# Woordenlijst groene AI

> Begrijpelijke definities van de termen rond groene AI, van tokens, inferentie en PUE tot het reboundeffect, suffiëntie en model merging.

Source: https://greenai.guide/nl/woordenlijst/  
Updated: 2026-11-19

## In het kort

Deze woordenlijst legt in begrijpelijke taal de termen uit die u tegenkomt wanneer u zich verdiept in de milieukosten van AI. De begrippen staan in de Engelse alfabetische volgorde. Elke term heeft een eigen link, zodat andere pagina's op de site er direct naar kunnen verwijzen.

## Kernpunten

- Training bouwt een model één keer op; inferentie is elk gebruik daarna.
- Efficiëntie betekent hetzelfde doen met minder; suffiëntie betekent de vraag stellen of de taak überhaupt met AI moet gebeuren.
- PUE vergelijkt het totale energiegebruik van een datacenter met het energiegebruik van de computers; 1,0 zou perfect zijn.
- Het reboundeffect treedt op wanneer efficiëntie iets goedkoper maakt en zo het totale gebruik doet stijgen.

Groene AI brengt informatica, wiskunde, techniek, energie en beleid samen, en elk vakgebied heeft zijn eigen
vocabulaire. Woorden als "model", "efficiëntie" en zelfs "AI" betekenen voor verschillende mensen verschillende
dingen. Tijdens een Britse sandpit (een verkennende werksessie) over groene AI in 2026, met wiskundigen,
informatici en mensen uit het bedrijfsleven, bleek dat men vooral de basistermen scherp wilde krijgen. Daarom begint
deze woordenlijst bij het begin. De begrippen staan in de Engelse alfabetische volgorde, zodat de links overal
hetzelfde blijven. Mist u een term? [Laat het ons weten](/nl/contact/).

### Agentische AI (agentic AI) {#agentic-ai}

AI die een taak zelfstandig in meerdere stappen uitvoert, zoals zoeken, code schrijven, die uitvoeren en fouten
herstellen, in plaats van één antwoord te geven. Omdat elke stap het model opnieuw gebruikt, kan agentische AI veel
meer tokens verbruiken dan een chat, en agents die in een lus vastraken kunnen veel verspillen. Zie
[agentische AI en tokenverspilling](/nl/artikelen/agentische-ai-en-verspilde-tokens/).

### AI {#ai}

Afkorting van artificial intelligence (kunstmatige intelligentie): computersystemen die taken uitvoeren die we
met menselijke intelligentie associëren, zoals beelden herkennen, taal begrijpen of voorspellingen doen. In de
dagelijkse spreektaal van 2026 bedoelt men met "AI" meestal grote generatieve modellen zoals chatbots, maar de term
omvat ook veel kleinere systemen zoals spamfilters en weermodellen. Het loont dus om te zeggen wat u bedoelt.

### AI-geletterdheid (AI literacy) {#ai-literacy}

De kennis en vaardigheden om AI verstandig te begrijpen, te gebruiken en te beoordelen: wat het wel en niet kan,
hoe u de uitvoer controleert, en wat het kost, ook voor het milieu.

### Automatische differentiatie (automatic differentiation) {#automatic-differentiation}

Een techniek waarmee een computer precies kan berekenen hoe de uitkomst van een berekening verandert als elke
invoer verandert. Zo leren neurale netwerken (daar heet het backpropagation), en het wordt ook gebruikt om
wetenschappelijke simulaties te optimaliseren.

### Benchmark {#benchmark}

Een standaardtest om systemen eerlijk te vergelijken, bijvoorbeeld hoe nauwkeurig modellen zijn op dezelfde reeks
vragen, of hoeveel energie ze gebruiken voor dezelfde taak. Een benchmark is maar zo nuttig als de taken en metingen
die erin zitten.

### CO2-bewust rekenen (carbon-aware computing) {#carbon-aware-computing}

Rekentaken uitvoeren op momenten of plaatsen waar de elektriciteit schoner is, bijvoorbeeld een grote trainingsrun
uitstellen tot het waait. Het past bij werk dat geen direct antwoord nodig heeft.

### CO2-intensiteit (carbon intensity) {#carbon-intensity}

Hoeveel koolstofdioxide (of een equivalent broeikasgas) per eenheid elektriciteit wordt uitgestoten, meestal in
gram CO₂e per kilowattuur. Ze verschilt per land en per uur, afhankelijk van hoeveel stroom uit fossiele
brandstoffen of hernieuwbare bronnen komt.

### Datacenter (data centre) {#data-centre}

Een gebouw vol computers, opslag en netwerkapparatuur, met de stroom en koeling om alles draaiende te houden. De
meeste AI-chatbots draaien in datacenters, niet op het apparaat van de gebruiker.

### Diffusiemodel (diffusion model) {#diffusion-model}

Een soort generatieve AI, veel gebruikt voor afbeeldingen en video, die leert om willekeurige ruis stap voor stap
in een beeld om te zetten. De vele stappen verklaren mee waarom het genereren van afbeeldingen veel meer energie
kost dan korte tekst.

### Distillatie (distillation) {#distillation}

Een klein "leerling"-model trainen om een groot "leraar"-model na te bootsen, zodat het kleine model een taak bijna
even goed kan uitvoeren tegen een fractie van de rekenkosten.

### Edge-AI (edge AI) {#edge-ai}

AI die draait op of vlak bij het apparaat waar de data zich bevindt, zoals een telefoon, camera of sensor in een
fabriek, in plaats van in een ver datacenter. Het kan netwerkenergie besparen en de privacy beschermen, maar kleine
apparaten maal miljoenen tellen ook op. Zie [edge of cloud](/nl/goede-praktijk/edge-of-cloud-waar-moet-ai-draaien/).

### Efficiëntie (efficiency) {#efficiency}

Hetzelfde nuttige resultaat bereiken met minder input: minder energie, tijd, water of hardware per taak.
Efficiëntie is essentieel voor groene AI, maar op zichzelf niet genoeg, vanwege het reboundeffect.

### Ingebedde CO2 (embodied carbon) {#embodied-carbon}

De uitstoot van het maken, vervoeren en uiteindelijk afvoeren van apparatuur, in tegenstelling tot het gebruik
ervan. Bij AI gaat het onder meer om de productie van chips, servers en datacentergebouwen.

### Energielabel (energy label) {#energy-label}

Een eenvoudige beoordeling die laat zien hoeveel energie een product gebruikt, zoals de labels van A tot G op
koelkasten in Europa. Verschillende groepen ontwikkelen een equivalent voor AI-modellen, zoals de AI Energy Score
van Hugging Face, en de Europese AI-verordening (AI Act) verplicht aanbieders van AI-modellen voor algemene
doeleinden om hun bekende of geschatte energieverbruik te documenteren. Zie
[energielabels voor AI](/nl/artikelen/energielabels-en-benchmarks-voor-ai/).

### Fine-tuning (bijtrainen) {#fine-tuning}

Een model dat al getraind is nog wat verder trainen op gespecialiseerde data, zodat het beter presteert op een
bepaalde taak. Het kost veel minder dan trainen vanaf nul.

### FLOPs {#flops}

Floating-point operations (drijvendekommabewerkingen): de basisrekenstappen (optellingen en vermenigvuldigingen
van decimale getallen) die een computer uitvoert. Ze tellen is een gebruikelijke manier om te schatten hoeveel
rekenwerk een model nodig heeft. FLOPS met een hoofdletter S betekent meestal bewerkingen per seconde.

### FPGA {#fpga}

Een field-programmable gate array: een chip waarvan de schakelingen na de productie opnieuw kunnen worden
ingesteld. FPGA's kunnen zeer efficiënt zijn voor een specifieke taak en kunnen worden herprogrammeerd als
modellen veranderen, maar ze zijn moeilijker te programmeren dan GPU's.

### Generatieve AI (generative AI) {#generative-ai}

AI die op verzoek nieuwe inhoud maakt, zoals tekst, afbeeldingen, audio, video of code. Chatbots en
beeldgeneratoren zijn generatieve AI.

### GPU {#gpu}

Een graphics processing unit: een chip die oorspronkelijk is ontworpen voor computergraphics en die veel
berekeningen tegelijk kan uitvoeren. GPU's zijn de belangrijkste hardware voor het trainen en draaien van moderne
AI.

### Groene AI (green AI) {#green-ai}

AI die zo wordt ontwikkeld en gebruikt dat de voetafdruk in energie, CO2, water en materialen zo klein mogelijk
blijft, en die wordt ingezet waar ze echte waarde toevoegt. Het gaat zowel om AI efficiënter maken als om AI alleen
gebruiken waar het het juiste instrument is. Zie [wat is groene AI?](/nl/artikelen/wat-is-groene-ai/).

### Greenwashing {#greenwashing}

Misleidende claims doen dat een product of organisatie beter is voor het milieu dan in werkelijkheid. In de EU
verbiedt Richtlijn (EU) 2024/825 algemene milieuclaims tegenover consumenten die niet kunnen worden bewezen. Zie
[eerlijke groene claims](/nl/goede-praktijk/eerlijke-groene-claims-over-ai/).

### Inferentie (inference) {#inference}

Een getraind model gebruiken om een uitvoer te maken, zoals een vraag beantwoorden of een afbeelding genereren.
Elke prompt is een inferentie, dus bij populaire tools blijft de inferentie-energie oplopen zolang het model in
gebruik is.

### Jevonsparadox (Jevons paradox) {#jevons-paradox}

De waarneming van de econoom William Stanley Jevons in zijn boek *The Coal Question* uit 1865 dat efficiëntere
stoommachines ertoe leidden dat Groot-Brittannië meer steenkool verbrandde, niet minder. Het is het extreme geval
van het reboundeffect, waarbij efficiëntie het totale gebruik doet stijgen.

### KV-cache (KV cache) {#kv-cache}

Afkorting van key-value cache. Wanneer een taalmodel een antwoord token voor token schrijft, bewaart het
tussenresultaten (de "keys" en "values" van zijn attention-berekening), zodat het die niet bij elke stap opnieuw
hoeft te berekenen. Dat bespaart veel rekenwerk, maar kost geheugen.

### Groot taalmodel (large language model) {#large-language-model}

Een generatief AI-model dat is getraind op enorme hoeveelheden tekst om taal te voorspellen en te produceren, vaak
afgekort tot LLM. De meeste chatbots zijn erop gebouwd.

### Latentie (latency) {#latency}

De vertraging tussen iets vragen en het antwoord krijgen. Sommige technieken voor groene AI ruilen wat latentie in
voor minder energie, bijvoorbeeld door verzoeken te bundelen of te wachten op schonere stroom.

### McNamara-drogreden (McNamara fallacy) {#mcnamara-fallacy}

De fout om wat makkelijk meetbaar is te behandelen als het enige wat telt, en te negeren wat niet meetbaar is. Bij
groene AI is het een waarschuwing om systemen niet alleen te beoordelen op handige cijfers en daarbij schade over het
hoofd te zien die moeilijker te tellen is, zoals watergebruik of sociale effecten.

### Gemengde precisie (mixed precision) {#mixed-precision}

Sommige berekeningen met minder cijfers precisie uitvoeren dan andere, waar het resultaat daar niet onder lijdt.
Lagere precisie gebruikt minder geheugen en energie.

### Mixture of experts {#mixture-of-experts}

Een modelontwerp dat bestaat uit veel gespecialiseerde subnetwerken ("experts"), waarbij een router elke invoer naar
slechts enkele daarvan stuurt. Voor elk antwoord wordt maar een deel van het model gebruikt, wat rekenwerk bespaart,
al is het hele model wel nodig in het geheugen en tijdens de training.

### Model {#model}

In AI is een model het getrainde systeem dat invoer omzet in uitvoer: de geleerde verzameling getallen (parameters)
en de structuur die ze gebruikt. In wetenschap en techniek kan "model" ook een wiskundige beschrijving van een
systeem betekenen, zoals een klimaatmodel. Het helpt dus om te zeggen wat u bedoelt.

### Model merging (souping) {#model-merging-souping}

Twee of meer modellen samenvoegen, vaak door hun parameters te middelen, om één model te krijgen met de sterke
punten van elk, zonder een nieuw model vanaf nul te trainen. "Model soups" was de naam die Wortsman en collega's in
2022 gebruikten.

### Multi-agentsysteem (multi-agent system) {#multi-agent-system}

Een groep AI-agents die samenwerken of taken aan elkaar doorgeven. Ze kunnen krachtig zijn, maar als ze vastlopen in
gesprekken met elkaar, kunnen ze grote aantallen tokens verbruiken zonder nuttig resultaat.

### Open-weight-model (open-weight model) {#open-weight-model}

Een model waarvan de getrainde parameters (gewichten) zijn gepubliceerd, zodat iedereen het kan downloaden en
draaien, ook als de trainingsdata en code dat niet zijn. Open-weight-modellen kunnen lokaal worden gedraaid en
aangepast, en hun energiegebruik kan onafhankelijk worden gemeten.

### Orkestratie (orchestration) {#orchestration}

Meerdere modellen, tools of kant-en-klare componenten coördineren om een taak uit te voeren, in plaats van één groot
model alles te laten genereren. Zie [orkestratie boven generatie](/nl/artikelen/orkestratie-boven-generatie/).

### Parameters {#parameters}

De getallen in een model die tijdens de training worden bijgesteld en samen opslaan wat het heeft geleerd. Grote
taalmodellen hebben er miljarden; de Llama 3.1-familie van Meta bijvoorbeeld bestaat in groottes van 8, 70 en 405
miljard parameters. Meer parameters betekent meestal meer rekenwerk per antwoord.

### Fysica-geïnformeerd neuraal netwerk (physics-informed neural network) {#physics-informed-neural-network}

Een neuraal netwerk dat is getraind om bekende natuurwetten te respecteren, zoals behoud van energie, en daarnaast
op data aan te sluiten. Door die kennis in te bouwen zijn soms minder data, minder parameters en minder training
nodig.

### Prompt {#prompt}

De instructie of vraag die iemand aan een generatief AI-model geeft. Duidelijke, specifieke prompts leveren meestal
meteen een goed antwoord op, wat zowel tijd als energie bespaart.

### Pruning (snoeien) {#pruning}

Delen van een getraind model verwijderen die weinig bijdragen aan de uitvoer, zoals afzonderlijke gewichten of hele
verbindingen. Een gesnoeid model is kleiner en goedkoper om te draaien, vaak met weinig verlies aan nauwkeurigheid.

### PUE {#pue}

Power usage effectiveness: het totale energiegebruik van een datacenter gedeeld door het energiegebruik van de
computerapparatuur. Een PUE van 1,0 zou betekenen dat er geen energie opgaat aan koeling of stroomverliezen; hoe
lager, hoe beter. Zie [hosting en datacenters](/nl/goede-praktijk/hosting-en-datacenters-voor-groene-ai/) voor typische waarden en hun
bronnen.

### Kwantisatie (quantisation) {#quantisation}

De getallen van een model met minder cijfers opslaan, bijvoorbeeld als getallen van 8 of 4 bit in plaats van 16 of
32 bit. Dat maakt het model kleiner en verlaagt de energie om het te draaien, meestal met slechts een klein
kwaliteitsverlies.

### Reboundeffect (rebound effect) {#rebound-effect}

Wanneer een efficiëntiewinst iets goedkoper of makkelijker maakt, waardoor mensen er meer van gebruiken en de
besparing deels of helemaal verloren gaat. Als het gebruik zo sterk groeit dat het totale verbruik stijgt, is het de
Jevonsparadox. Zie [efficiëntie is geen suffiëntie](/nl/artikelen/efficientie-is-geen-suffientie-het-reboundeffect-bij-ai/).

### Routering (routing) {#routing}

Elk verzoek naar het meest geschikte model sturen, bijvoorbeeld een klein, goedkoop model voor makkelijke vragen en
een groot model alleen voor moeilijke. De juiste drempel kiezen is belangrijk: een model dat te klein is, kan falen
en een tweede, grotere poging nodig maken.

### Scope 1-, 2- en 3-emissies (scope 1, 2 and 3 emissions) {#scope-1-2-and-3-emissions}

De drie categorieën van het Greenhouse Gas Protocol. Scope 1 is directe uitstoot uit bronnen die een organisatie
bezit of beheert; scope 2 is uitstoot van de elektriciteit, warmte of koeling die ze inkoopt; scope 3 is alle
andere indirecte uitstoot in haar waardeketen, zoals de productie van de hardware die ze koopt.

### Klein taalmodel (small language model) {#small-language-model}

Een taalmodel met relatief weinig parameters, ontworpen om goedkoop te draaien, soms op een laptop of telefoon. Voor
afgebakende taken kan een goed gekozen klein model een veel groter model evenaren. Zie
[het juiste model kiezen](/nl/goede-praktijk/kies-het-juiste-model-voor-de-taak/).

### Software carbon intensity {#software-carbon-intensity}

Een methode van de Green Software Foundation, ook gepubliceerd als ISO-norm, om de CO2-uitstoot te berekenen per
eenheid werk die software verricht, zoals per gebruiker of per verzoek.

### Soevereine AI (sovereign AI) {#sovereign-ai}

AI-capaciteit, zoals modellen, data en rekeninfrastructuur, die een land of regio zelf beheert in plaats van te
vertrouwen op buitenlandse aanbieders. Het roept eigen duurzaamheidsvragen op; zie
[soevereine AI en duurzaamheid](/nl/artikelen/soevereine-ai-en-duurzaamheid/).

### Sparsity (ijlheid) {#sparsity}

Wanneer veel van de getallen in een model, of veel van de activaties bij een bepaalde invoer, nul zijn. Bij het
rekenen kunnen de nullen worden overgeslagen, zodat een ijl model veel goedkoper kan draaien als de hardware en
software dat ondersteunen.

### Spiking neural network {#spiking-neural-network}

Een neuraal netwerk dat, net als de hersenen, informatie doorgeeft als korte pulsen (spikes) en daartussen
grotendeels inactief blijft. Op geschikte hardware beloven ze een zeer laag energiegebruik, vooral aan de edge.

### Suffiëntie (sufficiency) {#sufficiency}

Niet meer van een hulpbron gebruiken dan een behoefte echt vraagt, inclusief de vraag of AI überhaupt nodig is
(genoeg-denken). Het is de partner van efficiëntie: efficiëntie vraagt "hoe doen we dit met minder?", suffiëntie
vraagt "moeten we dit wel doen?".

### Surrogaatmodel (surrogate model) {#surrogate-model}

Een snel, benaderend model dat is getraind om een trage, dure berekening te vervangen, zoals een deel van een
klimaat- of technische simulatie. Een goed surrogaatmodel kan veel energie besparen, op voorwaarde dat de
nauwkeurigheid wordt gecontroleerd.

### Duurzame AI (sustainable AI) {#sustainable-ai}

Een brede term voor AI die kan worden ontwikkeld en gebruikt zonder de hulpbronnen uit te putten waarvan ze
afhankelijk is, vaak met naast milieueffecten ook sociale en economische effecten. De term overlapt met groene AI
en beide worden vaak door elkaar gebruikt.

### Token {#token}

Het stukje tekst dat een taalmodel leest en schrijft, vaak een deel van een woord. De vuistregel van OpenAI voor
Engels is dat één token ongeveer vier tekens is, of ongeveer driekwart woord; andere talen hebben vaak meer tokens
nodig voor dezelfde betekenis. Meer tokens betekent meer rekenwerk.

### TPU {#tpu}

Een tensor processing unit: een chip die Google speciaal heeft ontworpen voor de berekeningen die bij machine
learning worden gebruikt.

### Training {#training}

Een model bouwen door het grote hoeveelheden data te tonen en de parameters steeds opnieuw bij te stellen om de
fouten te verkleinen. Een groot model trainen kan maanden duren op duizenden chips; Meta rapporteert 39,3 miljoen
GPU-uren voor het trainen van zijn Llama 3.1-familie.

### Onzekerheidskwantificering (uncertainty quantification) {#uncertainty-quantification}

Bepalen hoeveel vertrouwen we kunnen hebben in de uitvoer van een model, bijvoorbeeld door een bereik te geven in
plaats van één getal. Het helpt te beslissen wanneer een goedkoper model goed genoeg is en wanneer een resultaat
moet worden gecontroleerd.

### WUE {#wue}

Water usage effectiveness: het water dat een datacenter ter plaatse gebruikt, in liters, gedeeld door het
energiegebruik van de computerapparatuur, in kilowattuur. Lager is beter, al kan een koelontwerp dat water bespaart
meer elektriciteit gebruiken, en omgekeerd.

## Veelgestelde vragen

### Wat is het verschil tussen groene AI en duurzame AI?

De termen worden op overlappende manieren gebruikt. Groene AI richt zich meestal op het verminderen van de energie, CO2, het water en de materialen die AI gebruikt; duurzame AI is vaak breder en gaat ook over sociale en economische effecten en over de vraag of hulpbronnen even snel kunnen worden aangevuld als ze worden verbruikt.

### Wat is een token in AI?

Een token is het stukje tekst dat een taalmodel leest of schrijft, vaak een deel van een woord. De vuistregel van OpenAI voor Engels is ongeveer vier tekens, of driekwart woord, per token.

### Wat is het verschil tussen training en inferentie?

Training is het bouwen van een model door het te laten leren van data, meestal één keer en tegen hoge kosten. Inferentie is het gebruik van het afgewerkte model om een vraag te beantwoorden of een afbeelding te maken, en dat gebeurt elke keer dat iemand het gebruikt.

## Bronnen

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission, AI Act Service Desk (2024)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
