AI en klimaat — de hoop, de hypocrisie, en wat we kunnen hopen

Voor het klimaatdebat is AI een ongemakkelijke figuur. Het biedt tegelijk hoop en een probleem. Elke keer dat ik denk dat AI een klimaat-schaduw is, valt mijn oog op een wetenschappelijke doorbraak die door AI mogelijk is. Elke keer dat ik denk dat AI een klimaat-redder is, lees ik over de enorme energiebehoefte van een nieuw datacentrum.

Beide verhalen zijn waar. Hoe ze zich uiteindelijk tegen elkaar uitbalanceren, is een van de belangrijkste open vragen van onze tijd.

De positieve kant

AI draagt op concrete, meetbare manieren bij aan klimaatonderzoek en -oplossingen.

Weersvoorspelling. Traditionele numerieke weersmodellen draaien op supercomputers en kosten enorm veel rekenkracht voor elke voorspelling. Google's GraphCast (2023) gebruikt een AI-aanpak die vergelijkbare of betere nauwkeurigheid levert tegen een fractie van de kosten. Microsoft's Aurora (2024) doet hetzelfde en breder. Dit maakt frequente, lokale weersvoorspelling betaalbaar voor veel meer regio's — inclusief ontwikkelingslanden die niet eerder goede modellen konden opzetten.

Klimaatmodellering. AI helpt bij het verfijnen van langetermijn-klimaatmodellen. Traditionele klimaatmodellen worstelen met details op kleinere schaal (wolken, regionale variatie). AI-submodellen kunnen deze details beter simuleren binnen de bredere klimaatsimulaties.

Materiaalontdekking. Google DeepMind's GNoME-project (2023) identificeerde meer dan 2 miljoen stabiele materialen. Veel van deze zijn kandidaat-materialen voor batterijen, zonnecellen, katalysatoren voor koolstofafvang, of supergeleiders. Enkele zijn inmiddels gesynthetiseerd en getest.

Batterij-ontwerp. AI-versterkt onderzoek heeft nieuwe batterij-chemie ontdekt die langer meegaat, sneller oplaadt, en minder afhankelijk is van schaarse materialen zoals lithium. Dit is cruciaal voor de energietransitie.

Grid-optimization. Elektriciteitsnetten worden complexer naarmate ze meer intermittente hernieuwbare bronnen integreren. AI helpt bij real-time balancing — voorspellen wanneer zonnepanelen productie zullen leveren, wanneer demand piekt, hoe opslag optimaal te benutten.

Drug discovery voor klimaat-gerelateerde aandoeningen. Omdat klimaatverandering leidt tot veranderende ziektelast (malaria, dengue, nieuwe zoönosen), kan AI-versnelde medicijnontwikkeling helpen bij de menselijke gevolgen.

Koolstofafvang. Sommige AI-projecten ontwikkelen betere katalysatoren voor direct air capture (CO2 uit de lucht halen). Andere optimaliseren de monitoring van carbon credits om fraude te voorkomen.

Landbouw. Precisielandbouw met AI kan waterverbruik verminderen, kunstmest-gebruik optimaliseren, en opbrengsten verhogen — wat druk op natuurlijke ecosystemen vermindert.

Deze toepassingen zijn echt. Ze zijn niet vaag. Ze produceren meetbare resultaten. Zonder AI zou onze klimaatrespons langzamer zijn.

De negatieve kant

Maar AI's eigen energieverbruik is substantieel en groeit snel.

Datacentra. AI-gedreven datacentra verbruiken een stijgend percentage van de wereldwijde elektriciteit. In 2024 ongeveer 2%. Schattingen voor 2028-2030 variëren van 5 tot 10 procent. Dat is orde-van-grootte vergelijkbaar met de hele luchtvaartsector.

Training-kosten. GPT-4's training verbruikte ongeveer 50-100 miljoen kWh — genoeg voor een middelgrote stad een jaar lang. Elk nieuw frontier-model verbruikt meer. De totale hoeveelheid stroom voor AI-training stijgt exponentieel.

Inference op schaal. Misschien nog relevanter dan training is inference — het beantwoorden van gebruikersvragen. Met miljarden queries per dag over alle AI-platforms telt dit serieuze elektriciteit op.

Water. Datacentra koelen vaak met water. Een groot AI-datacentrum kan miljoenen liters per dag verbruiken. In droge regio's (Arizona, Texas, delen van Spanje) is dit conflict-genererend.

Hardware-productie. De productie van AI-GPU's en datacentra zelf heeft een carbon footprint. Chipproductie verbruikt veel energie en water. Bouw van grote datacentra vereist beton en staal, beide carbon-intensief.

Nucleair heropstanding. Om stroom voor AI te leveren, openen bedrijven nucleaire centrales — Microsoft heropent Three Mile Island. Dat is niet noodzakelijk slecht (nucleair is low-carbon), maar het is wel opmerkelijk dat AI zulke niet-klimaat-bedoelde keuzes dwingt.

De hypocrisie

Een ongemakkelijk punt: AI-bedrijven adverteren hun klimaatvriendelijkheid breed, maar hebben vaak hun eigen klimaatdoelen overschreden.

Microsoft committeerde zich in 2020 aan koolstof-negatief in 2030. In 2024 was hun uitstoot 30% hoger dan 2020, grotendeels vanwege AI-infrastructuur. Google had vergelijkbare overschrijdingen. Meta ook. Geen van de grote AI-bedrijven haalt momenteel hun eigen publiekelijk uitgesproken klimaatdoelen.

Dat maakt hun positie ambivalent. Ze beweren te helpen bij klimaat, maar hun eigen footprint is aan het groeien. De eerlijke interpretatie: ze betalen voor klimaatwerk met de verwachte toekomstige voordelen van AI-bevordering. Of dat werkt, hangt af van of die voordelen inderdaad uitkomen.

Het netto-effect berekenen

Hoe vergelijken we voor- en nadelen? Het is pijnlijk moeilijk.

Positieve bijdragen: Mogelijk honderden miljarden ton CO2-equivalent vermeden door betere klimaatmodellering, snellere energietransitie, efficiëntere industrie, betere materialen. Dit zijn ruwe schattingen — het is methodologisch lastig om de tegenfeitelijke "wereld zonder AI" te meten.

Negatieve bijdragen: Groeiende uitstoot van datacentra. In 2025 mogelijk 200-400 miljoen ton CO2 direct attribueerbaar aan AI-elektriciteit.

Op basis van huidige schattingen lijkt AI netto klimaat-positief als zijn positieve bijdragen (klimaatonderzoek, energietransitie) substantieel realiseren. Als die bijdragen uitblijven, wordt AI netto negatief vanwege zijn eigen verbruik.

Maar zulke berekeningen zijn zeer onzeker. Ze hangen af van aannames over toekomstige technologieontwikkeling, gebruiksvolumes, decarbonisatie van stroomvoorziening, en verbeteringen in AI-efficiëntie.

De Jevons-paradox

Een subtiel probleem is de Jevons-paradox. Historisch gezien: wanneer een technologie efficiënter wordt, wordt ze vaak massaler gebruikt, wat het totale verbruik doet stijgen in plaats van dalen.

Voor AI: elke keer dat modellen efficiënter worden per query, worden ze gebruikt voor meer taken. Efficiency-verbeteringen van 10x worden vaak gevolgd door gebruik-verbeteringen van 100x. Netto: meer totaal verbruik ondanks efficiëntere tech.

Dat betekent dat "AI wordt efficiënter, dus klimaatimpact daalt" een onvolledige redenering is. Het hangt af van of efficiency-winsten worden doorgegeven (lager totaal verbruik) of worden geabsorbeerd door meer gebruik (gelijk totaal verbruik of meer).

De dominante economische logica is dat efficiency-winsten worden geabsorbeerd. AI wordt goedkoper om te gebruiken, mensen en bedrijven gebruiken het meer. Tenzij iets dat dynamisch verandert (prijsstelling, beleid, culturele shift), wordt AI's totale energievoetafdruk blijven groeien.

De hoopvolle kant

Desondanks zijn er hoopvolle signalen.

Hernieuwbare investering. AI-bedrijven zijn ongekend grote investeerders in hernieuwbare capaciteit. Deze investering versnelt de groene energietransitie breder. Als AI-datacentra worden gevoed door zonnen- en windparken die anders niet gebouwd zouden zijn, is het klimaateffect genuanceerder.

Efficiency-verbeteringen. Elke AI-generatie is efficiënter per token. Moderne modellen zijn 10-100x zuiniger dan hun 2020-voorgangers voor vergelijkbare kwaliteit. Die trend zou moeten doorzetten.

Specialisation. Niet alle AI-toepassingen hoeven op frontier-modellen te draaien. Veel taken kunnen worden gedaan door veel kleinere, zuinigere modellen. Slim routing — frontier alleen als nodig — kan verbruik significantly verminderen.

Baanbrekende toepassingen. Als AI de ontwikkeling van fusie-energie, efficiënte koolstofafvang, of een andere game-changing technologie versnelt, zou dat de hele berekening transformeren. Dergelijke doorbraken zijn speculatief maar niet onmogelijk.

Wat we kunnen doen

Voor individuen, organisaties en beleidsmakers zijn er keuzes die ertoe doen.

Als gebruiker: Gebruik bewust. Voor triviale vragen geen frontier-model (verspilling). Voor taken die AI niet efficiënt oplost, overweeg alternatieven. Niet elk creatief werk hoeft door AI.

Als organisatie: Kies leveranciers met geloofwaardige duurzaamheidsplannen. Vraag naar Scope 3-uitstoot. Voor on-premise AI: kies efficiëntere architecturen.

Als beleidsmaker: Reguleer datacentrum-duurzaamheid strenger. Subsidies voor hernieuwbare stroom specifiek voor data-infrastructuur. Koppel AI-goedkeuring aan klimaatimpact-assessment voor zeer grote trainingen.

Als investeerder: AI met lage carbon-intensiteit verdient premium. AI die alleen maar more-compute-means-better is, moet worden bekritiseerd.

Wat niet weten

Er zijn grote onbekenden die de uiteindelijke uitkomst bepalen.

Hoe snel de elektriciteitsmix decarboniseerde. Als het net in 2030 voornamelijk hernieuwbaar is, is AI's elektriciteitsverbruik minder problematisch. Als niet, is het serieus.

Of de voorspelde AI-toepassingen in klimaat echt realiseren. Veel hoop zit in toepassingen die nog niet bewezen zijn. Als ze uitblijven, verdampen de positieve claims.

Hoe de markt zich ontwikkelt. Meer, goedkopere AI betekent meer gebruik. Hoeveel meer, is onzeker.

Beleidsreactie. Serieuze regulering kan vraag verlagen of efficiëntie verhogen. Afwezigheid van regulering laat groei ongecontroleerd.

De rustige conclusie

AI en klimaat zijn in conflict, maar niet fundamenteel onverenigbaar. De manier waarop we AI inzetten — welke toepassingen we prioriteren, welke stroom we gebruiken, welke efficiëntie we eisen — bepaalt of AI klimaat-hulp of klimaat-last wordt.

De hypocrisie is reëel. AI-bedrijven prijzen zichzelf vaak groen terwijl hun voetafdruk groeit. Dat is iets om kritisch op te blijven, maar het ondermijnt niet de bredere waarde van klimaat-positieve toepassingen.

Voor optimisten: de beste uitkomst is AI die zichzelf energie-efficiënt maakt en tegelijk baanbrekende klimaatoplossingen versnelt. Dat is mogelijk maar niet gegarandeerd.

Voor pessimisten: het worst-case is AI dat enorm meer energie verbruikt zonder evenredige klimaatbijdrage. Dat is ook mogelijk, en vereist actieve interventie om te vermijden.

We zitten er nu in tussenposities. Elke keuze — technologisch, beleid, persoonlijk — trekt ons iets naar de ene of de andere kant.

Voor 2030 hebben we waarschijnlijk duidelijker antwoord. Tot die tijd: niet paniekeren over AI's klimaatimpact, maar ook niet het bagatelliseren. Blijven oefenen in voorzichtig balanceren — gebruik AI waar het klimaat-positieve netto-bijdrage levert, wees sceptisch waar het puur op verbruik gericht is.

De stille revolutie van denkende machines heeft elektriciteit nodig. Of die elektriciteit ons naar een duurzamer toekomst brengt, hangt af van keuzes die we nu maken. Niet later. Nu.

De hoop, en de hypocrisie, balanceren elkaar in 2026 op een kwetsbare manier. De komende vijf jaar bepalen welke kant de weegschaal doorslaat.