De impact van AI op duurzaamheid en het monitoren daarvan

Dialogic onderzocht in opdracht van het Ministerie van Economische Zaken de impact op duurzaamheid die het ontwikkelen en gebruiken van AI heeft, en hoe dit het beste kan worden gemonitord. We deden dit samen met Pb7 Research en de Universiteit Utrecht.

In de media en wetenschappelijke literatuur is veel geschreven over de impact van AI op duurzaamheid. Daarbij worden ook uitspraken gedaan over de hoeveelheid energieverbruik die bijvoorbeeld een bevraging van ChatGPT zou opleveren, en vergeleken met bijvoorbeeld reguliere zoekopdrachten. De inschattingen lopen sterk uiteen, veelal als gevolg van de gehanteerde afbakening, rekenmethode en aannames. Het doel van het voorliggende onderzoek is niet om deze inschattingen te staven, of om tot een nieuwe inschatting te komen. Het kerndoel is om inzicht te bieden in de onderliggende factoren en wijze waarop deze samenhangen, ten behoeve van beleidsvorming. Om dit te kunnen doen gaat dit onderzoek in meer detail in op de werking van AI en de keten tussen gebruik van AI en de uiteindelijke impact op duurzaamheid. Daarnaast geven we inzicht in de verwachte toekomstige ontwikkelingen daarvan.

Aanbod van AI-toepassingen

Het aanbod van AI-diensten is sterk in ontwikkeling. Verschillende marktpartijen proberen de markt te veroveren en bieden in dat kader goedkoop of gratis AI-diensten aan.

De belangrijkste trend op technologisch vlak is de opschaling van AI, met name als het gaat om de omvang van AI-modellen (aantal parameters), de rekencapaciteit die wordt ingezet voor training, en de rekencapaciteit bij inferentie (via inference-time scaling en door de opkomst van agentic AI). Tot slot zien we in toenemende mate differentiatie (verschillende modelvarianten en bijbehorende prijzen, en ook dynamische beprijzing).

Het aanbod is sterk afhankelijk van de beschikbare (reken)capaciteit in datacentra. Veel AI wordt vanuit het buitenland geleverd aan Nederlandse gebruikers. De beschikbaarheid van rekencapaciteit voor onder andere AI is in Nederland gelimiteerd tot ten minste 2030.

 

Gebruik van AI-toepassingen

Het gebruik van AI betreft het aantal gebruikers (adoptie), de intensiteit van het gebruik, en de kwaliteit van het gebruik.

De adoptie van AI stijgt onder zowel consumenten als bedrijven. Het is nog niet goed te zeggen hoe de intensiteit van het gebruik zich zal ontwikkelen – welke AI-functies blijven gebruikers structureel gebruiken? Duidelijk is wel dat de ontwikkeling van het gebruik sterk aanbodgedreven is. De aanbieders van AI-diensten zijn in hevige concurrentie met elkaar en bieden steeds betere AI-diensten gratis of tegen lage kosten aan. Een belangrijke beperking hierbij is de beschikbaarheid van rekencapaciteit. Met name het gebruik van AI voor afbeelding- en videogeneratie heeft veel rekencapaciteit nodig. In de toekomst verwachten we dat de ontwikkeling van het gebruik van AI sterker vraaggedreven zal zijn.

Energieverbruik van AI

Er zijn drie relevante fasen te onderscheiden waarin AI energie verbruikt:

• Het verzamelen en verwerken van de data die nodig is om AI te trainen is de eerste fase, waarvoor een beperkte (maar substantiële) hoeveelheid energie nodig is.
• De trainings- en evaluatiefase die daarop volgt is zeer energie-intensief. In de praktijk bepaalt de hoeveelheid rekencapaciteit (en daarmee indirect de hoeveelheid beschikbare energie) in deze fase de omvang van het model en de omvang van de trainingsdataset. Met efficiëntere hardware kan een ‘betere’ AI worden getraind gegeven dezelfde hoeveelheid energie. Dit energieverbruik is in principe eenmalig, en kan worden afgeschreven over het daaropvolgende nuttige gebruik van de AI.
• De inferentiefase: hierin is het energieverbruik primair afhankelijk van het gebruik (aantal verzoeken en de omvang/kwaliteit van het gegenereerde antwoord). AI voor het genereren van afbeeldingen verbruikt substantieel meer energie dan AI die tekst genereert, en bij videogeneratie is het energieverbruik nog groter. Ontwikkelingen als inference-time scaling verhogen het energieverbruik in de inferentiefase. De opkomst van agents betekent proactief AI-taken worden uitgevoerd, wat kan leiden tot hoger energieverbruik. Met efficiëntere hardware, batching en verbeteringen in de architectuur van AI-modellen kan het energieverbruik per verzoek worden verlaagd.

In Nederland is het energieverbruik van AI tot ten minste 2030 beperkt door de beschikbaarheid van datacentrumcapaciteit. Het huidige energieverbruik van AI in Nederland schatten we voor 2023 tussen de 41 GWh en 107 GWh per jaar. Afhankelijk van het gekozen toekomstscenario scenario komen we in 2030 op een verbruik van 2,9 TWh (middenscenario) tot 4,7 TWh (hoogste scenario) per jaar.

Emissies van AI

De belangrijkste vorm van emissie als gevolg van AI is CO2-uitstoot bij productie van de benodigde energie (scope 2 van de digitale sector) in de trainings- en inferentiefase. Op dit moment spelen deze emissies primair rond datacentra. De emissies vinden voor Nederlands gebruik niet noodzakelijkerwijs plaats in Nederland (zowel de datacentra als de energieproductie kunnen in het buitenland plaatsvinden), en vice versa (Nederland kan produceren voor het buitenland). Omdat er op dit moment meer vraag dan aanbod is, is relevant om te kijken naar de emissies van datacentra in Nederland die worden ingezet voor AI.

De emissie per hoeveelheid verbruikte elektrische energie (emissiefactor)daalt in Nederland. Datacentra maken daarnaast voor een groot deel gebruik van groene (emissievrij geproduceerde) stroom, al zijn er nuances bij de stelling dat dit geen enkele emissies oplevert. Naast deze scope 2-emissies zijn er in beperkte mate scope 1-emissies (primair uit eigen generatoren van datacentra). In scope 3 zien we (upstream) emissies uit productie van de benodigde hardware en bij leveranciers, en (downstream) bij met name recycling daarvan.

Onder andere de EED-rapportages en ETS-data van de NEa geven relevante data ten behoeve van monitoring hiervan. Er is echter onvoldoende data beschikbaar over (1) welk deel van de capaciteit van een datacentrum AI betreft (volgens een consistente definitie), (2) in hoeverre er gebruik wordt gemaakt van lokaal beschikbare groene energie en/of koelingsmogelijkheden, en (3) emissies op locatie (scope 1) en de energiemix (scope 2). Daarnaast is scope 3 van buitenaf niet goed in beeld te brengen.

Waterverbruik van AI

De datacentra waarin AI-training en -inferentie plaatsvindt verbruiken water bij het koelen, waarbij de WUE de geijkte maatstaf is voor de efficiëntie daarvan (waterverbruik per eenheid koelcapaciteit). Slechts een deel van dit waterverbruik betreft drinkwater – het overige deel is industrieel water.

Het is in de Nederlandse context met name relevant om naar het drinkwaterverbruik te kijken. We introduceren hiervoor de maat WUEp (verbruik drinkwater per eenheid koelcapaciteit). Hierbij is het belangrijk om te weten dat datacentra, net als andere bedrijven, in de verdringingscyclus van drinkwater bij schaarste als eerste worden afgesloten van drinkwater.

Het totale verbruik van drinkwater van de sector legt op dit moment geen grote druk op de Nederlandse drinkwatervoorziening, en brengt deze niet in gevaar. Datacentra in Nederland moeten vanwege het risico op niet-beschikbaarheid van drinkwater wel op zoek naar alternatieve koelingsmethoden die minder of geen drinkwater gebruiken.