‘Het internet woont in Winschoten’, kopt een wapperend Google-bordje aan een lantaarnpaal voor een nieuw ‘state-of-the-art’ datacenter in het Groningse Winschoten. Op 18 november 2025 opende Google met beperkte bombarie het centrum, na een krappe twee jaar bouwen. Het centrum wordt voornamelijk gebouwd voor AI-toepassingen, zo vertelt de Google-vertegenwoordiger op zijn LinkedIn-pagina. Bovenal is hij blij dat het centrum past bij Googles toewijding om verantwoordelijke infrastructuur aan te leggen, dankzij een dak vol zonnepanelen, geavanceerde luchtkoeling om watergebruik te beperken, en de mogelijkheid om restwarmte voor andere toepassingen te gebruiken. Volgens de lokale wethouder werden er in het begin wel “wat wenkbrauwen gefronst”, maar tijdens de opening werden er vooral stevig en vrolijk handen geschud. Het is ook niet het eerste datacenter van Google in Groningen, even verderop in Eemshaven staat er ook één.

Die gefronste wenkbrauwen zijn niet meer weg te denken uit het AI-debat, met name als de onvermijdelijke vraag wordt gesteld: hoe zit het met energie, water en kostbare materialen? Google beperkt de communicatie rondom het Groningse centrum tot ferme handdrukken en optimistische LinkedIn-berichten, meer info over wat er zich precies in het datacenter afspeelt geven ze niet. Ik mag ook niet langskomen voor een reportage. In plaats daarvan krijg ik een linkje naar een blog en een filmpje over diezelfde toewijding. Elders op de website produceert Google gelikte rapporten over duurzame ambities. Kortom: Google is een prima duurzaam bedrijf, als ik de website mag geloven.

Behapbaar maken

Een stapje terug. Het liefst zou ik een panklaar antwoord hebben hoeveel uitstoot er wordt veroorzaakt en hoeveel water het verbruikt. Maar als je vraagt wat de ‘footprint van AI’ is, wat vraag je dan eigenlijk? Hoeveel uitstoot is één vraag aan een chatbot, verschilt dat bij lange vragen of andere modellen, of per chatbot, en als ik een video laat maken? Hoe zit het met de energie die is besteed tijdens het trainen, de ontwikkeling van het model? Maakt het uit waar ik woon, hoe ver weg het datacenter is, waar dat datacenter staat, wat voor weer het is?

Als ik deze vragen stel aan Dr. Luis Cruz, universitair docent Green AI aan de TU Delft, krijg ik - uiteraard - geen panklaar antwoord. Volgens Cruz zijn inmiddels op sommige van deze vragen wel mogelijke antwoorden, maar er zijn zoveel variabelen en complexiteit dat het weinig zin heeft om hier allerlei cijfers op te lepelen, die erg moeilijk in context te plaatsen zijn. Daarnaast ontwikkelt deze sector zich zodanig snel dat die cijfers zo weer verouderd zijn. Bovendien is kans dat je een model gebruikt van een bedrijf dat transparant over haar energie- en waterverbruik nogal klein: de grote ontwikkelaars, samen hyperscalers genoemd, zijn allesbehalve transparant. Google heeft in augustus 2025 een paper gepubliceerd met wat (lage) cijfers, maar deze is niet peer-reviewed. OpenAI, ontwikkelaars van ChatGPT, beperkt zich tot een blogpost. Ook van Microsoft's CoPilot en Anthropics Claude-modellen is weinig betrouwbare informatie beschikbaar.

Om het behapbaar te vertellen, benader je de footprint het best in twee onderwerpen, een simplificatie die volgens Cruz “al ingewikkeld genoeg”, is: hardware en software. Verduurzamen wordt dan ook behapbaar, zegt Cruz: “Alle milieu-indicatoren zijn bij AI met elkaar verbonden, maar het komt grofweg hierop neer: we zoeken manieren om de systemen efficiënter te bouwen, en manieren om die systemen efficiënter te gebruiken.” Efficiëntere hardware en efficiëntere software, dus.

Hardware: spullen

AI woont vooral in datacenters: grote hallen, rekken vol met allerlei hardware, met als voornaamste krachtpatsers: GPU's, Graphic Processing Units. Deze chips blinken uit in veel losse berekeningen tegelijkertijd, waardoor ze uitermate geschikt zijn voor AI maar ook uitermate goed zijn in heel veel stroom verbruiken. Bovendien werken GPU's het beste op een zeer stabiele temperatuur, terwijl ze zelf veel hitte genereren. Die hitte wordt dus het beste zo snel mogelijk afgevoerd, via een combinatie van lucht en water. Water koelt beter, maar: dat kost water. Belangrijk hier is dat niet elke druppel water hetzelfde is - het Google-datacenter in Eemshaven wordt bijvoorbeeld gekoeld met oppervlaktewater, niet met drinkwater. Verschillende datacenters koelen met verschillende methoden, afhankelijk van wat er beschikbaar is in de omgeving.

Ook de energie, materialen en water die nodig zijn voor het bouwen van al deze spullen zijn relevant voor het totaalplaatje, zegt Cruz, al is het niet helemaal duidelijk hoe groot dat gedeelte is. Nagenoeg alle serieuze datacenters gebruiken GPU's van het bedrijf Nvidia, maar zij rapporteren niet over de footprint van hun chipproductie.

Software: bits

Naast het letterlijke materialen-, stroom- en waterverbruik kun je de footprint van AI ook aan de hand van de AI-modellen zelf uitdrukken, de software dus. Je kunt zo'n model zien als een hele grote muur met miljoenen, miljarden, soms biljoenen knoppen, waar allemaal aan gedraaid wordt als je zo'n model iets vraagt of laat doen. Hoe meer knoppen, hoe meer stroomverbruik.

Het stroomverbruik van een AI-model bestaat uit twee fasen: training en gebruik. Cruz: “We hebben wel wat cijfers die laten zien hoe gigantisch het energieverbruik van alleen het trainen van zo'n model is, maar dit is heel erg experimenteel. Je traint een model nooit maar één keer. Modellen worden soms duizend keer getraind, voordat het lukt om de versie te maken die je vrijgeeft aan het publiek.”

Dan is er het gebruik van AI-modellen, inferentie genoemd. Volgens Cruz was dit vroeger maar zo'n 50% van het totale energieverbruik van AI, maar dat neemt gigantisch toe: “We gebruiken AI nu al zo massaal, dat het heel moeilijk is om te kwantificeren hoe groot gedeelte dat gebruik is.” Om een inschatting te geven: ChatGPT is de op vier na meest bezochte website ter wereld. En dat is maar één van de vele aanbieders.

Modellen worden steeds groter, sneller en beter in het formuleren van gewenste antwoorden, maar het is de vraag of dat altijd nodig is. Het grootste en zwaarste model gebruiken om een recept voor appeltaart op te schrijven, is een beetje alsof je een boterham smeer met een groot samoeraizwaard; het is niet de juiste tool voor de job.

Van samoeraizwaard naar smeermesje

De juiste tool vinden is precies waar Cruz en z'n team aan werken. Zij ontwikkelen een soort extra laag, die ervoor moet zorgen dat niet elke vraag het hele model aanslingert. “Het einddoel is dat je het op elk bestaand werkend model kan plakken, waardoor het model geoptimaliseerd en gecomprimeerd wordt.” Cruz’ laag hakt een heel groot model met triljoenen parameters eerst in stukjes, zodat er bij een inkomende vraag eerst gekeken wordt hoeveel en welke stukjes gebruikt moeten worden om de vraag goed te beantwoorden. 

Zo werken ze nu aan een laag die identificeert wanneer iemand ‘bedankt’ tegen een taalmodel zegt; normaliter gaat het totale model dan wederom rekenen, om vervolgens alleen een beleefd ‘graag gedaan’ terug te geven. In Cruz’ oplossing zit er een klein algoritme tussen dat deze simpele klus naar een veel kleiner stuk van het model stuurt, met minder energieverbruik in het datacenter tot gevolg. De methode slaat aan: het bedrijf Nvidia publiceerde onlands een paper waarin ze een vergelijkbare strategie presenteren.

“Het hoofddoel is dat AI engineers zich kunnen focussen op betere AI-modellen maken, zonder dat ze zich over de energievraag hoeven te bekommeren. Ze moeten al genoeg doen”, zegt Cruz. Hetzelfde geldt voor gebruikers, vindt hij: “AI is een enorm krachtige tool die onze samenleving gaat veranderen. Gebruikers moeten leren hoe ze dat gebruiken, de ontwikkelaars moeten ervoor zorgen dat ze dat zo efficiënt en duurzaam mogelijk kunnen doen.”

Daarvoor is meer transparantie over de footprint nodig. Als voorbeeld noemt Cruz Mistral, een Frans AI-bedrijf dat onlangs een flinke investering van ASML binnensleepte: “Mistral is één van de weinigen die veel data over energie- en waterverbruik deelt. Dat is stap één. Die data verzamelen is technisch gezien best wel moeilijk en bovendien kunnen ze makkelijk bekritiseerd worden omdat het grote getallen zijn. Dat vraagt best wat moed”, zegt Cruz. “Als gebruikers moeten we kritisch zijn, we moeten vragen om meer transparantie. We moeten kiezen voor alternatieven die wél data delen. Er zijn echt veel alternatieven, kies er eentje die past bij jouw persoonlijke waarden.”