Netto elektriciteitsbesparing door kunstmatige intelligentie hangt af van inzet efficiëntie in China’s elektriciteitssysteem

Waarom slimmere energie ertoe doet

Kunstmatige intelligentie (AI) wordt vaak voorgesteld als een onzichtbare hersenen in de cloud, maar achter elke slimme chatbot of beeldgenerator schuilt een heel reële stroom elektriciteit. Deze studie stelt een vraag met grote gevolgen voor klimaat- en energieplanning: kunnen de energiebesparingen die AI binnen het elektriciteitssysteem oplevert opwegen tegen de extra stroom die het in enorme datacenters verbruikt? Met de focus op China’s snel veranderende netwerk volgen de auteurs hoe AI kan verschuiven van een groeiende elektrische last naar een netto bespaarder — mits het efficiënt en ruim wordt ingezet.

Twee gezichten van kunstmatige intelligentie

Het artikel begint met het schetsen van een spanning. Aan de ene kant staan AI-datacenters, waarvan de gespecialiseerde servers zes tot acht keer meer elektriciteit kunnen gebruiken dan traditionele machines. Naarmate modellen groter en vaker gebruikt worden, worden deze faciliteiten een belangrijke nieuwe vraagbron voor het net. Aan de andere kant worden AI-algoritmen in het elektriciteitssysteem zelf ingebouwd — ze helpen bij het voorspellen van wind- en zonne-opbrengst, het bijregelen van kolencentrales, het beheren van verwarming en koeling in gebouwen, het balanceren van industriële lasten en het verlengen van batterijlevensduur. Deze toepassingen kunnen verspilling verminderen en pieken in de vraag afvlakken. De kernvraag is of de besparingen door AI in het net de elektriciteit die AI-computing zelf verbruikt kunnen neutraliseren of zelfs overtreffen.

Het netto-effect in de tijd meten

Om dit aan te pakken bouwen de onderzoekers een dynamisch beoordelingsmodel dat loopt van 2025 tot 2060. Ze schatten het eigen elektriciteitsgebruik van AI op een "bottom-up" manier, te beginnen met voorspelde levering van AI-servers, hoe lang ze in gebruik blijven, hoeveel vermogen ze verbruiken tijdens training en dagelijks gebruik, en hoe energiezuinig datacenters in de loop van de tijd worden. Parallel daaraan doorzoeken ze een decennium aan studies over AI-gestuurde energiebesparende maatregelen. Met meta-analyse brengen ze samen hoeveel elektriciteit bespaard kan worden in zeven belangrijke praktijken, zoals het verbeteren van de efficiëntie van kolencentrales, het verminderen van transmissieverliezen, het verhogen van gebouw- en industrie-efficiëntie en het optimaliseren van batterijopslag. Deze besparingen worden vervolgens opgeschaald voor China onder drie verschillende aannames over hoe diep zulke AI-instrumenten zich door het systeem verspreiden.

Verschillende toekomsten voor AI en het net

Het model combineert drie verhaallijnen voor AI’s elektriciteitsgebruik met drie voor zijn besparingskracht, wat negen mogelijke toekomsten oplevert. Aan de consumptiekant veronderstelt een "technologiegedreven" pad een snelle groei van AI-computing maar sterke verbeteringen in serverchips en koelsystemen; een "beleidsbeperkt" pad veronderstelt strikte regels die uitbreiding beperken en goede efficiëntie afdwingen; een "inertie" pad veronderstelt tragere verbetering en lossere controles. Aan de besparingskant verbeeldt een "efficiënt" pad een snelle, brede adoptie van top presterende AI-tools in energiecentrales, hoogspanningslijnen, gebouwen, fabrieken en opslag; een "typisch" pad weerspiegelt matige opname; en een "inefficiënt" pad veronderstelt trage of gefragmenteerde uitrol. Samen tonen deze scenario’s hoe zowel slimmere hardware als dieper gebruik van AI in de operatie het evenwicht vormen tussen extra vraag en vermeden verspilling.

Waar de grootste besparingen zitten

Onder de vele manieren waarop AI kan helpen, identificeert de studie een duidelijke "vital few": ongeveer een vijfde van de praktijken levert meer dan vier vijfde van het totale besparingspotentieel. Het verbeteren van gebouwbelastingen, het verminderen van netlijnverliezen en het aanscherpen van voorspellingen voor hernieuwbare energie springen eruit als de grootste bijdragers. Landelijk gezien kan AI, onder de meest optimistische besparingsaannames, tegen 2060 zo’n 15% van China’s verwachte elektriciteitsgebruik verminderen; onder typische of inefficiënte aannames zakt dat naar enkelcijferige percentages. Regionale analyse van vijf provincies laat zien dat gebieden met veel energieproductie — zoals Binnen-Mongolië met zijn kolen en hernieuwbare bronnen — het meest profiteren aan de aanbodzijde, terwijl industriële en dienstencentra zoals Guangdong en Jiangsu grotere winsten boeken door vraagbeheer in gebouwen en fabrieken.

Wanneer AI een netto bespaarder wordt

De belangrijkste maatstaf in de studie is "netto elektriciteitsbesparing": de verhouding van door AI bespaarde elektriciteit tot de elektriciteit die AI verbruikt. Een waarde boven 100% betekent dat AI netto de druk op het net vermindert. Van alle negen toekomsten levert alleen de combinatie van hoge inzet van besparende toepassingen en sterke technologische vooruitgang in datacenters — de Efficient–Technology‑Driven case — deze uitkomst vroegtijdig, met ongeveer 130% tegen 2040. In dit traject maakt de snelle uitrol van AI over het net en in gebouwen, gecombineerd met zeer efficiënte chips en zeer lage koelverliezen, dat besparingen de eigen vraag van AI overtreffen. Zelfs dan vlakt het voordeel af en daalt het iets na 2050 naarmate technologieën volwassen worden en makkelijke winstgebieden uitgeput raken. In minder ambitieuze toekomsten wordt netto besparing uitgesteld of helemaal niet bereikt binnen de studieperiode.

Wat dit betekent voor het dagelijks leven

Voor niet-specialisten is de belangrijkste conclusie dat AI niet automatisch goed of slecht is voor het klimaat. Als het onbelemmerd groeit in inefficiënte datacenters met beperkte toepassing in daadwerkelijke netoperaties, draagt het vooral bij aan de elektriciteitsvraag. Maar als het wordt gekoppeld aan agressieve efficiëntienormen, betere hardware en brede inzet in energiecentrales, hoogspanningslijnen, gebouwen, fabrieken en opslag, kan AI zijn eigen verbruik ruimschoots terugbetalen in bespaarde kilowatturen. De studie suggereert dat China — en bij uitbreiding andere landen — slimme beleidsmaatregelen nodig heeft om AI in deze richting te sturen: strikte limieten voor inefficiënte datacenters, stimulansen voor geavanceerde koeling en chips, en sterke ondersteuning voor AI-tools die verspilling in het elektriciteitssysteem terugdringen. Goed uitgevoerd kan dezelfde technologie die het net dreigt te overbelasten een van de motoren worden die het schoner en betrouwbaarder maken.

Bronvermelding: Zhou, K., Yang, Z. & Hu, R. Net electricity savings from artificial intelligence depend on deployment efficiency in China’s power system. Commun. Sustain. 1, 72 (2026). https://doi.org/10.1038/s44458-026-00080-4

Trefwoorden: kunstmatige intelligentie en energie, gegevenscentrum efficiëntie, optimalisatie van het elektriciteitsnet, voorspelling van elektriciteitsvraag, integratie van hernieuwbare energie