AI wint snel terrein binnen bedrijven en plaatst de IT-afdeling in het middelpunt van nieuwe afwegingen. Welke modellen moeten worden gekozen? Hoe kan een wildgroei aan tools worden voorkomen? Hoe kunnen de kosten, de infrastructuur en de ingezette middelen onder controle worden gehouden? Van AI-governance tot ecologisch ontwerpen en Green IT: ontdek welke hefbomen de IT-afdeling tot haar beschikking heeft om te blijven innoveren en tegelijkertijd de ecologische voetafdruk van het informatiesysteem te verkleinen.
Twee op de drie bedrijven maken al gebruik van generatieve AI
De invoering van kunstmatige intelligentie heeft een nieuwe mijlpaal bereikt.
Volgens een studie van de Banque de France die op 3 september 2026 is gepubliceerd, 67 % van de Franse bedrijven met ten minste 20 werknemers geeft aan gebruik te maken van generatieve AI. Uit het onderzoek onder zo’n 7 000 bedrijven blijkt dat het fenomeen zich veel verder uitstrekt dan alleen de grote concerns
Het gebruikspercentage bedraagt nu al 64 % in bedrijven met 20 tot 49 werknemers en klimt naar 83 % bij bedrijven met 1 000 of meer werknemers. Voor de IT-afdeling verandert deze verspreiding de aard van het onderwerp. AI wordt een onderdeel van de dagelijkse werktools en dringt geleidelijk ook door in het informatiesysteem zelf
AI vindt in eerste instantie ingang op plaatsen waar de implementatie ervan eenvoudig is
Deze snelle verspreiding betekent echter niet dat alle toepassingen al volledig zijn uitgekristalliseerd. De toepassingen blijven beperkt tot bepaalde taken.
Van de door de Banque de France ondervraagde gebruikerbedrijven, 85 % maken gebruik van tools voor het genereren van tekst. In 74 % In veel gevallen wordt AI voornamelijk ingezet in ondersteunende functies : marketing, administratie, financiën en boekhouding of personeelszaken.
Productieactiviteiten spelen nog steeds een ondergeschikte rol: slechts 14 % van de bedrijven geeft aan dat hun activiteiten zich voornamelijk hierop richten.
Deze foto is interessant voor de IT-afdeling. Hieruit blijkt dat AI zich eerst verspreidt op gebieden waar de implementatie ervan eenvoudig is, voordat het wordt toegepast in meer gevoelige of kritieke processen.
Deze toepassingen zijn eenvoudig te implementeren. De schaalvergroting ervan is dat minder.
Dat is precies waar de IT-afdeling een rol speelt.
Een marketingafdeling zoekt een redactieassistent. De ontwikkelaars hebben behoefte aan een co-piloot. De klantenservice wil haar documentendatabase in natuurlijke taal kunnen doorzoeken. De financiële afdeling test automatische documentanalyse. Elk van deze projecten kan relevant zijn. Maar elk project brengt ook modellen, licenties, API’s, gegevens en verwerkingsprocessen met zich mee.
Het innovatievermogen van een IT-afdeling wordt dan net zozeer afgemeten aan wat zij implementeert als aan wat zij bewust niet op grote schaal invoert.
Naast deze klassieke aandachtspunten speelt nu ook het verbruik van hulpbronnen een rol.
Achter de prompt schuilt een zeer reële infrastructuur
De vaak zeer eenvoudige interface van een generatieve AI verhult gemakkelijk wat er achter de schermen gebeurt. Elke zoekopdracht vereist rekenkracht, geheugen, opslagruimte, netwerken en datacenters. Op grote schaal wordt het effect aanzienlijk.
Hun energieverbruik komt bovenop dat van een informatiesysteem waarvan veel bedrijven de ecologische voetafdruk al proberen te verkleinen.
In zijn advies, gepubliceerd op 22 juli 2026, herinnert de ADEME eraan dat de digitale sector al 4,4 % van de Franse CO₂-voetafdruk in 2022. Zij is ook van mening dat de datacenters 485 TWh elektriciteit wereldwijd in 2025 en dat dit verbruik tegen 2030 zou kunnen verdubbelen, met name door de opkomst van AI.
Ook de locatie van de behandelingen speelt een rol. Volgens de ADEME zijn er ongeveer Twee derde van het digitale verkeer in Frankrijk verloopt via datacenters in het buitenland, soms in landen waar de elektriciteitsproductie veel meer CO₂-uitstoot veroorzaakt dan in Frankrijk.
Voor een IT-afdeling worden de selectiecriteria voor een cloudprovider of een infrastructuur dus steeds breder. Prijs, beschikbaarheid, veiligheid en soevereiniteit blijven essentieel, maar het verbruik van hulpbronnen en de locatie van de verwerking krijgen geleidelijk aan steeds meer belang.
Energiezuinigheid begint dus al lang voordat de elektriciteitsrekening van het datacenter binnenkomt. Het begint al bij de keuze welke technologie moet voor welke taak worden ingezet.
Voor een IT-afdeling heeft informatie een zeer operationele impact: twee oplossingen die een vergelijkbare dienst leveren, kunnen zeer uiteenlopende behoeften aan middelen hebben.
Het krachtigste model is niet per se de beste keuze
Een sobere stijl komt ook tot uiting in de keuze van de modellen.
De door het PEReN voor Arcep uitgevoerde studies, die in mei 2026 zijn gepubliceerd, bieden CIO’s bijzonder nuttige inzichten: een model dat meer verbruikt, presteert niet per se beter.
Bij de geteste modellen halen relatief energiezuinige oplossingen prestatieniveaus die vergelijkbaar zijn met die van modellen die meer energie verbruiken. Ook de architectuur speelt een grote rol. Modellen van het type Mixture of Experts hebben gemiddeld verbruikt 45 % minder dan compacte modellen van vergelijkbare grootte tijdens de tests. Dankzij de 8- of 4-bits kwantificering kon een gemiddelde vermindering van 39 % van het verbruik bij inferentie.
Het onderwerp reikt dus veel verder dan de weergegeven afmetingen van het model.
Voor een IT-afdeling zou het vergelijken van twee AI-oplossingen neerkomen op het vergelijken van ten minste vier aspecten: de kwaliteit die in de praktijk is behaald, de kosten, de responstijd en de ingezette middelen.
Welk AI-niveau past bij welke behoefte?
Soberheid houdt in de eerste plaats in dat je niet meer technologie gebruikt dan nodig is.
| Bedrijfsbehoefte | Technologie die als eerste moet worden getest | Bronnen | Een concreet voorbeeld | DSI-arbitrage |
|---|---|---|---|---|
| Een duidelijke regel hanteren | Script, SQL, regelengine | ●○○○○ | Controleren of een dossier alle verplichte documenten bevat | Generatieve AI biedt weinig meerwaarde als de regel deterministisch is |
| Een afwijking voorspellen of opsporen | Voorspellende machine learning | ●●○○○ | Een storing voorkomen, fraude opsporen, de omzet voorspellen | Controleer de kwaliteit van de gegevens voordat je de complexiteit van het model vergroot |
| Documenten uittrekken of samenvatten | Klein model of gespecialiseerd model | ●●○○○ | Een technische procedure zoeken of contracten samenvatten | Een compact model testen voordat je een grote, algemene LLM gaat gebruiken |
| Een veelzijdige bedrijfsassistent opleiden | Algemene LLM | ●●●○○ | HR-assistent of interne ondersteuningsmedewerker die betrokken is bij de bedrijfsdocumentatie | Het volume, de verzonden gegevens en de kosten per verzoek in de gaten houden |
| Een complex probleem in verschillende stappen oplossen | LLM met redeneringsvermogen | ●●●●● | Complexe technische diagnose, geavanceerde codegeneratie | Pas redeneren toe wanneer de voordelen ervan zijn aangetoond |
| Tekst, afbeeldingen, geluid of video combineren | Multimodaal model | ●●●●○ | Een foto van een fabricagefout analyseren, voorzien van een toelichting | Stuur geen afbeelding of video als tekstuele informatie volstaat |
Deze waarden zijn slechts indicatief: het daadwerkelijke verbruik hangt af van het model, de infrastructuur, het verwerkte volume en het aantal tokens. Maar de logica is eenvoudig: eerst nagaan of het technologische niveau toereikend is om de verwachte kwaliteit te bereiken.
Om dit wat concreter te maken, volgen hier enkele voorbeelden van bekende modellen:
Kosten en milieueffecten van verschillende AI-modellen
| Model | Waarvoor dient dat? | Geschatte kosten* | Ingezette middelen** | DSI-reflex |
|---|---|---|---|---|
| GPT-5.6 Luna | Classificatie, documentanalyse, grootschalige automatisering | ≈ 0,0014 $ × 0,31 | 🟢 Laag | Een goede kandidaat wanneer het volume belangrijker is dan de complexiteit |
| Gemini 3.1 Flash-Lite | Vertalingen, eenvoudige gegevensverwerking, automatisering van grote hoeveelheden gegevens | ≈ 0,0018 $ × 0,40 | 🟢 Laag | Het overwegen waard om veelvoorkomende en gestandaardiseerde taken te automatiseren |
| Gemini 3.8 Flash | Functie-assistent, medewerkers, code, complexe workflows | ≈ 0,0045 $ × 1,00 — referentie | 🟡 Gematigd | Het redeneerniveau afstemmen op de taak |
| Claude Haiku 4.5 | Snel reagerende assistenten, snelle analyse, generatie en automatisering | ≈ 0,0060 $ × 1,33 | 🟡 Gematigd | De beste keuze wanneer snelheid en kwaliteit in evenwicht moeten blijven |
| Claude Sonnet 5 | Analyse, complexe tekstverwerking, codering, medewerkers en documentatie | ≈ 0,0120 $ × 2,67 | 🟠 Hoog | Alleen te gebruiken voor taken waarbij extra kwaliteit van pas komt |
| GPT-5.6 Terra | Geavanceerd vakwerk, codering, redeneringen en complexe automatiseringen | ≈ 0,0140 $ × 3,11 | 🟠 Hoog | Goed gemiddeld niveau voordat je overstapt op een Frontier-model |
| Gemini 3.1 Pro | Geavanceerde redenering, multimodale analyse en complexe agenttaken | ≈ 0,0140 $ × 3,11 | 🟠 Hoog | In te zetten wanneer de diepgang van de analyse de extra kosten rechtvaardigt |
| GPT-5.6 Bodem | Geavanceerde redeneringen, complexe problemen, geavanceerde actoren | ≈ 0,0240 $ × 5,33 | 🔴 Zeer hoog | Gebruik het niet standaard voor eenvoudige taken |
| Claude Opus 5 | Geavanceerde code, autonome agents en veeleisende vakgebonden taken | ≈ 0,0300 $ × 6,67 | 🔴 Zeer hoog | Het reserveren voor taken met een hoge toegevoegde waarde, waarbij het hoogste niveau ervan wordt benut |
| Claude Fable 5 | Langlopende taken en workflows die een hoge mate van autonomie vereisen | ≈ 0,0600 $ × 13,33 | 🔴 Zeer hoog | Te richten op complexe processen waarbij de zelfstandigheid de inzet van middelen rechtvaardigt |
* Voorbeeld van API-kosten voor 1.000 tokens bij binnenkomst + 1.000 tokens bij vertrek. De vermenigvuldigingsfactor vergelijkt elk model met de richtprijs van Gemini 3.8 Flash, ingesteld op × 1,00.
** De kleurcode geeft niet de CO₂-waarde per model weer. Het stelt een relatief niveau van de te reserveren middelen, bepaald op basis van de positionering van het model, de complexiteit ervan en het gebruiksdoel.
De modus «redeneren» illustreert goed het risico van overdimensionering
Modellen die in meerdere stappen kunnen redeneren, evenals AI-agenten, zijn nuttig voor moeilijke taken. Hun energieverbruik kan echter aanzienlijk hoger liggen dan dat van een model zonder redeneervermogen.
In de PEReN-tests leidt het activeren van het redeneervermogen tot gemiddeld tot 92 % extra verbruik voor de betreffende modellen. Bij een taak waarbij code wordt gegenereerd, bedraagt het gemeten verschil zelfs +849 %. En de prestatieverbetering varieert sterk per taak.
Dat verschil is binnen het bedrijf gemakkelijk door te voeren.
Een ingenieur die een AI vraagt om de mogelijke oorzaken van een complex incident te analyseren, kan deze functie nodig hebben. Een medewerker die een e-mail wil herschrijven, heeft deze functie waarschijnlijk niet nodig.
Op grote schaal toegepast, wordt deze eenvoudige configuratiekeuze een hefboom voor energiezuinigheid.
Tekst, afbeelding, video: het formaat bepaalt de prijs
Niet alle verzoeken die aan een AI worden gericht, zijn hetzelfde. Voor de IT-afdeling is de keuze van het model belangrijk; ; de vorm kiezen is net zo belangrijk.
De verschillen zijn aanzienlijk. In haar rapport van mei 2026 geeft Arcep aan dat de beschikbare onderzoeken de tijd die nodig is om een afbeelding te genereren, schatten op gemiddeld ongeveer 60 keer meer energie dan het genereren van tekst. Voor video ligt de orde van grootte nog hoger: Arcep haalt een schatting van het Internationaal Energieagentschap aan van ongeveer 115 Wh om een video van zes seconden te genereren.
Binnen een bedrijf kan dit verschil de economische haalbaarheid van een gebruiksscenario snel veranderen. Een marketingafdeling die af en toe een paar illustraties maakt, vormt niet hetzelfde probleem als een e-commerceplatform dat automatisch meerdere visuele varianten voor tienduizenden producten genereert.
Ook de resolutie speelt een rol. De kosten van beeldmodellen stijgen doorgaans naarmate de vereiste grootte en kwaliteit toenemen; ook uit experimenteel onderzoek blijkt dat het energieverbruik sterk kan variëren, afhankelijk van de resolutie en de architectuur van het model. Zo blijkt uit een in 2025 gepubliceerde studie naar 17 modellen voor het genereren van beelden dat tot een factor 46 tussen de geteste modellen.
Multimodale medewerkers ontvangen meerdere salarissen
De multimodale AI-agenten introduceren een andere, minder zichtbare vorm van consumptie: ze trekken vaak niet slechts één conclusie, maar een reeks bewerkingen.
Laten we eens kijken naar een IT-supportmedewerker. Hij ontvangt een ticket, analyseert een screenshot, raadpleegt de kennisbank, zoekt informatie op in het ITSM-systeem, kan een diagnostische opdracht uitvoeren, de resultaten interpreteren en vervolgens een antwoord opstellen.
Wat de gebruiker als één verzoek ervaart, kan dus leiden tot meerdere aanroepen van het model, beeldverwerking, zoekopdrachten en aanroepen van externe tools.
De prijsstellingsmechanismen weerspiegelen deze realiteit al. Google geeft bijvoorbeeld aan dat voor zijn agentgebaseerde systemen niet alleen de in- en uitgaande tokens in rekening worden gebracht, maar ook de tussentijdse tokens die tijdens de redeneringslussen worden gegenereerd. Bij OpenAI kunnen ook de tools en de gedelegeerde medewerkers hun eigen kosten toevoegen aan de tokens van het hoofdmodel.
Er bestaat momenteel geen algemeen geldend milieucijfer voor «een multimodale opdracht aan een agent»: twee agenten kunnen twee of twintig stappen doorlopen om dezelfde taak uit te voeren. Het aantal lussen wordt dus zelf een maatstaf voor soberheid.
Van tekst naar video: een enorm verschil in omvang
| Toepassing van AI | Voorbeeld binnen het bedrijf | Richtprijs API* | Bronnen | DSI-reflex |
|---|---|---|---|---|
| 💬 Tekst | Een document samenvatten, een e-mail opstellen | ≈ 0,0014 $ ×1 — referentie | 🟢 Laag |
Kies bij dagelijks gebruik bij voorkeur voor lichte modellen |
| 🖼️ Afbeelding | Marketingafbeelding, productillustratie | ≈ 0,034 $ / afbeelding ≈ ×24 | 🟠 Hoog |
Varianten en resolutie beperken tot wat daadwerkelijk nodig is |
| 🎬 Video | Demonstratie, presentatie, tutorial | ≈ 1 $ / 10 s ≈ ×714 | 🔴 Zeer hoog |
Alleen genereren als de video echte meerwaarde biedt |
| 🤖 Multimodaal agent | Een ticket lezen, een schermafbeelding analyseren, opzoeken en vervolgens actie ondernemen | Variabele × varieert per oproep | 🟠→🔴 Variabelen: van zeer hoog |
Een maximum stellen aan de gebruikte loops, tools en sjablonen |
Deze hiërarchie zorgt voor een nieuwe manier van denken bij AI-projecten.
Een productcatalogus hoeft misschien niet bij elke weergave vijf nieuwe afbeeldingen te genereren. De technische ondersteuning kan eerst de tekst van een melding analyseren voordat er om een screenshot wordt gevraagd. Bij een interne training kan een statische afbeelding worden gebruikt wanneer een gegenereerde video geen extra leerwaarde biedt.
Voor medewerkers kan soberheid ook tot uiting komen in even concrete regels: het maximale aantal iteraties beperken, redeneringsmodellen alleen gebruiken voor complexe stappen, het analyseren van een bijlage vermijden wanneer de metagegevens ervan volstaan, en herbruikbare resultaten in de cache opslaan.
De kwestie van het formaat hangt dus samen met de keuze van het model. Hoe meer modaliteiten een AI verwerkt en hoe meer stappen het doorloopt, hoe belangrijker het voor de IT-afdeling is om te controleren of deze geavanceerdheid daadwerkelijk een zakelijk voordeel oplevert.
«Frugale AI» betekent niet 'kleine AI'
Frugale AI wordt soms beperkt tot het gebruik van kleine modellen. Het principe ervan is echter breder: het zoeken naar de beste verhouding tussen de gegenereerde waarde en de benodigde middelen.
Een groot model kan de juiste keuze zijn als het daadwerkelijk een grotere winst oplevert.
Omgekeerd kan een compact model op zichzelf overbodig zijn wanneer een zoekmachine, een bedrijfsregel of een conventionele verwerking al in de behoefte voorziet.
Zuinig omgaan met resources kan ook door middel van minder zichtbare keuzes: het aantal verzonden tokens verminderen, de omvang van de context beperken, bepaalde resultaten in de cache opslaan, herhaalde identieke verwerkingen vermijden of de gegevens selecteren voordat ze naar het model worden verzonden.
Voor de IT-afdeling is dit uiteindelijk een bekend principe: de architectuur afstemmen op het verwachte serviceniveau.
De ‘shadow AI’ maakt de situatie ook nog ingewikkelder
De eenvoud hangt ook af van het aantal oplossingen dat binnen het bedrijf naast elkaar bestaat.
Een afdeling maakt gebruik van een algemene assistent. Een ander team maakt gebruik van een gespecialiseerde tool. De ontwikkelaars hebben verschillende assistenten. De marketingafdeling test afbeeldingsgeneratoren. Sommige medewerkers gebruiken nog steeds persoonlijke accounts.
Voor de IT-afdeling is dit schaduw-AI levert een bekend probleem op het gebied van beveiliging en governance op. Het leidt ook tot een versnippering van middelen: onderbenutte licenties, overbodige API’s, dubbele gegevens en verwerkingen die op meerdere platforms plaatsvinden.
Een overzicht van AI-tools kan dus een drievoudig voordeel opleveren: risico’s verminderen, uitgaven rationaliseren en onnodig gebruik beperken.
Digitale soberheid sluit hier naadloos aan bij goed IT-beheer.
Innoveren zonder een wildgroei aan kortstondige projecten te veroorzaken
De door de Banque de France gepubliceerde resultaten wijzen ook op een essentieel punt: de invoering van nieuwe technologieën leidt niet automatisch tot het creëren van waarde.
Begin 2026 wordt generatieve AI al door twee op de drie Franse bedrijven met 20 of meer werknemers gebruikt, maar het blijft vaak nog in een experimenteel stadium of is beperkt in omvang. De Banque de France is van mening dat de economische uitdaging zich nu verplaatst van de invoering naar het vermogen van AI om de organisatie en de prestaties daadwerkelijk te transformeren.
Deze ontwikkeling geeft soberheid een extra dimensie.
Ook een POC die nooit op grote schaal is geïmplementeerd, heeft tijd, gegevens, rekenkracht en budget gekost. Een verantwoordelijke IT-afdeling kan daarom al tijdens de proeffase criteria voor het beëindigen van het project meenemen: de verwachte minimale kwaliteit, het aantal potentiële gebruikers, de kosten per transactie, de meetbare bedrijfswinst en de benodigde middelen.
Projecten die deze drempels niet halen, kunnen vroegtijdig worden stopgezet.
Vier indicatoren om vanaf de proefperiode in de gaten te houden
Om dit proces concreet vorm te geven, kan een AI-project al vanaf de eerste weken op vier aspecten worden beoordeeld:
1. De waarde. Werkelijk bespaarde tijd, kwaliteitsverbetering, automatiseringsgraad of gebruikerstevredenheid.
2. De kosten. Kosten per verzoek, per afgehandelde zaak of per actieve gebruiker, in plaats van alleen het abonnementsbedrag.
3. Technische doeltreffendheid. Aantal tokens, rekentijd, hoeveelheid overgedragen gegevens of het gebruik van de krachtigste modellen.
4. Het daadwerkelijke gebruik. Aantal actieve gebruikers, frequentie van zoekopdrachten en percentage daadwerkelijk gebruikte functies.
Met deze indicatoren kunnen verschillende architecturen met elkaar worden vergeleken op basis van meer dan alleen een eenmalige demonstratie.
Het juiste vermogen als prestatiecriterium hanteren
AI voegt een nieuwe dimensie toe aan architecturale beslissingen. De IT-afdeling moet altijd de veiligheid, de beschikbaarheid, de kosten en de kwaliteit van de dienstverlening waarborgen. Zij moet voortaan beter letten op de middelen die worden ingezet om deze dienst te leveren.
Innovatie en zuinigheid met elkaar verzoenen betekent dus niet dat het gebruik van AI willekeurig moet worden beperkt. Het vereist juist dat we de toepassingen selecteren die aantoonbare waarde opleveren, dat we modellen in praktijksituaties met elkaar vergelijken en dat we de meest energieverslindende architecturen reserveren voor de problemen die daar echt om vragen.
Zo kan een IT-afdeling snel blijven innoveren en tegelijkertijd voorkomen dat elke nieuwe behoefte automatisch leidt tot meer rekenkracht, meer data en meer infrastructuur.In een informatiesysteem waarin AI steeds gangbaarder wordt, wordt het behalen van het juiste resultaat met de juiste rekenkracht op zich al een prestatie-indicator.
