Software kan het energiegebruik van AI-datacenters op twee manieren beïnvloeden: een rekentaak met minder energie uitvoeren, of flexibel werk verplaatsen naar een ander moment of een andere locatie. De eerste aanpak verlaagt het verbruik per taak; de tweede verschuift de stroomvraag. Geen van beide garandeert op zichzelf een lager totaalverbruik van een datacenter.
Wat software aan energiegebruik kan veranderen
Software kan bepalen hoe een model rekent, welke hardwarecapaciteit een taak krijgt en wanneer flexibel werk wordt uitgevoerd. Voorbeelden zijn herhaalde prompts cachen, eenvoudige verzoeken naar kleinere modellen sturen, taken efficiënter bundelen en cloudcapaciteit afstemmen op de werkelijke vraag. Ook kortere prompts en antwoorden kunnen het aantal benodigde tokens beperken. Een token is een klein stukje tekst dat een AI-model verwerkt of genereert.
Deze ingrepen zijn niet allemaal hetzelfde. Een model efficiënter laten rekenen kan de energie per taak verlagen. Werk plannen op een rustiger moment verandert vooral wanneer de elektriciteit wordt gebruikt. Dat onderscheid is belangrijk: een verschoven taak is niet automatisch een bespaarde taak.
Voorbeelden voor training en GPU-profielen
Het ACM-artikel over Perseus rapporteert tot 30% minder energie voor het trainen van grote modellen, zonder verlies van doorvoer en zonder aanpassing van de hardware. Perseus plant berekeningen zo dat energieverspilling tijdens modeltraining wordt beperkt. De uitkomst geldt voor de evaluatie in het artikel; het is geen vaste besparing voor elk model of datacenter.
NVIDIA beschrijft vermogensprofielen voor Blackwell-GPU’s voor AI-training, AI-inferentie en HPC, oftewel rekenen voor technisch-wetenschappelijke toepassingen. Het bedrijf rapporteert voor de eerste fase tot 15% energiebesparing, met prestaties boven 97% voor kritieke toepassingen. In een stroombeperkt datacenter kan de vrijgekomen capaciteit volgens NVIDIA ruimte bieden voor meer GPU’s en zo tot 13% hogere totale doorvoer opleveren. Dat laatste is een maat voor de hoeveelheid werk die het datacenter verwerkt, niet een extra percentage energiebesparing.
NVIDIA geeft daarnaast een vergelijking van drie instellingen voor B200-GPU’s. De cijfers beschrijven verschillende afwegingen tussen prestaties en het stroomverbruik van het datacenter:
| Profiel | Prestatieverlies | Besparing op datacentervermogen |
| Frequentieschaling | 10% | 5% |
| Trainingsprofiel | 1% | 5% |
| Inferentieprofiel | 3% | 8% |
De uitkomsten verschillen per profiel en toepassing. De tabel laat dus geen universele verhouding zien tussen energiebesparing en prestatieverlies; het gaat om NVIDIA’s eigen vergelijking voor deze GPU-configuratie.
Flexibel werk rond het elektriciteitsnet plannen
Niet elke rekentaak hoeft direct klaar te zijn. Een datacenter kan flexibele batchtaken uitstellen tot een moment waarop lokaal meer capaciteit beschikbaar is, of werk verplaatsen naar een regio met meer ruimte op het elektriciteitsnet en elektriciteit met een lagere CO₂-uitstoot. Dagplanning en realtimeplanning kunnen rekening houden met signalen van het net.
Verplaatsen is niet alleen een kwestie van software. Grote datasets moeten daadwerkelijk naar een andere locatie, en regels voor datasoevereiniteit kunnen bepalen waar gegevens verwerkt mogen worden. Daardoor is uitstel soms praktischer dan een taak naar een andere regio sturen.
Efficiëntie vult hardware en infrastructuur aan
Softwaremaatregelen vervangen geen efficiëntere hardware of extra elektriciteitsinfrastructuur. Ze kunnen wel helpen om bestaande capaciteit slimmer te benutten. Ook de verdeling van het stroomverbruik verschilt per datacenter: servers zijn volgens het Internationaal Energieagentschap (IEA) goed voor ongeveer 60% van de elektriciteitsvraag in moderne datacenters. Koeling vertegenwoordigt circa 7% in hyperscale-datacenters, maar meer dan 30% in minder efficiënte bedrijfsdatacenters.
Een lager energiegebruik per taak betekent bovendien niet vanzelf dat een datacenter als geheel minder stroom verbruikt. Efficiënter rekenen kan meer of grotere berekeningen aantrekkelijk maken. Dat mogelijke terugslageffect staat bekend als de Jevons-paradox: efficiëntiewinst kan samengaan met een hoger totaalverbruik wanneer de hoeveelheid werk groeit.
Wat het IEA voor 2030 voorspelt
Het IEA schat dat datacenters wereldwijd in 2024 ongeveer 415 TWh elektriciteit verbruikten, circa 1,5% van het wereldwijde elektriciteitsverbruik. In het basisscenario loopt het totale verbruik van datacenters op tot ongeveer 945 TWh in 2030. Die prognose omvat alle datacenters; het IEA bespreekt de groei van geavanceerde servers, waarvan de vraag vooral door AI wordt aangedreven, afzonderlijk.
