Kunnen AI-agenten duurzaam zijn? Wat Sasha Luccioni's onderzoek onthult over Groene AI
Dit is de vraag die elke duurzaamheidsleider in 2026 moet beantwoorden: kunnen AI-agents eigenlijk duurzaam zijn? Sasha Luccioni, speaking at AI Festival 2026, geeft het helderste beschikbare antwoord: de AI-footprint hangt af van de gekozen modellen en hoe ze worden gebruikt. Dat is de sleutelinzicht die door het debat heen snijdt. Het gaat er niet om of AI abstract gezien duurzaam of onduurzaam is. Het gaat erom of je duurzame keuzes maakt bij de implementatie ervan.
CodeCarbon maakt de meetstap toegankelijk. Het zichtbaar maken van energieverbruik is de eerste stap naar vermindering, en CodeCarbon moedigt specifiek verantwoordelijker gebruik aan door individuen en organisaties die kunnen zien wat hun keuzes kosten. Beetroot doet het werk aan de andere kant van de balans: organisaties die hun CO₂-voetafdruk meten en beheren met AI, en daarmee bewijzen dat de technologie kan worden toegepast op milieubeheer, niet alleen op het genereren van milieu kosten.
Dit blog is de praktische handleiding voor duurzame AI-implementatie. Het groene AI-framework: welke modellen kiezen, hoe meten, en hoe de milieuvoetafdruk van AI daadwerkelijk verminderen terwijl je zijn mogelijkheden behoudt.
Sasha Luccioni's kerninzicht — twee hefbomen voor het verminderen van AI's voetafdruk
Luccioni's onderzoek legt een raamwerk vast met twee aangrijpingspunten. De AI-voetafdruk hangt af van de gekozen modellen, en de AI-voetafdruk hangt af van hoe die modellen worden gebruikt. Dezelfde AI-taak kan dramatisch verschillende milieu kosten met zich meebrengen afhankelijk van de keuzes die op beide niveaus worden gemaakt.
Op modellenniveau kan het verschil tussen een kleiner efficiënt model en een frontier model een factor 10 tot 100 zijn in energieverbruik voor equivalente taakvoltooiing. Kleinere modellen kunnen de meeste enterprise-taken afhandelen tegen een fractie van de energiekosten van frontier modellen. GPT-5 of Claude Opus gebruiken voor eenvoudige Q&A die een veel kleiner model zou kunnen afhandelen, is milieu verspilling die zich op schaal opstapelt.
Op gebruiksniveau zijn de patronen van hoe AI wordt geïmplementeerd enorm belangrijk. High-volume simpele taken door grote modellen draaien is de meest verspillende configuratie die maar kan. Requests bundelen, responses cachen, asynchrone verwerking gebruiken voor niet-urgente taken, compute-intensive workloads draaien wanneer hernieuwbare energie beschikbaar is — dit zijn allemaal gebruikspatroon-keuzes die voetafdruk verminderen zonder mogelijkheden te beperken.
Luccioni's framing: het zichtbaar maken van energieverbruik is de eerste stap naar vermindering ervan. Wanneer ontwikkelaars en duurzaamheidsteams de energiekosten van hun AI-keuzes kunnen zien, maken ze betere keuzes. Carbon tracking hoort onderdeel te zijn van AI-ontwikkeling en deployment governance, niet een achterafgedachte.
De praktische implicatie is dat de modelkeuze vaak wordt gemaakt door engineers zonder duurzaamheidsinput. Duurzaamheidsleiders hebben voldoende begrip van AI-footprint nodig om aan die beslissing deel te nemen. Gebruikspatronen worden vaak standaard ingesteld in tooling zonder expliciete optimalisatie voor milieu kosten. Beide hiaten zijn oplosbaar.
Het groene AI-framework — vijf stappen naar duurzame AI-implementatie
Sasha Luccioni's onderzoek en de CodeCarbon-methodologie combineren tot een praktisch raamwerk dat organisaties kunnen implementeren.
Stap 1: Meet voordat je optimaliseert
Gebruik CodeCarbon of equivalent om AI-energieverbruik te meten across je deployments. Meet energie per AI-interactie, totaal AI-energieverbruik, en koolstof per AI-interactie. Stel baselines vast voordat je optimalisaties implementeert. Zonder baseline meting kun je geen verbetering aantonen. Luccioni's onderzoek is duidelijk dat zichtbaarheid de prerequisite is voor reductie.
CodeCarbon schat energieverbruik van AI-model runs en converteert naar koolstofequivalenten. Het ondersteunt meerdere frameworks en cloud providers. Het is gratis en toegankelijk voor elke organisatie die AI-workloads draait. De investering in meetinfrastructuur is laag. De inzichtwaarde is hoog.
Stap 2: Model selectie op de juiste grootte
Pas model capability aan op taakcomplexiteit. Gebruik geen frontier modellen voor taken die een kleiner model zou kunnen afhandelen. GPT-4o mini en Claude Haiku kunnen de meerderheid van enterprise-taken afhandelen tegen een fractie van de energiekosten van GPT-5 of Claude Opus. Reserveer frontier modellen voor taken die daadwerkelijk complexe redenering, multi-step analyse of mogelijkheden vereisen die alleen de frontier modellen bieden.
Luccioni's onderzoek bevestigt dat model selectie de grootste hefboom is voor het verminderen van AI-footprint. Een enkele model downgrade van frontier naar efficiënt voor een high-volume taak kan energieverbruik met een orde van grootte verminderen terwijl de taakkwaliteit behouden blijft. Dit is geen marginale verbetering. Het is een structurele verandering in je AI-milieu kosten.
Evalueer elke AI-use case en vraag: vereist dit daadwerkelijk een frontier model? Als het antwoord nee is, gebruik een kleiner, efficiënter model. Maak dit een governance-vraag, niet zomaar een engineering-default.
Stap 3: Optimaliseer gebruikspatronen
Bundle AI-requests waar mogelijk in plaats van alles realtime te verwerken. Cache AI-responses voor herhaalde queries in plaats van dezelfde output opnieuw te berekenen. Gebruik asynchrone verwerking voor niet-urgente AI-taken, en waar mogelijk, schedule heavy compute voor momenten waarop hernieuwbare energie ruimer beschikbaar is op het net. Dit zijn software architecture en workflow beslissingen die milieu kosten verminderen zonder capability te verminderen.
Luccioni: hoe je het model gebruikt is net zo belangrijk als welk model je kiest. De combinatie van model selectie op de juiste grootte en geoptimaliseerde gebruikspatronen kan AI-footprint met 90% of meer verminderen voor veel enterprise use cases terwijl equivalente output kwaliteit behouden blijft.
Stap 4: Kies providers met sterke milieucommitments
Microsoft Azure: koolstofnegatief tegen 2030, 100% hernieuwbare energie tegen 2025. Google Cloud: koolstofneutraal sinds 2007, werkend naar 24/7 koolstofvrije energie tegen 2030. AWS: 100% hernieuwbare energie tegen 2025. De cloud provider die je kiest beïnvloedt de koolstoffootprint van je AI-workloads ongeacht welke modellen je draait of hoe je ze gebruikt.
Vraag je cloud providers naar hun water usage effectiveness en datacenter locaties. Sommige faciliteiten zijn aanzienlijk water-efficiënter dan andere. Provider selectie is een hefboom die duurzaamheidsteams direct kunnen oppakken.
Stap 5: Stel AI-duurzaamheidsdoelen
Behandel AI-energieverbruik zoals elke andere duurzaamheidsmetric. Stel doelen voor het verminderen van AI-koolstof per interactie. Neem AI-milieuvoetafdruk op in je ESG-rapportering. Maak AI-duurzaamheid onderdeel van je AI-governance raamwerk.
De organisaties die AI-milieueffect behandelen als een first-class duurzaamheidsprobleem, gemeten en getarget als elke andere milieu metric, zullen voorop lopen naarmate disclosure vereisten uitbreiden.
De conservatiekans — AI voor milieubeheer
Beetroot doet het werk dat AI's potentieel op de voordelenkant van de balans demonstreert. Organisaties die hun koolstofvoetafdruk meten en beheren met AI bewijzen dat de technologie toepassingen heeft in milieubeheer, niet alleen milieu kosten.
AI kan logistieke routing, building HVAC-systemen, landbouw inputs en productieprocessen optimaliseren. De emissiereducties in die sectoren kunnen AI's eigen voetafdruk overtreffen. Dat is de weg naar netto-positieve AI: minimaliseer AI's eigen voetafdruk via het groene AI-framework, maximaliseer AI's milieu voordeel door het in te zetten voor conservatie en optimalisatiewerk.
Inno-Thought's framing is de juiste: AI kan wereldwijde emissies verminderen, maar alleen als het duurzaam wordt ontwikkeld. De organisaties die netto-positieve AI bereiken doen beide dingen tegelijkertijd. Ze beheren AI's eigen voetafdruk door bewuste model selectie en gebruikspatronen, en ze zetten AI in om emissies elders op grote schaal te verminderen.
De vereiste voor duurzame AI is niet abstract. Het is operationeel. Meet footprint. Pas modellen op maat aan. Optimaliseer gebruik. Kies groene providers. Stel doelen. Pas AI toe op milieubeheer. Dat is het volledige beeld van wat duurzame AI-implementatie in de praktijk betekent.
Begin vandaag met meten
CodeCarbon is gratis. Het groene AI-framework is vandaag implementeerbaar voor elke organisatie die AI-workloads draait. De meet prerequisite is het enige echte toegangshindernis. Zonder meting kun je geen doelen stellen. Zonder doelen kun je geen verbetering aantonen. Zonder zichtbaarheid kun je geen betere keuzes maken.
De organisaties die nu beginnen met het meten van AI-energieverbruik zullen baselines, doelen en verbeteringsdata hebben tegen de tijd dat disclosure vereisten uitbreiden. De organisaties die niet meten zullen die infrastructuur onder regulatorische druk opbouwen zonder historische context.
AI kan duurzaam zijn. Sasha Luccioni's onderzoek bewijst dat het afhangt van bewuste keuzes. De vraag is of je organisatie die keuzes bewust maakt of bij toeval.