Naar verwachting zullen de wereldwijde datacenters die kunstmatige intelligentie (AI) aandrijven, in 2030 945 terawattuur aan elektriciteit verbruiken. Dat is bijna drie keer zoveel als het gecombineerde jaarlijkse elektriciteitsverbruik van Pakistan, Bangladesh en Nigeria – landen met samen meer dan 650 miljoen inwoners. De bijbehorende watervoetafdruk zal gelijk zijn aan de jaarlijkse basisbehoefte aan huishoudelijk water van alle 1,3 miljard mensen in Sub-Sahara Afrika, en de landvoetafdruk zal meer dan 14.500 vierkante kilometer beslaan, ongeveer twee keer de omvang van het stedelijk gebied van Jakarta, waar meer dan 32 miljoen mensen wonen.

Deze schokkende bevindingen worden gedetailleerd beschreven in het nieuwe rapport ‘Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints’ van het United Nations University Institute for Water, Environment and Health (UNU-INWEH). Onderzoekers hebben al eerder gewaarschuwd voor de uitstoot van broeikasgassen door datacenters. Maar de VN-wetenschappers stellen nu dat de milieukosten van AI en datacenters niet alleen aan de hand van koolstofemissies kunnen worden begrepen. In hun rapport kwantificeren ze de koolstof-, water- en landvoetafdruk van het elektriciteitsverbruik van AI wereldwijd en benadrukken ze de grote verschillen tussen deze voetafdrukken in de 20 grootste datacenters ter wereld.

“Dit rapport is geen pleidooi tegen kunstmatige intelligentie, een technologische transformatie die het leven van miljarden mensen over de hele wereld verbetert”, aldus professor Kaveh Madani, directeur van UNU-INWEH en leider van het onderzoeksteam. “Het is een oproep om er verantwoord mee om te gaan en de onbedoelde gevolgen proactief aan te pakken om het duurzaam en rechtvaardig te maken. We hebben een beperkte tijd om ervoor te zorgen dat de ruggengraat van de technologische revolutie van ons tijdperk zich binnen de planetaire grenzen ontwikkelt, en dat de gemeenschappen die de cruciale mineralen leveren voor de vooruitgang van AI en degenen die de infrastructuur en het elektronisch afval ervan beheren, er ook van profiteren.”

Een voetafdruk die verkeerd wordt gemeten

Het rapport concludeert dat de milieukosten van AI systematisch verkeerd worden gemeten. De meeste bestaande beoordelingen richten zich op de koolstofemissies die gepaard gaan met het trainen van grote modellen. Maar elke kilowattuur elektriciteit die wordt gebruikt om een ​​AI-systeem te trainen of te laten draaien, heeft ook een watervoetafdruk, van koeling en energieopwekking, en een landvoetafdruk, van energie-infrastructuur en toeleveringsketens. Deze drie voetafdrukken bewegen niet in dezelfde richting. Overstappen van kolen naar bio-energie kan bijvoorbeeld de koolstofvoetafdruk van elektriciteit gemiddeld met 70 procent verlagen, terwijl de watervoetafdruk meer dan dertig keer zo groot wordt en de landvoetafdruk honderd keer zo groot. Het rapport concludeert dat “koolstofarm” niet automatisch “waterarm” of “landarm” betekent en waarschuwt dat het beoordelen van de duurzaamheid van AI aan de hand van één enkele maatstaf afwegingen kan verbergen en de milieulasten kan verschuiven naar regio’s die al te maken hebben met water- of landschaarste.

De cijfers lopen snel op op infrastructuurniveau. Wereldwijde datacenters verbruikten naar schatting 448 terawattuur elektriciteit in 2025. Als ze als één land zouden worden beschouwd, zouden ze de 11e grootste elektriciteitsverbruiker ter wereld zijn geweest, na Frankrijk en vóór Saoedi-Arabië.

“Wat ons het meest verbaasde, is hoe vaak de keuzes die vanuit een koolstofperspectief het groenst lijken, uiteindelijk slechter uitpakken voor water of land”, aldus Dr. Miriam Aczel, onderzoeker bij UNU-INWEH en hoofdauteur van het rapport. “Als we de duurzaamheid van AI alleen blijven beoordelen op basis van koolstofuitstoot, zouden we kunnen denken dat hernieuwbare energiebronnen de AI-infrastructuur schoon maken, maar dat lost één probleem op terwijl het andere problemen creëert, vaak op plekken waar ze niet om gevraagd hebben.”

Inferentie, efficiëntie en het rebound-effect

De publieke discussie heeft zich grotendeels gericht op de energie die nodig is om enorme modellen te trainen. De training van GPT-3 zou naar schatting 1,3 gigawattuur (GWh) elektriciteit vereisen, terwijl schattingen suggereren dat GPT-4 tussen de 50 en 70 GWh verbruikte. Het rapport onthult echter dat deze benadering achterhaald is. Zodra een model is geïmplementeerd, worden inferentie – het continu uitvoeren van modellen om dagelijkse gebruikersvragen te beantwoorden – de belangrijkste kostenpost, goed voor 80 tot 90 procent van het totale energieverbruik van AI. ChatGPT verwerkt naar schatting zo’n 2,5 miljard vragen per dag, wat neerkomt op ongeveer 383 GWh elektriciteit per jaar voor één enkel product. Om de bijbehorende CO2-uitstoot te compenseren, zouden 2,6 miljoen boomzaailingen 10 jaar lang moeten worden gekweekt, genoeg bomen om een ​​gebied ter grootte van Manhattan te bedekken. De watervoetafdruk is gelijk aan de minimale jaarlijkse waterbehoefte van ongeveer 500.000 mensen in Sub-Sahara Afrika, en de landvoetafdruk is gelijk aan meer dan 800 voetbalvelden.

Videogeneratie als een opkomende milieucrisis

Het energieverbruik per zoekopdracht varieert enorm, afhankelijk van de taak. Een typische chatvraag verbruikt ongeveer 200 keer meer energie dan eenvoudige tekstclassificatie. Het genereren van één enkele AI-afbeelding kan ongeveer 1450 keer zoveel energie vergen. Een korte, door AI gegenereerde video kan net zoveel elektriciteit verbruiken als 200.000 spamclassificaties. Modelkeuze, lengte van de prompt, uitvoerformaat en resolutie hebben allemaal een aanzienlijke invloed op het energieverbruik. De meeste van deze beslissingen worden echter onzichtbaar genomen, via standaardinstellingen van het product die de gebruiker nooit ziet.

Het rapport verwijst naar het reboundeffect (de paradox van Jevons) en waarschuwt dat naarmate modellen efficiënter worden, ze goedkoper worden en vaker worden gebruikt. Zonder expliciete limieten voor tokens, resolutie of standaard uitvoerlengte worden verbeteringen per zoekopdracht gemakkelijk tenietgedaan door de enorme volumegroei.

“Veel mensen denken dat de ecologische voetafdruk van AI kleiner wordt naarmate de technologie verbetert en processen efficiënter worden. Maar dat is slechts een gedeeltelijk beeld van het totale probleem”, aldus professor Madani, een van de co-auteurs van het rapport en recentelijk uitgeroepen tot winnaar van de Stockholm Water Prize 2026. “Efficiëntere en betaalbare AI en energie betekenen meer AI-gebruik, waardoor de totale voetafdruk veel groter wordt dan wat we besparen door efficiëntiewinsten.”

Lokale kosten, voordelen op afstand

De voordelen en nadelen van de enorme wereldwijde expansie van AI zijn zeer ongelijk verdeeld. Verschillende praktijkvoorbeelden in het rapport laten zien hoe wereldwijd verspreide AI-diensten intense lokale druk creëren. In Ierland waren datacenters in 2023 verantwoordelijk voor 21% van het totale gemeten elektriciteitsverbruik, meer dan alle stedelijke huishoudens samen. De nationale netbeheerder heeft de goedkeuring van nieuwe projecten rond Dublin tot 2028 opgeschort, waardoor Ierland een concreet, gedocumenteerd voorbeeld is van wat er gebeurt wanneer de groei van de AI-infrastructuur de energieplanning overtreft – en een voorproefje van wat andere landen te wachten staat.

In Querétaro, Mexico, zorgt de uitbreiding van de computerinfrastructuur voor een tekort aan water te midden van langdurige droogtes. In Uruguay vielen de plannen voor een waterintensief datacenter samen met een droogte in 2023 die de zoetwaterreserves van Montevideo uitputte, waardoor het kraanwater ondrinkbaar werd.

Bovendien zou AI-infrastructuur tegen 2030 jaarlijks tot 2,5 miljoen ton elektronisch afval kunnen genereren, waarvan een groot deel wordt verwerkt in lage-inkomenseconomieën met beperkte beschermingsmaatregelen, terwijl cruciale mineralen worden gewonnen in gebieden met een zwak milieutoezicht.

“Als je de locaties waar datacenters worden gebouwd vergelijkt met de gebieden waar de waterschaarste het grootst is, zie je in sommige gevallen dezelfde regio’s”, aldus Dr. Mir Matin, manager van het Geospatial, Climate and Infrastructure Analytics Programme van UNU-INWEH en mede-auteur van het rapport. “En de gemeenschappen die in de buurt van deze locaties wonen, zijn niet per se degenen die de AI gebruiken die daar wordt ingezet. Die asymmetrie is het probleem. Als we dat niet oplossen, herhalen we oude patronen, waarbij sommige plaatsen de kosten dragen en andere plaatsen de voordelen plukken.”

De digitale kloof: 90% van de AI-capaciteit is geconcentreerd in twee landen

Hoewel de AI-infrastructuur milieukosten met zich meebrengt, biedt deze ook grote economische, veiligheids- en soevereiniteitsvoordelen die rijkere landen ertoe aanzetten meer datacenters te bouwen. Slechts 32 landen ter wereld beschikken over datacenters die gespecialiseerd zijn in AI, en 90% van die capaciteit is geconcentreerd in 2 landen, terwijl meer dan 150 landen momenteel weinig tot geen toegang hebben tot soevereine AI-capaciteit. Het rapport beschrijft dit niet alleen als een economische kloof, maar ook als een kwestie van milieurechtvaardigheid: uitgesloten landen dragen de lasten van de winning van kritieke mineralen en de productie van elektronisch afval, terwijl de strategische voordelen elders terechtkomen.

“Het wereldwijde systeem dat kunstmatige intelligentie ontwikkelt, moet dit ook duurzaam en eerlijk beheren”, aldus professor Tshilidzi Marwala, rector van de Universiteit van de Verenigde Naties en ondersecretaris-generaal van de Verenigde Naties. “De geconcentreerde ontwikkeling van AI-infrastructuur in de bevoorrechte delen van de wereld creëert een grote digitale kloof die grote uitdagingen met zich meebrengt voor de rechtvaardige ontwikkeling van AI. AI kan zeker bijdragen aan welvaart en menselijk welzijn. Of dit op een rechtvaardige manier gebeurt, is nu een kwestie van bestuur, niet van techniek.”

Een routekaart voor duurzaamheid en rechtvaardigheid

Het rapport pleit voor een verantwoord AI-ecosysteem gebaseerd op zes principes: transparantie; efficiëntie door ontwerp; rechtvaardigheid en milieurechtvaardigheid; verantwoordelijkheid gedurende de gehele levenscyclus; wereldwijde samenwerking; en duurzaam gebruik. Praktische aanbevelingen zijn gericht op elke belangrijke groep belanghebbenden:

  • Overheden moeten AI-infrastructuur integreren in energieplanning, waterbeheer en vergunningen voor landgebruik, en gestandaardiseerde rapportage van de milieubelasting vereisen.
  • De industrie en AI-ontwikkelaars moeten modelselectie, standaarduitvoer en routeringsbeslissingen beschouwen als bepalende factoren voor de milieubelasting en efficiëntie door ontwerp verbeteren.
  • Gebruikers en implementerende organisaties moeten kiezen voor een doelgerichte aanpak – het lichtste model en de meest energiezuinige variant selecteren die aan de taak voldoet.
  • Datacenterbeheerders en nutsbedrijven moeten locatiekeuze en energie-inkoop beschouwen als beslissingen met betrekking tot de milieubelasting en een cumulatieve impactanalyse toepassen.
  • Beleggers moeten de ecologische voetafdruk op het gebied van elektriciteit, koolstofuitstoot, waterverbruik en landgebruik beschouwen als materiële risico’s in AI-infrastructuurportefeuilles.
  • Gemeenschappen en het maatschappelijk middenveld moeten vroegtijdig worden betrokken bij beslissingen over de locatie van datacenters, met afdwingbare transparantie- en klachtenprocedures.
  • Internationale instellingen moeten geharmoniseerde meetnormen ondersteunen, de prikkels voor grensoverschrijdende lastenverschuiving verminderen en rekenkracht opbouwen in achtergestelde regio’s.

 

Bron: United Nations University Institute for Water, Environment and Health (UNU-INWEH)