Hoe schaadt AI het milieu?
Het trainen van grote AI-modellen verbruikt enorme hoeveelheden elektriciteit. Datacenters draaien dag en nacht en houden servers koel en klaar voor actie. Deze energie is vaak afkomstig van niet-hernieuwbare bronnen, wat vervuiling en koolstofuitstoot in de hand werkt.
Naar schatting gebruikten datacenters 415 terawattuur aan elektriciteit in 2024, of ruwweg 1,5% van de wereldwijde vraag naar elektriciteit. Het Internationaal Energieagentschap verwacht dat dit totaal sterk zal stijgen naarmate AI zich uitbreidt.
En het probleem groeit snel. Het Internationaal Energieagentschap zegt dat het wereldwijde elektriciteitsverbruik van datacenters sinds 2017 met ongeveer 12% per jaar is gestegen en in 2030 ongeveer 945 terawattuur zou kunnen bereiken, meer dan het dubbele van het niveau van 2024.
De milieuschade houdt niet op zodra de elektriciteit is verbruikt. AI is afhankelijk van servers, chips en netwerkhardware die zijn gemaakt van gedolven materialen en die in korte upgradecycli worden vervangen, waardoor er wereldwijd nog meer elektronisch afval ontstaat.
Volgens de wereldwijde E-waste monitor 2024, produceerde de wereld in 2022 een recordhoeveelheid van 62 miljoen ton e-waste, en slechts een relatief klein deel daarvan werd formeel gerecycled.
Wat zijn de gevolgen van AI voor het milieu?
Kunstmatige intelligentie verandert de wereld, maar het gaat niet alleen om slimmere machines of snellere antwoorden. De opkomst van AI brengt verborgen kosten met zich mee die veel verder reiken dan het huidige moment.
Naarmate we krachtigere systemen bouwen, grotere modellen trainen en vertrouwen op datacenters om alles draaiende te houden, voelt het milieu de impact.
Laten we eens kijken hoe het gebruik van AI de toekomst van onze planeet vormgeeft en wat dat betekent voor de komende generaties.
Energieverbruik en koolstofvoetafdruk
Elke keer dat je een AI vraagt om een verhaal te genereren, een zin te vertalen of een gezicht te herkennen, is er veel activiteit achter de schermen. Datacenters met duizenden servers komen in actie en trekken elektriciteit aan om jouw verzoek te verwerken.
Het trainen van grote AI-modellen kan weken of zelfs maanden duren, waarbij net zoveel energie wordt verbruikt als tientallen huishoudens in een jaar. Het trainen van een AI-model kan ongeveer 626.000 kilo kooldioxide. Dit is hetzelfde als 300 vluchten tussen New York en San Francisco.
Het grootste deel van deze energie is nog steeds afkomstig van fossiele brandstoffen, wat betekent dat elke berekening een spoor van koolstof achterlaat in de atmosfeer. Naarmate AI meer gemeengoed wordt en modellen nog groter worden, blijft de totale vraag naar energie stijgen, waardoor de noodzaak voor duurzame AI stijgt.
Elektronisch afval en levenscyclus van hardware
AI leeft niet alleen in de cloud. Het vertrouwt op fysieke machines, servers, GPU's en gespecialiseerde chips, die hun eigen omgevingsverhalen hebben.
Deze apparaten zijn gemaakt van zeldzame mineralen en metalen die uit de aarde worden gehaald via mijnbouwprocessen die landschappen kunnen beschadigen en waterbronnen kunnen vervuilen. Naarmate de technologie voortschrijdt, raakt oudere hardware snel verouderd, wat leidt tot bergen elektronisch afval.
Het weggooien van deze onderdelen is niet eenvoudig. Veel van deze onderdelen belanden op stortplaatsen, waar giftige stoffen kunnen uitlogen in de bodem en het grondwater.
De cyclus van constante upgrades en vervangingen betekent dat de milieubelasting van AI-hardware mettertijd alleen maar zal toenemen, tenzij er nieuwe oplossingen voor recycling en duurzaam ontwerp worden gevonden.
Waterverbruik en koelbehoefte
AI soepel laten draaien draait niet alleen om elektriciteit. Datacenters genereren veel warmte en om ze af te koelen zijn enorme hoeveelheden water nodig. Er wordt verwacht dat de wereldwijde vraag van water voor AI stijgt naar 4,2-6,6 miljard kubieke meter water in 2027.
In regio's die al te maken hebben met waterschaarste, kan deze extra vraag de lokale voorraden onder druk zetten, met gevolgen voor zowel mensen als ecosystemen. Naarmate AI steeds meer wordt toegepast en er meer datacenters worden gebouwd, kan de concurrentie om waterbronnen toenemen voor het waterverbruik van AI.
Op de lange termijn roept dit vragen op over hoe we technologische vooruitgang in evenwicht kunnen brengen met de noodzaak om vitale natuurlijke bronnen te beschermen. Door manieren te vinden om datacenters efficiënter te koelen of alternatieve methoden te gebruiken, kan deze impact worden verminderd.
Hulpbronnenwinning en druk op de toeleveringsketen
Het verhaal van AI begint lang voordat een model wordt getraind of een server wordt aangezet. Het begint met de grondstoffen die nodig zijn om de hardware te bouwen.
Mijnbouw naar lithium, kobalt en andere essentiële elementen vindt vaak plaats in kwetsbare omgevingen, soms met weinig respect voor lokale gemeenschappen of wilde dieren.
De wereldwijde toeleveringsketen die deze materialen samenbrengt, is complex en energie-intensief en omvat transport, verwerking en productie bij elke stap. Naarmate de vraag naar AI-geschikte apparaten toeneemt, neemt ook de druk op deze bronnen toe.
Op de lange termijn kan dit leiden tot tekorten, hogere prijzen en meer aantasting van het milieu, tenzij er duurzamere praktijken worden toegepast.
De impact van AI op het milieu minimaliseren
Nu AI steeds meer geïntegreerd raakt in het dagelijks leven, wordt het steeds belangrijker om manieren te vinden om de impact ervan op het milieu te verminderen.
Hoewel de technologie een transformerend potentieel biedt, brengt ze ook aanzienlijke kosten voor de planeet met zich mee. Door deze uitdagingen in een vroeg stadium aan te pakken, kan innovatie in de toekomst duurzamer worden.
Slimmere training en slankere modellen
Het trainen van grote AI-modellen kan enorme hoeveelheden energie verbruiken. Maar niet alle modellen hoeven enorm te zijn om effectief te zijn. Door zich te richten op slankere architecturen kunnen onderzoekers de trainingstijd verkorten, het elektriciteitsverbruik verlagen en toch sterke prestaties leveren.
Een andere belangrijke strategie is het hergebruiken van vooraf getrainde modellen in plaats van het bouwen van nieuwe modellen vanaf nul. Voor het verfijnen van bestaande modellen voor specifieke taken worden veel minder bronnen gebruikt, waardoor zowel de uitstoot als de belasting van de hardware afneemt.
Schonere energie en groenere datacenters
Overschakelen op hernieuwbare energiebronnen is een van de meest directe manieren om de CO2-voetafdruk van AI te verminderen. Datacenters die worden aangedreven door wind-, zonne- of waterkracht genereren minder uitstoot en ontlasten het milieu.
Naast het gebruik van schonere energie, kan het ontwerpen van datacenters met het oog op energie-efficiëntie, door betere isolatie, slimme koelsystemen of zelfs het plaatsen van faciliteiten in koudere klimaten, helpen om het algehele gebruik van hulpbronnen te verminderen.
Wat individuen kunnen doen
Tot slot, hoewel de meeste milieueffecten van AI voortkomen uit grootschalige infrastructuur, zijn individuele keuzes nog steeds van belang.
Gebruikers kunnen kiezen voor digitale tools en diensten die zijn geoptimaliseerd voor efficiëntie of worden aangedreven door hernieuwbare energie. Het ondersteunen van bedrijven die prioriteit geven aan duurzaamheid kan helpen om de normen in de sector te veranderen.
Het bewust omgaan met hoe en wanneer AI wordt gebruikt, zoals het beperken van onnodige zoekopdrachten of het vermijden van overmatig gebruik van generatieve tools, kan ook bijdragen aan een lagere energievraag. Naarmate het bewustzijn groeit, kunnen collectieve kleine acties het streven naar groenere, meer verantwoorde AI-ontwikkeling versterken.
De milieuschade van AI in de komende jaren
Kunstmatige intelligentie groeit snel en de impact ervan op het milieu zal waarschijnlijk meegroeien. Hoewel veel van de discussie zich richt op energieverbruik, waterverbruik en elektronisch afval, is er ook een groter langetermijnprobleem om rekening mee te houden.
Naarmate AI krachtiger wordt en op grotere schaal wordt toegepast, kan de schade die het aan het milieu toebrengt zich verspreiden over vele delen van de samenleving. Daarom is het belangrijk om verder te kijken dan de uitdagingen van vandaag en na te denken over hoe AI de planeet de komende jaren kan beïnvloeden.
Stijgende vraag kan de druk op het milieu verhogen
Naarmate meer bedrijven, scholen en huishoudens AI-hulpmiddelen gaan gebruiken, zal de vraag naar rekenkracht blijven stijgen. Dit betekent dat er meer servers, meer datacenters en meer infrastructuur nodig zijn om het dagelijkse gebruik van AI te ondersteunen. Zelfs kleine taken kunnen oplopen als miljoenen mensen ze dagelijks gebruiken.
Na verloop van tijd zou deze groeiende vraag nog meer druk kunnen leggen op elektriciteitsnetten, watervoorraden en grondstoffen. Als deze uitbreiding doorgaat zonder betere planning, kan het veel moeilijker worden om de milieuschade van AI te beheersen.
Snellere groei kan leiden tot meer afval
De snelle ontwikkeling van AI creëert ook een ander probleem. Hardware raakt snel verouderd. Bedrijven vervangen vaak chips, servers en andere apparatuur om bij te blijven met geavanceerdere systemen. Dit kan leiden tot meer elektronisch afval en meer druk op mijnbouw en productie.
Als oude apparatuur niet op de juiste manier wordt hergebruikt of gerecycled, kan de schade op de lange termijn ernstig worden. Meer afval betekent meer vervuiling, meer stortplaatsen en meer schadelijke stoffen die in het milieu lekken.
Keuzes voor de lange termijn zullen de toekomst bepalen
De toekomstige milieuschade van AI zal afhangen van de keuzes die nu worden gemaakt. Als bedrijven en overheden zich alleen richten op groei, kan de schade jaar na jaar toenemen. Maar als duurzaamheid vanaf het begin onderdeel wordt van de ontwikkeling van AI, kunnen sommige van deze risico's worden beperkt.
Het gebruik van schonere energie, het bouwen van hardware die langer meegaat en het maken van efficiëntere systemen kunnen allemaal helpen om toekomstige schade te beperken. Het langetermijneffect van AI staat niet vast, maar het zal afhangen van de vraag of innovatie gepaard gaat met verantwoordelijkheid.
