ChatGPT, watergebruik en energie: feiten en oplossingen

Inleiding

Een virale statistiek — 'elke ChatGPT-vraag gebruikt 64 liter water' — is zo vaak gedeeld dat het als feit klinkt. Dat is het niet. Sam Altman, CEO van OpenAI, wees die cijferclaim sterk van de hand tijdens een evenement georganiseerd door The Indian Express in India en noemde die beweringen over waterverbruik 'ongegrond' en misleidend.

Kort en krachtig: het oude verhaal over massaal watergebruik komt uit een periode waarin sommige datacenters afhankelijk waren van verdampingskoeling. Die techniek gebruikt inderdaad water. Maar ze is grotendeels uitgefaseerd in veel moderne faciliteiten. Altman zegt dat de cijfers die online circuleren negeren hoe infrastructuur en koelingsstrategieën zijn veranderd — en daardoor een vertekend beeld geven van wat systemen zoals ChatGPT daadwerkelijk aan water kosten.

Herkomst van de mythe en technische context

De bewering over 64 liter per vraag heeft wortels in onderzoek en berekeningen uit eerdere jaren, toen:

• datacenters vaker gebruikmaakten van verdampings- of 'adiabatische' koeling,
• metingen en rapporten minder gestandaardiseerd waren, en
• onderzoekers soms grove schattingen maakten op basis van verouderde aannames.

Verdampingskoeling kan, afhankelijk van de locatie en het ontwerp, aanzienlijke waterhoeveelheden vereisen. Maar moderne datacenters gebruiken steeds vaker efficiëntere methoden: gesloten koelkringen, vloeistofkoeling bij servers en warmteterugwinning. Deze veranderingen verminderen direct het actuele waterverbruik.

Datacenters en koeling: een nadere blik

Datacenters hebben primaire behoefte aan het afvoeren van warmte om betrouwbaarheid van servers te garanderen. Populaire huidige strategieën omvatten:

• luchtkoeling met efficiënte luchtstroomontwerpen en vrijkoeling (free cooling),
• directe vloeistofkoeling (liquid cooling) bij racks of chips, en
• gesloten systemen die waterdampverlies minimaliseren.

Deze technieken veranderen de waterbalans en maken historische liter-per-request-schattingen vaak irrelevant voor moderne implementaties. Bovendien variëren lokale omstandigheden: klimaat, waterbeschikbaarheid, en regelgeving beïnvloeden ontwerpkeuzes. Een datacenter in een koel, vochtig klimaat gebruikt andere methoden dan één in een droog, heet gebied.

Energie vs. water: waarom energie de kern is

Betekent dit dat er geen milieuprobleem is? Absoluut niet. Altman gaf toe dat energieverbruik een legitieme en groeiende zorg is. De schaal is van belang. Een enkele query kan een fractie van een kilowattuur gebruiken; wereldwijd groeit de vraag naar AI echter snel en 24/7. De cumulatieve energielast — niet geïsoleerde per-vraag schattingen — is de maatstaf die beleidsmakers en operators zouden moeten zorgen baren.

Belangrijke technische maatstaven die relevant zijn voor energie-efficiëntie en milieu-impact van datacenters en AI-systemen zijn onder andere:

• PUE (Power Usage Effectiveness) — verhouding tussen totale gebouwenergie en energie voor IT-apparatuur; dichter bij 1,0 is beter;
• kWh per inference — energie voor één modelinference of vraag; levert detailniveau voor optimalisatie;
• CO2-intensiteit (gCO2/kWh) — hoeveelheid broeikasgas per verbruikte kilowattuur, afhankelijk van de energiemix (kolen, gas, kern, wind, zon, etc.).

Beleidsfocus zou zich moeten verplaatsen naar deze reële, meetbare indicatoren in plaats van sensationele, gemakkelijk gedeelde getallen zonder context.

Cumulatieve impact en netbelasting

Zelfs als individuele queries weinig energie verbruiken, kan het totale verbruik significant zijn wanneer miljarden gebruikers en continue diensten worden meegerekend. Dit levert uitdagingen op voor:

1. netstabiliteit en lokale belastingpieken,
2. toenemende vraag naar baseload-vermogen, en
3. de noodzaak om energie op duurzame wijze te leveren zodat de marginale kilowattuur geen extra fossiele uitstoot veroorzaakt.

In sommige regio's hebben datacenters bijgedragen aan hogere elektriciteitsprijzen en spanningsdruk op distributienetten. Dit vereist investeringen in netuitbreiding, opslag (batterijen, pumped hydro), en vraagbeheer (demand response).

Een prikkelende vergelijking: menselijk leren versus AI

Toen Altman een provocatieve vergelijking maakte tussen de energie die mensen gebruiken om te leren en de energie voor getrainde AI-modellen, ging hij in op twee punten:

• Mensen investeren decennia aan metabolische energie en voedsel om volwassen cognitieve vermogens te bereiken — naar schatting tientallen jaren aan energie per individu.
• De evolutie van menselijke intelligentie is het resultaat van miljarden generaties en populaties — een langzaam en duur proces in termen van totale biologische energie over miljarden jaren.

Zijn conclusie: als je een eerlijke vergelijking wilt, vergelijk dan de energie voor een getraind AI-model om een vraag te beantwoorden met de energie die een mens verbruikt om hetzelfde te doen. Volgens dat meetrekje zou AI in sommige gevallen efficiënter kunnen zijn — mits de stroombronnen laag-koolstof zijn.

Beperkingen van de vergelijking

Die analogie is nuttig als denkmodel, maar kent beperkingen:

• Menselijke cognitie omvat sensorische input, lichaamsbeweging, emotie en lange-termijn geheugenopbouw — aspecten die moeilijk direct te vergelijken zijn met modelinferences.
• AI-trainingskosten en inferentiekosten zijn verschillende zaken; training kan extreem intensief zijn, maar inference is doorgaans veel goedkoper per vraag.
• De totale milieuvoetafdruk van AI omvat ook fabricage van chips, koelsystemen en de volledige levenscyclus van hardware (Scope 3-emissies).

Desalniettemin biedt de vergelijking een nuttige manier om te begrijpen waar energie-efficiëntie wérkelijk winst kan opleveren.

Oplossingen: verschuiven naar schone energie en efficiënte infrastructuur

Altman stelde dat de oplossing vooral ligt in een versnelde inzet van schone energie — kernenergie, wind en zon — zodat de toenemende elektriciteitsvraag niet het klimaatprobleem verergert. Dit is geen optionele toevoeging, betoogde hij, maar de ruggengraat van verantwoorde opschaling van AI.

Specifieke acties voor operators en beleidsmakers

• Investeer in hernieuwbare energiecontracten (PPA's) en directe koppelingen met wind- en zonneparken om CO2-arme stroom te garanderen.
• Implementeer energie-efficiënte hardware en liquid cooling voor hogere dichtheden en lagere PUE-waarden.
• Gebruik geografische spreiding en workload-shifting om piekvraag te verminderen en gebruik te synchroniseren met hernieuwbare productie (bijv. draai batch-trainingen bij hoge zonneproductie).
• Stimuleer R&D in modelcompressie, sparsity en quantization om inferentiekosten te verlagen zonder grote prestatiedalingen.
• Investeer in energieopslag en netflexibiliteit (batterijen, demand response) om integratie van variabele bronnen te ondersteunen.

Deze maatregelen verminderen zowel directe emissies als de druk op water- en elektriciteitsinfrastructuur.

Transparantie, rapportage en regulering

Een ander knelpunt dat Altman benoemde: er bestaat momenteel geen wereldwijde wettelijke verplichting voor technologiebedrijven om precieze, gecontroleerde water- en energievoetafdrukken te publiceren. Onafhankelijke onderzoekers proberen impacten te modelleren met indirecte schattingen, maar dergelijke methoden brengen onzekerheden met zich mee.

Belangrijke frameworks en instrumenten die bedrijven en toezichthouders kunnen benutten om betrouwbaardere cijfers en vergelijkingen te krijgen zijn onder meer:

• Greenhouse Gas Protocol en geïmplementeerde standaarden voor Scope 1, 2 en 3 rapportage,
• audits door onafhankelijke derde partijen met gestandaardiseerde meetmethoden (bijv. kWh-per-inference),
• open data-initiatieven en gestandaardiseerde disclosures van PUE, waterverbruik, en CO2-intensiteit per locatie.

Zonder dergelijke transparantie blijft het publiek afhankelijk van grove schattingen die leiden tot misverstanden en polarisatie in het publieke debat.

Wat kunnen beleidsmakers doen?

1. stimuleer standaardisatie in emissierapportage en watergebruiksmethoden voor datacenters en cloudaanbieders;
2. creëer regels die lokale waterbescherming en duurzame koelingspraktijken afdwingen — vooral in waterschaarse regio's;
3. ondersteun investeringen in netcapaciteit en opslag; en
4. moedig open onderzoek en verificatie aan zodat claims verifieerbaar zijn.

Technische details en meetmethoden — richting vertrouwenwekkende data

Om geloofwaardige rapporten te verkrijgen, zijn technische details nodig die onderbouwde vergelijkingen mogelijk maken. Enkele aanbevolen meetpunten en methoden:

• Harde metrics per locatie: gemeten PUE, daadwerkelijk waterverbruik (in liter/kWh) en lokale kWh-mix (gCO2/kWh) voor elke faciliteit.
• Workload-specifieke cijfers: kWh per inference en kWh per training-epoch of per model-finetune; gescheiden publiceren voorkomt misinterpretatie.
• Levenscyclusanalyse (LCA): evaluatie van productie, transport, gebruik en end-of-life van hardware om Scope 3-emissies te adresseren.
• Audits en verificatie: onafhankelijke, herhaalbare controles en dataset publicatie voor reproduceerbaarheid van schattingen.

Dergelijke kaders verhogen de autoriteit en bruikbaarheid van gepubliceerde cijfers en helpen beleidsmakers en het publiek om geïnformeerde beslissingen te nemen.

Praktische voorbeelden en innovationsgebieden

Er zijn al voorbeelden van bedrijven en onderzoeksprojecten die stappen zetten:

• operators die datacenters bouwen naast grote wind- of zonneparken en directe PPA's gebruiken;
• experimentele datacenters die vloeistofkoeling toepassen voor hoge-dense GPU-clusters om PUE te verbeteren;
• ontwikkelingen in modeloptimalisatie (pruning, distillation) die inferentiekosten drastisch verlagen;
• pilotprojecten voor het gebruik van overtollige warmte van datacenters voor stadsverwarming, wat de totale energie-efficiëntie verhoogt.

Dergelijke voorbeelden tonen aan dat technologische en operationele verbeteringen materiële impact kunnen hebben op zowel water- als energievoeten.

Samenvattende reflectie en aanbevelingen

Discussies die focussen op sensationele koppen over liter-per-query missen context en leiden tot verwarring. Een realistischer en productiever debat moet zich richten op:

• de cumulatieve energievraag van AI en de CO2-intensiteit van de gebruikte elektriciteit,
• praktische maatregelen voor efficiëntie en het versnellen van schone energie-integratie,
• standaardisatie en transparantie in rapportage om vergelijkingen en verantwoording mogelijk te maken.

Als we serieus zijn over duurzame AI, moet de conversatie verschuiven van sensationele waterkoppen naar echte vragen over schone energie, infrastructuurinvestering en openbare rapportage.

Debat en transparantie zullen meegroeien met de uitrol van AI-capaciteit. Maar technische nauwkeurigheid, duidelijke definities en een focus op duurzame energie-infrastructuur zijn essentieel om zowel publieke zorgen te adresseren als verantwoorde schaalvergroting mogelijk te maken.

Actiepunten voor lezers en organisaties

• Vraag naar transparante rapporten van leveranciers over PUE, bronnen van elektriciteit en waterbeleid.
• Ondersteun beleid dat investeringen in netcapaciteit en opslag prioriteert.
• Stimuleer onderzoek naar efficiëntere AI-architecturen en hardware-innovaties.

Door een combinatie van technologische innovatie, schone energie en gedegen rapportage kunnen we de voordelen van AI maximaliseren zonder de milieukosten te onderschatten.