Het gesprek over AI ging tot nu toe vooral over intelligentie: hoe krachtig het model is, hoe snel het wordt getraind en hoe nauwkeurig het reageert. In 2026 wordt de echte uitdaging of bedrijven het zich wel kunnen veroorloven om AI draaiende te houden.
Deloitte verwacht dat AI-inferentie, het dagelijkse gebruik van AI nadat een model is getraind, dit jaar goed zal zijn voor ongeveer twee derde van alle AI-rekenkracht die binnen bedrijven wordt gebruikt. Elke klantinteractie, fraudedetectie, aanbeveling, chatbotreactie en documentsamenvatting maakt hiervan gebruik. Het trainen van AI-modellen gebeurt in afgebakende periodes waarvan de kosten aan een specifiek project kunnen worden toegerekend. AI-inferentie is daarentegen voortdurend actief, verspreid over verschillende systemen en vindt dicht bij de gebruiker plaats. Het wordt onderdeel van de dagelijkse bedrijfsvoering, met tevens een energierekening die daarbij hoort.
De focus binnen bedrijven verschuift daarmee van het ontwikkelen van AI-modellen naar het betrouwbaar en efficiënt uitvoeren ervan. AI is niet langer een proefproject binnen een innovatieteam, maar een integraal onderdeel van de dagelijkse bedrijfsvoering. Juist daarom zijn dezelfde eisen voor beschikbaarheid, governance, beveiliging en kostenbeheersing nodig zoals bij andere bedrijfskritische systemen. Het belangrijkste verschil is de extra belasting die AI veroorzaakt voor de infrastructuur, vooral door de toenemende vraag naar energie.
Voor technologieleiders leidt dit tot fundamentele vragen. Hoeveel capaciteit blijft onbenut? Worden GPU’s ingezet op plekken waar ze daadwerkelijk nodig zijn? Is er voldoende inzicht in de samenhang tussen prestaties, kosten en energieverbruik? Dit zijn allang geen vragen meer voor alleen IT-teams. Het zijn vragen voor de bestuurskamer geworden.
De kosten van verspilde energiecapaciteit
Inefficiënt gebruik van infrastructuur is een van de belangrijkste oorzaken van energieverspilling in traditionele datacenters. Veel organisaties hebben nog te maken met verouderde IT-infrastructuur. Zo zijn servers vaak structureel onderbenut, worden opslag en rekenkracht niet optimaal afgestemd en zijn systemen ingericht op piekbelasting die in de praktijk nauwelijks voorkomt. Dit leidt tot wat in de sector bekendstaat als stranded watts: gereserveerde energiecapaciteit die wordt verspild aan onderbenutte of vergeten ‘zombie’-servers. Deze systemen blijven stroom verbruiken, koeling vereisen en fysieke ruimte innemen, zonder dat ze een evenredige bijdrage leveren aan de bedrijfsvoering.
In een AI-omgeving, waar de vraag snel en moeilijk voorspelbaar kan toenemen, krijgt deze verspilling directe zakelijke gevolgen. Consolidatie wordt daardoor steeds belangrijker. Hyperconverged infrastructure brengt rekenkracht, opslag en virtualisatie samen in één geïntegreerde omgeving, waardoor minder afzonderlijke hardware nodig is. Dit zorgt voor een compactere infrastructuur die efficiënter gebruikmaakt van capaciteit en alleen opschaalt wanneer dat daadwerkelijk nodig is.
Uit klantcases van Nutanix blijkt dat organisaties na het vervangen van verouderde systemen gemiddeld 50% minder energie verbruiken en hun fysieke infrastructuur met ongeveer 66% kunnen verkleinen. De resultaten verschillen uiteraard per omgeving, maar het uitgangspunt blijft hetzelfde: efficiënter gebruik van capaciteit is ook een strategie om energie te besparen.
AI-sprawl wordt de volgende operationele uitdaging
Een risico dat veel minder aandacht krijgt dan de prestaties van modellen, is AI-sprawl. Terwijl bedrijfsonderdelen experimenteren met AI, neemt het aantal modellen en workloads snel toe. Sommige leveren waarde op, terwijl andere stilletjes worden vergeten en middelen blijven verbruiken. Ook nadat een project zijn oorspronkelijke prioriteit heeft verloren, kunnen deze omgevingen blijven zorgen voor hogere kosten, beveiligingsrisico’s en druk op duurzaamheidsdoelstellingen.
Cloud-native operations bieden hiervoor een oplossing. Met containers, automatisering en orkestratie kunnen organisaties workloads flexibel opschalen en afbouwen op basis van de daadwerkelijke behoefte. Tegelijkertijd krijgen IT-teams meer controle over de manier waarop workloads worden geïmplementeerd, beheerd, verplaatst en uiteindelijk verwijderd.
Duidelijke kaders zijn ook belangrijk. Ze zorgen voor limieten op gebruik en uitvoering, zodat organisaties voorkomen dat autonome AI-agents blijven draaien in inefficiënte processen en ook geen onnodige rekenkracht, kosten en energie verbruiken. Duurzame AI draait daarom niet alleen om een succesvolle implementatie, maar vooral om het beheer na ingebruikname. De werkelijke uitdaging ligt in de dagelijkse operatie, wanneer het systeem continu actief is en waarde moet leveren.
Niet elke AI-workload heeft een GPU nodig
De minst opvallende efficiëntiemaatregel is misschien wel de meest praktische: de juiste hardware kiezen voor de juiste taak. GPU’s spelen een belangrijke rol, vooral bij het trainen en afstemmen van grootschalige modellen en zware inferentietaken. Maar veel AI-workloads binnen bedrijven, waaronder retrieval-augmented generation, embeddings en reranking, draaien prima op CPU’s of NPU’s.
Organisaties zouden eerst moeten nagaan of bestaande rekenkracht de taak aankan voordat ze extra GPU’s aanschaffen. Het uitgangspunt is eenvoudig: zet CPU’s in voor workloads waarvoor ze geschikt zijn en reserveer GPU’s voor toepassingen die daadwerkelijk de extra rekenkracht vereisen.
Deze aanpak staat haaks op de neiging om voor elk AI-probleem gespecialiseerde hardware in te zetten. Juist door bewuster met capaciteit om te gaan, ontstaan nieuwe mogelijkheden voor efficiëntiewinst. Denk aan het delen van GPU-capaciteit, het beter afstemmen van infrastructuur op de daadwerkelijke vraag en het verplaatsen van netwerkprocessen om rekenkracht beschikbaar te maken voor taken met meer waarde. Ook aan het einde van de hardwarelevensduur blijft deze benadering relevant. Een oudere GPU hoeft niet direct te worden afgeschreven, maar kan vaak nog worden gebruikt voor lichtere AI-workloads. Zo beperken organisaties elektronisch afval en halen ze meer waarde uit hun bestaande investeringen.
Energie moet inzichtelijk worden
Efficiënt energiebeheer begint met inzicht in het gebruik van infrastructuur. IT-teams kunnen energieverbruik pas gericht optimaliseren wanneer ze zicht hebben op de relatie tussen workloads, capaciteitsgebruik en stroomverbruik. Energy-observability brengt energiegegevens samen met informatie over CPU-gebruik, geheugen, opslag en netwerkactiviteit, zodat organisaties inefficiënte workloads en ongecontroleerd verbruik tijdig kunnen signaleren en bijsturen. Ook de locatie van infrastructuur is een belangrijke factor. Onderzoek van Cornell, gepubliceerd in Nature Sustainability, laat zien dat datacenters die worden gevestigd in regio’s met schonere energiebronnen, in combinatie met verdere verduurzaming van het elektriciteitsnet en efficiëntere bedrijfsvoering, de verwachte emissies van AI-infrastructuur aanzienlijk kunnen verlagen. In de meest gunstige omstandigheden kan de uitstoot tot ongeveer 73% lager uitvallen dan in worst-case scenario’s.
Dit draait niet alleen om het rapporteren over duurzaamheid, maar ook om operationele controle. Wanneer energiecapaciteit schaars wordt, kunnen organisaties die in staat zijn om de meest waardevolle workloads voorrang te geven een duidelijk concurrentievoordeel behalen.
Ontwikkelen voor een wereld met beperkte energiecapaciteit
AI blijft zich verder ontwikkelen binnen bedrijven, maar de beschikbare middelen zijn niet onbeperkt. Rekenvermogen, energie en koeling kunnen niet eindeloos meegroeien. Ook budgetten kennen hun grenzen. Succesvolle groei van AI hangt daarom niet alleen af van grotere modellen, maar vooral van een efficiënte infrastructuur. Dat betekent het consolideren van verouderde omgevingen, het verhogen van de benuttingsgraad, het inzetten van workloads op de meest geschikte locaties en systemen, het kiezen van de juiste hardware en het verlengen van de levensduur van bestaande apparatuur.
Duurzaamheid moet vanaf het begin worden meegenomen in de architectuur en niet pas achteraf worden toegevoegd via rapportages. AI heeft de race naar innovatie in gang gezet, maar energie-efficiëntie bepaalt welke organisaties deze ontwikkeling op lange termijn kunnen blijven ondersteunen.
