Hoe beïnvloedt AI het milieu? [Video en quiz]

Kort antwoord: AI beïnvloedt het milieu vooral door het elektriciteitsverbruik in datacenters (zowel voor training als voor dagelijkse inferentie), naast het waterverbruik voor koeling, plus de indirecte impact van hardwareproductie en elektronisch afval. Als het gebruik oploopt tot miljarden query's, kan inferentie de training overtreffen; als de elektriciteitsnetten schoner zijn en de systemen efficiënter werken, neemt de impact af terwijl de voordelen kunnen toenemen.

Belangrijkste conclusies:

Elektriciteit: Houd het computergebruik bij; de uitstoot daalt wanneer workloads op schonere netwerken draaien.

Water: De keuze voor een bepaalde koelmethode heeft een grote impact; watergebaseerde methoden zijn vooral belangrijk in gebieden met waterschaarste.

Hardware: Chips en servers hebben een aanzienlijke impact op de levensduur; verleng de levensduur en geef prioriteit aan revisie.

Rebound: Efficiëntie kan de totale vraag verhogen; meet de resultaten, niet alleen de winst per taak.

Operationele hefbomen: Modellen op de juiste schaal brengen, inferentie optimaliseren en per verzoek op transparante wijze statistieken rapporteren.

Artikelen die u wellicht interessant vindt om na dit artikel te lezen:

🔗 Is AI slecht voor het milieu?
Ontdek de CO2-voetafdruk, het elektriciteitsverbruik en de databehoefte van AI-datacenters.

🔗 Waarom is AI slecht voor de samenleving?
Kijk naar vooroordelen, baanverlies, misinformatie en toenemende sociale ongelijkheid.

🔗 Waarom is AI slecht? De schaduwzijde van AI
Begrijp de risico's zoals surveillance, manipulatie en verlies van menselijke controle.

🔗 Is AI te ver gegaan?
Debatten over ethiek, regelgeving en waar de grenzen van innovatie zouden moeten liggen.

Hoe AI het milieu beïnvloedt: een kort overzicht ⚡🌱

Als je maar een paar punten onthoudt, laat het dan deze zijn:

• AI verbruikt energie , voornamelijk in datacenters waar GPU's/CPU's worden gebruikt voor training en voor de dagelijkse "inferentie" (het gebruik van het model). IEA: Energie en AI

• Energie kan emissies betekenen , afhankelijk van de lokale energiemix en de energiecontracten. IEA: Energie en AI

• AI kan verrassend veel water verbruiken , met name voor koeling in bepaalde datacenters. Li et al. (2023): Making AI Less “Thirsty” (PDF) US DOE FEMP: Cooling Water Efficiency Opportunities for Federal Data Centers

• AI is afhankelijk van fysieke materialen : chips, servers, netwerkapparatuur, batterijen, gebouwen… wat betekent: mijnbouw, productie, transport en uiteindelijk elektronisch afval. US EPA: Semiconductor Industry ITU: The Global E-waste Monitor 2024

• AI kan de milieubelasting elders verminderen – door logistiek te optimaliseren, lekken op te sporen, de efficiëntie te verbeteren, onderzoek te versnellen en systemen minder verspillend te maken. IEA: AI voor energieoptimalisatie en innovatie

En dan is er nog het aspect dat mensen vaak vergeten: schaal. Eén AI-vraag is misschien klein, maar miljarden vragen zijn een heel ander verhaal… als een klein sneeuwballetje dat op de een of andere manier uitgroeit tot een lawine ter grootte van een bank. (Die metafoor is misschien niet helemaal correct, maar je begrijpt wat ik bedoel.) IEA: Energie en AI

De ecologische voetafdruk van AI is niet één ding, maar een opeenstapeling van factoren 🧱🌎

Wanneer mensen discussiëren over AI en duurzaamheid, praten ze vaak langs elkaar heen omdat ze naar verschillende aspecten wijzen:

1) Bereken de elektriciteit

• Het trainen van grote modellen kan vereisen dat grote clusters langdurig op volle toeren draaien. IEA: Energie en AI

• Inferentie (dagelijks gebruik) kan na verloop van tijd een grotere impact hebben, omdat het constant en overal plaatsvindt. IEA: Energie en AI

2) Overheadkosten van het datacenter

• Koeling, stroomdistributieverliezen, back-upsystemen, netwerkapparatuur. LBNL (2024): Rapport over energieverbruik in datacenters in de Verenigde Staten (PDF)

• Dezelfde rekenkracht kan, afhankelijk van de efficiëntie, een verschillende impact op de praktijk hebben. Het groene elektriciteitsnet: PUE – een uitgebreid onderzoek naar de meeteenheid.

3) Water en warmte

• Veel faciliteiten gebruiken water direct of indirect voor warmtebeheer. US DOE FEMP: Mogelijkheden voor efficiënte koeling van water in federale datacenters Li et al. (2023): AI minder ‘dorstig’ maken (PDF)

• Restwarmte kan worden teruggewonnen, of het kan gewoon als hete lucht ontsnappen. (Niet ideaal.)

4) Hardware-toeleveringsketen

• Het winnen en verwerken van materialen.

• Productie van chips en servers (energie-intensief). US EPA: Halfgeleiderindustrie imec: Vermindering van de milieubelasting bij de chipfabricage

• Verzending, verpakking, upgrades, vervangingen.

5) Gedrag en reboundeffecten

• AI maakt taken goedkoper en gemakkelijker, waardoor mensen er meer van doen. OECD (2012): De vele voordelen van energie-efficiëntieverbeteringen (PDF)

• De efficiëntiewinsten kunnen teniet worden gedaan door een toegenomen vraag. Dat is het punt waar ik een beetje van zucht. OECD (2012): De vele voordelen van energie-efficiëntieverbeteringen (PDF)

Als iemand vraagt ​​hoe AI het milieu beïnvloedt, is het simpele antwoord: het hangt ervan af op welk niveau je meet en wat "AI" in die context betekent.

Training versus inferentie: het verschil dat alles verandert 🧠⚙️

Mensen praten graag over training omdat het dramatisch klinkt - "één model verbruikte X energie". Maar inferentie is de stille reus. IEA: Energie en AI

Training (de grote opbouw)

Training is als het bouwen van een fabriek. Je betaalt de initiële kosten: veel rekenkracht, lange looptijden, veel proefdraaien (en ja, heel wat "oeps, dat werkte niet, probeer het opnieuw"-iteraties). Training kan worden geoptimaliseerd, maar de kosten kunnen nog steeds aanzienlijk zijn. IEA: Energie en AI

Inferentie (het dagelijks gebruik)

Inferentie is als een fabriek die elke dag, voor iedereen en op grote schaal, draait:

• Chatbots die vragen beantwoorden

• Beeldgeneratie

• Zoekrangschikking

• Aanbevelingen

• Spraak-naar-tekst

• Fraudedetectie

• Copiloten in documenten en codetools

Zelfs als elk verzoek relatief klein is, kan het gebruiksvolume de trainingstijd overschaduwen. Het is de klassieke situatie van "één rietje is niets, een miljoen rietjes is een probleem". IEA: Energie en AI

Een kleine kanttekening: sommige AI-taken zijn veel zwaarder dan andere. Het genereren van afbeeldingen of lange video's verbruikt doorgaans meer energie dan het classificeren van korte teksten. Het is dus een beetje alsof je een fiets en een vrachtschip vergelijkt en ze allebei 'transportmiddel' noemt. IEA: Energie en AI

Datacenters: stroomvoorziening, koeling en dat verhaal over het stille water 💧🏢

Datacenters zijn niet nieuw, maar AI verandert de intensiteit ervan. Krachtige accelerators kunnen veel energie verbruiken in krappe ruimtes, wat zich vertaalt in warmte die beheerd moet worden. LBNL (2024): United States Data Center Energy Usage Report (PDF) IEA: Energy and AI

Basisprincipes van koeling (vereenvoudigd, maar praktisch)

• Luchtkoeling: ventilatoren, gekoelde lucht, ontwerp met warme en koude gangen. US DOE FEMP: Energie-efficiëntie in datacenters

• Vloeistofkoeling: efficiënter in compacte omgevingen, maar kan een andere infrastructuur vereisen. ASHRAE (TC 9.9): Opkomst en uitbreiding van vloeistofkoeling in gangbare datacenters (PDF)

• Verdampingskoeling: kan in sommige klimaten het elektriciteitsverbruik verminderen, maar verhoogt vaak het waterverbruik. US DOE FEMP: Mogelijkheden voor waterbesparing bij koeling in federale datacenters.

Dat is de afweging: je kunt het elektriciteitsverbruik soms verlagen door gebruik te maken van waterkoeling. Afhankelijk van de lokale waterschaarste kan dat prima zijn... of het kan een echt probleem vormen. Li et al. (2023): Making AI Less “Thirsty” (PDF)

De ecologische voetafdruk is bovendien sterk afhankelijk van:

• Locatie van het datacenter (emissies van het elektriciteitsnet variëren) Carbon Intensity API (GB) IEA: Energie en AI

• Hoe efficiënt het wordt beheerd (gebruikspercentage is erg belangrijk) Het Groene Netwerk: PUE – Een uitgebreid onderzoek naar de meeteenheid

• Of restwarmte wordt hergebruikt

• Keuzes met betrekking tot energie-inkoop (hernieuwbare energie, langetermijncontracten, enz.)

Om eerlijk te zijn: in het publieke debat wordt een 'datacenter' vaak als een black box behandeld. Het is niet slecht, het is niet magisch. Het is infrastructuur. Het gedraagt ​​zich als infrastructuur.

Chips en hardware: het onderdeel dat mensen overslaan omdat het minder aantrekkelijk is 🪨🔧

AI draait om hardware. Hardware heeft een levenscyclus en de impact daarvan kan groot zijn. US EPA: Halfgeleiderindustrie ITU: De wereldwijde monitor voor elektronisch afval 2024

Waar de milieu-impact zich manifesteert

• Materiaalwinning: het delven en raffineren van metalen en zeldzame materialen.

• Productie: de fabricage van halfgeleiders is complex en energie-intensief. US EPA: Halfgeleiderindustrie imec: Het milieueffect van chipfabricage verminderen

• Transport: wereldwijde toeleveringsketens vervoeren onderdelen overal naartoe.

• Korte vervangingscycli: snelle upgrades kunnen de hoeveelheid elektronisch afval en de daarmee samenhangende emissies verhogen. ITU: De wereldwijde monitor voor elektronisch afval 2024

Elektronisch afval en "perfect functionerende" servers

Veel milieuschade wordt niet veroorzaakt door het bestaan ​​van één enkel apparaat, maar door het vroegtijdig vervangen ervan omdat het niet langer kosteneffectief is. AI versnelt dit proces, omdat de prestatieverbeteringen enorm kunnen zijn. De verleiding om hardware te vernieuwen is groot. ITU: De wereldwijde monitor voor elektronisch afval 2024

Een praktisch punt: het verlengen van de levensduur van hardware, het verbeteren van het gebruik en het opknappen ervan kunnen net zo belangrijk zijn als welke geavanceerde modelaanpassing dan ook. Soms is de meest milieuvriendelijke GPU degene die je niet koopt. (Dat klinkt als een slogan, maar het is ook... ergens wel waar.)

Hoe AI het milieu beïnvloedt: de vicieuze cirkel van "mensen vergeten dit" 🔁😬

En hier komt het ongemakkelijke sociale aspect: AI maakt dingen gemakkelijker, waardoor mensen meer dingen doen. Dat kan fantastisch zijn – meer productiviteit, meer creativiteit, meer toegankelijkheid. Maar het kan ook leiden tot een hoger totaal grondstoffenverbruik. OECD (2012): De vele voordelen van energie-efficiëntieverbeteringen (PDF)

Voorbeelden:

• Als AI het maken van video's goedkoper maakt, zullen mensen meer video's maken.

• Als AI reclame effectiever maakt, worden er meer advertenties weergegeven en ontstaan ​​er meer interactiecycli.

• Als AI de logistiek van verzendingen efficiënter maakt, kan e-commerce nog veel sneller groeien.

Dit is geen reden tot paniek. Het is een reden om de resultaten te meten, niet alleen de efficiëntie.

Een ietwat onvolmaakte, maar wel leuke metafoor: de efficiëntie van AI is als een tiener een grotere koelkast geven – ja, er past meer eten in, maar op de een of andere manier is de koelkast binnen een dag alweer leeg. Geen perfecte metafoor, maar… je hebt het vast wel eens zien gebeuren 😅

Het positieve punt: AI kan het milieu echt helpen (mits goed ingezet) 🌿✨

En nu het aspect dat vaak wordt onderschat: AI kan de uitstoot en afvalproductie verminderen in bestaande systemen die, eerlijk gezegd, niet erg efficiënt zijn. IEA: AI voor energieoptimalisatie en innovatie

Gebieden waar AI van pas kan komen

• Energienetten: vraagvoorspelling, vraagsturing, integratie van variabele hernieuwbare energiebronnen. IEA: AI voor energieoptimalisatie en innovatie

• Gebouwen: slimmere HVAC-regeling, voorspellend onderhoud, energieverbruik op basis van bezetting. IEA: Digitalisering

• Transport: routeoptimalisatie, wagenparkbeheer, vermindering van lege kilometers. IEA: AI voor energieoptimalisatie en innovatie.

• Productie: defectdetectie, procesoptimalisatie, vermindering van afval.

• Landbouw: precisie-irrigatie, plaagdetectie, bemestingsoptimalisatie.

• Milieumonitoring: het opsporen van methaanlekken, het volgen van ontbossingssignalen en het in kaart brengen van biodiversiteitspatronen. UNEP: Hoe MARS werkt. Global Forest Watch: GLAD-ontbossingswaarschuwingen. Het Alan Turing Institute: AI en autonome systemen voor het beoordelen van biodiversiteit.

• Circulaire economie: betere sortering en identificatie in recyclingstromen.

Belangrijke nuance: dat AI "helpt", compenseert niet automatisch de ecologische voetafdruk van AI. Het hangt ervan af of de AI daadwerkelijk wordt ingezet, gebruikt en of het leidt tot echte besparingsresultaten in plaats van alleen maar betere dashboards. Maar ja, het potentieel is reëel. IEA: AI voor energieoptimalisatie en innovatie

Wat maakt een goede versie van milieuvriendelijke AI? ✅🌍

Dit is het gedeelte "oké, wat moeten we nu doen?". Een goede, milieuvriendelijke AI-configuratie heeft doorgaans het volgende:

• Duidelijke toepassingswaarde: Als het model geen veranderingen teweegbrengt in beslissingen of uitkomsten, is het slechts een geavanceerde rekenmachine.

• Geïntegreerde meting: Energieverbruik, CO2-uitstoot, benutting en efficiëntie worden bijgehouden zoals elke andere KPI. CodeCarbon: Methodologie

• Modellen van de juiste grootte: Gebruik kleinere modellen wanneer kleinere modellen volstaan. Efficiëntie is geen morele tekortkoming.

• Efficiënt inferentieontwerp: caching, batchverwerking, kwantisering, retrieval en goede promptingpatronen. Gholami et al. (2021): Overzicht van kwantiseringsmethoden (PDF) Lewis et al. (2020): Retrieval-Augmented Generation

• Hardware- en locatiebewustzijn: voer workloads uit waar het elektriciteitsnet schoner is en de infrastructuur efficiënt (indien mogelijk). Carbon Intensity API (GB)

• Langere levensduur van hardware: maximaliseer het gebruik, hergebruik en de revisie. ITU: De wereldwijde monitor voor elektronisch afval 2024

• Eerlijke berichtgeving: vermijd groenwassing en vage beweringen zoals 'milieuvriendelijke AI' zonder cijfers.

Als je nog steeds onderzoekt hoe AI het milieu beïnvloedt, dan is dit het punt waarop het antwoord niet langer filosofisch is, maar operationeel: het beïnvloedt het milieu op basis van jouw keuzes.

Vergelijkingstabel: tools en methoden die daadwerkelijk impact hebben 🧰⚡

Hieronder staat een snelle, praktische tabel. Hij is niet perfect, en ja, een paar cellen zijn een beetje subjectief... want zo werkt het nu eenmaal bij het kiezen van gereedschap in de praktijk.

Zie je wat er ontbreekt? "Koop een magische groene sticker." Die bestaat gewoon niet 😬

Praktisch stappenplan: de impact van AI verminderen zonder het product om zeep te helpen 🛠️🌱

Als je AI-systemen bouwt of koopt, is dit een realistische volgorde die in de praktijk werkt:

Stap 1: Begin met meten

• Houd het energieverbruik bij of schat het consistent in. CodeCarbon: Methodologie

• Meting per trainingssessie en per inferentieverzoek.

• Monitor het gebruik - inactieve resources kunnen onopgemerkt blijven. Het groene raster: PUE

Stap 2: Pas het model aan de taak aan

• Gebruik kleinere modellen voor classificatie, extractie en routering.

• Bewaar het zware model voor de stevige koffers.

• Overweeg een "modelcascade": eerst een klein model, en pas een groter model als dat nodig is.

Stap 3: Optimaliseer de inferentie (dit is waar schaalvergroting een rol speelt)

• Caching: het opslaan van antwoorden op herhaalde zoekopdrachten (met zorgvuldige privacymaatregelen).

• Batchverwerking: het groeperen van verzoeken om de hardware-efficiëntie te verbeteren.

• Kortere teksten: lange teksten kosten meer - soms is een essay niet nodig.

• Promptdiscipline: rommelige prompts leiden tot langere rekenprocessen... en ja, meer tokens.

Stap 4: Verbeter de datahygiëne

Dit lijkt er niets mee te maken te hebben, maar dat is het niet:

• Schonere datasets kunnen de noodzaak tot hertraining verminderen.

• Minder ruis betekent minder experimenten en minder mislukte runs.

Stap 5: Beschouw hardware als een waardevolle investering, niet als wegwerpartikel

• Verleng waar mogelijk de vernieuwingscycli. ITU: De wereldwijde monitor voor elektronisch afval 2024

• Hergebruik oudere hardware voor lichtere taken.

• Vermijd het instellen van "altijd piekbelasting".

Stap 6: Kies verstandig voor de implementatie

• Kies waar mogelijk voor flexibele banen waar de energievoorziening schoner is. Carbon Intensity API (GB)

• Verminder onnodige duplicatie.

• Houd realistische latency-doelstellingen aan (extreem lage latency kan leiden tot inefficiënte always-on-configuraties).

En ja… soms is de beste oplossing simpelweg: voer niet automatisch het grootste model uit voor elke gebruikersactie. Die gewoonte is voor het milieu vergelijkbaar met het aan laten staan ​​van alle lampen omdat het vervelend is om naar de schakelaar te lopen.

Veelvoorkomende mythes (en wat dichter bij de waarheid ligt) 🧠🧯

Mythe: "AI is altijd slechter dan traditionele software"

Feit: AI kan weliswaar meer rekenkracht vergen, maar het kan ook inefficiënte handmatige processen vervangen, verspilling verminderen en systemen optimaliseren. Het hangt af van de situatie. IEA: AI voor energieoptimalisatie en innovatie

Mythe: "Training is het enige probleem"

Feit: Inferentie op grote schaal kan na verloop van tijd de overhand krijgen. Als het gebruik van je product explosief stijgt, wordt dit het belangrijkste verhaal. IEA: Energie en AI

Mythe: "Hernieuwbare energiebronnen lossen het probleem direct op"

Feit: Schonere elektriciteit helpt enorm, maar wist de ecologische voetafdruk van hardware, het waterverbruik en het terugslageffect niet uit. Het blijft echter wel belangrijk. IEA: Energie en AI

Mythe: "Als het efficiënt is, is het duurzaam"

Feit: Efficiëntie zonder vraagbeheersing kan de totale impact nog steeds vergroten. Dat is de valkuil van het terugslageffect. OECD (2012): De vele voordelen van energie-efficiëntieverbeteringen (PDF)

Goed bestuur, transparantie en geen theatrale gebaren 🧾🌍

Als bedrijf wordt vertrouwen hier opgebouwd of verloren.

• Rapporteer zinvolle statistieken: per verzoek, per gebruiker, per taak - niet alleen grote, angstaanjagende totalen. LBNL (2024): United States Data Center Energy Usage Report (PDF)

• Vermijd vage beweringen: "groene AI" betekent niets zonder cijfers en afgebakende grenzen.

• Houd rekening met water en lokale impact: koolstof is niet de enige milieuvariabele. Li et al. (2023): AI minder ‘dorstig’ maken (PDF)

• Ontwerp gericht op terughoudendheid: standaard kortere reacties, energiezuinigere modi, "eco"-instellingen die daadwerkelijk iets doen.

• Denk aan rechtvaardigheid: het intensief gebruiken van hulpbronnen op plekken met waterschaarste of kwetsbare elektriciteitsnetten heeft gevolgen die verder reiken dan je spreadsheet laat zien. US DOE FEMP: Mogelijkheden voor efficiënter koelwatergebruik in federale datacenters

Dit is het punt waarop mensen hun ogen rollen, maar het is wel degelijk belangrijk. Verantwoorde technologie gaat niet alleen over slimme techniek. Het gaat er ook om dat je niet doet alsof er geen compromissen bestaan.

Samenvatting: een beknopte samenvatting van de impact van AI op het milieu 🌎✅

De impact van AI op het milieu komt neer op de extra belasting: elektriciteit, water (soms) en de vraag naar hardware. IEA: Energie en AI Li et al. (2023): AI minder 'dorstig' maken (PDF) Het biedt ook krachtige tools om emissies en afval in andere sectoren te verminderen. IEA: AI voor energieoptimalisatie en innovatie Het uiteindelijke resultaat hangt af van de schaal, de netkwaliteit, de efficiëntiekeuzes en of de AI daadwerkelijk problemen oplost of alleen maar nieuwigheden genereert omwille van de nieuwigheid. IEA: Energie en AI

Als je de meest eenvoudige praktische conclusie wilt:

• Meeteenheid.

• De juiste maat.

• Optimaliseer inferentie.

• Verleng de levensduur van de hardware.

• Wees open over de afwegingen die je moet maken.

En als je je overweldigd voelt, is hier een geruststellende waarheid: kleine operationele beslissingen, duizend keer herhaald, zijn meestal effectiever dan één grote duurzaamheidsverklaring. Net zoals tandenpoetsen. Niet glamoureus, maar het werkt.. 

Praktisch voorbeeld: De ecologische voetafdruk van een AI-assistent voor klantenservice verkleinen 🌱🎧

Scenario

Stel je voor dat een kleine online retailer AI wil gebruiken om veelgestelde vragen van klanten te beantwoorden over levertijden, retouren, beschadigde pakketten en productmaten.

De eerste versie is inefficiënt: elk klantbericht gaat direct naar het grootste beschikbare model, zelfs als de vraag simpel is. De assistent schrijft ook veel te lange antwoorden, herhaalt beleidsteksten en beantwoordt dezelfde vragen duizenden keren opnieuw in plaats van goedgekeurde antwoorden te hergebruiken.

Een verstandigere aanpak is niet "geen AI". Het gaat om AI op de juiste schaal: gebruik lichtere tools voor eenvoudige taken, reserveer het grotere model voor complexe gevallen en meet de impact per opgelost ticket.

Wat de assistent nodig heeft

Het team zou het volgende voorbereiden:

Een actueel retourbeleid

Leveringsregels per regio

Opmerkingen over de productmaatvoering

Een kort overzicht van de escalatieprocedure voor terugbetalingen, klachten en juridische kwesties

Een lijst met 50 veelgestelde klantvragen

Goedgekeurde korte antwoorden op herhaalde vragen

Een eenvoudig registratieformulier met: type verzoek, gebruikt model, lengte van het antwoord, of escalatie nodig was en of het antwoord de menselijke beoordeling heeft doorstaan

Voorbeeldinstructie

Gebruik eerst het kleinste geschikte model of een op regels gebaseerd antwoord. Gebruik het grotere model alleen als de vraag van de klant onduidelijk, emotioneel is, meerdere aspecten bevat of informatie uit meer dan één polis combineert. Houd antwoorden onder de 120 woorden, tenzij de klant om meer details vraagt. Als het vertrouwen laag is, stel dan een verduidelijkende vraag of schakel een medewerker in. Verzin geen leverdata, terugbetalingsgoedkeuringen of uitzonderingen op het beleid.

Hoe test je het?

Voer vóór de lancering een test uit met 50 tickets:

10 vragen over bezorging

10 retourvragen

10 vragen over productafmetingen

10 klachten over beschadigde artikelen

10 tegenstrijdige of onduidelijke berichten

Controleer voor elk antwoord:

Is het juiste beleid toegepast?

Zou een goedgekeurd antwoord uit de cache het probleem hebben opgelost?

Was het grotere model nodig?

Heeft de assistent het antwoord kort gehouden?

Heeft een van de antwoorden informatie verzonnen?

Zijn gevoelige zaken op de juiste manier doorverwezen naar de juiste instanties?

Een redelijke score zou bijvoorbeeld zijn: 95% nauwkeurigheid van het beleid, geen verzonnen terugbetalingsbeloftes en 100% escalatie van klachten met betrekking tot betalingsgeschillen of juridische dreigingen.

Resultaat

Illustratief resultaat, gebaseerd op de tijd en telling van een test met 50 tickets vóór en na optimalisatie:

Vóór de optimalisatie gebruikten alle 50 tickets het grotere model, met een gemiddelde antwoordlengte van 210 woorden.

Na optimalisatie gebruikten 31 tickets goedgekeurde antwoorden uit de cache, 14 tickets gebruikten een kleiner model en slechts 5 tickets gebruikten het grotere model.

De gemiddelde lengte van de antwoorden daalde van 210 woorden naar 92 woorden.

De tijd die nodig was voor de menselijke beoordeling daalde van 4 uur en 10 minuten naar 1 uur en 25 minuten.

Het team vond 2 onjuiste beleidsantwoorden tijdens de eerste testronde, en vervolgens 0 onjuiste beleidsantwoorden nadat de brondocumenten waren bijgewerkt en duidelijkere escalatieregels waren toegevoegd.

Dit bewijst niet dat de assistent "groen" is. Het laat simpelweg zien welke meetmethode de milieuclaim controleerbaar maakt: minder aanroepen van zware modellen, kortere uitvoer, minder herhaalde generaties en minder vermijdbare beoordelingscycli.

Wat kan er misgaan?

De assistent kan nog steeds rekenkracht verspillen als elk vaag bericht "voor de zekerheid" naar het grootste model wordt doorgestuurd.

Opgeslagen antwoorden kunnen riskant worden als het retourbeleid verandert en niemand ze bijwerkt.

Korte antwoorden kunnen klanten frustreren als ze belangrijke details weglaten.

Beweringen over CO2-uitstoot of energiebesparing kunnen neerkomen op greenwashing als een bedrijf alleen percentagebesparingen rapporteert zonder de meetmethode te vermelden.

De grootste fout is om modelkeuze als enige factor te beschouwen. In de praktijk komt een groenere workflow voort uit routing, caching, kortere outputs, betere brondocumenten en menselijke beoordeling van risicovolle gevallen.

Praktische tips

Een AI-systeem met een lagere impact is meestal niet het meest geavanceerde. Het is er een dat het daadwerkelijke gebruik meet, onnodige, zware gevolgtrekkingen vermijdt, goedgekeurde antwoorden waar mogelijk hergebruikt en mensen nog steeds controle geeft over de beslissingen die er echt toe doen.

Veelgestelde vragen

Hoe beïnvloedt AI het milieu in het dagelijks gebruik, niet alleen in grote onderzoekslaboratoria?

De meeste energie die AI verbruikt, komt van de elektriciteit die nodig is voor datacenters waar GPU's en CPU's draaien, zowel tijdens de training als tijdens de dagelijkse "inferentie". Een enkele aanvraag lijkt misschien bescheiden, maar op grote schaal stapelen die aanvragen zich snel op. De impact hangt ook af van de locatie van het datacenter, de kwaliteit van het lokale elektriciteitsnet en de efficiëntie van de infrastructuur.

Is het trainen van een AI-model schadelijker voor het milieu dan het gebruik ervan (inferentie)?

Training kan een grote, initiële rekenintensieve taak zijn, maar inferentie kan na verloop van tijd een grotere impact hebben, omdat het constant en op enorme schaal draait. Als een tool dagelijks door miljoenen mensen wordt gebruikt, kunnen de herhaalde verzoeken de eenmalige trainingskosten overtreffen. Daarom richt optimalisatie zich vaak op de efficiëntie van inferentie.

Waarom gebruikt AI water, en is dat altijd een probleem?

AI kan water gebruiken, voornamelijk omdat sommige datacenters afhankelijk zijn van waterkoeling, of omdat water indirect wordt verbruikt bij de elektriciteitsopwekking. In bepaalde klimaten kan verdampingskoeling het elektriciteitsverbruik verlagen, terwijl het waterverbruik juist toeneemt. Dit creëert een echte afweging. Of het "slecht" is, hangt af van de lokale waterschaarste, het ontwerp van de koeling en of het waterverbruik wordt gemeten en beheerd.

Welke delen van de ecologische voetafdruk van AI zijn afkomstig van hardware en elektronisch afval?

AI is afhankelijk van chips, servers, netwerkapparatuur, gebouwen en toeleveringsketens – wat betekent: mijnbouw, productie, transport en uiteindelijk afvalverwerking. De productie van halfgeleiders is energie-intensief en snelle upgradecycli kunnen de uitstoot en de hoeveelheid elektronisch afval verhogen. Het verlengen van de levensduur van hardware, het reviseren en het optimaliseren van het gebruik ervan kunnen de impact aanzienlijk verminderen, soms zelfs net zo groot als veranderingen op modelniveau.

Lost het gebruik van hernieuwbare energie de milieu-impact van AI op?

Schonere elektriciteit kan de uitstoot van computergebruik verminderen, maar het wist andere effecten zoals waterverbruik, hardwareproductie en elektronisch afval niet uit. Het pakt ook niet automatisch het 'reboundeffect' aan, waarbij goedkoper computergebruik leidt tot een hoger totaalverbruik. Hernieuwbare energiebronnen zijn een belangrijke factor, maar vormen slechts één onderdeel van de totale ecologische voetafdruk.

Wat is het rebound-effect en waarom is het belangrijk voor AI en duurzaamheid?

Het rebound-effect treedt op wanneer efficiëntiewinsten iets goedkoper of gemakkelijker maken, waardoor mensen het vaker gaan doen – soms waardoor de besparingen teniet worden gedaan. Met AI kan goedkopere productie of automatisering de totale vraag naar content, rekenkracht en diensten juist verhogen. Daarom is het meten van resultaten in de praktijk belangrijker dan het vieren van efficiëntie op zich.

Wat zijn praktische manieren om de impact van AI te verminderen zonder het product te schaden?

Een veelgebruikte aanpak is om te beginnen met metingen (schattingen van energie- en koolstofuitstoot, gebruik), vervolgens modellen op de juiste schaal af te stemmen op de taak en de inferentie te optimaliseren met caching, batchverwerking en kortere uitvoer. Technieken zoals kwantisering, distillatie en retrieval-augmented generation kunnen de rekenkrachtbehoefte verminderen. Operationele keuzes – zoals workloadplanning op basis van koolstofintensiteit en een langere levensduur van hardware – leveren vaak grote voordelen op.

Hoe kan AI het milieu helpen in plaats van het te schaden?

AI kan de uitstoot en afval verminderen wanneer het wordt ingezet om bestaande systemen te optimaliseren: netvoorspellingen, vraagsturing, HVAC-regeling in gebouwen, logistieke routeplanning, voorspellend onderhoud en lekdetectie. Het kan ook bijdragen aan milieumonitoring, zoals waarschuwingen voor ontbossing en methaandetectie. De cruciale vraag is of het systeem beslissingen verandert en meetbare reducties oplevert, en niet alleen betere dashboards.

Welke gegevens moeten bedrijven rapporteren om te voorkomen dat ze zich schuldig maken aan "greenwashing" van AI-claims?

Het is zinvoller om per taak of per verzoek statistieken te rapporteren dan alleen grote totaalcijfers, omdat dit de efficiëntie op unitniveau laat zien. Het bijhouden van energieverbruik, CO2-uitstoot, benutting en – waar relevant – waterimpact zorgt voor een duidelijkere verantwoording. Ook belangrijk: definieer de grenzen (wat er wel en niet onder valt) en vermijd vage labels zoals 'milieuvriendelijke AI' zonder kwantitatief bewijs.

Referenties

1. Internationaal Energieagentschap (IEA) - Energie en AI - iea.org

2. Internationaal Energieagentschap (IEA) - AI voor energieoptimalisatie en innovatie - iea.org

3. Internationaal Energieagentschap (IEA) - Digitalisering - iea.org

4. Lawrence Berkeley National Laboratory (LBNL) - Rapport over energieverbruik van datacenters in de Verenigde Staten (2024) (PDF) - lbl.gov

5. Li et al. - AI minder ‘dorstig’ maken (2023) (PDF) - arxiv.org

6. ASHRAE (TC 9.9) - Opkomst en uitbreiding van vloeistofkoeling in gangbare datacenters (PDF) - ashrae.org

7. The Green Grid - PUE - Een uitgebreid onderzoek naar de meetmethode - thegreengrid.org

8. Amerikaans Ministerie van Energie (DOE) - FEMP - Mogelijkheden voor efficiënter koelwatergebruik in federale datacenters - energy.gov

9. Amerikaans Ministerie van Energie (DOE) - FEMP - Energie-efficiëntie in datacenters - energy.gov

10. Amerikaans Milieuagentschap (EPA) - Halfgeleiderindustrie - epa.gov

11. Internationale Telecommunicatie Unie (ITU) - De wereldwijde monitor voor elektronisch afval 2024 - itu.int

12. OESO - De vele voordelen van energie-efficiëntieverbeteringen (2012) (PDF) - oecd.org

13. API voor koolstofintensiteit (GB) - carbonintensity.org.uk

14. imec - Het milieueffect van chipfabricage verminderen - imec-int.com

15. UNEP - Hoe MARS werkt - unep.org

16. Global Forest Watch - GLAD-ontbossingswaarschuwingen - globalforestwatch.org

17. Het Alan Turing Instituut - AI en autonome systemen voor het beoordelen van biodiversiteit en de gezondheid van ecosystemen - turing.ac.uk

18. CodeCarbon - Methodologie - mlco2.github.io

19. Gholami et al. - Overzicht van kwantiseringsmethoden (2021) (PDF) - arxiv.org

20. Lewis et al. - Retrieval-Augmented Generation (2020) - arxiv.org

21. Hinton et al. - Kennis destilleren in een neuraal netwerk (2015) - arxiv.org

22. CodeCarbon - codecarbon.io

Vind de nieuwste AI in de officiële AI Assistant Store

Over ons