Energieverbruik van AI-datacenters: hoe je de cijfers leest

In rapporten over kunstmatige intelligentie duiken dagelijks spectaculaire cijfers op over het energieverbruik van datacenters. Berichten variëren van vergelijkingen tussen een enkele ChatGPT-zoekopdracht en het laten branden van een gloeilamp, tot alarmerende uitspraken over het aandeel van rekenclusters in het nationale stroomnet. Wie deze publicaties op de voet volgt, ontdekt al snel dat de gepresenteerde data sterk uiteenlopen. In het fundamentele overzicht over het debat over datacenters en AI-rekencapaciteit in Nederland analyseerden we de fysieke ruimte en maatschappelijke discussie rondom datacenters; in deze verdieping richten we ons specifiek op de methodologie achter de cijfers over energieverbruik en hoe je deze cijfers op een verantwoorde wijze interpreteert.

Het kwantificeren van de stroomhonger van kunstmatige intelligentie vereist een helder onderscheid tussen gemeten fysieke waarden en theoretische modellen. Veel van de rondzingende statistieken zijn gebaseerd op extrapolaties met verouderde aannames over hardware-efficiëntie of koeling. Om te begrijpen hoeveel elektriciteit een AI-model daadwerkelijk verbruikt, moet je precies weten wat er wel en niet is meegenomen in de berekening. Van de afzonderlijke microchip tot het complete hoogspanningsstation van netbeheerder TenneT: elke laag in de keten kent zijn eigen verliezen en meetfouten.

De basisformule: PUE en de grens van efficiëntiemetrieken

In de datacentersector is de Power Usage Effectiveness (PUE) al decennia de standaardnorm om de energie-efficiëntie van de infrastructuur uit te drukken. De PUE-waarde wordt berekend door het totale energieverbruik van de gehele faciliteit te delen door het energieverbruik van de IT-apparatuur alleen. Een theoretisch perfect datacenter heeft een PUE-waarde van 1,0, wat betekent dat 100 procent van de ingevoerde elektriciteit naar de servers en versnellers gaat. In de praktijk ligt de gemiddelde PUE van moderne hyper-scale datacenters rond de 1,1 tot 1,2, waarbij de resterende 10 tot 20 procent opgaat aan koeling, transformatorverliezen en ononderbreekbare stroomvoorzieningen (UPS).

Toch schiet de PUE-metriek tekort wanneer men specifiek kijkt naar de impact van AI-workloads. Een lage PUE garandeert namelijk niet dat een faciliteit duurzaam draait; het geeft uitsluitend aan hoe efficiënt de ondersteunende infrastructuur werkt ten opzichte van de geleverde IT-stroom. Als de IT- apparatuur zelf inefficiënte code uitvoert of op verouderde hardware draait, kan de PUE fantastisch scoren terwijl het totale stroomverbruik onnodig hoog blijft. Voor een dieper inzicht in de bredere relatie tussen hardware-efficiëntie en duurzaamheidsvraagstukken kun je de bredere analyse over AI en energie raadplegen op het subdomein.

Een tweede beperking van PUE is het weglaten van het koelmedium. Faciliteiten die gebruikmaken van verdampingskoeling (adiabatische koeling) kunnen hun elektrische PUE kunstmatig verlagen doordat water het koelwerk overneemt van elektrische compressoren. Hierdoor daalt de elektrische PUE-score, maar stijgt het waterverbruik drastisch. Zonder nevenstatistieken zoals Water Usage Effectiveness (WUE) geeft een gepubliceerde PUE-waarde dus een onvolledig beeld van de totale ecologische voetafdruk.

Training versus inference: Hoe de energiebehoefte verschuift

Bij het analyseren van energierapporten is het essentieel te controleren of de cijfers betrekking hebben op de trainingsfase of de inference-fase (de gebruiksfase) van taalmodellen. Het trainen van een geavanceerd grensmodel is een kortstondig maar extreem intensief proces. Gedurende meerdere maanden draaien tientallen duizenden grafische processoren (GPU's) ononderbroken op de maximale stroomcapaciteit om miljarden parameters en tokens te verwerken. Deze piekbelasting vereist een enorm geconcentreerd elektrisch vermogen op één enkele locatie.

De inference-fase kent een heel ander verbruiksprofiel. Het genereren van één enkel antwoord door een getraind model vraagt een fractie van de energie van een trainingsrun. Omdat het model echter door miljoenen gebruikers gelijktijdig wordt geraadpleegd, overstijgt het gecumuleerde energieverbruik van inference op de langere termijn vrijwel altijd het initiële trainingsverbruik. Rapporten die stellen dat "het trainen van een model evenveel stroom kost als een klein dorp per jaar" vergeten vaak te vermelden dat deze piek eenmalig is, terwijl het continue gebruik de werkelijke structurele belasting vormt.

De shift van training naar continue inference beïnvloedt ook de geografische spreiding van de energievraag. Waar trainingsclusters gebouwd kunnen worden op locaties waar overtollige of goedkope duurzame stroom voorhanden is, moet inference-hardware vaak dicht bij de eindgebruiker staan om de netwerkvertraging (latency) te minimaliseren. Dit brengt het stroomverbruik direct naar stedelijke gebieden waar het elektriciteitsnet toch al zwaar belast is.

Hardware-specificaties: Het stroomprofiel van moderne AI-versnellers

Om stroomberekeningen te valideren, moet men kijken naar de fysieke componenten in de serverkasten. De stroomhonger van een AI-datacenter wordt primair gedreven door gespecialiseerde hardware zoals GPU's en TPU's (Tensor Processing Units). Waar een traditionele enterprise-server gemiddeld tussen de 300 en 800 watt aan vermogen vraagt, verbruikt een enkele moderne AI-server met acht hoogwaardige GPU's al snel tussen de 10,000 en 14,000 watt. In de industrie wordt de stroombehoefte van versnellers uitgedrukt in Thermal Design Power (TDP).

Om te zien welke technologische verschuivingen deze enorme stroomdichtheden veroorzaken op het gebied van siliconontwerp en markttoevoer, raden we aan om de wereldwijde race om AI-chips en rekenkracht te lezen. Een cruciale meetfout in veel externe rapporten is het simpelweg vermenigvuldigen van de maximale TDP van een chip met 24 uur en 365 dagen. In werkelijkheid schommelt het werkelijke stroomverbruik constant op basis van de specifieke rekenoperatie en de geheugenbandbreedte die wordt aangesproken.

Tijdens inference-taken waarbij een model wacht op invoer van een gebruiker of voornamelijk geheugenintensieve acties uitvoert, zakt het energieverbruik van de chip tot een fractie van de maximale TDP. Pas bij zware matrixvermenigvuldigingen piek het verbruik. Berekeningen die uitgaan van een continue belasting op 100 procent van de TDP geven daardoor een vertekend, overdreven hoog beeld van het daadwerkelijke kilowattuur-verbruik.

Koeltechnologieën en hun invloed op de stroom- en waterbalans

De extreme energiedichtheid van AI-hardware stelt traditionele luchtkoeling voor fysieke grenzen. Wanneer een serverrak meer dan 40 tot 50 kilowatt aan stroom verbruikt, is het verplaatsen van gekoelde lucht niet langer voldoende om de opgewekte warmte efficiënt af te voeren. Datacenters stappen daarom op grote schaal over op vloeistofkoeling. Hierbij circuleert een koelvloeistof direct langs de koelblokken van de chips (direct-to-chip cooling) of worden de servers compleet ondergedompeld in een diëlektrische vloeistof (immersion cooling).

De overstap naar vloeistofkoeling heeft een rechtstreeks effect op de energiemetingen van het datacenter:

• Hogere koelwatertemperaturen: Vloeistof kan warmte veel efficiënter opnemen dan lucht. Hierdoor kan het koelwater met een hogere temperatuur (bijvoorbeeld 30 tot 45 graden Celsius) naar buiten worden geleid, waardoor er minder energieverslindende koelmachines (chillers) nodig zijn.
• Lagere ventilator-stroom: Serverventilatoren verbruiken in traditionele systemen een aanzienlijk deel van de IT-stroom. Bij vloeistofkoeling vallen deze ventilatoren weg of draaien ze op een minimaal toerental, wat de interne server-efficiëntie verhoogt.
• Benutting van restwarmte: Omdat het opgewarmde koelwater een hogere en meer constante temperatuur heeft, is het beter geschikt om te koppelen aan lokale warmtenetten voor de verwarming van woningen of kassen.

Bij het beoordelen van rapportages is het belangrijk om te controleren hoe de stroom voor de pompinstallaties en externe koeltorens is gealloceerd. Wordt het verbruik van de koelvloeistofpomp meegerekend als IT-verbruik of als infrastructuurverbruik? Afhankelijk van de gehanteerde definitie kunnen de gerapporteerde PUE-cijfers met meerdere procentpunten verschuiven zonder dat de fysieke realiteit verandert.

Netcongestie en de Nederlandse context van energie-infrastructuur

In Nederland speelt de discussie over het energieverbruik van datacenters zich af tegen de achtergrond van een zwaar belast elektriciteitsnet. Het probleem bij AI-datacenters is vaak niet alleen het totale jaarlijkse verbruik in gigawattuur (GWh), maar vooral de gecontracteerde vermogenscapaciteit in megawatt (MW). Een datacenter reserveert bij de netbeheerder een vast piekvermogen om gegarandeerd te kunnen blijven draaien. Omdat dit vermogen continu gereserveerd moet blijven op het hoogspanningsnet, bezet de faciliteit capaciteit op de verdeelstations die anders door woningen of andere industrieën gebruikt had kunnen worden.

Dit fenomeen staat bekend als netcongestie. Statistieken van toezichthouders en netbeheerders laten zien dat in grote datacenterclusters, zoals de regio Schiphol-Rijk en Agriport A7 in Middenmeer, de fysieke limieten van het stroomnet zijn bereikt. Wanneer je cijfers over het energieverbruik van datacenters in Nederlandse media leest, worden de volgende concepten helaas regelmatig door elkaar gehaald:

1. Aangesloten vermogen (MW): Het maximale vermogen dat een datacenter volgens het contract met de netbeheerder mag afnemen op elk willekeurig moment.
2. Daadwerkelijk opgenomen vermogen (MW): De fysieke piekbelasting op een specifiek uur van de dag, die vaak aanzienlijk lager ligt dan het gecontracteerde vermogen.
3. Jaarlijks stroomverbruik (GWh): De totale hoeveelheid energie die over een heel jaar is verbruikt. Dit is de som van het fluctuerende uurlijkse verbruik.

Het gelijkstellen van gecontracteerd vermogen aan daadwerkelijk stroomverbruik leidt tot ernstige overschattingen in landelijke energieanalyses. Een datacenter dat is aangesloten op 100 MW reserveert weliswaar die capaciteit op de kabel, maar verbruikt op jaarbasis gemiddeld wellicht maar 60 tot 70 MW aan continu vermogen.

Methodologische valkuilen bij schattingen en rapportages

Veel geciteerde cijfers over het energieverbruik van AI zijn afkomstig uit rekenmodellen die door consultancybureaus of wetenschappelijke onderzoekers zijn opgesteld. Omdat grote AI-bedrijven en datacenter-exploitanten hun exacte verbruiksgegevens om concurrentieredenen zelden openbaar maken, moeten onderzoekers werken met schattingen. Daarbij trapt men regelmatig in een reeks hardnekkige methodologische valkuilen.

De eerste valkuil is het hanteren van statische efficiëntie-aannames. De technologische ontwikkeling in zowel hardware als software gaat extreem snel. Een algoritme dat vandaag op een bepaalde GPU draait, kan door software-optimalisaties (zoals kwantisering, waarbij rekenprecisie wordt teruggebracht van 16-bit naar 8-bit of 4-bit) binnen enkele maanden de helft minder energie verbruiken voor exact dezelfde taak. Onderzoeken die rekenen met de software-efficiëntie van twee jaar geleden overschatten het huidige stroomverbruik drastisch.

De tweede valkuil is de zogenaamde Jevons-paradox. Wanneer een technologie efficiënter wordt, daalt het stroomverbruik per individuele transactie. Dit leidt er echter vaak toe dat de kosten dalen en het gebruik zo spectaculair toeneemt dat het totale energieverbruik alsnog stijgt. Analisten die alleen kijken naar de stijging van het aantal verwerkte tokens en dit vermenigvuldigen met historische verbruikscijfers, negeren de efficiëntiewinst. Wie juist alleen kijkt naar de efficiëntiewinst per token, negeert de volumegroei. Een correcte analyse moet altijd beide factoren gelijktijdig wegen.

Voor organisaties of ontwikkelaars die zelf willen onderzoeken hoe hun eigen rekenopstelling presteert op lokaal niveau, legt het praktische stappenplan uit hoe je exact het energieverbruik van je lokale LLM-opstelling meten kunt toepassen met fysieke kWh-meters en software-profilers.

Transparantie-eisen en toezicht op datacenters in Europa

Om een einde te maken aan de onduidelijkheid en het gebrek aan verifieerbare gegevens, heeft de Europese Unie nieuwe regelgeving ingevoerd. Onder de herziene Energy Efficiency Directive (EED) zijn exploitanten van datacenters binnen de EU met een IT-vermogen vanaf 500 kilowatt verplicht om jaarlijks gedetailleerde prestatie-indicatoren te rapporteren in een Europese database.

Deze rapportageverplichting omvat onder meer de volgende verplichte dataposten:

• Het totale energieverbruik, opgedeeld in elektriciteit en eventuele overige brandstoffen voor noodgeneratoren.
• Het aandeel van dat energieverbruik dat afkomstig is van hernieuwbare energiebronnen, gesplitst in eigen opwek en ingekochte groene stroom (PPA's).
• Het totale waterverbruik en de bron van het gebruikte water (drinkwater vs. oppervlaktewater).
• De hoeveelheid nuttig hergebruikte restwarmte die is geleverd aan externe warmtenetten of gebouwen.
• De totale hoeveelheid verwerkte data in terabytes, om de energie-intensiteit per datavolume te kunnen bepalen.

In Nederland ziet de Rijksdienst voor Ondernemend Nederland (RVO) in samenwerking met de Omgevingsdiensten toe op de naleving van deze verplichtingen. Dankzij deze gestandaardiseerde rapportages kunnen analisten in de toekomst putten uit gecontroleerde primaire bronnen in plaats van te moeten vertrouwen op theoretische simulaties of persberichten van marktpartijen.

Conclusie en richtlijnen voor verantwoorde kwantificering

Het energieverbruik van AI-datacenters is een complex en gelaagd onderwerp dat niet gevangen kan worden in simpele krantenkoppen of eenzijdige vergelijkingen. Wie cijfers over de stroomhonger van kunstmatige intelligentie op een professionele en feitelijke manier wil beoordelen, doet er goed aan om bij elke publicatie de volgende controlepunten af te werken:

Checklist bij het lezen van AI-energiecijfers:

1. Is er onderscheid gemaakt tussen de eenmalige trainingsfase en continue inference?
2. Is de gerapporteerde waarde gebaseerd op direct gemeten kWh-meters of op theoretische extrapolaties?
3. Welke PUE- en WUE-waarden zijn gebruikt en zijn de koelverliezen volledig meegenomen?
4. Wordt er gerekend met de gecontracteerde netcapaciteit (MW) of met het daadwerkelijke gemeten stroomverbruik?
5. Is er rekening gehouden met recente software-optimalisaties en de nieuwste generatie hardware?

Door deze vragen consequent te stellen, ontstaat een realistisch en onderbouwd beeld van de fysieke impact van AI. Kunstmatige intelligentie vraagt aanzienlijke hoeveelheden energie en stelt het stroomnet voor grote uitdagingen, maar alleen met zuivere meetmethoden en transparante data kunnen beleidsmakers, ontwikkelaars en maatschappij werken aan duurzame en verantwoorde oplossingen.