Het idee dat technologische vooruitgang automatisch leidt tot minder grondstofverbruik is hardnekkig, maar wordt door de geschiedenis keer op keer ontkracht. William Stanley Jevons zag het al in 1865 bij de Britse steenkoolindustrie. De introductie van efficiëntere stoommachines, zoals die van James Watt, verlaagde het kolenverbruik per machine. Fabrieken konden goedkoper produceren, waardoor meer stoommachines werden ingezet. Het resultaat was geen daling, maar een sterke stijging van het totale kolenverbruik. Deze dynamiek staat bekend als het reboundeffect, of de Jevons-paradox: efficiëntie maakt gebruik goedkoper en opent nieuwe mogelijkheden, waardoor het totale verbruik juist kan toenemen.

Een eeuw later zagen we hetzelfde tijdens de oliecrisis van de jaren zeventig. Auto’s werden energiezuiniger door strengere emissienormen en innovaties zoals brandstofinjectie. Het verbruik per kilometer daalde, maar goedkopere kilometers maakten autorijden aantrekkelijker. Het wagenpark groeide, mensen gingen verder van hun werk wonen, en de totale olieconsumptie in het wegverkeer bleef stijgen.

Ook in de landbouw herhaalt het patroon zich. Mechanisering en kunstmest verhoogden de opbrengst per hectare, maar in plaats van land vrij te maken voor natuur werd de productie uitgebreid voor export en vleesproductie. Efficiënter grondgebruik leidde zo tot meer druk op ecosystemen, niet minder.

De paradox door de eeuwen heen:

AI als nieuwe schakel in een oud patroon
Dezelfde dynamiek lijkt zich nu ook te voltreken met AI in de energietransitie. Slimme netwerken kunnen energieverliezen beperken, zelflerende systemen kunnen vraag en aanbod op elkaar afstemmen, en voorspellende algoritmen kunnen onderhoud efficiënter plannen. Maar zoals de stoommachine en de brandstofinjectie laten zien, verlaagt efficiëntie de kosten per eenheid gebruik en opent het nieuwe mogelijkheden. Dat kan leiden tot extra vraag, nieuwe toepassingen en uiteindelijk een hoger totaalverbruik.

Voorbeelden zijn al zichtbaar. AI-gestuurde warmtenetten kunnen het energiegebruik per woning verlagen, maar als bewoners meer kamers gaan verwarmen of de binnentemperatuur structureel hoger zetten, verdwijnt het voordeel. AI-gestuurde laadoptimalisatie voor elektrische auto’s maakt laden goedkoper en flexibeler, maar kan ook het gebruik van de auto intensiveren, waardoor het totale elektriciteitsverbruik stijgt.

Wat de geschiedenis ons leert
Uit deze historische voorbeelden komt een duidelijke les naar voren: technologische efficiëntie kan een krachtig middel zijn, maar zonder grenzen en bewuste sturing wordt de winst opgeslokt door extra vraag. De onderliggende logica is economisch én psychologisch. Lagere kosten en hogere prestaties maken meer gebruik aantrekkelijk. Bovendien hebben samenlevingen de neiging technologische winst om te zetten in groei, in plaats van in beperking van het verbruik.

Dit betekent dat AI alleen een positieve rol in de energietransitie kan spelen als de toepassing wordt gekoppeld aan absolute grenzen aan verbruik en emissies. In de negentiende eeuw waren zulke grenzen afwezig; productiecapaciteit was het doel. In de jaren zeventig lag de focus op energiezekerheid, niet op absolute reductie. Vandaag ligt de uitdaging in het koppelen van AI-innovaties aan een kader dat ervoor zorgt dat efficiëntieverbeteringen niet opnieuw leiden tot een groei in het totaalverbruik.

Welke strategische keuzes maken we?
Optimalisatie is niet genoeg. De geschiedenis toont dat efficiëntie zonder systeem-verandering zelden tot absolute duurzaamheid leidt. AI kan helpen bij het herontwerpen van energiesystemen, maar alleen als beleidsmakers, bedrijven en burgers de verleiding weerstaan om elke winst te vertalen in meer gebruik. Dat vraagt duidelijke grenzen, het invoeren van een belasting op vervuiling en het ontwerpen van systemen waarin het aantrekkelijker is om minder te gebruiken dan om meer te consumeren. Anders dreigt AI de stoommachine van onze tijd te worden: een uitvinding die onbedoeld het probleem versnelt dat zij had moeten oplossen.

De les van de Jevons-paradox is helder: zonder bewuste grenzen en sturing verdwijnen efficiëntiewinsten al snel in extra consumptie. Daarom moeten we AI-toepassingen niet alleen beoordelen op hun directe opbrengst, maar ook op de manier waarop ze het systeem zelf hervormen. Daarvoor hebben we een kompas nodig: een kader dat laat zien of een toepassing het bestaande versterkt of juist ruimte schept voor een nieuwe logica. Daarover meer in een volgende blog.

Bronnen

• Alcott, B. (2005). Jevons’ paradox. Ecological Economics, 54(1), 9–21.
• Ertel, W., & Bonenberger, C. (2025). Rebound effects caused by Artificial Intelligence and Automation in Private Life and Industry. Sustainability, 17(5), 1988.
• Evenson, R. E., & Gollin, D. (2003). Assessing the impact of the Green Revolution, 1960 to 2000. Science, 300(5620), 758–762.
• Fouquet, R., & Pearson, P. J. G. (2006). Seven centuries of energy services: The price and use of light in the United Kingdom (1300–2000). The Energy Journal, 27(1), 139–177.
• Jevons, W. S. (1865). The coal question: An inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. Macmillan and Co.
• Jones, N. (2018). How to stop data centres from gobbling up the world’s electricity. Nature, 561(7722), 163–166.
• Koomey, J. G. (2011). Growth in data center electricity use 2005 to 2010. Analytics Press.
• Mhlanga, D. (2025). AI beyond efficiency: Navigating the rebound effect in AI-driven sustainable development. Frontiers in Energy Research, 13, 1460586.
• Schipper, L., & Fulton, L. (2013). Disappointed by diesel? The impact of the shift to diesels in Europe through 2006. Transport Policy, 30, 1–17.
• Waligóra, Ł. (2019). The problem of energy efficiency, known as the Jevons paradox. World Scientific News, 122, 218–230.