Kunstmatige intelligentie ontwikkelt zich in een ongekend tempo. Wereldwijd investeren ondernemingen, overheden en onderzoeksinstellingen miljarden in AI-modellen, gespecialiseerde hardware en nieuwe datacenterinfrastructuur. Tegelijkertijd groeit de afhankelijkheid van AI in vrijwel alle economische sectoren.
We spreken uitgebreid over de mogelijkheden van AI. Over productiviteit, innovatie, automatisering en economische groei. Maar een fundamentele vraag blijft opvallend vaak onbeantwoord:
Wat kost AI ons daadwerkelijk, in geld, energie, water en grondstoffen, en wat krijgen we daarvoor terug?
Het antwoord is veel ingewikkelder dan een factuur van een cloudprovider of het elektrische vermogen van een GPU.
Een organisatie kan precies weten hoeveel zij jaarlijks aan AI-diensten betaalt, zonder te weten hoeveel van die uitgaven werkelijk bijdragen aan haar bedrijfsresultaat. Een datacenter kan beschikken over uitstekende energie-efficiëntiecijfers, terwijl onduidelijk blijft of de onderliggende AI-hardware effectief wordt benut. Een AI-model kan steeds sneller antwoorden produceren, terwijl niemand meet hoeveel van die antwoorden daadwerkelijk bruikbaar zijn.
Wij vinden dat dit moet veranderen.
Vanuit Zirrow en Stichting Save Energy Foundation pleiten wij voor een volgende generatie prestatie-indicatoren die de volledige keten inzichtelijk maakt: van elektriciteitsaansluiting en koeling tot GPU, AI-model, applicatie, financieel resultaat en maatschappelijke impact.
Onze overtuiging is eenvoudig:
Wat je meet, kun je verbeteren. Wat je verbetert, moet je kunnen bewijzen.
1. AI maakt het noodzakelijk om opnieuw naar efficiëntie te kijken
Volgens het International Energy Agency (IEA) verbruikten datacenters wereldwijd in 2024 ongeveer 415 TWh elektriciteit. In het basisscenario van het IEA kan dit groeien naar circa 945 TWh in 2030. AI is een belangrijke aanjager van die groei.
Dat betekent niet automatisch dat iedere AI-toepassing inefficiënt is. Integendeel: technologische ontwikkelingen kunnen het energieverbruik per uitgevoerde taak aanzienlijk verlagen.
Maar daar zit precies het probleem.
Als één AI-verzoek aanzienlijk efficiënter wordt, terwijl het aantal verzoeken honderdvoudig groeit, kan het totale energieverbruik alsnog fors stijgen.
We moeten daarom twee verschillende ontwikkelingen afzonderlijk meten: de efficiëntie van één AI-taak en het totale absolute verbruik van alle AI-activiteiten samen.
Een dalend energieverbruik per token is positief. Maar wanneer het totale aantal tokens explosief groeit, kan de samenleving desondanks met een toenemende belasting van elektriciteitsnetten, waterbronnen en grondstoffen worden geconfronteerd.
Datzelfde principe geldt voor de financiële kant.
Een lagere prijs per miljoen tokens betekent niet noodzakelijk dat een onderneming minder aan AI uitgeeft. Wanneer medewerkers meer AI-verzoeken indienen, agentic AI-systemen zelfstandig tientallen achterliggende opdrachten uitvoeren en steeds grotere modellen worden gebruikt, kan de totale AI Spend juist toenemen.
Lagere eenheidskosten zijn niet hetzelfde als lagere totale kosten. En hogere AI-productie is niet hetzelfde als hogere productiviteit.
Dit onderscheid vormt de basis van onze visie.
2. Bestaande datacenter-KPI’s zijn noodzakelijk, maar vertellen slechts een deel van het verhaal
De datacentersector heeft de afgelopen jaren belangrijke stappen gezet in het ontwikkelen van meetstandaarden.
Power Usage Effectiveness (PUE) geeft inzicht in de verhouding tussen het totale energieverbruik van een datacenter en het energieverbruik van de IT-apparatuur.
Water Usage Effectiveness (WUE) maakt watergebruik inzichtelijk ten opzichte van het IT-energieverbruik.
Daarnaast bestaan indicatoren voor hernieuwbare energie, hergebruik van restwarmte en CO₂-uitstoot.
Europese regelgeving heeft deze ontwikkeling verder versterkt. De Energy Efficiency Directive en de gedelegeerde verordening EU 2024/1364 verplichten exploitanten van datacenters met een geïnstalleerd IT-vermogen vanaf 500 kW tot rapportage van relevante energie- en duurzaamheidsgegevens.
Dat is een belangrijke ontwikkeling.
Maar met de komst van AI ontstaat een fundamentele beperking van deze indicatoren.
Een datacenter met een PUE van 1,15 kan technisch uitstekend functioneren, terwijl een aanzienlijk deel van de AI-capaciteit onbenut blijft. Ook kan een datacenter zeer efficiënt koelen, terwijl de gebruikte AI-modellen onnodig groot zijn voor de taken die zij uitvoeren.
Het energieverbruik van het gebouw is dan goed beheerst, maar over de economische en functionele efficiëntie van de AI-workloads weten we nog onvoldoende.
Een lage PUE bewijst niet dat er zinvol met AI wordt omgegaan.
Daarom willen wij de traditionele infrastructuurindicatoren verbinden met KPI’s die het werkelijke gebruik en resultaat van kunstmatige intelligentie meten.
Niet alleen hoeveel energie er naar een IT-omgeving gaat, maar ook:
- Hoeveel effectieve AI-werkzaamheden worden uitgevoerd?
- Hoeveel daarvan leveren daadwerkelijk een bruikbaar resultaat op?
- Welke kosten staan daar tegenover?
- Hoe efficiënt worden hardware en software benut?
- Hoeveel energie en water is aan deze werkzaamheden toe te rekenen?
- Welke economische en maatschappelijke meerwaarde ontstaat daardoor?
Voor ons begint de volgende fase van duurzaamheid bij die verbinding.
3. AI Spend: de werkelijke financiële kosten van kunstmatige intelligentie
Een van de belangrijkste nieuwe aandachtsgebieden is AI Spend.
Bij traditionele IT spreken organisaties al jarenlang over IT Spend en Cloud Spend. Met de snelle opkomst van AI ontstaat een nieuwe kostenstructuur die steeds moeilijker te doorgronden wordt.
AI Spend bestaat uit veel meer dan de kosten van API-verzoeken of een abonnement op een AI-platform.
Denk aan de aanschaf of huur van GPU-capaciteit, cloudcompute, modellicenties, tokens, opslag, netwerkverkeer, databases, softwareontwikkeling, beveiliging, monitoring, energie, koeling, onderhoud en het operationele beheer.
Daarnaast kunnen kosten ontstaan door het trainen, aanpassen en voortdurend opnieuw evalueren van modellen.
Wij willen AI Spend op verschillende niveaus inzichtelijk maken.
Kosten per token
De prijs per miljoen input- en outputtokens is een bruikbare financiële indicator, maar onvoldoende om AI-modellen eerlijk te vergelijken.
Outputtokens kunnen een andere prijs hebben dan inputtokens. Ook kunnen modellen sterk verschillen in de hoeveelheid tokens die zij nodig hebben om een gelijkwaardig resultaat te bereiken.
Daarom moeten de hoeveelheid tokens, de kosten en het geleverde kwaliteitsniveau gezamenlijk worden beoordeeld.
Kosten per AI-verzoek
Een tweede indicator is de gemiddelde prijs per uitgevoerde AI-aanvraag.
Daarbij moeten niet alleen de zichtbare kosten worden meegenomen, maar ook achterliggende handelingen zoals modelrouting, zoekopdrachten, retrieval, herhaalde pogingen en aanvullende modelaanroepen.
Een ogenschijnlijk eenvoudige gebruikersvraag kan immers leiden tot meerdere interne AI-processen.
Kosten per succesvolle AI-taak
Dit is volgens ons een van de belangrijkste KPI’s die ontwikkeld moeten worden.
Niet het aantal gegenereerde antwoorden bepaalt de waarde, maar het aantal antwoorden dat daadwerkelijk bruikbaar is.
Wanneer een AI-systeem 100.000 antwoorden produceert, maar slechts 70.000 daarvan voldoen aan de vooraf vastgestelde kwaliteitscriteria, moeten de kosten worden afgezet tegen die 70.000 succesvolle resultaten.
Dat kan tot een volledig ander beeld leiden dan wanneer uitsluitend de kosten per verzoek worden gemeten.
AI Spend per bedrijfsproces
Uiteindelijk moet een organisatie kunnen vaststellen hoeveel AI bijdraagt aan specifieke bedrijfsactiviteiten.
Bijvoorbeeld bij klantenservice, softwareontwikkeling, documentverwerking, fraudedetectie, medische ondersteuning of logistieke planning.
Pas wanneer de kosten van AI aan een concreet bedrijfsproces worden gekoppeld, ontstaat de mogelijkheid om de economische meerwaarde te bepalen.
Wij willen AI Spend veranderen van een moeilijk controleerbare kostenpost in een bestuurbare investering met aantoonbare opbrengsten.
4. Van energieverbruik per GPU naar energieverbruik per bruikbaar resultaat
Naast de financiële kosten willen we de energie-efficiëntie van AI veel nauwkeuriger meten.
Bij de beoordeling van AI-hardware wordt vaak gekeken naar maximale rekenkracht, geheugen, GPU-bezetting of elektriciteitsverbruik.
Die indicatoren zijn waardevol, maar vertellen niet het volledige verhaal.
Een GPU die voortdurend actief is, hoeft niet noodzakelijk productief te zijn. Een model dat veel tokens genereert, hoeft niet daadwerkelijk betere resultaten op te leveren.
Wij willen daarom een koppeling leggen tussen het elektriciteitsverbruik en de daadwerkelijke functionele prestaties.
Daaruit ontstaan nieuwe mogelijke indicatoren.
Energy per Token meet hoeveel energie gemiddeld nodig is om een token te verwerken of genereren.
Energy per Inference geeft inzicht in de energie die nodig is om één AI-verzoek af te handelen.
Energy per Successful Task gaat een belangrijke stap verder: hoeveel energie is nodig om één taak succesvol af te ronden?
Useful AI Output per kWh draait de vergelijking om: hoeveel aantoonbaar bruikbare AI-resultaten worden geleverd per verbruikte kilowattuur?
Voor alle indicatoren geldt dat vergelijkingen alleen zinvol zijn wanneer dezelfde type werkzaamheden, kwaliteitscriteria en prestatie-eisen worden gehanteerd.
Denk aan reactietijd, nauwkeurigheid, betrouwbaarheid en beschikbaarheid.
Een systeem dat bijzonder weinig energie verbruikt, maar te traag is voor de gevraagde toepassing, is immers niet automatisch de beste oplossing.
Wij willen energie-efficiëntie daarom niet los zien van de geleverde prestaties.
De centrale vraag moet zijn:
Hoeveel nuttige AI-capaciteit kunnen we leveren met een zo laag mogelijk werkelijk energieverbruik, zonder dat prestaties, betrouwbaarheid of kwaliteit daaronder lijden?
5. Water: een steeds belangrijkere, maar nog onvoldoende zichtbare kostenfactor
Het waterverbruik van AI verdient bijzondere aandacht.
Datacenters gebruiken, afhankelijk van hun koeltechnologie, water voor het afvoeren van warmte. Daarnaast ontstaat indirect watergebruik bij onder meer elektriciteitsproductie en de vervaardiging van hardware.
Er bestaat echter een groot verschil tussen wateronttrekking, daadwerkelijk waterverbruik en de gevolgen daarvan voor lokale watervoorraden.
Een liter water die wordt gebruikt in een gebied met overvloedige watervoorraden heeft niet noodzakelijk dezelfde maatschappelijke impact als een liter water in een regio die structureel met droogte kampt.
Daarom vinden wij dat Water Usage Effectiveness moet worden aangevuld met een AI-specifieke benadering.
Wij denken aan indicatoren zoals Water per Inference, Water per Successful Task en een Water Stress Impact Indicator.
Die laatste indicator zou het waterverbruik kunnen relateren aan de lokale beschikbaarheid en schaarste van water.
Ook willen wij onderscheid maken tussen direct watergebruik binnen een datacenter, indirect watergebruik in de elektriciteitsketen en watergebruik dat samenhangt met de productie van hardware.
Daarbij moeten de meetgrenzen steeds expliciet worden vermeld, zodat verschillende soorten waterimpact niet ten onrechte bij elkaar worden opgeteld.
De ontwikkeling van dergelijke indicatoren is relevant voor zowel AI-gebruikers als datacenterexploitanten en overheden.
Want de maatschappelijke vraag is niet uitsluitend hoeveel water een AI-toepassing gebruikt, maar ook waar en onder welke omstandigheden dat gebeurt.
6. Welke AI-KPI’s willen wij ontwikkelen?
Wij zien mogelijkheden voor een geïntegreerd AI-meetmodel waarin bestaande standaarden worden gecombineerd met nieuwe indicatoren.
| Meetgebied | Bestaande of voorgestelde KPI’s | Wat moet inzichtelijk worden? |
| Infrastructuur | PUE, WUE, ERF, REF | Energie, water, restwarmte en hernieuwbare energie |
| Hardware | GPU-utilization, GPU-energie, geheugenbenutting | Effectief gebruik van beschikbare capaciteit |
| Inference | Wh per inference, joule per token | Energie-efficiëntie van AI-verzoeken |
| AI-prestaties | Latency, throughput, taaknauwkeurigheid | Snelheid, kwaliteit en betrouwbaarheid |
| AI Spend | Kosten per token, verzoek, model en workload | Werkelijke financiële AI-kosten |
| AI-efficiëntie | Kosten per succesvolle taak | Kosten in verhouding tot bruikbare resultaten |
| Waterimpact | Water per AI-taak, waterstress-gewogen impact | Directe en indirecte waterbelasting |
| Klimaatimpact | gCO₂e per taak, totale emissies | Emissie-intensiteit én absolute uitstoot |
| Circulariteit | Economische levensduur, embodied carbon per nuttige prestatie | Effectief en langdurig gebruik van hardware |
| Bedrijfswaarde | Netto besparing, AI Return on Investment | Aantoonbare financiële toegevoegde waarde |
| Maatschappelijke waarde | Publieke impact per ingezette hulpbron | Bijdrage aan maatschappelijke doelstellingen |
| Bewijskwaliteit | Meetdekking, datakwaliteit, herleidbaarheid | Betrouwbaarheid en controleerbaarheid van claims |
Een deel van deze indicatoren bestaat al in internationale standaarden of benchmarkingmethoden. Andere indicatoren zijn voorstellen die verdere ontwikkeling, praktijkvalidatie en standaardisering vereisen.
Wij willen niet opnieuw het wiel uitvinden. Juist het combineren van bestaande meetstandaarden met ontbrekende AI-specifieke indicatoren kan een belangrijke bijdrage leveren aan een beter meetbaar AI-ecosysteem.
7. De werkelijke benutting van AI-hardware: misschien wel de grootste kans op verbetering
AI-hardware vertegenwoordigt een enorme investering.
Geavanceerde GPU-systemen zijn kostbaar in aanschaf, vragen aanzienlijke hoeveelheden energie en bevatten materialen en componenten met een eigen ecologische voetafdruk.
Toch zegt de aanwezigheid van veel rekenkracht weinig over de effectieve benutting ervan.
Een organisatie kan beschikken over meerdere GPU-servers die gedurende een groot deel van de dag slechts gedeeltelijk worden gebruikt.
Tegelijkertijd kunnen andere organisaties nieuwe hardware aanschaffen omdat zij onvoldoende inzicht hebben in de beschikbare capaciteit.
Wij zien daarom een belangrijke rol voor het meten van daadwerkelijke benutting.
Daarbij gaat het niet alleen om GPU-activiteit, maar ook om geheugenbenutting, verwerkingssnelheid, wachttijden, beschikbare capaciteit en de verhouding tussen gereserveerde en werkelijk gebruikte compute.
Een hoge GPU-utilization is overigens niet automatisch optimaal. In veel toepassingen is vrije capaciteit noodzakelijk om piekbelasting op te vangen en responstijden te garanderen.
Juist daarom willen wij meten hoeveel capaciteit functioneel noodzakelijk is en hoeveel capaciteit structureel onbenut blijft.
Dit opent mogelijkheden voor betere workloadplanning, modelrouting, consolidatie van workloads en een langere economische levensduur van hardware.
Wanneer bestaande infrastructuur beter wordt benut, kunnen nieuwe investeringen mogelijk worden uitgesteld of vermeden.
Dat levert niet alleen financiële voordelen op, maar kan ook de vraag naar nieuwe hardware, grondstoffen en additionele elektriciteitsinfrastructuur beperken.
De duurzaamste GPU is niet per definitie de nieuwste of de zuinigste GPU, maar de GPU die binnen de vereiste kwaliteit en levensduur de meeste bruikbare waarde levert per ingezette hulpbron.
8. Het belang van AI-modelkeuze en software-efficiëntie
Een ander belangrijk aandachtspunt is de keuze van AI-modellen.
Niet iedere AI-taak vereist het grootste, krachtigste of duurste model.
Voor eenvoudige classificaties, samenvattingen, informatie-extractie of routinematige bedrijfsprocessen kan een kleiner gespecialiseerd model voldoende zijn.
Ook technieken zoals quantization, caching, batching en efficiënte inference-engines kunnen de benodigde capaciteit verminderen.
Daarom willen wij niet alleen de hardware meten, maar ook het effect van de softwarearchitectuur.
Welke modellen worden voor welke taken ingezet? Hoeveel verzoeken hadden met een kleiner model afgehandeld kunnen worden? Hoeveel extra verbruik veroorzaken onnodig lange prompts, herhalingen of mislukte AI-antwoorden?
Met dergelijke inzichten kunnen organisaties hun AI-omgeving continu optimaliseren.
Het doel is niet om kunstmatige intelligentie zo beperkt mogelijk te gebruiken, maar om de juiste hoeveelheid AI in te zetten voor de juiste taak.
Daarmee ontstaat een relatie tussen modelkeuze, kwaliteit, kosten en duurzaamheid.
Wij noemen dit het streven naar AI Right-Sizing.
Niet maximale rekenkracht als uitgangspunt, maar de minimaal noodzakelijke middelen voor het gewenste resultaat.
9. De bewijslaag: waar Zirrow het verschil kan maken
Alleen KPI’s definiëren is niet voldoende.
De belangrijkste uitdaging is het verzamelen, combineren en betrouwbaar interpreteren van de onderliggende gegevens.
Datacenters meten hun energieverbruik. GPU-managementsystemen verzamelen hardwaretelemetrie. AI-platforms registreren tokens, modelaanroepen en prestaties. Financiële systemen bevatten de kosten en facturen.
Maar deze gegevens bevinden zich vaak in verschillende systemen en zijn niet automatisch met elkaar verbonden.
Precies hier zien wij de strategische rol van Zirrow.
Zirrow kan zich ontwikkelen tot een onafhankelijke, technologie- en leveranciersoverstijgende bewijslaag die gegevens uit verschillende bronnen samenbrengt en vertaalt naar bruikbare, controleerbare KPI’s.
Wij onderscheiden daarbij vier niveaus.
De infrastructuurlaag – Hier meten we het energieverbruik van het datacenter, de stroomvoorziening, de koeling, het watergebruik, de restwarmte en de relevante omgevingscondities.
De hardwarelaag – Hier verzamelen we gegevens over servers, GPU’s, CPU’s, geheugen, opslag en netwerkcomponenten. Ook het verbruik tijdens inactiviteit en het vermogen dat nodig is voor beschikbaarheid en redundantie verdienen aandacht.
De software- en AI-laag – Hier meten we welke modellen en applicaties gebruikmaken van de beschikbare capaciteit, hoeveel taken worden uitgevoerd en welke prestaties daadwerkelijk worden geleverd.
De financiële en maatschappelijke bewijslaag
Hier verbinden we het daadwerkelijke gebruik met de financiële kosten, de behaalde bedrijfsresultaten en de relevante duurzaamheidsindicatoren.
Juist die laatste koppeling ontbreekt bij veel traditionele monitoringsystemen.
Voor de geloofwaardigheid is het essentieel dat gegevens zo veel mogelijk rechtstreeks afkomstig zijn uit meetapparatuur, technische logbestanden en gevalideerde administratieve bronnen.
Wanneer exacte metingen ontbreken, kunnen berekeningen en allocatiemodellen worden gebruikt, mits duidelijk zichtbaar blijft welke uitkomsten zijn gemeten en welke zijn geschat.
Een betrouwbare bewijslaag moet ook de meetperiode, brongegevens, systeemgrenzen, gebruikte berekeningsmethodiek en onzekerheden kunnen vastleggen.
Zo ontstaat niet alleen een dashboard, maar een controleerbaar fundament voor technische, financiële en duurzaamheidsbeslissingen.
10. De rol van Stichting Save Energy Foundation
Waar Zirrow de technische mogelijkheden kan ontwikkelen om prestaties te meten en inzichtelijk te maken, zien wij voor Stichting Save Energy Foundation een bredere maatschappelijke rol.
De stichting kan bijdragen aan de ontwikkeling, toetsing en verspreiding van onafhankelijke meetmethodieken voor verantwoord AI-gebruik.
Dat is belangrijk omdat de discussie over AI en duurzaamheid momenteel vaak wordt gevoerd vanuit verschillende, soms tegenstrijdige belangen.
Hardwareproducenten benadrukken de efficiëntie van hun nieuwste systemen. Cloudproviders wijzen op de dalende kosten van AI-verzoeken. Datacenterexploitanten tonen verbeteringen in PUE en energievoorziening.
Al deze ontwikkelingen kunnen waardevol zijn, maar vormen gezamenlijk nog geen volledig en onafhankelijk beeld.
Wij zien daarom ruimte voor een gezamenlijke aanpak waarin kennisinstellingen, datacenterorganisaties, AI-ontwikkelaars, ondernemingen, overheden en maatschappelijke partijen samenwerken aan een breed gedragen meetkader.
Stichting Save Energy Foundation kan hierin optreden als initiatiefnemer, kennisverbinder en aanjager van transparantie.
Daarbij hoort ook een duidelijke scheiding tussen commerciële technologieontwikkeling en onafhankelijke beoordeling.
De stichting kan bijdragen aan open definities, transparante methodieken en onafhankelijke praktijktoetsing. Formele certificering of assurance vereist afzonderlijke deskundigheid, procedures en waar nodig accreditatie.
Ons uitgangspunt is dat een goede KPI niet afhankelijk mag zijn van één leverancier of commercieel platform.
De methode moet herhaalbaar, controleerbaar en zoveel mogelijk vergelijkbaar zijn.
Duurzaamheid mag geen marketingclaim zijn. Zij moet kunnen worden onderbouwd met betrouwbare gegevens.
11. De financiële voordelen voor onze klanten
Wij zijn ervan overtuigd dat betrouwbare AI-data niet uitsluitend een kostenpost is.
Sterker nog: inzicht in het werkelijke gebruik van AI kan een zelfstandig verdienmodel opleveren.
Dat komt doordat organisaties met gedetailleerde meetgegevens gericht kunnen sturen op efficiëntere hardwarebenutting, lagere cloudkosten, betere modelkeuze en minder onnodige verwerking.
Stel dat een onderneming jaarlijks € 1 miljoen uitgeeft aan AI-diensten.
Door inzicht te krijgen in het werkelijke gebruik ontdekt zij mogelijk dat bepaalde taken met goedkopere modellen kunnen worden uitgevoerd, dat een deel van de verzoeken onnodig wordt herhaald en dat gereserveerde GPU-capaciteit structureel onvoldoende wordt benut.
Wanneer de organisatie daardoor 15% van haar jaarlijkse AI-uitgaven kan vermijden, levert dat een bruto besparing van € 150.000 per jaar op.
Dit is een illustratief scenario, geen algemene besparingsgarantie.
De netto opbrengst hangt af van de benodigde meetinvesteringen, implementatiekosten, eventuele prestatieveranderingen en het werkelijk gerealiseerde kostenverschil.
Maar het illustreert wel waarom wij AI Spend-monitoring als een potentieel economisch aantrekkelijke activiteit beschouwen.
De financiële voordelen kunnen bovendien verder gaan dan de directe AI-factuur.
Een betere benutting van bestaande infrastructuur kan investeringen in nieuwe hardware uitstellen. Effectieve capaciteitsplanning kan bijdragen aan lagere operationele kosten. Inzicht in softwaregebruik kan overbodige licenties zichtbaar maken.
En wanneer een organisatie de economische levensduur van bestaande hardware verantwoord kan verlengen, ontstaat mogelijk ook een lagere kapitaalbehoefte.
De centrale businesscase is niet hoeveel monitoring kost, maar hoeveel aantoonbare waarde de inzichten opleveren nadat de kosten van meten en verbeteren zijn afgetrokken.
12. Van AI Return on Investment naar maatschappelijke waarde
Voor ondernemingen is een positieve Return on Investment belangrijk.
Maar AI heeft ook gevolgen die niet direct op een financiële resultatenrekening zichtbaar worden.
Denk aan de belasting van regionale elektriciteitsnetten, het gebruik van schaars drinkwater, de behoefte aan nieuwe datacenterlocaties, de productie van aanvullende hardware en de bijbehorende materiaalstromen.
Aan de andere kant kan AI juist bijdragen aan maatschappelijke verbeteringen.
Bijvoorbeeld door medische processen te ondersteunen, energieverbruik in gebouwen te optimaliseren, logistieke ketens efficiënter te maken, administratieve werkzaamheden te verminderen of wetenschappelijk onderzoek te versnellen.
Daarom vinden wij dat maatschappelijke impact onderdeel moet worden van een volwassen AI-meetmodel.
We moeten niet uitsluitend kijken naar de ecologische voetafdruk van AI, maar ook naar de aantoonbare positieve effecten van haar toepassing.
Een AI-oplossing die 10 MWh verbruikt, maar daarmee aantoonbaar 100 MWh elders in een proces bespaart, kan vanuit maatschappelijk perspectief waardevol zijn.
Maar dergelijke claims vragen om een betrouwbare vergelijking met een situatie zonder die AI-toepassing. Bovendien moeten alle relevante aanvullende kosten en effecten worden meegenomen en dubbeltellingen worden voorkomen.
Voor ons is de echte uitdaging daarom het ontwikkelen van een methodiek waarin zowel de negatieve impact als de positieve bijdrage van AI transparant zichtbaar worden.
Niet alles is daarbij terug te brengen tot één getal.
Energie, water, CO₂, biodiversiteit, productiviteit en maatschappelijke kwaliteit vertegenwoordigen verschillende belangen.
Een goede AI-beoordeling moet die belangen inzichtelijk maken, zonder de indruk te wekken dat alle effecten eenvoudig onderling uitwisselbaar zijn.
13. Van individuele organisaties naar een duurzamer AI-ecosysteem
Wanneer steeds meer organisaties op vergelijkbare wijze hun AI-prestaties meten, ontstaat een veel grotere mogelijkheid.
Dan kunnen we niet alleen afzonderlijke systemen verbeteren, maar ook leren welke infrastructuur, hardwareconfiguraties, modellen en softwarearchitecturen onder vergelijkbare omstandigheden het beste functioneren.
Daarmee wordt benchmarking mogelijk op basis van werkelijke prestaties.
Bijvoorbeeld tussen verschillende inference-omgevingen, cloudleveranciers, datacenterconfiguraties en AI-modellen.
Ook kunnen we beter begrijpen wanneer lokale AI-infrastructuur economisch en ecologisch aantrekkelijker is dan het gebruik van een publieke cloud.
En wanneer verwerking op kleinere schaal, dichter bij de gebruiker, de voorkeur verdient.
Niet iedere AI-toepassing vraagt om een hyperscale-omgeving.
Dit kan kansen bieden voor modulaire AI-infrastructuur, regionale AI-diensten en soevereine Europese toepassingen.
De keuze voor een bepaalde infrastructuur moet echter worden gemaakt op basis van aantoonbare prestaties, kosten en maatschappelijke impact, niet uitsluitend op basis van technologievoorkeur of marketing.
Wij willen juist die objectieve vergelijking mogelijk maken.
Dat kan bijdragen aan transparantere inkoopvoorwaarden, betere investeringsbeslissingen en maatschappelijk verantwoorde groei van AI.
14. Europese regelgeving: van rapportage naar aantoonbare prestaties
De Europese Unie heeft met de Energy Efficiency Directive een belangrijke stap gezet richting meer transparantie over de duurzaamheid van datacenters.
Daarnaast bevat de Europese AI Act verplichtingen voor aanbieders van general-purpose AI-modellen om onder andere de bekende of geschatte energieconsumptie van hun modellen te documenteren, binnen het toepasselijke juridische kader.
Dat laat zien dat de aandacht voor de milieu-impact van AI niet langer uitsluitend een vrijwillige ambitie is.
Maar wettelijke rapportage blijft een vertrekpunt.
Wij willen verder gaan dan uitsluitend voldoen aan bestaande informatieverplichtingen.
De ambitie moet zijn om meetgegevens actief te gebruiken voor verbetering.
Dat betekent dat een onderneming niet alleen jaarlijks rapporteert hoeveel energie en water is verbruikt, maar gedurende het jaar kan analyseren waarom het verbruik verandert, welke AI-workloads daarvoor verantwoordelijk zijn en waar optimalisatie mogelijk is.
Wanneer deze inzichten bovendien worden gekoppeld aan financiële resultaten en operationele prestaties, kan rapportage uitgroeien tot een effectief managementinstrument.
Wij zien daarin een belangrijke kans voor zowel Zirrow als Stichting Save Energy Foundation.
15. Een gezamenlijke ambitie: de ontwikkeling van een AI Performance & Sustainability Framework
Wij willen toewerken naar een integraal raamwerk dat economische prestaties, AI-functionaliteit en duurzaamheid op een consistente wijze met elkaar verbindt.
Een mogelijk uitgangspunt is een AI Performance & Sustainability Framework.
Dit raamwerk moet voortbouwen op bestaande internationale standaarden en meetmethoden, zoals ISO/IEC 30134, de Europese datacenterindicatoren en de benchmarkingmethodieken van MLCommons.
De ontbrekende verbinding ligt volgens ons vooral bij de koppeling tussen infrastructuurverbruik, AI-workloads, de kwaliteit van geleverde resultaten en de financiële waarde daarvan.
In de praktijk zien wij een gefaseerde ontwikkeling voor ons.
Eerst moeten de bestaande meetgegevens beschikbaar worden gemaakt en gevalideerd.
Vervolgens kunnen we deze gegevens verbinden met AI-workloads en de bijbehorende kosten.
Daarna kunnen aanvullende KPI’s worden ontwikkeld voor succesvolle AI-taken, modelkeuze, energie-efficiëntie, waterimpact en maatschappelijke waarde.
De volgende stap is het toetsen van deze KPI’s in werkelijke klantomgevingen, waarbij reproduceerbaarheid en onafhankelijke beoordeling centraal staan.
Uiteindelijk willen wij toewerken naar een situatie waarin bedrijven niet meer uitsluitend AI-capaciteit inkopen, maar aantoonbaar efficiënte en duurzame AI-prestaties kunnen vergelijken en beoordelen.
Daarbij moeten privacy, intellectueel eigendom, bedrijfsvertrouwelijke gegevens en cybersecurity vanaf het begin worden gewaarborgd.
Voor het meten van AI-efficiëntie is het meestal niet noodzakelijk om vertrouwelijke prompts of bedrijfsinformatie integraal beschikbaar te maken. In veel gevallen kunnen zorgvuldig gekozen technische metadata, geaggregeerde prestatiegegevens en gevalideerde kwaliteitsindicatoren voldoende zijn.
16. Onze oproep: laten we AI niet alleen slimmer maken, maar ook aantoonbaar efficiënter
De ontwikkeling van kunstmatige intelligentie is niet meer weg te denken uit onze samenleving.
De vraag is daarom niet of we AI moeten gebruiken, maar hoe we dat zo verantwoord en efficiënt mogelijk doen.
Wij geloven dat daar een enorme economische en maatschappelijke kans ligt.
Voor bedrijven betekent dit lagere en beter beheersbare kosten, betere prestaties, hogere benutting van bestaande investeringen en meer controle over hun AI-omgeving.
Voor datacenterexploitanten betekent het meer inzicht in de relatie tussen infrastructuur en IT-workloads, betere capaciteitsplanning en de mogelijkheid om duurzaamheidsprestaties concreter te onderbouwen.
Voor AI-ontwikkelaars betekent het de mogelijkheid om hun modellen te verbeteren op basis van daadwerkelijke prestaties en hulpbronnengebruik.
Voor overheden betekent het betrouwbaardere informatie over de impact van digitalisering op energie, water, infrastructuur en milieu.
En voor de samenleving betekent het dat technologische vooruitgang beter kan worden afgewogen tegen de middelen die daarvoor nodig zijn.
Met Zirrow willen wij de technische mogelijkheden ontwikkelen om die prestaties zichtbaar en controleerbaar te maken.
Met Stichting Save Energy Foundation willen wij bijdragen aan het onafhankelijke debat, de ontwikkeling van breed toepasbare meetmethodieken en de maatschappelijke bewustwording rond efficiënt gebruik van digitale technologie.
Wij zien daarbij geen tegenstelling tussen economische groei en duurzaamheid.
Integendeel.
Wanneer we beter begrijpen welke AI-activiteiten daadwerkelijk waarde toevoegen en welke vooral middelen verbruiken, kunnen we beide doelstellingen dichter bij elkaar brengen.
De volgende stap in de ontwikkeling van kunstmatige intelligentie zou daarom niet alleen moeten draaien om grotere modellen, snellere GPU’s en meer datacentercapaciteit.
Zij moet ook draaien om de vraag hoeveel waarde we daadwerkelijk creëren met de financiële middelen, energie, water en grondstoffen die we inzetten.
Wat je meet, kun je verbeteren. Wat je verbetert, moet je kunnen bewijzen.
En voor AI voegen wij daar een derde uitgangspunt aan toe:
Wat je investeert en verbruikt, moet in verhouding staan tot de waarde die je daadwerkelijk creëert.
Dat is de richting waarin Zirrow en Stichting Save Energy Foundation willen bijdragen aan een efficiëntere, transparantere en duurzamere AI-economie.
0 Reacties