Green AI & Duurzaamheid¶

AI-systemen hebben een substantiële ecologische voetafdruk. De elektriciteitsvraag voor AI-rekenkracht groeit snel: verwacht wordt dat deze in 2030 11 keer hoger ligt dan in 2023. Voor projectmanagers is duurzaamheid daarom geen bijzaak, maar een strategische beslissing die al in de Business Understanding fase moet worden genomen.

Bronnen: [so-47], [so-48]

1. De Ecologische Voetafdruk van AI¶

Energie¶

• Een enkele AI-query verbruikt naar schatting 0,3–0,8 Wh elektriciteit — tot 10 keer meer dan een standaard zoekopdracht. De exacte waarde hangt af van modelgrootte en modaliteit.
• Het trainen van een groot taalmodel kan honderden tot duizenden tonnen CO₂ uitstoten, afhankelijk van modelgrootte en infrastructuur — vergelijkbaar met honderden tot duizenden transatlantische vluchten.
• Datacenters zijn verantwoordelijk voor circa 2% van de wereldwijde broeikasgasuitstoot.

Water¶

• Voor elke kilowattuur die een datacenter verbruikt, is circa 2 liter water nodig voor koeling.
• Tegen 2030 zal het waterverbruik door datacenters naar verwachting verdrievoudigen tot 664 miljard liter per jaar.

Hardware¶

• Snelle hardware-vernieuwing leidt tot grote hoeveelheden e-waste met gespecialiseerde metalen die moeilijk te recyclen zijn.

Bronnen: [so-47], [so-48]

2. Reductiepotentieel¶

Onderzoek van Cornell University (2025) toont aan dat de ecologische impact van AI drastisch kan worden verminderd door twee maatregelen te combineren:

Bron: [so-47]

3. Praktische Maatregelen per Projectfase¶

Fase 1 — Verkenning & Strategie¶

Modelselectie als duurzaamheidsoverweging:

• Kies voor "lean" modellen of knowledge distillation (kennis overdragen van een groot naar een klein model) wanneer de taak dit toelaat. Volgens compressie-onderzoek (Polino et al.) kan dit de operationele uitstoot met tot 80% verlagen, al zijn werkelijke besparingen taakafhankelijk.
• Documenteer de keuze voor een specifiek model inclusief de motivatie voor de modelgrootte in de Technische Modelkaart.

Vragen bij modelselectie:

• Is een kleiner gespecialiseerd model voldoende voor deze taak?
• Biedt de vendor transparantie over energieverbruik en datacenterlocatie?
• Zijn er alternatieven met vergelijkbare prestaties op groene infrastructuur?

Fase 3 — Realisatie¶

Temporal Workload Shifting:

• Plan niet-urgente trainingstaken op momenten dat er een overschot aan zonne- of windenergie beschikbaar is op het net. Dit leidt tot gemiddeld 40% minder emissies voor dezelfde berekening.
• Overweeg carbon-aware schedulers (bijv. via de Carbon Aware SDK van de Green Software Foundation).

Green Coding Richtlijnen:

• Vermijd onnodige API-calls: gebruik caching voor herhaalde queries (zie ook Kostenoptimalisatie)
• Minimaliseer prompt-lengte zonder kwaliteitsverlies
• Begrens modelrespons-lengte waar mogelijk (max_tokens)
• Gebruik batch-processing voor niet-real-time taken

Fase 5 — Beheer & Optimalisatie¶

Continue monitoring van ecologische KPI's:

4. Afwegingskader: Wanneer is AI Duurzaam Gerechtvaardigd?¶

Stel uzelf bij elk AI-initiatief de volgende vragen:

1. Is het probleem groot genoeg? Weegt de waardecreatie op tegen de energiekost?
2. Is er een zuiniger alternatief? Een eenvoudig regel-gebaseerd systeem of een klein gespecialiseerd model kan beter zijn dan een groot foundation model.
3. Wordt de energie verduurzaamd? Kiest uw cloudprovider voor hernieuwbare energie?
4. Wordt de hardware verantwoord beheerd? Is er een plan voor hardware-lifecycle en e-waste?

5. Gerelateerde Modules¶

• Kostenoptimalisatie
• AI Architectuur
• Doelkaart (goal card)
• Waarderealisatie
• Bronnen & Inspiratie