare energie draait?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): Vraag waar uw AI werkelijk draait en kijk dan voor die regio naar twee dingen: de CO₂-intensiteit van het stroomnet en het aandeel elektriciteit dat uur voor uur met schone stroom is gematcht. "100% hernieuwbaar" betekent meestal jaarlijkse certificaten of contracten die jaartotalen matchen, en die veranderen niets aan wat het lokale net op een bepaald uur levert. Vraag naar cijfers op locatiebasis én op marktbasis.
- [Hoe draai ik AI-taken op ongebruikte cloudcapaciteit?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): Cloudaanbieders verkopen ongebruikte capaciteit goedkoop, op voorwaarde dat zij die op korte termijn kunnen terugnemen, als spot- of preemptible instances. Training, evaluatie, batch-inferentie en gegevensverwerking kunnen daarvan gebruikmaken als ze checkpoints opslaan en netjes opnieuw starten. Microsoft adviseert dit alleen te gebruiken voor werk dat tegen onderbrekingen kan, omdat de onderbrekingen instabiliteit kunnen veroorzaken.
- [Hoe interpreteer ik PUE- en WUE-cijfers?](https://greenai.guide/how-do-i/understand-pue-and-wue/): Power usage effectiveness (PUE) is de totale energie van een datacenter gedeeld door de energie die de computerapparatuur gebruikt: hoe dichter bij 1,0, hoe minder er verloren gaat aan koeling en stroomomzetting. Water usage effectiveness (WUE) is het aantal liters water dat ter plaatse wordt gebruikt per kilowattuur aan rekenwerk: lager is beter. Geen van beide zegt hoeveel rekenwerk er wordt gedaan, hoe schoon de stroom is of of het werk nodig was.
- [Hoe kan ik meepraten over een datacenter dat bij mij in de buurt gepland is?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): Zoek de vergunningsaanvraag op, lees de verklaringen van de ontwikkelaar over energie, water, geluid en warmte, en reageer binnen de inspraaktermijn met concrete, onderbouwde vragen. Vraag hoeveel netcapaciteit en water de locatie zal gebruiken, of restwarmte wordt hergebruikt en welke energie- en watercijfers worden gerapporteerd zodra de locatie in bedrijf is. Concrete vragen wegen zwaarder dan algemene bezwaren.
- [Hoe kies ik een cloudregio met een lage CO2-uitstoot?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): Vergelijk regio's op de CO2-intensiteit van het stroomnet en het aandeel koolstofvrije energie, met de regiogegevens die uw aanbieder publiceert of een bron als Electricity Maps, en weeg daarna latentie, regels voor gegevenslocatie en kosten af. Batchwerk zoals training, fine-tuning en nachtelijke verwerking is het makkelijkst te verplaatsen; inferentie voor gebruikers moet meestal dicht bij die gebruikers blijven.
- [Hoe kies ik een duurzaam datacenter of een duurzame host voor AI?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): Vraag om bewijs in plaats van labels: de CO₂-intensiteit van het stroomnet en het aandeel schone stroom per uur waar uw werk draait, de PUE en het waterverbruik van de locatie, hoe lang hardware in gebruik blijft, en of u energie- en uitstootgegevens voor uw eigen account krijgt. In de EU moeten grotere datacenters hun energie- en waterverbruik rapporteren, dus de gegevens bestaan vaak. Kies schone hosting, maar blijf het werk dat u erheen stuurt verminderen.
- [Hoe kies ik energiezuinige hardware voor AI?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): Benchmark uw eigen model op twee of drie combinaties van hardware en runtime en vergelijk de energie per verzoek of per trainingsrun bij realistische batchgroottes, naast latentie en kosten. Patterson en collega's ontdekten dat de keuze van model, datacenter en processor samen de CO₂-uitstoot van training tot ongeveer 100 tot 1.000 keer kan verlagen. Houd goede hardware aan het werk en in gebruik, want het maken van nieuwe apparatuur heeft een eigen voetafdruk.
- [Hoe plan ik AI-training op momenten dat het stroomnet groener is?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): Zoek de taken die kunnen wachten, zoals training, fine-tuning, evaluatie en batch-inferentie, en start ze wanneer een prognose van de CO2-intensiteit laat zien dat het net schoner is. Sla regelmatig checkpoints op, zodat lange taken kunnen pauzeren als de intensiteit stijgt en verdergaan als die daalt, binnen een vaste deadline. CO2-bewust plannen verlaagt de uitstoot, niet het energieverbruik, dus doe het bovenop efficiëntiewerk.
- [Hoe verklein ik de voetafdruk van AI-experimenten op een onderzoekscluster?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): Begin met meten: veel clusters registreren in de Slurm-scheduler het energieverbruik per taak, en CodeCarbon of de Green Algorithms-calculator kunnen de gaten vullen. Vraag daarna alleen de GPU's, het geheugen en de tijd aan die u nodig hebt, test ideeën eerst op kleine schaal, sla bij lange taken tussenstanden op (checkpoints) en plan flexibele taken wanneer het stroomnet schoner is. Rapporteer het energieverbruik van hele projecten, niet alleen van de laatste runs.
- [Hoe verklein ik de watervoetafdruk van AI?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): Waterverbruik volgt energieverbruik, dus de eerste stap is dezelfde: gebruik kleinere modellen, kortere antwoorden en genereer minder vaak opnieuw. Kies daarnaast hosts die hun waterverbruik publiceren, vermijd regio's met waterschaarste voor zwaar werk, en vraag leveranciers om watercijfers per locatie. Per tekstprompt is het water weinig; het gaat om de totalen en de lokale gevolgen.
- [Hoe vind ik de koolstofgegevens van mijn cloudaanbieder?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): De grote cloudaanbieders publiceren koolstofgegevens voor klanten in hun facturerings- of duurzaamheidsconsoles: de AWS Sustainability console, de emissietools van Microsoft voor Azure en het Carbon Footprint-dashboard van Google Cloud. Ze splitsen de uitstoot uit naar dienst, regio en scope, maar zijn maandelijks en geschat. Gebruik ze dus als trend en combineer ze met uw eigen metingen per workload.
- [Hoe voorkom ik dat GPU's en notebooks ongebruikt aan blijven staan?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): Maak 'op aanvraag' de standaard: pipelines en trainingstaken horen middelen te starten wanneer ze worden geactiveerd en ze vrij te geven als ze klaar zijn. Zet inactieve notebooks en ontwikkel-GPU's na een vaste tijd automatisch uit, schaal niet-productieomgevingen buiten werktijd naar nul en rapporteer inactieve GPU-uren per team naast de kosten, zodat de verspilling zichtbaar wordt.

## Voor organisaties

- [Hoe breng ik in kaart waar mijn organisatie AI gebruikt?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): Bouw een eenvoudige inventaris op met vier soorten vermeldingen: AI-tools die medewerkers rechtstreeks gebruiken, AI-functies die zijn ingebouwd in software die u al hebt, geautomatiseerde workflows en agents, en leveranciers waarvan de diensten AI voor u draaien. Noteer bij elke vermelding de eigenaar, hoe vaak het draait, het model of de aanbieder als die bekend is, en welke gegevens erin gaan. De inventaris is het startpunt voor het terugdringen van verspilling, het beheersen van risico's en rapportage.
- [Hoe controleer ik of een AI-project zijn milieukosten waard is?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): 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.
- [Hoe doe ik eerlijke claims over onze groene AI?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): Claim alleen wat u hebt gemeten, wees concreet over wat er is verbeterd en ten opzichte van welke nulmeting, en vermeld de methode, afbakening en grenzen. Houd efficiëntie per taak gescheiden van totaal gebruik, en baseer een claim niet op compensatie of jaarlijkse certificaten. Vage woorden zoals "groene AI" of "CO2-neutrale AI" zijn riskant en kunnen in het VK en de EU in strijd zijn met het consumentenrecht.
- [Hoe gebruik ik AI duurzaam in een goed doel?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): Gebruik AI waar het tijd van medewerkers en vrijwilligers vrijmaakt voor uw missie, kies de lichtste tool die het werk doet, en vermijd zwaar gebruik zoals het massaal genereren van afbeeldingen. Schrijf een kort beleid dat naast gegevensbescherming ook de milieu-impact behandelt, stel leveranciers eenvoudige vragen over energie en locatie, en wees eerlijk tegen donateurs over hoe u AI gebruikt.
- [Hoe houd ik de AI-voetafdruk van mijn kleine bedrijf laag?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): Gebruik AI voor taken waarbij het duidelijk tijd bespaart, houd verzoeken kort en specifiek, verfijn in plaats van opnieuw te genereren, en wees zuinig met afbeeldingen en video. Schakel AI-functies uit waarvoor u betaalt maar die u niet gebruikt, en houd eenvoudig bij welke tools u gebruikt, zodat u klanten die ernaar vragen kunt antwoorden. Voor een klein bedrijf verlagen dezelfde gewoonten ook de kosten van abonnementen en personeel.
- [Hoe leer ik medewerkers AI efficiënt te gebruiken?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): Leer een handvol gewoonten aan in een korte sessie met echte voorbeelden uit uw eigen werk: controleer of AI de juiste tool is, schrijf duidelijke en specifieke prompts, vraag om korte antwoorden, stuur bij in plaats van opnieuw te genereren, en wees zuinig met afbeeldingen en video. Ondersteun de training met efficiënte standaardinstellingen in de bedrijfstools, want standaarden bereiken ook mensen die de cursus overslaan.
- [Hoe maak ik het AI-gebruik van mijn bedrijf duurzamer?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): Breng eerst in kaart waar uw bedrijf AI gebruikt en maak dan de efficiënte keuze de standaard: het kleinste model dat aan de kwaliteitseis voldoet, korte output, AI-functies uit tenzij ze nodig zijn. Vraag leveranciers naar het energieverbruik per verzoek en waar ze draaien, meet per nuttige taak, en leg het vast in een kort beleid met een eigenaar. De meeste van deze stappen verlagen naast energie ook kosten en wachttijd.
- [Hoe neem ik duurzaamheid mee bij de inkoop van AI?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): Vraag leveranciers naar energie en emissies per verzoek of per taak, met methode en afbakening, waar de workload draait, en zowel locatiegebaseerde als marktgebaseerde CO2-cijfers. Scoor de kwaliteit van dat bewijs in de aanbesteding, en neem rapportage, modelkeuze en melding van modelwijzigingen op in het contract. Veel leveranciers kunnen nog geen volledig antwoord geven, maar door te vragen ziet u wie het serieus neemt.
- [Hoe onderbouw ik de business case voor groene AI?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): Bouw het pleidooi op rond kosten, snelheid en risico, want wat het energieverbruik van AI verlaagt (kleinere modellen, minder tokens, minder verspilde aanroepen) verlaagt ook rekeningen en wachttijd. Laat één gemeten voorbeeld uit uw eigen werk zien, voeg de redenen op het gebied van rapportage en regelgeving toe, en houd het milieuvoordeel als een echt maar ondergeschikt punt als dat bij uw publiek past.
- [Hoe rapporteer ik de uitstoot van AI in ons duurzaamheidsverslag?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): Rapporteer AI binnen uw bestaande inventaris van broeikasgassen, niet als apart cijfer: stroom voor hardware die u zelf draait, valt onder Scope 2, en cloud- en AI-diensten vallen meestal onder Scope 3, ingekochte goederen en diensten. Gebruik gegevens van leveranciers waar u die kunt krijgen, schat de rest op basis van gebruik met een vermelde methode, en geef de afbakening en de onzekerheid aan. Toon het energieverbruik per nuttige taak naast het totaal.
- [Hoe schrijf ik een beleid voor groene AI?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): Houd het kort en praktisch: zeg wanneer AI het gebruiken waard is, stel efficiënte standaarden in (het kleinste geschikte model, limieten op de output, functies uit tenzij nodig), neem vragen over energie op in de inkoop, en verbind u aan meten per taak. Geef het een eigenaar, een herzieningsdatum en een paar meetbare toezeggingen, en koppel het aan processen die u al hebt.
- [Hoe stel ik doelen op voor het energieverbruik en de uitstoot van AI?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): Doe eerst een nulmeting en stel dan twee soorten doelen tegelijk: een intensiteitsdoel (energie of uitstoot per nuttige taak) en een absoluut doel of plafond voor het totaal. De intensiteit laat de efficiëntie zien; het absolute cijfer laat zien of groei in gebruik de besparingen opeet. Evalueer ze minstens jaarlijks, omdat modellen en gebruik veranderen.
- [Hoe stimuleer ik als beleidsmaker groenere AI?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): Begin met transparantie: verplicht of stimuleer vergelijkbare rapportage over energie, water en uitstoot door AI-aanbieders en datacenters. Gebruik openbare aanbestedingen om efficiënte AI te belonen, plan net- en watercapaciteit voor datacenters, en financier onderzoek en vaardigheden in efficiënte methoden. Let op de totale vraag en niet alleen op efficiëntie, want goedkopere AI wordt doorgaans meer gebruikt.
- [Hoe voldoe ik aan de energiedocumentatieregels van de Europese AI-verordening?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): Biedt u in de EU een AI-model voor algemene doeleinden aan, dan moet uw technische documentatie volgens bijlage XI van de AI Act (de Europese AI-verordening) het bekende of geschatte energieverbruik van het model bevatten, samen met de rekenkracht die voor de training is gebruikt. Houd rekenkracht en energie van de training vanaf het begin bij, leg de methode vast en schat waar u niet kunt meten. Gebruikt u alleen AI, dan ligt de plicht bij uw leverancier, maar u kunt wel om de cijfers vragen.
- [Hoe voorkom ik dat efficiëntiewinst bij AI tenietgedaan wordt door meer gebruik?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): Houd het totale energieverbruik van AI bij naast het verbruik per taak, zodat groei zichtbaar wordt, en bepaal vooraf wat er met de besparingen gebeurt: vrijgekomen capaciteit afbouwen, een budget of plafond aanhouden, of bewust herinvesteren. Combineer efficiëntie met genoegzaamheid door bij elke nieuwe toepassing te vragen of die de moeite waard is. Zonder dit wordt goedkopere AI meestal gewoon meer gebruikt.
- [Hoe zet ik overbodige AI-functies binnen mijn hele organisatie uit?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): Gebruik uw inventarisatie om AI-functies te vinden die standaard aanstaan en beslis dan per functie: houd wat mensen gebruiken, zet uit of beperk wat ze niet gebruiken, en geef toegang op verzoek. Voer de wijziging door in de beheerconsoles in plaats van het aan gebruikers te vragen, vertel medewerkers wat er veranderd is en waarom, en bekijk elk kwartaal de gebruiksgegevens. Minder ongebruikte AI-licenties besparen ook geld.

## Scholen, universiteiten en opleiding

- [Hoe gebruik ik AI voor mijn studie zonder energie te verspillen?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): Gebruik AI waar het u helpt te leren, zoals een moeilijk idee laten uitleggen, uzelf laten overhoren of feedback krijgen op een concept, en gebruik uw aantekeningen, studieboeken en de zoekfunctie van de bibliotheek voor feiten en bronnen. Stel gerichte vragen, plak alleen de passage die u nodig hebt, en vermijd opnieuw genereren of voor de lol afbeeldingen maken: die gewoonten besparen energie en helpen meestal ook bij het leren.
- [Hoe leer ik leerlingen over de milieu-impact van AI?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): Begin met het idee dat elk AI-antwoord draait op echte computers die elektriciteit en water gebruiken. Gebruik daarna een paar betrouwbare cijfers en een praktische opdracht, zoals tekst vergelijken met het genereren van afbeeldingen. Koppel het aan informatica, natuurkunde en aardrijkskunde, en houd het evenwichtig: het doel is leerlingen te helpen AI bewust te gebruiken, niet om ze een schuldgevoel te geven omdat ze het gebruiken.
- [Hoe leer ik meer over groene AI?](https://greenai.guide/how-do-i/learn-about-green-ai/): Begin met een korte uitleg over waar de energie van AI naartoe gaat en probeer dan één gratis tool op uw eigen gebruik, zoals een energietracker voor code of een schatter voor AI-API-aanroepen. Volg daarna een cursus op uw niveau en sluit u aan bij een gemeenschap of onderzoeksgroep in uw vakgebied. Leren door iets echts te meten blijft beter hangen dan alleen lezen.
- [Hoe neem ik groene AI op in een universitaire cursus?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): Voeg een korte, praktische leerlijn toe in plaats van een hele nieuwe cursus: leg uit waar de energie van AI naartoe gaat, laat studenten het energieverbruik van hun eigen code of modelruns meten, en vraag hen rekenkracht en energie naast nauwkeurigheid te rapporteren. Leer in technische cursussen efficiënte methoden aan, zoals kleinere modellen, kwantisatie en hergebruik; richt u in andere cursussen op verstandig gebruik en het beoordelen van claims.
- [Hoe stel ik schoolregels op voor duurzaam gebruik van AI?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): Voeg een korte milieuparagraaf toe aan het bestaande AI-beleid van uw school in plaats van een apart beleid te schrijven. Leg vast wanneer AI het juiste hulpmiddel is, geef de voorkeur aan korte tekst boven het genereren van beeld en video, stel zuinige standaardinstellingen in voor schoolaccounts en leg leerlingen uit waarom. Houd het naast de regels over veiligheid van leerlingen, gegevensbescherming en toetsing, die nog altijd voorgaan.
- [Hoe vind ik een promotieplek (PhD) in groene AI?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): Kijk verder dan projecten met het label "green AI": onderzoek naar efficiënte AI zit in de informatica, wiskunde, elektrotechniek en domeinwetenschappen, vaak onder namen als efficient machine learning, duurzaam rekenen of energiezuinige hardware. Doorzoek promotieprogramma's en projectoverzichten, lees recente artikelen om actieve begeleiders te vinden, en vraag hoe energie in het werk wordt gemeten.
