De discussie over duurzame IT, cloud­ge­bruik en kunst­ma­tige intel­li­gentie gaat nog te vaak over ambities, prognoses en beloften. Organi­sa­ties zeggen dat hun cloudom­ge­ving efficiënt is, dat hun datacenter duurzaam opereert en dat AI bijdraagt aan produc­ti­vi­teit. Maar zodra we vragen hoeveel energie een appli­catie, workload of AI-model werke­lijk verbruikt, hoeveel capaci­teit daadwer­ke­lijk wordt benut en welke bedrijfspres­tatie daarte­gen­over staat, blijft het opval­lend vaak stil.

We beschikken over steeds meer dashboards, rappor­tages en theore­ti­sche reken­mo­dellen. Toch ontbreekt het organi­sa­ties regel­matig aan het belang­rijkste: feite­lijke, herleid­bare en verifi­eer­bare data over de relatie tussen energie, infra­struc­tuur, software, workloads, gebrui­kers en performance.

Juist daar ligt volgens mij een enorme econo­mi­sche kans.

Real data insight moet niet uitslui­tend worden gezien als een instru­ment voor duurzaam­heid, compli­ance of rappor­tage. Het is in de eerste plaats een finan­cieel sturings­in­stru­ment. Goed inzicht maakt zicht­baar waar cloud­ca­pa­ci­teit, AI-infra­struc­tuur, softwa­re­li­cen­ties en hardware onvol­doende worden benut. Het helpt organi­sa­ties om verspil­ling weg te nemen, de econo­mi­sche levens­duur van bestaande middelen te verlengen en inves­te­ringen beter te onderbouwen.

En dat alles met behoud van de perfor­mance die de organi­satie werke­lijk nodig heeft.

Ik durf daarom de volgende stelling aan:

De kosten van real data insight blijven ruimschoots onder de aantoon­bare bespa­ringen die met dat inzicht kunnen worden gerealiseerd.

Van aannames naar controleerbaar bewijs

Een duurzaam­heids­claim heeft pas waarde wanneer duide­lijk is hoe er is gemeten, wat binnen de meting is meege­nomen en of de uitkomst door een onafhan­ke­lijke partij kan worden gereproduceerd.

Dat geldt niet alleen voor energie­ver­bruik, CO₂-uitstoot en water­ge­bruik. Het geldt net zo goed voor cloud­kosten, AI-kosten, softwa­re­ge­bruik, server­ca­pa­ci­teit en workload-performance.

PUE kan bijvoor­beeld inzicht geven in de verhou­ding tussen het totale energie­ver­bruik van een datacenter en het energie­ver­bruik van de IT-appara­tuur. Maar PUE vertelt niet of die IT-appara­tuur ook daadwer­ke­lijk nuttig werk verricht. Een datacenter kan een uitste­kende PUE hebben, terwijl een aanzien­lijk deel van de servers nauwe­lijks wordt benut.

WUE kan iets zeggen over water­ge­bruik, maar alleen wanneer de meetgrenzen, lokale omstan­dig­heden en gebruikte defini­ties helder zijn. En ook een lage WUE zegt nog niets over de daadwer­ke­lijke toege­voegde waarde van de uitge­voerde workloads.

Daarom moet infra­struc­tuur­data worden gekop­peld aan workload- en perfor­man­ce­data. Indica­toren zoals de Server Idle Coeffi­cient, Perfor­mance per Watt en de verhou­ding tussen gebruikte en beschik­bare capaci­teit geven een veel volle­diger beeld. Zij maken zicht­baar hoeveel energie, hardware en software nodig zijn voor een concrete dienst, appli­catie, gebruiker, trans­actie of AI-taak.

Dat is het verschil tussen meten om te rappor­teren en meten om te sturen.

Meer IT is niet automatisch betere IT

Binnen veel organi­sa­ties is jaren­lang vanuit zeker­heid gerede­neerd. Wanneer twijfel bestond over de benodigde capaci­teit, werd extra capaci­teit toege­voegd. Meer CPU, meer geheugen, meer opslag, meer cloud­re­sources en meer licen­ties moesten voorkomen dat de perfor­mance onder druk kwam te staan.

Dat is begrij­pe­lijk. Geen bestuurder of IT-manager wil verant­woor­de­lijk zijn voor een storing omdat de infra­struc­tuur te krap is ingericht.

Maar die veilig­heids­marges stapelen zich op. Een appli­ca­tie­team vraagt extra capaci­teit, de IT-afdeling bouwt daar een marge bovenop en de cloud­le­ve­ran­cier adviseert vervol­gens een confi­gu­ratie die ook toekom­stige groei moet kunnen opvangen. Het gevolg is dat organi­sa­ties soms jaren­lang betalen voor capaci­teit die nauwe­lijks wordt gebruikt.

Overdi­men­si­o­ne­ring is daardoor een struc­tu­reel onder­deel van veel IT-omgevingen geworden.

Hetzelfde geldt voor hardware. Servers worden vervangen omdat zij een bepaalde leeftijd hebben bereikt, niet omdat met real data is aange­toond dat zij technisch of econo­misch niet meer voldoen. Softwa­re­li­cen­ties worden verlengd omdat zij eenmaal aan een gebruiker, server of virtuele machine zijn toege­wezen. Cloud­in­stances blijven draaien omdat niemand met zeker­heid weet of zij nog nodig zijn. Opslag groeit door omdat het goedkoper en eenvou­diger lijkt om capaci­teit toe te voegen dan om de oorzaak van die groei te onderzoeken.

Zonder inzicht wordt zeker­heid gekocht met verspilling.

Met real insight ontstaat een andere benade­ring. Dan wordt niet langer gevraagd hoeveel infra­struc­tuur beschik­baar is, maar hoeveel daarvan nodig is om de gewenste dienst­ver­le­ning en perfor­mance aantoon­baar te ondersteunen.

Minder cloud spend door inzicht per workload

De cloud heeft IT flexi­beler en schaal­baarder gemaakt, maar heeft kosten ook minder tastbaar gemaakt. Waar bij fysieke infra­struc­tuur vooraf een inves­te­rings­be­sluit nodig was, kunnen cloud­re­sources met enkele klikken worden toege­voegd. De kosten verschijnen vervol­gens verspreid over accounts, afdelingen, projecten, appli­ca­ties en abonnementsvormen.

Een cloud­fac­tuur vertelt hoeveel er is afgenomen. Zij vertelt niet automa­tisch of die afname noodza­ke­lijk, efficiënt of bedrijfs­eco­no­misch verant­woord was.

Real data insight kan onder andere zicht­baar maken:

• welke cloud­in­stances struc­tu­reel onder­benut zijn;
• welke omgevingen buiten gebruiks­tijden actief blijven;
• waar opslag wordt aange­houden zonder aantoon­baar gebruik;
• welke workloads naar een kleinere of andere confi­gu­ratie kunnen;
• waar gereser­veerde capaci­teit niet aansluit bij het werke­lijke gebruik;
• welke appli­ca­ties onnodig veel dataver­keer, reken­kracht of geheugen vragen;
• waar dezelfde functi­o­na­li­teit door meerdere cloud­ser­vices wordt geleverd;
• welke capaci­teit lokaal, privaat of op dedicated infra­struc­tuur voorde­liger kan worden uitgevoerd.

Daarbij is het essen­tieel dat kosten­re­ductie niet los wordt gezien van perfor­mance. Een cloudom­ge­ving goedkoper maken door simpelweg capaci­teit te verwij­deren is geen optima­li­satie. Het is pas een verbe­te­ring wanneer de gewenste beschik­baar­heid, respons­tijd, betrouw­baar­heid en gebrui­ker­s­er­va­ring aantoon­baar behouden blijven.

De juiste vraag is daarom niet: Hoe kunnen we minder cloud gebruiken?

De juiste vraag is: Welke cloud­ca­pa­ci­teit draagt aantoon­baar bij aan de gewenste prestatie en waarvoor betalen we zonder voldoende toege­voegde waarde?

AI spend dreigt de volgende grote kostenpost te worden

Bij AI zien we dezelfde ontwik­ke­ling, maar in een veel hoger tempo.

Organi­sa­ties experi­men­teren met genera­tieve AI, enterprise-LLM’s, RAG-oplos­singen, inference, fine-tuning en private AI-omgevingen. Daarbij worden GPU-capaci­teit, tokens, modellen, datasets, softwa­re­plat­forms en speci­a­lis­ti­sche infra­struc­tuur ingekocht zonder dat altijd duide­lijk is wat een afzon­der­lijke AI-workload werke­lijk kost.

Ook hier dreigt overdimensionering.

Niet iedere toepas­sing heeft het grootste model nodig. Niet iedere workload hoeft continu over GPU-capaci­teit te beschikken. Niet ieder model hoeft opnieuw te worden getraind. En niet iedere AI-vraag hoeft in een publieke cloud te worden verwerkt.

Om AI-kosten werke­lijk te beheersen, moet per model, toepas­sing of taak inzich­te­lijk worden gemaakt:

• hoeveel reken­kracht wordt gebruikt;
• hoeveel energie daarvoor nodig is;
• welke GPU- en geheu­gen­ca­pa­ci­teit daadwer­ke­lijk wordt benut;
• hoeveel tokens worden verwerkt;
• welke respons­tijd en nauwkeu­rig­heid worden behaald;
• hoeveel capaci­teit tijdens pieken en daluren nodig is;
• of een kleiner of gespe­ci­a­li­seerd model dezelfde taak kan uitvoeren;
• of inference, fine-tuning of RAG doelma­tiger kan worden ingericht;
• welke kosten aan een gebruiker, afdeling, klant of bedrijfs­proces kunnen worden toegerekend;
• welke zakelijke waarde tegen­over die kosten staat.

Pas dan ontstaat AI-gover­nance die verder­gaat dan algemene beleidsregels.

AI spend kan alleen worden beheerst wanneer kosten, energie­ver­bruik en perfor­mance op worklo­ad­ni­veau aan elkaar worden gekop­peld. Zonder die koppe­ling weten organi­sa­ties wel wat zij maande­lijks betalen, maar niet waarvoor zij betalen en of dezelfde prestatie effici­ënter kan worden geleverd.

De miljar­den­in­ves­te­ringen in AI-infra­struc­tuur zullen uitein­de­lijk moeten worden terug­ver­diend. Cloud‑, chip- en softwa­re­le­ve­ran­ciers zullen die kosten doorbe­re­kenen. Organi­sa­ties die hun eigen gebruik niet kunnen meten, hebben in onder­han­de­lingen nauwe­lijks een feite­lijke uitgangspositie.

Real data is daarmee ook een vorm van econo­mi­sche onafhankelijkheid.

Minder softwarekosten door werkelijk gebruik te meten

Softwa­rekosten vormen binnen veel organi­sa­ties een vrijwel automa­tisch terug­ke­rende uitga­ven­stroom. Licen­ties worden aange­schaft, toege­wezen en jaarlijks verlengd. Controle vindt vaak plaats op basis van contracten en aantallen accounts, niet op basis van werke­lijk en functi­o­neel gebruik.

Daardoor blijven licen­ties bestaan voor medewer­kers die uit dienst zijn, voor functies die nauwe­lijks worden gebruikt of voor appli­ca­ties die elkaar geheel of gedeel­te­lijk overlappen.

Ook virtualisatie‑, database‑, bevei­li­gings- en beheer­soft­ware kan gekop­peld zijn aan het aantal gebrui­kers, proces­sors, cores, virtuele machines of servers. Overca­pa­ci­teit in de infra­struc­tuur leidt dan niet alleen tot hogere hardware- en energie­kosten, maar ook tot hogere licentiekosten.

Real insight maakt deze stape­ling zichtbaar.

Een ongebruikte server kost immers niet alleen stroom. Deze kan ook kosten veroor­zaken voor opslag, back-up, monito­ring, bevei­li­ging, beheer en softwa­re­li­cen­ties. Eén technisch ineffi­ci­ënte keuze kan daardoor op meerdere kosten­ni­veaus doorwerken.

Door feite­lijk gebruik te koppelen aan contract- en licen­tie­ge­ge­vens ontstaat ruimte om licen­ties terug te nemen, abonne­menten te verkleinen, appli­ca­ties te conso­li­deren en contract­voor­waarden beter af te stemmen op de werke­lijke behoefte.

Hardware beter benutten en langer gebruiken

De meest duurzame server is niet automa­tisch de nieuwste server. In veel gevallen is het de server die al is gepro­du­ceerd, nog goed functi­o­neert en aantoon­baar voldoende perfor­mance levert voor de toege­wezen workload.

Vervan­ging op basis van leeftijd alleen kan leiden tot onnodige inves­te­ringen, extra materi­aal­ge­bruik en nieuwe emissies in de produc­tie­keten. Tegelij­ker­tijd is onbeperkt doorge­bruiken evenmin verstandig. Oudere hardware kan minder energie-efficiënt zijn, een groter storings­ri­sico hebben of onvol­doende onder­steu­ning bieden.

De beslis­sing moet daarom op real data worden gebaseerd.

Wanneer energie­ver­bruik, thermi­sche belas­ting, techni­sche conditie, benut­ting en workload-perfor­mance gezamen­lijk worden gemeten, kan veel nauwkeu­riger worden bepaald of hardware:

• nog doelmatig kan blijven functioneren;
• voor een lichtere workload kan worden ingezet;
• gecon­so­li­deerd kan worden;
• technisch moet worden aangepast;
• of aantoon­baar aan vervan­ging toe is.

Dat verlengt waar mogelijk de econo­mi­sche levens­duur, zonder dat beschik­baar­heid of perfor­mance onnodig in gevaar wordt gebracht.

Voor AI-infra­struc­tuur wordt dit onder­scheid nog belang­rijker. De fysieke infra­struc­tuur van een datacenter kan een levens­duur van vijftien tot twintig jaar hebben, terwijl GPU’s en andere accele­ra­tors vaak een veel kortere econo­mi­sche cyclus kennen. Door infra­struc­tuur, koeling, energie­voor­zie­ning, compute en software als afzon­der­lijke lagen te benaderen, kunnen deze compo­nenten volgens hun eigen levens­duur worden gefinan­cierd, gebruikt en vervangen.

Daarmee wordt voorkomen dat een volle­dige infra­struc­tuur verou­derd wordt verklaard omdat één techno­lo­gie­laag aan vervan­ging toe is.

Modula­ri­teit en meetbaar­heid verlagen zo het risico op stranded investments.

Van dashboard naar financieel stuurinstrument

Veel organi­sa­ties beschikken al over monito­ring. Toch leidt monito­ring niet automa­tisch tot besparing.

Een dashboard dat alleen laat zien hoeveel energie, cloud­ca­pa­ci­teit of GPU-vermogen wordt gebruikt, blijft beschrij­vend. De werke­lijke waarde ontstaat wanneer data uit verschil­lende lagen met elkaar wordt verbonden:

• fysieke infra­struc­tuur;
• servers, GPU’s, opslag en netwerk;
• hyper­vi­sors en virtuele machines;
• appli­ca­ties en workloads;
• gebrui­kers en transacties;
• energie, koeling en thermi­sche omstandigheden;
• cloud‑, software- en beheerkosten;
• servi­ce­le­vels en performance.

Dan kan worden vastge­steld welke techni­sche middelen nodig zijn voor een concreet bedrijfsresultaat.

Zirrow moet daarom niet uitslui­tend worden gezien als een dashboard of monito­rings­op­los­sing. Het is de real-data- en bewijs­laag waarmee organi­sa­ties de relatie tussen vermogen, perfor­mance, capaci­teit, kosten en duurzaam­heid zicht­baar kunnen maken.

Niet alleen achteraf in een rappor­tage, maar realtime en op een niveau waarop daadwer­ke­lijk kan worden bijgestuurd.

Dat maakt voorspel­lende optima­li­satie mogelijk. Niet wachten totdat capaci­teit tekort­schiet of kosten uit de hand lopen, maar tijdig herkennen waar ineffi­ci­ëntie, piekbe­las­ting, overdi­men­si­o­ne­ring of verslech­te­rende perfor­mance ontstaat.

Geen performanceverlies als randvoorwaarde

Kosten­be­spa­ring mag nooit een doel op zichzelf worden. IT onder­steunt zorg, finan­ciële dienst­ver­le­ning, overheid, industrie, logis­tiek en tal van andere kritieke processen. Vermin­derde perfor­mance kan directe gevolgen hebben voor medewer­kers, klanten en bedrijfscontinuïteit.

Daarom moet iedere optima­li­satie worden getoetst aan vooraf vastge­stelde prestatiecriteria.

Het verdien­model is niet gebaseerd op minder IT tegen elke prijs. Het is gebaseerd op het leveren van dezelfde of een betere prestatie met minder verspilling.

Dat betekent:

Smart Power & Performance.

Energie en kosten vermin­deren waar dat aantoon­baar kan, terwijl de overeen­ge­komen perfor­mance behouden blijft. Daarmee wordt voorkomen dat bespa­ringen op papier later leiden tot vertra­gingen, versto­ringen, produc­ti­vi­teits­ver­lies of nieuwe investeringen.

Werke­lijke effici­ency is immers niet het laagste energie­ver­bruik, maar de beste verhou­ding tussen ingezette middelen en geleverde prestatie.

De businesscase van real insight

De finan­ciële opbrengst van real insight bestaat uit meerdere bespa­rings­stromen die elkaar versterken:

1. lagere cloud­kosten door rightsi­zing, uitscha­ke­ling en betere workloadplaatsing;
2. lagere AI-kosten door effici­ën­tere modellen, GPU-benut­ting en workloadregie;
3. lagere softwa­rekosten door licen­tie­op­ti­ma­li­satie en consolidatie;
4. lagere hardware-inves­te­ringen door betere benut­ting en levensduurverlenging;
5. lagere energie­kosten door vermin­de­ring van idle- en overcapaciteit;
6. lagere koelings­kosten door betere afstem­ming tussen IT-belas­ting en thermi­sche infrastructuur;
7. lagere beheer­kosten door het verwij­deren van onnodige complexiteit;
8. lagere piekbe­las­ting en mogelijk lagere aansluit- of capaciteitstarieven;
9. minder inves­te­rings­ri­sico door beslis­singen te baseren op aantoon­bare behoefte;
10. lagere compli­ance- en rappor­ta­ge­last doordat dezelfde gevali­deerde data voor meerdere doeleinden kan worden gebruikt.

Dezelfde data die bespa­ringen mogelijk maakt, kan boven­dien worden ingezet voor duurzaam­heids­rap­por­tage, interne gover­nance, klant­ver­ant­woor­ding, compli­ance, inves­te­rings­be­sluiten en verificatie.

Daarmee worden met één meet- en bewijs­laag meerdere bedrijfs­doelen ondersteund.

Meten moet zelf ook meetbaar renderen

Wanneer wij stellen dat real insight een verdien­model is, moeten wij dat vanzelf­spre­kend ook kunnen bewijzen.

Daarom kan de uitgangs­si­tu­atie als baseline worden vastge­legd. Vervol­gens worden verbe­ter­maat­re­gelen uitge­voerd en worden de effecten op energie, kosten, capaci­teit en perfor­mance gemeten. Alleen aantoon­bare en gevali­deerde bespa­ringen mogen als resul­taat worden toegerekend.

Dat maakt zelfs een no-cure-no-pay- of shared-savings­model mogelijk. De vergoe­ding kan dan worden gekop­peld aan aantoon­baar gerea­li­seerde bespa­ringen gedurende een vooraf afgesproken periode.

Zo ontstaat een zuivere econo­mi­sche prikkel:

• geen theore­ti­sche besparing;
• geen gemid­delde marktdata;
• geen oncon­tro­leer­bare claim;
• maar een vergoe­ding op basis van werke­lijk gerea­li­seerd en gevali­deerd resultaat.

Wanneer real insight geen aantoon­bare waarde oplevert, is de busines­scase onvol­doende. Wanneer de bespa­ring wel aantoon­baar is, kan een deel daarvan worden gebruikt om de meet‑, analyse- en optima­li­sa­tie­dienst te financieren.

De klant houdt struc­tu­reel lagere kosten over, terwijl de aanbieder wordt beloond voor werke­lijk resultaat.

Van kostenplaats naar waardecreatie

De grootste veran­de­ring is misschien wel organisatorisch.

Duurzaam­heid, IT-beheer, finance, procure­ment en compli­ance werken binnen veel organi­sa­ties nog vanuit afzon­der­lijke databronnen en doelstel­lingen. Finance ziet facturen. IT ziet capaci­teit en beschik­baar­heid. Sustai­na­bi­lity ziet energie en CO₂. Procure­ment ziet contracten en licen­ties. De bedrijfs­or­ga­ni­satie ziet vooral of een appli­catie functioneert.

Real insight brengt deze werelden samen.

Daarmee wordt verduur­za­ming geen losstaand rappor­ta­ge­pro­ject, maar een vorm van opera­ti­o­nele en finan­ciële verbe­te­ring. Compli­ance wordt geen extra admini­stra­tieve laag, maar een resul­taat van data die al nodig is om de omgeving beter te besturen. En IT wordt niet langer uitslui­tend beoor­deeld op beschik­baar­heid en budget, maar op aantoon­bare waarde per ingezette euro, kilowattuur en rekeneenheid.

Dat is precies waar volgens mij de echte busines­scase ligt.

Geen duurzame AI zonder meetbaar bewijs

Voor duurzame AI is het niet voldoende om groene elektri­ci­teit in te kopen of naar de PUE van een datacenter te verwijzen. We moeten weten hoeveel energie een AI-workload werke­lijk gebruikt, welke presta­ties daarmee worden geleverd, hoeveel infra­struc­tuur daarvoor nodig is en of dezelfde uitkomst effici­ënter kan worden bereikt.

Dat bewijs moet feite­lijk, herleid­baar, verifi­eer­baar en bij voorkeur certi­fi­ceer­baar zijn.

Niet omdat we behoefte hebben aan meer regel­druk, maar omdat trans­pa­rantie noodza­ke­lijk is om markt­wer­king mogelijk te maken. Zolang afnemers geen verge­lijk­bare en betrouw­bare data hebben, kunnen zij leveran­ciers nauwe­lijks beoor­delen op effici­ency, kosten of duurzaamheid.

Real data maakt presta­ties verge­lijk­baar. Verge­lijk­baar­heid stimu­leert concur­rentie. Concur­rentie beloont uitein­de­lijk de partij die aantoon­baar meer waarde levert met minder middelen.

Daarmee wordt meetbaar bewijs niet alleen een voorwaarde voor duurzame AI, maar ook voor betaal­bare AI.

De overtuiging die nu bewezen kan worden

We staan aan het begin van een periode waarin cloud- en AI-kosten een steeds groter deel van de bedrijfs­uit­gaven zullen vormen. Tegelij­ker­tijd nemen de druk op het elektri­ci­teitsnet, de behoefte aan digitale soeve­rei­ni­teit en de verwach­tingen rond duurzaam­heid en trans­pa­rantie toe.

Meer infra­struc­tuur bouwen is niet de enige oplossing.

We moeten eerst begrijpen wat we al hebben, hoe het wordt gebruikt en welke prestatie het werke­lijk levert.

Mijn overtui­ging is helder: binnen vrijwel iedere omvang­rijke IT-omgeving bestaat een aanzien­lijk bespa­rings­po­ten­tieel in cloud­ge­bruik, AI-capaci­teit, softwa­re­li­cen­ties, hardware, energie en beheer. Dat poten­tieel kan worden benut zonder noodza­ke­lijke perfor­mance in te leveren, mits beslis­singen worden gebaseerd op voldoende gedetail­leerde en betrouw­bare data.

De kosten van die real data insight vormen daarbij niet het probleem.

Het ontbreken ervan is het echte risico.

Want wie niet meet, betaalt niet alleen te veel. Die organi­satie weet ook niet waarvoor zij betaalt, waar zij verspilt, wanneer zij moet inves­teren en welke duurzaam­heids­claims werke­lijk kunnen worden onderbouwd.

Real insight veran­dert dat. Het maakt verborgen verspil­ling zicht­baar, onder­steunt gerichte optima­li­satie en vertaalt techni­sche data naar finan­ciële stuurinformatie.

Daarmee is real data geen extra kosten­post, maar een aantoon­baar verdienmodel.

Niet besparen door minder perfor­mance te accep­teren, maar meer waarde halen uit iedere euro, iedere licentie, iedere server, iedere GPU en iedere kilowattuur.