VN-wetenschappers: AI vormt een bedreiging voor natuurlijke hulpbronnen van miljarden mensen

Tegen 2030 zal het waterverbruik van AI overeenkomen met de behoeften van 1,3 miljard mensen, terwijl het energieverbruik drie keer zo hoog zal zijn als dat van 650 miljoen mensen, waarschuwt een onderzoek van de universiteit van de VN.

De ecologische kosten van het energieverbruik van AI

Richmond Hill, Ontario, Canada (3 juni 2026) – Naar verwachting zullen de wereldwijde datacenters die kunstmatige intelligentie aandrijven tegen 2030 945 terawattuur (TWh) aan elektriciteit verbruiken. Dit is bijna drie keer het gecombineerde jaarlijkse elektriciteitsverbruik van Pakistan, Bangladesh en Nigeria — landen waar samen meer dan 650 miljoen mensen wonen. De bijbehorende watervoetafdruk zal gelijkstaan aan de basisbehoeften voor huishoudelijk watergebruik per jaar van alle 1,3 miljard mensen in Sub-Sahara Afrika, en de landvoetafdruk zal 14.500 vierkante kilometer overschrijden, wat ongeveer twee keer de oppervlakte is van het stedelijk gebied van Jakarta (waar meer dan 32 miljoen mensen wonen).

Deze schokkende bevindingen staan beschreven in het nieuwe rapport Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints, opgesteld door het United Nations University Institute for Water, Environment and Health (UNU-INWEH). Onderzoekers hebben eerder al gewaarschuwd voor de uitstoot van broeikasgassen door datacenters. De VN-wetenschappers stellen nu echter dat de ecologische kosten van AI en datacenters niet kunnen worden begrepen aan de hand van alleen CO2-uitstoot. In hun rapport kwantificeren zij de koolstof-, water- en landvoetafdruk van het elektriciteitsverbruik van AI wereldwijd en benadrukken zij de grote verschillen tussen deze voetafdrukken in de 20 grootste datacentrumhubs ter wereld.

"Dit rapport is geen pleidooi tegen kunstmatige intelligentie, een technologische transformatie die het leven van miljarden mensen wereldwijd verbetert," aldus professor Kaveh Madani, directeur van UNU-INWEH en leider van het onderzoeksteam. "Het is een oproep om AI verantwoord te gebruiken en proactief de onbedoelde effecten aan te pakken om het duurzaam en rechtvaardig te maken. We hebben een klein tijdsbestek om ervoor te zorgen dat de ruggengraat van de technologische revolutie van onze tijd zich ontwikkelt binnen de planetaire grenzen, en dat de gemeenschappen die de kritieke mineralen leveren voor AI en degenen die de infrastructuur en het elektronisch afval huisvesten, ook profiteren van deze technologie."

Een voetafdruk die verkeerd wordt gemeten

Het rapport stelt dat de ecologische kosten van AI systematisch verkeerd worden gemeten. De meeste bestaande beoordelingen richten zich op de CO2-uitstoot die gepaard gaat met het trainen van grote modellen. Echter, elke kilowattuur elektriciteit die wordt gebruikt om een AI-systeem te trainen of uit te voeren (inferentie), brengt ook een watervoetafdruk met zich mee (door koeling en energieopwekking) en een landvoetafdruk (door energie-infrastructuur en toeleveringsketens).

Deze drie voetafdrukken bewegen niet in dezelfde richting. Overstappen van steenkool naar bio-energie kan bijvoorbeeld de koolstofvoetafdruk van elektriciteit gemiddeld met 70 procent verminderen, terwijl de watervoetafdruk meer dan dertig keer en de landvoetafdruk honderd keer zo groot wordt. Het rapport concludeert dat "laag in koolstof" niet automatisch "laag in water- of landverbruik" betekent. Er wordt gewaarschuwd dat het evalueren van de duurzaamheid van AI via één enkele maatstaf ruilhandel kan maskeren en ecologische lasten kan verschuiven naar regio's die al kampen met water- of landstress.

Op infrastructuurniveau stapelen de cijfers zich snel op. Wereldwijde datacenters verbruikten in 2025 naar schatting 448 terawattuur aan elektriciteit. Als zij een land zouden zijn, zouden ze de 11ste grootste elektriciteitsverbruiker ter wereld zijn, na Frankrijk en voor Saoedi-Arabië.

"Wat ons het meest verraste, is hoe vaak de keuzes die vanuit een koolstofperspectief het groenst lijken, uiteindelijk slechter uitpakken voor water of land," zegt dr. Miriam Aczel, onderzoeker bij UNU-INWEH en hoofdauteur van het rapport. "Als we de duurzaamheid van AI alleen beoordelen op basis van koolstof, zouden we kunnen denken dat hernieuwbare energie de infrastructuur schoon maakt, maar daarmee lossen we één probleem op terwijl we andere problemen creëren, vaak op plekken die daar niet om hebben gevraagd."

Inferentie, efficiëntie en het rebound-effect

Het publieke debat heeft zich grotendeels gericht op de energie die nodig is om enorme modellen te trainen. Het trainen van GPT-3 kostte naar schatting 1,3 gigawattuur (GWh) aan elektriciteit, terwijl schattingen suggereren dat GPT-4 tussen de 50 en 70 GWh verbruikte. Het rapport onthult echter dat dit kader verouderd is. Zodra een model is uitgerold, wordt inferentie — het continu draaien van modellen om dagelijkse gebruikersvragen te beantwoorden — de dominante kostenpost; dit is goed voor 80 tot 90 procent van het totale energieverbruik van AI.

Alleen al ChatGPT verwerkt naar schatting 2,5 miljard prompts per dag, wat neerkomt op ongeveer 383 GWh elektriciteit per jaar voor één enkel product. Om de bijbehorende CO2-uitstoot te compenseren, zouden 2,6 miljoen boomzaailingen tien jaar lang moeten groeien, genoeg bomen om een landoppervlak ter grootte van Manhattan te bedekken. De watervoetafdruk is gelijk aan de minimale jaarlijkse behoeften voor huishoudelijk watergebruik van ongeveer 500.000 mensen in Sub-Sahara Afrika, en de landvoetafdruk is gelijk aan meer dan 800 voetbalvelden.

Videogeneratie als opkomende ecologische crisis

De energie per query varieert enorm afhankelijk van de taak:

• Een typische conversationele chat-query is ongeveer 200 keer energie-intensiever dan basis tekstclassificatie.
• Het genereren van één AI-afbeelding kan ongeveer 1.450 keer zoveel energie kosten als die basislijn.
• Eén korte door AI gegenereerde video kan net zoveel elektriciteit verbruiken als 200.000 spam-classificaties.

De keuze voor het model, de lengte van de prompt, het outputformaat en de resolutie bepalen grotendeels de voetafdruk. De meeste van deze beslissingen worden echter onzichtbaar genomen door standaardinstellingen van producten die de gebruiker nooit ziet.

Het rapport verwijst naar het rebound-effect (de paradox van Jevons) en waarschuwt dat naarmate modellen efficiënter worden, ze goedkoper worden en vaker worden gebruikt. Zonder expliciete limieten op tokens, resolutie of standaard outputlengte worden verbeteringen per query gemakkelijk tenietgedaan door de enorme groei in volume.

"Veel mensen denken dat de ecologische voetafdruk van AI afneemt naarmate de technologie verbetert en processen efficiënter worden. Maar dat is slechts een gedeeltelijk beeld van het totale probleem," zegt professor Madani. "Efficiëntere en betaalbare AI en energie betekenen meer consumptie van AI, waardoor de totale voetafdruk veel groter wordt dan wat we besparen door efficiëntiewinst."

Lokale kosten, verre voordelen

De voordelen en lasten van de massale wereldwijde uitbreiding van AI zijn zeer ongelijk verdeeld. Verschillende casussen in het rapport tonen aan hoe wereldwijd gedistribueerde AI-diensten intense lokale druk veroorzaken:

• Ierland: Datacenters waren in 2023 verantwoordelijk voor 21% van de totale gemeten elektriciteit, meer dan alle stedelijke huishoudens samen. De nationale netbeheerder heeft nieuwe goedkeuringen rond Dublin tot 2028 stopgezet.
• Mexico (Querétaro): Uitbreidende computerinfrastructuur put waterreserves uit te midden van langdurige droogtes.
• Uruguay: Plannen voor een waterintensief datacenter vielen samen met een droogte in 2023 die de zoetwatervoorraden van Montevideo uitputte, waardoor kraanwater onveilig werd om te drinken.

Daarnaast kan AI-infrastructuur tegen 2030 tot 2,5 miljoen ton elektronisch afval per jaar genereren, waarvan veel wordt verwerkt in lage-inkomenslanden met beperkte veiligheidsmaatregelen. Ook worden kritieke mineralen gewonnen in regio's met zwak milieutoezicht.

"Als je in kaart brengt waar datacenters worden gebouwd tegenover waar de waterstress het grootst is, zie je in sommige gevallen dezelfde regio's," zegt dr. Mir Matin, manager van het Geospatial, Climate and Infrastructure Analytics Programme van UNU-INWEH. "En de gemeenschappen die bij deze sites wonen, zijn niet noodzakelijkerwijs degenen die de AI gebruiken die daar draait. Die asymmetrie is het probleem."

De digitale kloof: AI-rekenkracht is voor 90% geconcentreerd in twee landen

Hoewel AI-infrastructuur ecologische kosten met zich meebrengt, biedt het ook grote economische, veiligheids- en soevereiniteitsvoordelen. Slechts 32 landen ter wereld huisvesten gespecialiseerde AI-datacenters, en 90% van die capaciteit is geconcentreerd in twee landen (de VS en China). Meer dan 150 landen hebben momenteel weinig of geen toegang tot soevereine AI-rekenkracht.

Het rapport frame dit niet alleen als een economische kloof, maar als een kwestie van ecologische rechtvaardigheid: uitgesloten landen dragen de lasten van mijnbouw voor kritieke mineralen en elektronisch afval, terwijl de strategische voordelen elders terechtkomen.

"Het wereldwijde systeem dat kunstmatige intelligentie bouwt, moet dit ook duurzaam en eerlijk beheren," zegt professor Tshilidzi Marwala, rector van de United Nations University. "De geconcentreerde ontwikkeling van AI-infrastructuur in bevoorrechte gebieden creëert een grote digitale kloof."

Een routekaart voor duurzaamheid en rechtvaardigheid

Het rapport pleit voor een verantwoord AI-ecosysteem gebaseerd op zes principes: transparantie, efficiëntie door ontwerp (efficiency by design), gelijkheid en ecologische rechtvaardigheid, levenscyclusverantwoordelijkheid, mondiale samenwerking en duurzaam gebruik.

Praktische aanbevelingen per stakeholder:

• Overheden: Integreren van AI-infrastructuur in energieplanning, waterbeheer en landgebruikvergunningen; eisen van gestandaardiseerde rapportage over de ecologische voetafdruk.
• Industrie en AI-ontwikkelaars: Modelselectie, standaardoutputs en routeringsbeslissingen behandelen als determinanten van de voetafdruk; efficiëntie verbeteren vanaf het ontwerp.
• Gebruikers en implementerende organisaties: Kiezen voor "doelgericht gebruik" — het selecteren van het lichtste model en het energiezuinigste formaat dat aan de taak voldoet.
• Datacentrumoperators en nutsbedrijven: Locatiekeuze en energie-inkoop behandelen als beslissingen over de ecologische voetafdruk; cumulatieve effectbeoordelingen toepassen.
• Investeerders: Voetafdrukken van elektriciteit, koolstof, water en land behandelen als materiële risico's in AI-infrastructuurportefeuilles.
• Gemeenschappen en het maatschappelijk middenveld: Vroegtijdig betrekken bij beslissingen over de locatie van datacenters, met afdwingbare transparantie en klachtenmechanismen.
• Internationale instellingen: Ondersteunen van geharmoniseerde meetnormen, verminderen van prikkels voor grensoverschrijdende lastenverschuiving en opbouwen van rekenkracht in uitgesloten regio's.

De cijfers op een rij

Rapport in het kort

• Verkeerde meting: De focus op CO2-uitstoot bij training mist een groot deel van het plaatje (water en land). Het verminderen van één voetafdruk kan een andere vergroten.
• Schaal van verbruik: Datacenters worden consumenten op landelijke schaal. In 2025 was het verbruik 448 TWh, stijgend naar 945 TWh in 2030.
• Inferentie vs. Training: De miljarden dagelijkse interacties (inferentie) drijven het meeste energieverbruik aan, niet de training.
• Variatie per taak: Een chat-query kost 200× meer dan tekstclassificatie; een afbeelding 1.450×. Een complexe AI-video verbruikt ongeveer 4,1 liter water — bijna twee dagen drinkwater voor één persoon.
• Rebound-effect: Efficiëntiewinsten worden vaak geabsorbeerd door een stijging in volume (Jevons Paradox).
• Geografische concentratie: Meer dan 150 landen missen soevereine AI-infrastructuur, terwijl de capaciteit in twee landen is geconcentreerd.
• Levenscyclus hardware: De winning van kritieke mineralen en de afvalverwerking (e-waste) belasten vooral het Mondiale Zuiden.

Belangrijke beleidsboodschappen

1. Koolstof-metriek alleen is onvoldoende: Rapportagestandaarden moeten koolstof, water en landvoetafdrukken gezamenlijk eisen voor zowel training als inferentie.
2. Focus op inferentie: Beleid moet zich richten op productinstellingen, modelselectie en gebruikersgedrag, niet alleen op grote trainingsruns.
3. Locatiekeuze is een ecologische beslissing: Vergunningen en milieueffectrapportages moeten reflecteren dat de locatie bepaalt wat de voetafdruk van een workload is.
4. Lokale planning moet meegroeien: Landen als Ierland, Mexico en Uruguay tonen aan wat er gebeurt als lokale systemen workloads moeten absorberen voor gebruikers elders.
5. Beperkingen op de vraagzijde: Zonder budgetten voor middelen, limieten per prompt en standaardinstellingen voor lage resolutie, worden efficiëntiewinsten weggevaagd door volumegroei.
6. Toegang tot rekenkracht is een kwestie van gelijkheid: Internationale instellingen moeten capaciteitsopbouw ondersteunen in uitgesloten regio's.
7. Beheer van de volledige waardeketen: De winning van mineralen en e-waste zijn integraal onderdeel van de AI-voetafdruk.
8. Rol van investeerders: Financiële instellingen kunnen snel actie ondernemen door water- en landvoetafdrukken als materiële risico's te behandelen in hun due diligence.

---

Rapportinformatie

Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T., Madani, K. (2026). Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints. United Nations University Institute for Water, Environment and Health (UNU-INWEH), Richmond Hill, Ontario, Canada. doi: 10.53328/INR26RMA002

Over UNU-INWEH

Het United Nations University Institute for Water, Environment and Health (UNU-INWEH) is een van de 13 instellingen die deel uitmaken van de United Nations University (UNU), de academische tak van de VN. Bekend als 'The UN’s Think Tank on Water', richt het instituut zich op kritieke water-, milieu- en gezondheidsuitdagingen wereldwijd via onderzoek, training en kennisverspreiding. Het hoofdkantoor is gevestigd in Richmond Hill, Ontario, Canada.