Kan het echt anders? Waarom de AI-energiecrisis vooral een dataprobleem is

Een recent artikel op iBestuur.nl zet precies daar een interessant licht op. De stelling: AI is zo energie-intensief geworden omdat we het laten werken op een digitale chaos van documenten, pdf’s, e-mails en ongestructureerde databergen. Niet omdat het niet anders kan, maar omdat we het zo hebben ingericht.

Dat is een ongemakkelijke gedachte. En juist daarom interessant.

Het dominante verhaal: meer AI = meer datacenters

Laten we eerst eerlijk zijn: het probleem is reëel. Datacenters gebruiken nu al een fors deel van de elektriciteit, en AI versnelt dat tempo. Internationale organisaties zoals de International Energy Agency wijzen erop dat het wereldwijde stroomverbruik van datacenters richting 2030 sterk kan verdubbelen, vooral door AI-toepassingen.

In Nederland zien we hetzelfde patroon: discussies over netcongestie, ruimtelijke ordening, waterverbruik voor koeling en de vraag of datacenters wel “maatschappelijke waarde” toevoegen. De reflex is voorspelbaar:

• efficiëntere chips
• betere koeling
• restwarmte hergebruiken
• datacenters clusteren

Allemaal nuttig. Maar ook allemaal optimalisaties aan de achterkant van een systeem waarvan we zelden de voorkant ter discussie stellen.

De ongemakkelijke vraag: waarom heeft AI zoveel rekenkracht nodig?

Het iBestuur-artikel legt de vinger op een andere zere plek. AI-modellen zijn zo groot en rekenintensief geworden omdat ze betekenis moeten destilleren uit data die daar nooit voor is ontworpen.

Onze digitale werkelijkheid bestaat grotendeels uit:

• Word-documenten
• PDF’s
• PowerPoints
• e-mailarchieven
• losse spreadsheets

Voor mensen is dat nog te doen. Voor machines niet. Dus bouwen we steeds grotere modellen die “leren raden” wat context, betekenis en samenhang is. Meer parameters, meer training, meer energie.

Het is een beetje alsof we zeggen: auto’s verbruiken zoveel brandstof, laten we vooral betere motoren bouwen, terwijl we ondertussen weigeren wegen aan te leggen en iedereen door modderpaden laten rijden.

Data als rommelzolder

Veel organisaties herkennen dit, maar zelden wordt het zo expliciet gemaakt. Informatiehuishouding is jarenlang een bijzaak geweest. Archiveren, structureren, semantiek, metadata , het was iets voor records managers en compliance-hoekjes van de organisatie.

Nu verwachten we dat AI:

• beleid begrijpt
• dossiers doorzoekt
• besluiten onderbouwt
• risico’s signaleert

… terwijl we haar loslaten op een digitale rommelzolder.

Het gevolg: brute force AI. Grote taalmodellen die alles moeten kunnen, omdat de data zelf niets “vertelt”.

Kleinere modellen, betere data

Een van de meest interessante implicaties van dit perspectief is dat het niet per se groter hoeft. In steeds meer praktijkcases zie je dat kleinere, domeinspecifieke modellen met goed gestructureerde data:

• minder rekenkracht nodig hebben
• beter uitlegbaar zijn
• stabieler presteren
• makkelijker te beveiligen zijn

Dat schuurt direct met het dominante Big Tech-narratief waarin schaal alles is. Maar voor veel organisaties, zeker in de publieke sector, is schaal juist het probleem, niet de oplossing.

Edge, lokaal en doelgericht

Als je deze gedachte doortrekt, kom je vanzelf uit bij alternatieven voor het centrale datacenter-denken:

• Edge computing: AI dichter bij de bron, met minder datatransport
• Lokale modellen: specifiek getraind op afgebakende datasets
• Taakgerichte AI: één ding goed, in plaats van alles half

Dit zijn geen futuristische concepten. Ze bestaan al. Maar ze vragen iets wat lastiger is dan een extra datacenter: ontwerpkeuzes aan de voorkant.

Waarom dit zo moeilijk is

De reden dat deze discussie zelden zo wordt gevoerd, is pijnlijk simpel. Structuur aanbrengen in data betekent:

• afspraken maken
• standaarden hanteren
• processen aanpassen
• gedrag veranderen

En dat is organisatorisch en bestuurlijk vele malen ingewikkelder dan het inkopen van rekenkracht.

AI als technologieprobleem is comfortabel. AI als informatie- en governanceprobleem niet.

De CFO- en bestuurshoek

Voor bestuurders en CFO’s zit hier een belangrijke les. De energierekening van AI is niet alleen een IT- of duurzaamheidsvraagstuk, maar een direct gevolg van informatiekeuzes uit het verleden.

Wie vandaag investeert in AI zonder te investeren in:

• datadefinities
• datakwaliteit
• eigenaarschap
• semantiek

… koopt zichzelf een structureel duur systeem. Niet alleen financieel, maar ook energetisch.

Publieke sector: extra relevant

Juist voor overheden is dit perspectief interessant. Niet alleen vanwege schaal en energie, maar ook vanwege transparantie, uitlegbaarheid en democratische controle.

Een AI-systeem dat alleen werkt dankzij miljarden parameters en ondoorgrondelijke patronen is lastig te verantwoorden. Een kleiner model op goed gedefinieerde data is dat veel minder.

Dus: kan het echt anders?

Ja. Maar niet door alleen te praten over datacenters.

Het kan anders als we accepteren dat:

• AI geen magische intelligentie is
• data-architectuur strategisch is
• informatiehuishouding geen bijzaak meer is
• minder soms écht meer is

De energiediscussie rond AI is daarmee niet alleen een technisch of ecologisch debat, maar een ontwerpvraagstuk. En misschien zelfs een volwassenwording van ons digitale denken.

De echte vraag is dus niet: hoe maken we datacenters groener?

Maar: waarom hebben we ze in deze vorm eigenlijk nodig?

En dat is precies het soort vraag dat te weinig wordt gesteld en daarom zo hard nodig is.

Succes met de data-opslag toekomst beste lezers!