Onlangs vroeg het Nationaal Programma Regionale Energiestrategie (RES) mij een essay te schrijven over de rol van kunstmatige intelligentie (AI) in de energietransitie. Een reflectie op de vraag: hoe draagt AI bij aan de opbouw van een toekomstbestendig energiesysteem en onder welke voorwaarden?
Afgelopen week deed ik een verkennend literatuuronderzoek waarin ik ruim veertig nationale en internationale publicaties heb bestudeerd.
Wat daarin als eerste opvalt is wat ik de optimalisatieparadox ben gaan noemen. AI fungeert zowel als katalysator van verduurzaming als motor van ecologische uitputting. Zo wordt AI succesvol ingezet om vraag en aanbod in energienetten realtime op elkaar af te stemmen, onderhoud te voorspellen of de opbrengst van zon en wind nauwkeuriger te modelleren. Tegelijk groeit het energieverbruik van AI zelf explosief. Het trainen van een taalmodel als GPT-4 kost naar schatting meer dan vijf miljoen kilowattuur; dagelijkse toepassingen zoals beeldgeneratie en spraakherkenning draaien op datacenters die afhankelijk zijn van fossiele én schaarse hulpbronnen. Water, zeldzame metalen en netcapaciteit zijn structurele randvoorwaarden geworden voor digitale intelligentie.
Dat roept een fundamentele vraag op: zetten we AI in om het bestaande energiesysteem efficiënter te maken, of gebruiken we het om dat systeem zelf opnieuw te ontwerpen? Veel huidige toepassingen blijven binnen het eerste domein: slimmer verdelen, nauwkeuriger voorspellen, efficiënter beheren. Maar in de kern blijft het systeem vaak zoals het is. We blijven proberen méér uit hetzelfde te halen, terwijl het ecologisch al tegen zijn grenzen aanloopt. Dat is wat bedoeld wordt met de logica van optimalisatie.
“Optimaliseren betekent hier alles inzetten op kortetermijnwinst, zonder werkelijk te veranderen.” — James Bridle (2023)
Een tweede structureel inzicht uit de literatuur is het zogeheten reboundeffect, ook bekend als de Jevons-paradox. Efficiëntere technologie leidt zelden tot minder verbruik, maar vaak tot méér gebruik en nieuwe vormen van consumptie. AI maakt processen goedkoper, sneller en schaalbaarder, wat de benutting van middelen intensiveert. Slimme warmtenetten of gebouwbeheersystemen kunnen zo paradoxaal genoeg leiden tot meer energieverbruik, wanneer gebruikers kiezen voor extra comfort, gemak of controle. Dat ondermijnt het idee dat optimalisatie vanzelf tot duurzaamheid leidt. Zonder begrenzing of herontwerp versterkt AI juist het probleem dat het geacht wordt op te lossen.
“The Jevons paradox is not a curiosity, but a structural feature of techno-economic systems driven by growth.” — Blake Alcott (2005)
Om deze discussie te structureren ontwikkelde ik de zogenaamde transformatie-as: een 3×3-denkkader waarin AI-toepassingen worden getypeerd langs twee assen. Horizontaal loopt de as van optimalisatie (efficiëntie), via herontwerp (anders organiseren), naar regeneratie (ecologisch en sociaal herstel); verticaal van operationele toepassingen, via tactische coördinatie, naar strategische keuzes over systeeminrichting en waarden.
De transformatie-matrix maakt zichtbaar dat de meeste investeringen zich nu concentreren in de cellen linksonder: operationele efficiëntie en tactische optimalisatie. Denk aan smart grids, vraagresponsystemen en onderhoudsalgoritmes. Tegelijk laat het kader zien waar kansen liggen die nu nog onderbenut zijn: AI als middel voor gemeenschapsgebaseerde energieplanning, als leerinstrument voor adaptieve governance, of als tool die biodiversiteit en bodemgezondheid meeweegt in netbeslissingen. De transformatie-matrix is daarmee niet alleen een analytisch model, maar ook een kompas voor publieke sturing en beleidsontwikkeling.
Een derde inzicht uit de literatuur betreft de vraag wie AI ontwikkelt en met welk doel. Veel AI-systemen worden gebouwd door private partijen, op basis van commerciële modellen die zelden één op één sporen met publieke waarden zoals energiezekerheid, democratische controle of ecologische rechtvaardigheid. AI is geen neutrale technologie: wat het leert, versterkt of optimaliseert, is afhankelijk van data, doelen en ontwerpkeuzes. De roep om publieke governance, transparantie en maatschappelijke controle groeit, maar blijft vaak achter bij de technische en commerciële realiteit. Wat nodig is, zijn nieuwe vormen van AI-governance die niet alleen ethisch verantwoord zijn, maar ook geopolitiek en ecologisch robuust.
Tot slot het vierde inzicht dat raakt aan een diepere laag: de manier waarop we intelligentie zélf begrijpen. Veel AI-systemen zijn gestoeld op een utilitaire logica: rationeel, doelgericht, efficiënt. Maar er bestaan ook andere vormen van intelligentie. Inheemse kennissystemen, ecologische netwerken en collectieve besluitvorming laten zien dat intelligentie ook relationeel, contextueel en regeneratief kan zijn. Sommige onderzoekers en kunstenaars pleiten daarom voor een fundamenteel ander ontwerp van AI: niet als digitale rationaliteit, maar als leerproces dat zich afstemt op ecologische en sociale systemen. AI als actor binnen een wereld waarvan we zelf deel zijn. In een eerdere blog heb ik dat leren denken als bossen genoemd.
De komende weken werk ik verder aan het essay waarin deze thema’s worden uitgewerkt. De transformatie-matrix wordt daarbij een hulpmiddel: niet alleen om bestaande toepassingen te ordenen, maar vooral om nieuwe mogelijkheden zichtbaar te maken. Suggesties, aanvullingen en reflecties zijn welkom.
9 reacties
Dag Marco,
Je 9-vlaks toepassingsmodel is lekker overzichtelijk om (AI gerelateerde) processen in een vakje en daarmee in een richting t.o.v. andere processen (in de energietransitie) te plaatsen. De horizontale as heb ik nog wat moeite mee na de eerste kolom: het eindigt wel o.a. met iets als ‘ecologische integratie’, maar je bedoelt daarmee (juist ook) ‘circulair’ (denk ik) en niet meer gericht op/alleen functionerend bij groei/toename. Dus het herontwerp van die ’techno-economic systems driven by growth’ voor energie-opwekking en -distributie zou in kolom 2 expliciet vermeld kunnen worden. Nu zou het impliciet het gevolg kunnen zijn van genoemde zaken als p2p-energiemarkten en decentralisatie, maar is er geen garantie of doel voor. Terwijl het (alleen al om van die paradox af te komen) wel nodig is! Maak het een expliciet doel in de middelste kolom, dan kan de rechter ook iets als makkelijker iets als ‘AI helpt bij de ontwikkeling en instandhouding van circulaire (economische) modellen voor de energietransitie’ bevatten. En daarmee aansluiten op ‘sociale rechtvaardigheid’.
Ik kwam tot deze opmerkingen bij je blog o.a.toen ik dat citaat zag van Blake Alcott en meteen dacht aan de recent gepubliceerde tegenstellingen omtrent het begrip ‘groene groei’, zie https://www.change.inc/transities/leiderschap-transitie/hans-stegeman-triodos-bank-duurzaamheid-economie-groene-groei en https://www.change.inc/transities/leiderschap-transitie/groene-groei-illusie-of-noodzaak
Dank voor je reactie Fred. Ga er zeker over nadenken, maar eerlijk gezegd heb ik heel bewust gekozen voor onderscheid herontwerp en regeneratie. Bij herontwerp (oa naar decentrale netwerken van duurzame energie) gaat het feitelijk nog steeds om economische groei (met gebruik duurzame energie). Daarmee veranderen we het systeem niet fundamenteel. Bij regeneratie gaat het niet meer om economische groei maar om duurzame groei. Het is niet alleen goed voor de mens, maar ook voor de wereld. Eigenlijk precies wat Hans Stegeman voorstelt in het debat in Pakhuis de Zwijger.
Maar misschien ook goed om te vermelden is dat de matrix vooral bedoeld is als denkmodel. Ik ga in de essay dit niet helemaal concreet invullen, maar wel gebruiken als denkrichting.
Nogmaals dank voor je reactie Fred, ik ben op basis van jouw suggestie wat verder gedoken in het proefschrift van Hans Stegeman, getiteld Transforming Economics for Sustainability. Ik heb het nog niet helemaal gelezen, maar voor zover ik het nu kan beoordelen is het een interessante reflectie op hoe het economische denken radicaal herzien moet worden om ecologische en sociale duurzaamheid serieus te nemen. Sterker nog, hij komt tot een vergelijkbare framework als ik hier schets en benoemt de noodzaak van transformatie op drie niveaus: optimalisatie (verbeteren van het bestaande), hervorming (regels en instituties aanpassen) en transformatie (doelen en waarden herdenken).
https://hansstegeman.substack.com/p/41-transforming-economics-for-sustainability
Inmiddels op LinkedIn ook een aantal interessante reacties:
https://www.linkedin.com/posts/mderksen_digitaletransformatie-ai-energietransitie-activity-7358711443829006336-94w2
Hallo Marco,
Bart attendeerde mij op je LinkedIn bericht en na het lezen van deze post, waarvoor dank voor het delen en waardering voor het ‘working out loud’.
Het interactie veld dat jij beschrijft in meerdere blogs, de wisselwerking tussen Energie (transitie) en AI, greep mijn aandacht en interesse.
Het raamwerk dat je deelt in deze post is zeer toepasbaar, zeker in gesprekken over deze problematiek, maar even zo goed op ander gebieden.
Er is een zin in je post die ik wel uitdagend vond: “zetten we AI in om het bestaande energiesysteem efficiënter te maken, of gebruiken we het om dat systeem zelf opnieuw te ontwerpen?”
Bij lezen van het tweede gedeelte van die zin, dacht ik, laten we dat eens proberen. De uitkomst van dat experiment is eigenlijk het eerste gedeelte van de zin met een dikke plus.
Mocht je interesse hebben in de uitkomst, hier is de link: https://docs.google.com/document/d/1UTN-48NqbBEhCT8xIPzAnFvfsuEb9fDYS44EiieL5VU/edit?usp=sharing
Rest met je danken voor de inzichten die hebt gegeven, en de interessante inzichtgevende reis die volgde.
Ik heb het nog niet in detail gelezen, maar interessant concept Jan. Heb je dat nu vanmiddag in elkaar gezet? Wat was hiervoor de basis en welke opdracht heb je meegegeven? In ieder geval indrukwekkend!
Waar ik tot nog toe tegen aan loop is hoe maak je nu een waardegedreven AI-systeem tegelijk democratisch, wendbaar én schaalbaar?
Klopt, heb het vanmiddag in elkaar gezet. De reden dat het relatief snel ging is dat de input concreet was en voorzien van een goede context (jouw post) plus dat ik een GPT heb gemaakt die mijn ervaring van de afgelopen 3 jaar met het implementeren van Gen AI projecten/programma’s in gecondenseerde vorm (een boekje dat ik aan het schrijven ben) als basis gebruikt voor het beantwoorden van mijn vragen. Die GPT levert de basis onderzoeksprompt met een sterke context.
De prompt:
Genereer een projectplan, KPI-set en governance-voorstel op basis van de volgende Prompt context:
Who – Wie
• Beschrijf de primaire doelgroep(en): netbeheerder + lokale energie-coöperaties + huishoudens met én zonder zonnepanelen in RES-regio X.
• Noem aanvullende stakeholders: gemeente, natuurorganisaties, privacy-toezichthouder en armoedecoalitie.
What – Wat
• Formuleer de concrete uitdaging: “Los regionale netcongestie op door slimme spreiding / uitwisseling van vraag & aanbod, zónder dat totale energie-, CO₂- of materiaalvoetafdruk toeneemt.”
• Definieer drie gelijkwaardige succescriteria:
🌿 Biodiversiteit: bescherm & vergroei lokale ecologische hotspots.
🤝 Energie-armoede: verlaag energierekening kwetsbare groepen ≥ 15 %.
🔒 Dataprotectie: voldoe minimaal aan ISO 27701 + differential privacy-norm.
Where – Waar
• Specificatie van de netgebieden (postcodes, knelpunten, Natura 2000-zones).
When – Wanneer
• Tijdsvenster 2026-2028 met kritieke piekmomenten: zonnige middagen & winteravonden.
Why – Waarom
• Netverzwaring duurt > 5 jaar; AI-gestuurde flexibiliteit kan CO₂-besparing & betaalbaarheid onmiddellijk versnellen, mits natuur & privacy worden beschermd.
How – Hoe
• Vraag AI om een multi-agent coördinatiestrategie (prosumers, batteries, EV’s) die realtime congestie voorspelt en verhelpt, én die elk van de drie succescriteria meet en optimaliseert in één gezamenlijke doel-functie.
AI – Model
• Stel voor: Graph Neural Network + Reinforcement Learning, getraind via federated learning om ruwe smart-meterdata thuis te houden.
E – Ethics
• Vraag om een expliciet ethisch kader (transparantie-rapport, fairness-check, eco-LCA) met onafhankelijk toezicht; laat AI per sprint aantonen hoe biodiversiteit, energie-armoede-reductie en dataprotectie allemaal binnen de afgesproken bandbreedtes blijven.
Dit is de input voor Gemini 2.5 Pro met deep research en leverde de basis van het document, daarna volgde nog 3 prompts:
1. Het plan vertalen in jouw model met specifieke aandacht voor de aandachtspunten die je noemt in post. (leverde het stukje na de samenvatting tot het begin van het Plan).
2. Validatie prompt: is het een goed plan, is het al ergens toegepast, is het realistisch. Dat leverde De Vergelijkende Analyse van de Flex-Regio X Blauwdruk
3. Laatste prompt: Businesscase en ROI-Analyse
Na elke prompt lees ik de output aandachtig, bestudeer context info en corrigeer het doc waar nodig voordat de volgende prompt aan het werk gaat.
Jouw vraag: “Hoe maak je nu een waardegedreven AI-systeem tegelijk democratisch, wendbaar én schaalbaar?” Dat is een vraag die velen bezig houdt.
In mijn boekje wordt dat impliciet beantwoord binnen een organisatie context. Maar deze vraag beantwoorden in de context van een ecosysteem of samenleving is van een hele andere orde. De definitie van waarde verandert ook, wordt breder, maatschappelijk filosofisch waarschijnlijk ook voorzien van een aardig politiek randje. Hetzelfde geldt voor schaalbaar, en wendbaar, hoe groter, hoe lastiger. Raakt het besturingsparadigma, is een uitdaging van cohesie en decentralisatie.
Jouw raamwerk is een goed startpunt voor die uitdagende intellectuele speurtocht en ben benieuwd hoe je reis verloopt.
Hou ons op de hoogte, in open dialoog, en misschien kunnen we het samen ontrafelen.
Slimmer, sneller… en dan? https://www.linkedin.com/posts/mderksen_digitaletransformatie-ai-energietransitie-activity-7359178894379286528-Z65r
Update:
Ik heb er uiteindelijk toch voor gekozen om de transformatie-as te hernoemen naar transformatie-matrix. Het kan dus zijn dat je in een van mijn berichten de oude term tegenkomt, vanaf nu zal ik het dus transformatie-matrix noemen.