Hoe slecht is AI eigenlijk voor het milieu?
Een mythe-audit van AI-claims op het gebied van energie, water en koolstof: wat wordt ondersteund, wat is achterhaald en wat blijft echt zorgwekkend.
De impact van AI op het milieu is reëel en groeit, maar veel virale vergelijkingen zijn te zeker. Gewone tekstprompts lijken volgens recente schattingen een fractie van een wattuur te gebruiken; lange redeneringen, grote context, afbeeldingen en video kunnen veel meer gebruiken. De vraag naar elektriciteit en water in datacentra is op grote schaal van belang, vooral in bepaalde regio's.
Het meest eerlijke oordeel is noch paniek, noch ontslag. Sommige populaire cijfers zijn verouderd, ontdaan van hun aannames of toegepast op de verkeerde eenheid. Ondertussen wordt de trend op systeemniveau – snelle groei van de infrastructuur, deels geleid door AI – goed ondersteund. Deze mythe-audit scheidt wat moet worden teruggetrokken van wat serieuze aandacht verdient.
Mythe: elke AI-query gebruikt 3 Wh
Het cijfer van 3 wattuur was een vroege schatting, gebaseerd op oudere A100-hardware, a GPT-3.5-scale model en een veronderstelde 2,000 gegenereerde tokens. Het was geen universele meting.
Nieuwere publieke schattingen voor een gewone tekstquery zijn lager. OpenAI topman Sam Altman gaf een gemiddelde aan ChatGPT gebruikte zoekopdracht ongeveer 0.34 Wh. Google rapporteerde 0.24 Wh voor a midden Gemini Apps-tekstprompt in mei 2025 met behulp van een methodologie die ondersteunende infrastructuur omvatte.
Geen van beide cijfers bestrijkt elke modus, en Altman heeft de berekening achter zijn gemiddelde niet gepubliceerd. Lange in- en uitgangen kunnen nog steeds vele malen meer gebruiken. '3 Wh voor elke zoekopdracht' intrekken; blijf vragen welke werklast en grens.
Mythe: één bericht drinkt een fles water
De academische inschatting achter de flessenclaim zei niet één boodschap. Li en collega's schatten dat een fles van 500 ml ongeveer zou kunnen overeenkomen 20–50 middellange reacties, afhankelijk van waar en wanneer het model liep. Onder hun aannames komt dat neer op ongeveer 10–25 ml per reactie.
Latere cijfers van operators waren veel lager: Altman gaf ongeveer 0.000085 US gallons (ongeveer 0.32 ml) voor een gemiddelde ChatGPT vraag, terwijl Google rapporteerde 0.26 ml voor de mediaan Gemini tekstprompt. Dit zijn geen zuivere weerleggingen omdat de systemen en grenzen verschillen.
De conclusie is onzekerheid, niet nul. Water varieert afhankelijk van de koeling, het weer en de elektriciteit. Zien gebruikt AI echt een fles per bericht? voor het volledige parcours.
Mythe: AI gebruikt altijd tien keer een zoekopdracht op internet
Deze verhouding plaatst meestal een oude Google zoekschatting naast een nieuwere AI-schatting. De zoekinfrastructuur is sindsdien veranderd Google energiecijfers gepubliceerd in 2009, en veel zoekproducten bevatten nu gegenereerde samenvattingen. Ondertussen zou ‘AI-query’ een korte voltooiing of een onderzoeksopdracht in meerdere stappen kunnen betekenen.
Een verhouding opgebouwd uit verschillende aanbieders, jaren en systeemgrenzen is geen gecontroleerde vergelijking. Het kan ooit een nuttige illustratie zijn geweest, maar het mag niet worden behandeld als een huidige fysieke constante.
Voor een individuele taak is de relevantere vraag of zoeken, een directe bron of een gegenereerd antwoord het juiste hulpmiddel is. Vergelijk op systeemniveau transparante, hedendaagse totalen. Precisie zonder vergelijkbaarheid is geen nauwkeurigheid.
Mythe: hernieuwbare energie maakt AI impactvrij
Koolstofarme elektriciteit kan de operationele uitstoot sterk verminderen, en contracten met technologiebedrijven kunnen helpen bij het opbouwen van een nieuwe generatie. De IEA verwacht dat hernieuwbare energiebronnen in het basisscenario tot 2030 bijna de helft van de groei van de elektriciteitsvoorziening in datacentra zullen kunnen dekken.
Het verwacht ook dat aardgas en steenkool in die periode samen ruim 40% van het extra aanbod zullen dekken. Het is mogelijk dat de jaarlijkse hernieuwbare matching de opwekking niet afstemt op de plaats en het uur van de vraag in het datacenter. Schonere elektriciteit verwijdert ook geen koelwater, hardwareproductie, gebouwen of land.
“Lagere CO2-uitstoot” is een verdedigbare claim met bewijs. “Geen voetafdruk” is dat niet. Het onderscheid staat centraal of AI slecht is voor het milieu.
Mythe: een kleine prompt kan er niet toe doen
Eén korte prompt heeft een kleine operationele voetafdruk. Dat is een reden voor proportie, niet voor ontkenning. Miljarden toepassingen, groeiende outputlengtes en nieuwe werklasten voor afbeeldingen, video's en agents stapelen zich op. Aanbieders bouwen capaciteit op voor de verwachte totale vraag, niet voor de boodschap van één persoon.
Het IEA schatte dat alle gebruikte datacenters – en niet alleen AI – ongeveer zo groot waren 415 TWh in 2024 en verwacht in het basisscenario ongeveer 945 TWh in 2030. Door AI geleide versnelde servers zijn verantwoordelijk voor bijna de helft van de netto toename.
Individuele schuldgevoelens zijn nog steeds het verkeerde beleid. Operators kiezen modellen, hardware, locatie en energie; overheden houden toezicht op de netwerken en het water. Gebruikers kunnen verspilling vermijden, terwijl structurele beslissingen het grootste deel van het traject van het systeem bepalen.
Mythe: AI is de enige reden waarom datacenters groeien
AI is een belangrijke driver, niet de hele sector. Datacenters bieden ook opslag, video, financiële systemen, bedrijfssoftware en conventionele cloud computing. Het herhalen van het volledige datacentertotaal als ‘AI-elektriciteit’ overdrijft de huidige toeschrijving.
De omgekeerde fout is het negeren van AI, omdat nauwkeurige toewijzing moeilijk is. De IEA-modellen zorgen ervoor dat de elektriciteitsproductie van servers veel sneller groeit dan de vraag naar conventionele servers en identificeert AI als de belangrijkste bron van uitbreiding.
Goede rapportage houdt beide feiten bij elkaar: waargenomen totalen zijn breder dan AI, en AI verandert de vooruitzichten wezenlijk. Ons artikel over AI-datacenters verklaart waarom lokale net- en watereffecten wellicht meer informatief zijn dan één mondiaal percentage.
Wat werkelijk zorgwekkend is
De snelle absolute vraag kan de efficiëntie en de bouw op schone energie overstijgen. Faciliteiten clusteren, zodat lokale netwerken en watersystemen te maken kunnen krijgen met druk die mondiale gemiddelden verhullen. De emissies in de toeleveringsketen en de productie van hardware blijven slecht verdeeld. Openbare operationele gegevens op modelniveau zijn nog steeds schaars.
Generatieve media en agentische systemen kunnen elk gebruikersverzoek computationeel complexer maken. Rebound kan goedkopere gevolgtrekkingen omzetten in een grotere totale vraag. Dit zijn planningsrisico's en geen bewijs van het ergste scenario. Daarom zijn de scenariobereiken van belang.
Gebruikers kunnen kleinere, capabele modellen kiezen, de context gefocust houden en wegwerpgeneraties vermijden. Aanbieders moeten werklastspecifieke en absolute totalen publiceren. Treechat verklaart zijn beperkte, op modellen gebaseerde schattingen hierover methodologie pagina. Een ontvangstbewijs kan betere keuzes aanmoedigen, maar het is geen volledige levenscyclusaudit.
AI is al erg genoeg om transparantie, schonere infrastructuur en terughoudendheid te vereisen. Het bewijsmateriaal ondersteunt niet de behandeling van elke melding als een noodsituatie voor het milieu. Het ondersteunt het opbouwen van een cultuur waarin dure berekeningen hun brood moeten verdienen.