De megahonger van ChatGPT en co: niet alleen energie, ook water- en landverbruik torenhoog

Over de energiehonger van AI is al heel wat geschreven, maar de ecologische impact is veel breder, zegt een nieuw rapport van het United Nations University Institute for Water, Environment and Health (UNU-INWEH). Het schetst een beeld van de ecologische voetafdruk van de hele AI-keten: van datacenters, energieproductie en chips tot koelsystemen, waterwinning, landgebruik, kritieke mineralen en uiteindelijk elektronisch afval.

Veel AI-bedrijven maken hun datacenters “koolstofarm”, maar dat  betekent niet automatisch ook “waterarm” of “landarm”, stelt het rapport. Integendeel: soms kan de focus op de CO₂-uitstoot de lasten net doen verschuiven naar plaatsen die al te maken hebben met waterschaarste of landdruk.

Neem bijvoorbeeld een datacenter dat overschakelt op bio-energie. Dat kan de CO₂-uitstoot met 72 procent verminderen, maar het gaat wel ten koste van een veel grotere water- en landvoetafdruk. Gemiddeld is de watervoetafdruk van bio-energie immers meer dan dertig keer groter dan die van steenkool en de landvoetafdruk is honderd keer groter.

Enorme groei

De wereldwijde AI-markt zal dit jaar naar verwachting groeien tot bijna 5000 miljard dollar, stelt het rapport. Dat is een groei met factor 25 in amper tien jaar. Het energieverbruik is ontnuchterend: alle datacenters samen hebben een stroomverbruik dat vergelijkbaar is met een land als Frankrijk.

En die infrastructuur neemt steeds meer plaats in, met name voor de stroomopwekking. De bijbehorende landvoetafdruk zal tegen 2030 meer dan 14.000 vierkante kilometer bedragen, ongeveer de oppervlakte van Noord-Ierland.

Ondertussen zou het geschatte waterverbruik van 9300 miljard liter door datacenters voldoende zijn om de drinkwaterbehoefte van de hele wereldbevolking ruim anderhalf jaar te dekken.

Een deel van het onttrokken water wordt weliswaar teruggevoerd, maar ‘grootschalige onttrekkingen kunnen de grondwaterlagen en riviersystemen belasten, met name in droge of grondwaterarme gebieden’, stelt het rapport.

Training

Het trainen van nieuwe AI-modellen vereist enorme  hoeveelheden energie. De geschatte 100 gigawattuur elektriciteit die nodig is om Chat GPT-5 te trainen, staat ongeveer gelijk aan het jaarlijkse elektriciteitsverbruik van meer dan de helft van de gezinnen in Afrika ten Zuiden van de Sahara. De bijbehorende watervoetafdruk wordt geschat op 1 miljard liter.

Maar training is maar het begin: het dagelijkse gebruik van AI heeft nog een veel grotere impact. ChatGPT alleen al verwerkt naar schatting zo'n 2,5 miljard prompts per dag. Uitgaande van een conservatieve schatting van 0,42 Wh per prompt, vertaalt zich dat in ongeveer 383 gigawattuur elektriciteit per jaar. De bijbehorende jaarlijkse watervoetafdruk zou gelijk zijn aan de minimale jaarlijkse waterbehoefte van zo'n half miljoen gezinnen in Afrika ten Zuiden van de Sahara, en de landvoetafdruk is groter dan achthonderd voetbalvelden.

Google Search

‘Die cijfers stijgen drastisch zodra we de AI meerekenen die in massaplatformen zoals Google Search is ingebouwd’, stelt het rapport. ‘Cruciaal is dat het energieverbruik per gebruikseenheid vele malen verschilt naar gelang modaliteit en lengte van het antwoord, dus productinstellingen en gebruikerskeuzes zijn sterk bepalend voor de ecologische voetafdruk.’

Een snelle berekening leert dat Google zo’n 5000 miljard zoekopdrachten per jaar verwerkt. Een gewone zoekopdracht verbruikt zo’n 0,3 wattuur, terwijl een AI-opdracht al snel tien keer meer energie verbruikt, tot 3 wattuur.

Afval en ongelijkheid

En dan is er nog de snel groeiende berg aan AI-afval: tegen 2030 kan de industrie een berg van 2,5 miljoen ton afval genereren, schat het rapport, te vergelijken met 250 Eiffeltorens. Als dat afval slecht wordt beheerd, kan het kwetsbare gemeenschappen blootstellen aan gevaarlijke stoffen.

De mineralen die AI-hardware aandrijven, worden vaak gewonnen op manieren die lokaal geconcentreerde milieu- en sociale schade veroorzaken, met name in het mondiale Zuiden en in regio's met een zwakke overheid. Ook op die manier dreigt de structurele ongelijkheid die ten grondslag ligt aan de AI-boom nog toe te nemen.

De meest geavanceerde AI-infrastructuur is geconcentreerd op een klein aantal locaties. Landen die niet over voldoende rekenkracht beschikken, zijn afhankelijk van externe aanbieders, waardoor ze weinig controle hebben over toegang, prijsstelling of gegevensbeheer. Het resultaat is een groeiende digitale kloof tussen landen die AI-systemen bouwen en beheren en landen die enkel consumeren, terwijl ze vaak een onevenredig groot deel van de milieukosten dragen.