Gen AI slurpt, Analytical AI levert: wie betaalt straks de stroomrekening?
Iedereen die de energierekening opent, ziet het elke keer: stroom is duurder dan ooit. Bloomberg berichtte onlangs dat AI-datacenters in de VS en Europa een significante bijdrage leveren aan die stijgende elektriciteitsprijzen. Britse media pakten het verhaal direct op: de rekeningen lopen op, burgers en bedrijven voelen de pijn, en lokale bestuurders vragen zich af hoe ze de lusten en lasten van datacenters moeten verdelen.
Tegelijkertijd zien we een wonderlijke paradox. Waar generatieve AI (Gen AI) de headlines domineert met miljardeninvesteringen in GPU-clusters en hyperscale datacenters, komt de grootste business value in veel sectoren juist voort uit wat we hier Analytical AI noemen.
Denk aan machine learning-modellen en voorspellende algoritmes die patronen ontdekken, risico’s voorspellen en processen optimaliseren. Toepassingen die een fractie van de energie verbruiken en toch direct bijdragen aan performance, risicobeheersing en klantwaarde.
De vraag die velen bezighoudt – en die recent ook op LinkedIn breed werd gesteld: waarom de FOMO-race naar energieverslindende Gen AI, terwijl machine learning-toepassingen vaak meer en sneller opleveren, tegen veel lagere maatschappelijke kosten?
Analytical AI = Machine Learning
Generative AI: grote taalmodellen, multimodale modellen, deep learning-systemen die nieuwe content creëren (tekst, beeld, audio).
Analytical AI: machine learning en statistische algoritmes die voorspellen, classificeren, optimaliseren of anomalieën signaleren.
Denk aan decision trees, random forests, regressiemodellen, clustering, anomaly detection of relatief kleine deep learning-netwerken. Dit zijn de technieken die al jaren de stille motor zijn achter fraudedetectie, predictive maintenance, supply chain-optimalisatie en forecasting.
En het grote verschil? Ze verbruiken orders of magnitude minder stroom dan Gen AI-modellen.
De scheefgroei tussen hype en waarde
Generatieve AI trekt investeringskapitaal aan als een magneet. Bedrijven bouwen massaal pilots met LLM’s en hyperscalers storten miljarden in nieuwe serverfarms. De onderliggende verhaallijn: wie de grootste taalmodellen heeft, wint de AI-race.
Maar wie in de dagelijkse praktijk kijkt – CFO’s, controllers, auditors, operations managers – ziet iets anders. Machine learning-modellen leveren dagelijks waarde: fraudedetectie, predictive maintenance, forecasting, en operational dashboards. Alles met bestaande servercapaciteit of reguliere cloud. Geen giga-datacenters nodig.
De energierekening van AI
Het verschil in energieverbruik is dramatisch. Een groot taalmodel trainen kan miljoenen kilowattuur kosten. Een ML-model voor forecasting of anomaly detection draait vaak op tientallen tot honderden kilowattuur.
Bloomberg stelde het scherp: ‘De vraag naar elektriciteit door AI-datacenters is niet marginaal, maar systemisch.’ In het VK speelt nu al de vraag of burgers en mkb’ers de prijs betalen voor de honger naar GPU-power.
Dit raakt de kern: AI is niet langer alleen een tech-vraagstuk, maar ook een energie- en inflatievraagstuk. Als data-complexen dezelfde rol gaan spelen als staalfabrieken en raffinaderijen in de vorige eeuw, moet de politiek bepalen: wie krijgt prioriteit bij schaarse energie?
De FOMO-bubbel ontmaskerd
Waarom dan tóch die jacht op hyperscale Gen AI? 1) Investeringsbubbel – kapitaal zoekt rendement en ziet AI als dé groeimarkt. 2) Fear of missing out – bedrijven vrezen achter te blijven als concurrenten wél in Gen AI stappen. 3) Narratief – Gen AI is sexy en mediageniek, machine learning klinkt… tja… als gewoon werken met data.
Maar: de échte waardecreatie zit vaak in dat laatste. ML bewijst zich dagelijks in finance, operations en supply chains.
Wat betekent dit voor CFO’s en controllers?
Voor de financiële functie is dit geen academisch debat: exploitatiekosten stijgen mee met energietarieven, ook voor organisaties die zelf niet eens Gen AI gebruiken maar indirect de hogere stroomprijzen betalen. CAPEX/OPEX-afweging rond AI-investeringen wordt scherper: waarom miljoenen alloceren aan GPU’s als ML sneller ROI oplevert? Scenario-planning moet rekening houden met volatiliteit in energiekosten door datacenterdruk.
Met andere woorden: de hype rond Gen AI kan reëel doorwerken in je jaarrekening en forecasts, zelfs als je zelf geen enkel model draait.
Van AI-transitie naar AI-realiteit
De discussie rond energieverbruik dwingt tot nuchterheid. Het gaat niet om AI of geen AI, maar om welke AI we prioriteit geven. Machine learning (Analytical AI): schaalbaar, energiezuinig, bewezen business value. Generative AI: indrukwekkend, maar energie-intensief, duur en met onzekere opbrengsten.
Als TheDataConnection iets kan bijdragen aan dit debat, dan is het deze oproep: laat je niet verblinden door de datacenter-FOMO, maar focus op AI-toepassingen die concreet waarde leveren én duurzaam zijn.
Slotgedachte
De elektriciteitsrekening is een reality check. Misschien is de echte AI-race niet die om het grootste model, maar die om de slimste inzet van data. Analytical AI – lees: machine learning – is de stille kracht die bedrijven helpt beter te sturen, risico’s te managen en kansen te pakken. Zonder dat de lampen bij de buurman uitgaan.
Pieter de Kok RA, partner Coney Minds
Bronnen: Bloomberg (2025), diverse Britse nieuwsmedia (2025).