Marco Derksen - AI in de energietransitie: voorbij optimalisatie

Over de auteur

Marco Derksen is onafhankelijk digitaal strateeg en docent met meer dan 25 jaar ervaring op het snijvlak van mens, technologie en organisatie. Als expert in leiderschap bij digitale transformatie werkt hij de laatste jaren vooral voor de publieke sector, van onderwijs en zorg tot overheid, veiligheid en waterschappen. Zijn actuele onderzoek en praktijk richten zich op de maatschappelijke impact en governance van digitale technologie, met een bijzondere focus op kunstmatige intelligentie.

Inleiding

De energietransitie is niet meer te stoppen. Zelfs Donald Trump kan haar niet keren, stelde Diederik Samsom met optimistische vastberadenheid in een interview met NRC dit voorjaar. Wereldwijd nemen de investeringen in hernieuwbare energie exponentieel toe. Batterijen, zonnepanelen en wind op zee zorgen voor zichtbare versnelling. China staat op het punt meer elektriciteit te produceren uit duurzame bronnen dan uit fossiele. De cijfers stemmen hoopvol.

Tegelijk verhullen diezelfde cijfers hoe weerbarstig de praktijk is. Regionale energiestrategieën worstelen met netcongestie, schaarse ruimte, ongelijkheid en bestuurlijke inertie. De stap van plan naar praktijk verloopt traag en grillig. Er is druk op het huidige systeem, terwijl de contouren van het nieuwe systeem vaag blijven. We bevinden ons in wat transitieonderzoeker Derk Loorbach de chaotische (tussen)fase noemt: het oude brokkelt af, het nieuwe is nog fragiel.

AI als sleuteltechnologie én structuurversterker

Volgens de Brits-Venezolaanse econoom Carlota Perez bevinden we ons midden in de vijfde technologische revolutie: een digitale golf, gedreven door netwerken, data en platformen, gefinancierd door kapitaal op zoek naar schaal en rendement. In het publieke debat ook wel de ‘vierde industriële revolutie’ of ‘digitale transformatie’ genoemd, met kunstmatige intelligentie (AI) als sleuteltechnologie.

Ook voor de energietransitie wordt AI steeds vaker gepresenteerd als sleuteltechnologie. AI kan immers vraag en aanbod balanceren, onderhoud voorspellen, netten optimaliseren en inefficiënties opsporen. Ze maakt systemen slimmer, sneller, responsiever en fungeert vooral als efficiëntieversterker.

Perez benadrukt echter ook dat technologie pas tot brede maatschappelijke vernieuwing en vooruitgang leidt wanneer instituties en waarden meebewegen: wetgeving, infrastructuur, onderwijs, eigendomsverhoudingen. Zolang die herpositionering uitblijft, versterkt technologie het bestaande in plaats van het te vernieuwen. AI is dan ook meer dan zomaar een instrument: AI verstevigt de logica waarin ze ontworpen en toegepast wordt, maar verandert niets aan de onderliggende aannames binnen die logica over welvaart, eigendom of ecologie. En zoals Hans Stegeman in zijn proefschriftTransforming Economics for Sustainabilitystelt, is ons huidige economische systeem structureel afhankelijk van groei, zelfs als die groei de planetaire grenzen overschrijdt. Omdat AI optimaliseert wat al dominant is – technologisch én economisch – kan de inzet van AI binnen dit systeem riskant worden. Zonder kritisch ontwerp bevestigt zij immers de bestaande paradigma’s van overconsumptie, extractie en technocratische besluitvorming.

De keuze om technologie te laten leiden tot maatschappelijke vernieuwing en vooruitgang in plaats van het bestaande verder te versterken, maakt de technologie niet zelf. Dit moet het systeem doen waarin zij functioneert. Hierover stelt Perez:“Elke technologische revolutie vraagt om een nieuw institutioneel kader dat haar potentieel richting geeft.”Kortom, AI wordt pas een katalysator van de energietransitie wanneer we haar inzetten voor systeemvernieuwing, niet voor het behoud van de status quo. De vraag is dan ook niet of we dingen goed doen met AI, maar of we er wel de goede dingen mee doen. Met welk doel, voor wie en binnen welk normatief kader?

Dit vraagt om een sprong voorbij optimalisatie: niet slimmer en sneller doen wat we al deden, maar de aannames bevragen over schaal, eigenaarschap, energiegebruik – en over wat we eigenlijk ‘intelligent’ noemen. Het betekent ook afstand nemen van de structurele groeidwang waar Stegeman voor waarschuwt. Alleen zo ontstaat ruimte voor een benadering waarin technologie, en AI in het bijzonder, werkelijk bijdraagt aan duurzame systemen. Kortom, AI in de energietransitie zal ons alleen richting een positieve, duurzame toekomst helpen als wij systeemvernieuwing als doel stellen en AI van daaruit ontwerpen en inzetten.

In dit essay onderzoek ik daarom de rol van AI in de energietransitie. Om tijdens het lezen een houvast te bieden en de hoofdlijn goed te kunnen volgen, verklap ik hier vast de mogelijke toekomstrichting die ik in dit essay verken. Namelijk: de transformatie naar een regeneratief systeem. In zo’n systeem helpt AI niet alleen de energietransitie te versnellen, maar ook om maatschappelijke, economische, ecologische, sociale en ethische uitdagingen voor de toekomst op te lossen. In een regeneratief systeem richt technologie zich niet alleen op optimalisatie, verduurzaming en schadebeperking, maar ook op het actief herstellen en versterken van natuurlijke, sociale en economische (eco)systemen en het veerkrachtiger te maken van gemeenschappen.

Hoe ik via de driedeling optimalisatie – herontwerp – regeneratie tot deze toekomstvisie ben gekomen, waarom die stappen nodig zijn en hoe hieraan concreet handen en voeten gegeven kan worden, lees je in dit essay.

Vertrekpunt en opbouw onderzoek

Het vertrekpunt van dit essay is:
AI kan de energietransitie versnellen, maar ook oude logica’s van groei en uitputting verankeren.

Mijn analyse vertrekt vanuit de status quo: de constatering dat AI al steeds meer verweven is met het energiesysteem – met of zonder kritische reflectie. En dus nadrukkelijk niet vanuit techno-determinisme, het geloof dat AI de wereld zal redden.

Mijn essay is opgebouwd uit drie stappen:

1. Context en urgentie:wat is AI? Waarom speelt AI juist nu zo’n dominante rol en welke materiële realiteit (infrastructuur, ecologische voetafdruk, geopolitiek) is eraan verbonden?
2. De structurele valkuil:waarom leidt efficiëntie door AI vaak tot méér verbruik en hoe helpt de transformatiematrix, die ik in dit essay introduceer, om toepassingen strategisch te positioneren? Vanuit deze analyse werk ik toe naar een toekomstvisie voorbij de optimalisatie van het bestaande: een regeneratieve koers.
3. Koerswijziging naar het regeneratieve:welke governance, kennislogica en ontwerpprincipes zijn nodig om AI te richten op regeneratie in plaats van op optimalisatie van onze huidige (economische) logica?

Noodzaak, urgentie en keerzijden van AI

AI is cruciaal voor de energietransitie

In essentie maakt AI het mogelijk om in real time te zien wat er op honderden plekken tegelijk gebeurt en daarop autonoom te reageren. Waar klassieke modellen werken met vooraf gedefinieerde regels en natuurkundige wetten, leert AI van data. AI herkent patronen in gedrag, weersverloop, netbelasting of prijsdynamiek, en zet die kennis in voor besluitvorming. Zo ontstaat een vorm van intelligentie die processen niet alleen efficiënter maakt, maar ook nieuwe vormen van coördinatie mogelijk maakt.

Zo voorspelt Alliander in Nederland met AI de netbelasting op wijkniveau. Investeringen kunnen hierdoor in verzwaring van het net of flexibiliteit gerichter worden ingezet. In Utrecht stuurde het FLEET-project (FLExibele nET) laadpleinen voor elektrische voertuigen slim aan, waarbij algoritmes laadtijden afstemden op netcapaciteit, piektarieven en zonneaanbod. Internationaal ontwikkelde Google DeepMind een model dat de opbrengst van windparken tot 36 uur vooruit voorspelt, wat de marktwaarde van windenergie met 20% heeft verhoogd. Andere toepassingen zijn AI-gestuurde dynamische load balancing en batterij-optimalisatie, zoals bij Tesla Powerwall. Hierbij worden opslag en distributie direct op elkaar afgestemd binnen een slim netwerk. In windturbines en netcomponenten verhoogt AI-gestuurde foutdetectie de nauwkeurigheid van de operatie en verkort de detectietijd van storingen. Predictief onderhoud verlaagt zo de kosten met gemiddeld 20 tot 43% en voorkomt dure stilstand.

De impact van AI is dus significant. Het Internationaal Energieagentschap (IEA) schat dat brede toepassing van AI in energiebeheer in 2035 tot 5% emissiereductie kan opleveren, goed voor 1,4 gigaton CO₂ per jaar.

Juist vanwege deze significante impact vraagt de energietransitie om een fundamenteel andere ordening van ons energiesysteem. Want waar energie vroeger centraal werd opgewekt en grotendeels voorspelbaar verdeeld, ontstaat nu een fijnmazig netwerk van duizenden kleine producenten, opslagpunten en verbruikers. Het systeem is niet langer hiërarchisch, maar gedistribueerd. Niet meer statisch, maar dynamisch. Klassieke vormen van beheer – vaste regels, marktprijzen, handmatige coördinatie – schieten dus tekort.

Netbeheerders als TenneT en Alliander bevestigen dat de oude organisatieprincipes niet meer voldoen. De fysieke netten moeten in hoog tempo worden verzwaard én gedigitaliseerd. TenneT alleen al investeert de komende tien jaar ruim 90 miljard euro in uitbreiding van het hoogspanningsnet. In Nederland moet bovendien een op de drie straten open voor nieuwe kabels en leidingen. Alliander en TenneT combineren realtimedatastromen, gedeelde toegang tot cruciale infrastructuur (zoals onderstations) en grootschalige visuele inspecties – zestien miljoen foto’s van meterkasten – om sneller en nauwkeuriger te handelen. Zonder AI en procesintelligentie is het coördineren van zo’n operatie ondenkbaar.

Gevaarlijke keerzijden: verborgen kosten en de optimalisatieparadox

De inzet van technologie lijkt op zichzelf bij te dragen aan een duurzaam systeem. Toch is het netto-effect vaak minder eenduidig. In veel toepassingen schuilt namelijk de optimalisatieparadox: AI kan processen slimmer, sneller en efficiënter maken, maar verbruikt hiervoor zelf aanzienlijke hoeveelheden energie, water en schaarse grondstoffen. Mede door deze optimalisatieparadox kan efficiëntere opwek of distributie alsnog leiden tot extra verbruik of verschuiving van druk naar andere delen van het systeem. Zo kan het optimaliseren van het bestaande systeem de ecologische grenzen juist verder onder druk zetten, in plaats van ze te ontlasten.

In de volgende paragrafen ga ik dieper in op deze keerzijde: de verborgen (energie)kosten van AI, milieu-impact, gebrek aan transparantie, grondstoffenverbruik en afval. En tot slot misschien wel het grootste risico: de Jevonsparadox, ook wel het reboundeffect (terugkaatsingseffect). Dit is het fenomeen waarbij grotere efficiëntie in het gebruik en lagere gebruikskosten van een hulpbron niet leidt tot een afname, maar juist tot een hoger verbruik van die hulpbron. Oftewel: AI als versterker van overconsumptie.

Een schatting van de verborgen energiekosten van AI

Sinds de lancering van ChatGPT eind 2022 is AI in hoog tempo doorgedrongen tot het dagelijks leven. Het gebruik ervan groeit snel, maar de vraag hoeveel energie, water en grondstoffen daarvoor nodig zijn, blijft grotendeels onbeantwoord. Transparantie over energie- en waterverbruik ontbreekt grotendeels. Mede doordat grote technologiebedrijven als OpenAI, Google en Meta geen volledige gegevens publiceren over het energie- en waterverbruik van hun AI-diensten. Google geeft bijvoorbeeld aan dat machinelearning minder dan 15% van het eigen energieverbruik uitmaakt, maar verstrekt geen detailcijfers.

Onderzoekers zijn dus aangewezen op indirecte schattingen. Dit gebrek aan transparantie maakt het lastig om de maatschappelijke en ecologische effecten van AI goed in beeld te krijgen. Om de keerzijde van AI concreet te maken, hierbij een poging om op basis van verschillende cijfers een schatting te maken of in ieder geval een beeld te schetsen.

Het energieverbruik van AI kent grofweg twee fasen: de training en het dagelijks gebruik. De initiële, eenmalige training van GPT-4 kostte naar schatting ruim 100 miljoen dollar en verbruikte ongeveer 50 gigawattuur elektriciteit. Dit is vergelijkbaar met het stroomgebruik van de stad San Francisco in drie dagen. Het dagelijks gebruik weegt echter zwaarder. Miljoenen mensen stellen vragen aan chatbots en laten beelden en video’s genereren. Onderzoek van MIT en andere universiteiten laat zien dat het maken van een korte video van vijf seconden in lage resolutie circa 3,5 miljoen joule vergt, ongeveer honderd keer de hoeveelheid die het opladen van een smartphone vergt. Een actieve gebruiker die dagelijks vijftien vragen stelt, tien beelden genereert en drie korte video’s maakt, verbruikt zo’n 3 kilowattuur. Dit komt overeen met het elektriciteitsverbruik van een Nederlands huishouden in iets meer dan een dag. Dit klinkt misschien nog overkomelijk, maar op wereldschaal wordt dit effect groot. ChatGPT verwerkt dagelijks bijvoorbeeld ongeveer een miljard berichten. Omgerekend is dat ruim 109 gigawattuur per jaar, genoeg voor het jaarverbruik van bijna 39.000 Nederlandse huishoudens of bijna 10% van het totale jaarverbruik van alle huishoudens in Amsterdam.

Groeiende druk op het energiesysteem

Volgens berekeningen van energie-econoom Alex de Vries-Gao was AI in 2024 verantwoordelijk voor 11 tot 20% van het wereldwijde stroomverbruik van datacenters. Als de huidige trend doorzet, kan dat eind 2025 oplopen tot de helft van het totale datacenterverbruik, meer dan het energiegebruik van alle cryptovaluta samen. In 2024 werd het AI-gerelateerde stroomverbruik van datacenters geschat op circa 200 terawattuur, vergelijkbaar met het jaarlijkse elektriciteitsverbruik van Spanje.

In april 2025 waarschuwde voormalig Google-CEO Eric Schmidt het Amerikaanse Congres tijdens een hoorzitting van de House Committee on Energy and Commerce dat superintelligente AI een ongekende druk kan leggen op het mondiale energiesysteem. In een extreem scenario zouden AI-datacenters tot 99% van de wereldwijde elektriciteitsproductie kunnen gebruiken!

Het IEA verwacht dat het wereldwijde stroomverbruik van datacenters stijgt van 415 terawattuur in 2024 naar 945 terawattuur in 2030, vergelijkbaar met het huidige totale verbruik van Japan. In de VS zou AI-gerelateerde elektriciteitsconsumptie volgens een schatting van het IEA tegen 2028 op 165 tot 326 TWh kunnen uitkomen. Tegen die tijd is dat mogelijk 11 tot 20% van het huishoudelijke elektriciteitsverbruik.

Ook Nederland staat voor een forse opgave. Netbeheer Nederland voorziet dat datacenters in 2050 tussen de 40 en 70% van het huidige nationale elektriciteitsverbruik kunnen opeisen. Ons stroomnet kampt nu al met congestie, waardoor nieuwe datacenters en overige voorzieningen op veel plaatsen geen aansluiting kunnen krijgen.

De kans is groot dat het je met al deze getallen inmiddels begint te duizelen. Toch is dit nog steeds niet de hele omvang van wat AI kost en de complexiteit die AI met zich meebrengt.

Grondstoffenverbruik en afval

De productie van AI-hardware vraagt aanzienlijke hoeveelheden zeldzame en kritieke materialen. Voor chips en datacenteronderdelen zijn onder meer neodymium, dysprosium en terbium nodig voor magneten, lithium, kobalt en nikkel voor batterijen, gallium en indium voor halfgeleiders, tantaal voor condensatoren, en goud, zilver en palladium voor verbindingen in processoren. De winning van deze materialen vindt vaak plaats in landen als Congo, Chili en China en gaat gepaard met bodem- en watervervuiling, verlies van biodiversiteit en soms ernstige sociale misstanden. Omdat AI-hardware gemiddeld om de drie tot vijf jaar wordt vervangen, groeit de hoeveelheid elektronisch afval snel. Een NVIDIA H100-GPU (chip) bevat tientallen metalen, waaronder koper, goud en zeldzame aardmetalen.

Milieu-impact

Ook de herkomst van de gebruikte energie speelt een rol. Veel datacenters draaien op netten met een relatief hoge CO₂-uitstoot. In sommige delen van de Verenigde Staten is de gebruikte stroom bijna de helft vervuilender dan het nationale gemiddelde. En omdat AI-diensten continu actief zijn, is een volledige overstap naar hernieuwbare bronnen extra ingewikkeld.

De structurele valkuil: de Jevonsparadox - efficiëntie leidt niet automatisch tot duurzaamheid

Onder de hierboven beschreven, ‘losse’ keerzijden van AI in de energietransitie zit één onderliggende structurele valkuil die ze allemaal laat samenkomen en versterkt. Dat is het hardnekkige idee dat technologische vooruitgang vanzelf leidt tot meer efficiëntie en minder grondstofverbruik. Dit idee wordt door de geschiedenis steeds opnieuw weerlegd en heet de Jevonsparadox, naar William Stanley Jevons, die dit fenomeen al in 1865 beschreef in zijn analyse van de Britse steenkoolindustrie.

De introductie van efficiëntere stoommachines, zoals die van James Watt, verlaagde het kolenverbruik per machine. Hierdoor daalden de productiekosten en werden meer stoommachines ingezet. Het gevolg was geen afname, maar een forse stijging van het totale kolenverbruik. Deze dynamiek staat bekend als het reboundeffect, de Jevonsparadox: efficiëntie maakt gebruik goedkoper en opent nieuwe mogelijkheden, waardoor het totale verbruik juist kan toenemen.

Een eeuw later, tijdens de oliecrisis van de jaren 1970, herhaalde dit patroon zich. Auto’s werden zuiniger door strengere emissienormen en technische innovaties zoals brandstofinjectie. Het verbruik per kilometer daalde, maar goedkopere kilometers maakten autorijden aantrekkelijker. Het wagenpark groeide, woon-werkafstanden namen toe en de totale olieconsumptie in het wegverkeer bleef stijgen.

Ook in de landbouw is dit mechanisme zichtbaar. Mechanisering en kunstmest verhoogden de opbrengst per hectare. In plaats van ruimte vrij te maken voor natuur, werd de productie uitgebreid voor export en vleesproductie. Zo leidde efficiënter grondgebruik tot meer druk op ecosystemen, niet minder.

Deze oude en nieuwe voorbeelden laten zien dat technologie veel efficiëntie kan opleveren, maar dat zonder grenzen en bewuste sturing de winst opgeslokt wordt door extra vraag. De logica hierachter is zowel economisch als psychologisch: lagere kosten en betere prestaties maken gebruik aantrekkelijker. Bovendien hebben samenlevingen de neiging om technologische winst te vertalen in groei, niet in beperking.

Deze dynamiek dreigt zich nu te herhalen met AI in de energietransitie. Slimme netwerken kunnen energieverliezen beperken, zelflerende systemen stemmen vraag en aanbod op elkaar af, en voorspellende algoritmen maken onderhoud doelgerichter. Maar zoals de stoommachine en de brandstofinjectie laten zien, verlaagt efficiëntie de kosten per eenheid gebruik en opent zij nieuwe mogelijkheden wat kan leiden tot extra vraag, nieuwe toepassingen en uiteindelijk tot een hoger totaalverbruik.

Voorbeelden tekenen zich al af. AI-gestuurde warmtenetten kunnen het energiegebruik per woning terugbrengen. Maar als bewoners hierdoor meer kamers gaan verwarmen of de binnentemperatuur structureel verhogen, verdwijnt het voordeel. AI-gestuurde laadoptimalisatie voor elektrische auto’s kan het laden goedkoper en flexibeler maken, maar ook het gebruik van de auto intensiveren, waardoor het totale elektriciteitsverbruik stijgt.

Voorbij optimalisatie: met verantwoorde inzet van AI naar een regeneratieve koers

AI is niet immaterieel, zij heeft een duidelijke fysieke voetafdruk in stroom, water en grondstoffen. De maatschappelijke discussie over de waarde en noodzaak van specifieke AI-toepassingen wordt dan ook urgenter. Tegelijk groeit de politieke druk op regelgeving. In de Europese Unie gebeurt dat onder meer via de AI Act en de Critical Raw Materials Act (CRM Act), terwijl steden en regio’s steeds vaker eisen stellen aan locatie, energie- en watergebruik van datacenters. De publieke aandacht voor de ecologische voetafdruk van digitale diensten neemt toe, waardoor bedrijven onder druk komen te staan om openheid te geven en efficiënter te werken.

Om te voorkomen dat de hiervoor beschreven ontwikkelingen ongebreideld doorgaan, is een combinatie nodig van betere metingen, meer transparantie, zorgvuldiger gebruik, technologische vernieuwing en een maatschappelijk gesprek.

Concreet zouden bedrijven hun energie- en waterverbruik per AI-taak openbaar moeten maken, inclusief indicatoren zoals Power Usage Effectiveness (PUE), Water Usage Effectiveness (WUE) en de gebruikte energiemix. Overheden kunnen richtlijnen invoeren waarbij kleine en energiezuinige modellen de norm worden en grote modellen alleen worden ingezet als de maatschappelijke waarde daarvan het extra verbruik rechtvaardigt. Technisch is er ruimte voor verbetering door kleinere of gespecialiseerde modellen, efficiëntere algoritmen, batching (taken bundelen voor efficiëntere verwerkingen) en caching (data tijdelijk opslaan in snel geheugen voor snellere toegang), vloeistofkoeling en vestiging van datacenters in regio’s met een koolstofarm net en zonder structurele waterschaarste.

Op langere termijn vraagt dit om inpassing in energie- en ruimtelijke planning. Datacenters zouden restwarmte kunnen leveren aan lokale warmtenetten en hun vraag afstemmen op momenten met veel hernieuwbare opwek. Innovaties in energiezuinige architecturen bieden perspectief, al bevinden veel van deze technologieën zich nog in een experimenteel stadium.

Van optimalisatie en duurzaamheid naar regeneratief systeem

AI kan dus zowel fungeren als katalysator van verduurzaming als als motor van ecologische uitputting. Maar de geschiedenis leert dat efficiëntie zonder systeemverandering zelden leidt tot duurzaamheid. Willen we echt profiteren van AI en AI laten bijdragen aan een betere wereld en onszelf er niet mee in de vingers snijden? Dan is optimalisatie alleen niet genoeg. Verder kijken dan optimalisatie alleen is zelfs cruciaal. Voorbij optimalisatie verschuift namelijk de vraag van: hoe beperken we negatieve impact?, naar: hoe dragen we bij aan een duurzaam systeem dat zichzelf versterkt en herstelt?

Het gaat namelijk niet alleen om het beperken van energie- en waterverbruik, maar vooral om de vraag hoe AI kan bijdragen aan optimalisatie van energienetten, vermindering van materiaalgebruik en monitoring van milieueffecten. Hierbij kan AI alleen een positieve rol spelen in de energietransitie als toepassingen worden gekoppeld aan absolute grenzen van verbruik en emissies. In de negentiende eeuw waren zulke grenzen afwezig en draaide het om maximale productiecapaciteit. In de jaren 1970 lag de nadruk op energiezekerheid, niet op reductie. Vandaag ligt de uitdaging in het verbinden van AI-innovaties aan kaders die ervoor zorgen dat efficiëntiewinst niet opnieuw verdwijnt in extra consumptie. Hiervoor is het nodig dat AI-toepassingen niet alleen beoordeeld worden op hun directe opbrengst (zoals efficiëntiewinst), maar ook op de manier waarop ze het bredere systeem beïnvloeden.

Een veelbelovende, wat mij betreft zelfs noodzakelijke, volgende stap hiervoor is een regeneratief systeem. Regeneratie gaat verder dan duurzaamheid. Waar duurzaamheid vooral gericht is op het beperken van schade en verantwoord omgaan met de natuurlijke leefomgeving, richt regeneratie zich op het actief herstellen en versterken van natuurlijke, sociale en economische systemen.

Dit vraagt om een andere blik op AI: niet als neutraal hulpmiddel, maar als actor in het hart van het energiesysteem. Een actor die meebepaalt welke regels gelden, welke doelen worden nagestreefd en hoe succes wordt gedefinieerd.

De koerswijziging

In een regeneratief systeem wordt technologie dus niet alleen ingezet om minder schade te veroorzaken, maar ook om natuurlijke, sociale en economische (eco)systemen actief te herstellen en te versterken en gemeenschappen veerkrachtiger te maken.

De stap naar zo’n regeneratief systeem is niets minder dan een systeemverandering en koersen naar zo’n regeneratief systeem roept voor AI dus fundamentele governancevragen op, zoals:

• Welke doelen geven we het systeem mee?
• Welke waarden worden geoptimaliseerd – en welke blijven buiten beeld?
• Wie bepaalt wat ‘duurzaam’ of ‘efficiënt’ betekent?

AI is inmiddels diep verweven met het energiesysteem. Niet alleen als technologische versneller, ze draagt ook waarden, aannames en machtsstructuren in zich mee. Haar ecologische voetafdruk en geopolitieke inbedding kunnen de belofte van duurzaamheid dus ondermijnen. En zoals de Jevonsparadox laat zien, leidt efficiëntie zonder systeemgrenzen vaak eerder tot meer consumptie dan tot minder.

Om een regeneratieve AI in te zetten, is daarom een kompas nodig, een richtinggevend kader dat zichtbaar maakt of een toepassing het bestaande versterkt of juist ruimte schept voor een andere logica. AI kan immers helpen bij het herontwerpen van regeneratieve energiesystemen, maar alleen als beleidsmakers, bedrijven en burgers de verleiding weerstaan om elke winst te vertalen in meer gebruik. Dit vraagt om duidelijke grenzen, beprijzing van vervuiling en het ontwerpen van systemen waarin het aantrekkelijker wordt om minder te gebruiken dan om meer te consumeren.

Kortom, zonder gerichte keuzes en openheid dreigt AI uit te groeien tot een grootverbruiker die de energietransitie vertraagt in plaats van versnelt. De beslissingen die nu worden genomen, bepalen of AI een hulpmiddel wordt dat de verduurzaming versterkt of een extra last vormt voor een energiesysteem dat al zwaar wordt belast. Zonder expliciete sociale, ecologische en ethische kaders dreigt AI de blinde logica van de markt te versterken en eerder een instrument te worden voor digitalisering van het bestaande dan een katalysator voor échte vernieuwing.

Kompas voor AI in de energietransitie: de transformatiematrix

Om de rol van AI als centrale actor in ons energiesysteem expliciet te maken, introduceer ik hierbij de transformatiematrix. Het is belangrijk om te beseffen dat deze matrix een normatief kompas is, geen neutraal instrument. Ze maakt zichtbaar waar AI de dominante logica bevestigt en waar zij kan bijdragen aan fundamenteel andere toekomsten.

De indeling van de transformatiematrix beweegt van optimalisatie via herontwerp naar regeneratie. Deze indeling sluit aan bij de analyse van Carlota Perez, die benadrukt dat technologie pas tot maatschappelijke vernieuwing leidt als ook instituties en waarden meebewegen. De horizontale as maakt zichtbaar of AI het bestaande versterkt of juist ruimte schept voor ecologisch en sociaal herstel. Herontwerp lijkt vaak een stap vooruit, maar blijft in veel gevallen een schijntransformatie: processen veranderen, terwijl het groeiparadigma onaangetast blijft. Zonder expliciet afscheid te nemen van dat paradigma riskeren ook deze toepassingen de status quo te bestendigen.

De transformatiematrix bestaat uit twee assen. Horizontaal loopt de schaal van optimalisatie (efficiëntie en kostenreductie) via herontwerp (nieuwe processen en decentrale organisatie) naar regeneratie (ecologische integratie en sociale rechtvaardigheid). Verticaal beweegt de schaal van operationeel (dagelijkse uitvoering) naar tactisch (coördinatie en afstemming) en strategisch (langetermijnwaarden en systeemontwerp).

De negen velden in de praktijk

Optimalisatie

In het kwadrant van optimalisatie vinden we AI-toepassingen die vooral op efficiëntie en kostenreductie zijn gericht.

• Operationeel gaat het om slimme meters en voorspellende onderhoudsalgoritmen die storingen voorkomen en energie besparen, maar binnen dezelfde logica blijven werken.
• Tactisch zorgen vraagrespons en load balancing voor minder netcongestie, maar vaak ook voor versterking van centrale sturing.
• Strategisch worden AI-modellen ingezet om emissiereducties door te rekenen en beleid te optimaliseren, zonder de fundamenten van het groeimodel te bevragen.

Herontwerp

Bij herontwerp verschuiven processen en besluitvorming, maar blijft economische groei meestal het uitgangspunt.

• Operationeel maken AI-systemen het mogelijk dat energiecoöperaties zelf vraag en aanbod beheren, waardoor beslissingsmacht lokaal toeneemt, maar wel binnen marktlogica.
• Tactisch coördineert AI transacties in peer-to-peer-energiemarkten, waarbij prosumenten rechtstreeks energie uitwisselen.
• Strategisch ondersteunt AI scenario’s voor decentrale netwerken en eerlijker governance, maar nog steeds binnen een groeigericht economisch kader.

Regeneratie

Regeneratie gaat een stap verder.

• Operationeel stemmen bewoners hun energiegedrag af op natuurlijke ritmes, met feedbackloops die zijn gericht op wederkerigheid in plaats van winst.
• Tactisch ondersteunt AI gemeenschappen die gezamenlijk besluiten over energiegebruik, waarbij biodiversiteit en sociale gelijkheid even zwaar wegen als kosten en productie.
• Strategisch wordt AI gevoed door inheemse kennis en principes van planetary governance, waarbij technologie niet boven maar binnen het ecosysteem opereert, en ecologische logica de economische vervangt.

Ongemakkelijke vraag: wie beslist waarin we investeren?

De meeste investeringen blijven steken in de linkerbenedenhoek van de matrix: operationele en tactische optimalisatie. In dit domein zijn resultaten snel meetbaar en is rendement op korte termijn zichtbaar, maar hier treedt het reboundeffect ook het sterkst op. Het voordeel van bijvoorbeeld AI-gestuurde warmtenetten kan snel verdwijnen als bewoners daardoor meer energie gaan gebruiken.

De rechterbovenhoek – strategische regeneratie – is nauwelijks ontwikkeld, terwijl hier het grootste potentieel ligt om AI in te zetten binnen ecologische grenzen en sociale rechtvaardigheid. Dit vergt andere vormen van kennis, governance en meting. Indicatoren zoals biodiversiteitsindices of commons-governance-scores zouden hier net zo belangrijk moeten zijn als kilowatturen of euro’s.

De transformatiematrix stelt dus een ongemakkelijke vraag: wie beslist in welk veld we investeren? Wordt dit overgelaten aan big tech en marktlogica? Dan zal vooral de optimalisatiekolom groeien. Willen we dat AI bijdraagt aan regeneratie? Dan zijn publieke sturing, open infrastructuren en ontwerpprincipes nodig die rechtvaardigheid en ecologische gezondheid net zo centraal stellen als efficiëntie.

Herverdeling van macht

Veel toepassingen concentreren zich in de operationele en tactische optimalisatiehoek. Hier is rendement snel zichtbaar, maar is ook de kans op rebound het grootst. Zonder sturing groeit deze kolom vanzelf, gedreven door partijen die profiteren van efficiëntiewinsten zonder het systeem te herontwerpen. De kernvraag wordt dan niet alleen wat AI kan, maar voor wie zij werkt en onder welke logica.

Carlota Perez liet zien dat technologische revoluties pas hun sociale potentieel bereiken als instituties zich aanpassen. Hans Stegeman stelt dat duurzaamheid zonder afscheid van economische groei onhaalbaar blijft. Samen wijzen zij de weg: AI moet in de energietransitie niet alleen slimmer worden ingezet, maar vooral dienen om het systeem zelf te herontwerpen. Technologie kan dus alleen een hefboom voor vernieuwing zijn als instituties en waarden meebewegen. Blijft het groeiparadigma van schaalvergroting en rendement leidend, dan wordt AI vooral een versneller van bestaande patronen. Dezelfde spanning klinkt door in de eerdere essays van Derk Loorbach, Martijn van der Steen en Romy Dekker.

Eén ding is zeker: logica verandert niet zonder herverdeling van macht. En zonder nieuwe logica versterkt macht de patronen van het verleden. Of AI de stoommachine van onze tijd kan worden of het kompas dat richting geeft aan een regeneratieve toekomst is een keuze voor nu, niet voor later. Tegelijkertijd is dit geen blauwdruk, maar een richting die we samen, stap voor stap, zullen moeten verkennen. Zoals Geert Teisman benadrukt, ontstaat transitie door te handelen in onzekerheid, te leren van iedere stap en de koers te corrigeren waar nodig. Het kompas geeft richting, de route ontstaat in de dialoog tussen formele doelen en informele waardecreatie.

De transformatiematrix laat zien waar AI in de energietransitie kan landen, maar nog niet hoe we daar doelgericht op kunnen sturen. Dat vraagt om twee lenzen tegelijk:

• Een lens van macht en waarden: wie neemt beslissingen, op basis van welke belangen?
• Een lens van kennis en logica: welke data en regels bepalen hoe AI wordt ontworpen en gebruikt, en welke toekomstbeelden liggen daarin besloten?

Machtsarchitectuur en governance

AI is ook in de energiesector geen neutraal gereedschap. Ze maakt deel uit van machtsstructuren die bepalen wie toegang heeft tot middelen en wie profiteert. Nu ligt die macht grotendeels bij grote technologiebedrijven en staten met strategische belangen, vaak afhankelijk van geopolitieke verhoudingen en schaarse grondstoffen.

Energieregio’s opereren binnen mondiale digitale infrastructuren die zij niet controleren. Democratische besluitvorming kost tijd, terwijl algoritmen in milliseconden schakelen. Zonder expliciete governancekeuzes wint snelheid het van legitimiteit, en blijft de schaalvoorsprong bij mondiale spelers. Dit kan leiden tot lock-in op commerciële cloudplatforms en afhankelijkheid van buitenlandse technologie.

Toch zijn er al eerste alternatieven. Het Deense Energinet Open Data bijvoorbeeld, stelt energieverbruiksgegevens vrij beschikbaar, waardoor coöperaties en kleine bedrijven eigen AI-modellen kunnen ontwikkelen.

Van dominante logica naar meervoudige intelligentie

Veel AI-toepassingen zijn gestoeld op rationeel-utilitaire logica: data verzamelen, patronen herkennen, uitkomsten optimaliseren voor efficiëntie. Maar energie is meer dan techniek; ze is verweven met ecosystemen en sociale relaties. Het denken binnen planetaire grenzen, zoals Johan Rockström en collega’s dat in 2009 introduceerden, vraagt om een bredere kennisbasis. Drie principes van meervoudige intelligentie kunnen hierin richting geven:

• plaatsgebondenheid (technologie ingebed in lokale ecologie);
• ecologische integratie (natuurlijke systemen even zwaar laten wegen als efficiëntie);
• relationele besluitvorming (keuzes in dialoog met gemeenschap en ecosysteem).

In Nieuw-Zeeland werkt de Maori-gemeenschap met modellen die waterbeheer koppelen aan traditionele kennis. Energieproductie wordt afgestemd op vismigratie en waterkwaliteit. In de energietransitie zou zo’n benadering betekenen dat AI ook biodiversiteit en waterstanden meeneemt, niet alleen netbelasting en kosten.

Data, regels en blinde vlekken

Welke data en regels AI gebruikt, is een politieke keuze. Als modellen alleen worden gevoed met historische marktdata, zal AI vooral de status quo reproduceren. Blinde vlekken ontstaan wanneer ecologische of sociale waarden ontbreken.

Een regeneratieve aanpak integreert juist ook gemarginaliseerde kennis: inheemse seizoenskalenders, lokale ecologische waarnemingen en ervaringen van direct betrokken gemeenschappen. In Australië laat het FNS-Metrics-project zien hoe inheemse kennis in AI-voorspellingen zowel de kwaliteit als de culturele rechtvaardigheid van die voorspellingen kan vergroten.

Whole System in the Room

Een regeneratief kompas ontstaat in samenwerking tussen beleidsmakers, technici, burgers, ecologen en kunstenaars. Deze aanpak herverdeelt macht: besluitvorming verlaat de exclusieve kring van ingenieurs en beleidsmakers en krijgt een gedeeld mandaat. Op de Orkney-eilanden in Schotland leidde zo’n proces tot criteria waarin ecologische én sociale grenzen werden opgenomen, met AI-simulaties als hulpmiddel.

Regeneratief ontwerp

Regeneratieve AI ziet zichzelf niet als losstaand instrument, maar als onderdeel van een netwerk van menselijke en niet-menselijke relaties. Ontwerpprincipes richten zich op begrenzing, afstemming op lokale ecologie en samenwerking. Hier zijn inmiddels praktijkvoorbeelden van. Zo plaatst een coöperatie in Beieren zonnepanelen op locaties die ook insectenpopulaties herstellen. Het Biodiv-Wind-programma zet turbines stil bij aanwezigheid van beschermde soorten. En in Catalonië koppelen onderzoeksinstellingen irrigatiesystemen aan zonneparken, afgestemd op regenval en ecosysteemdraagkracht. In het Amazonegebied wordt AI ingezet voor waterkrachtplanning met ecologische en sociale criteria naast energieopbrengst.

In Nederland kennen we Slim Strandnet als illustratief voorbeeld van de hybride toekomst die in dit essay wordt bepleit. Hierbij experimenteren in Scheveningen de gemeente Den Haag, Stedin en lokale ondernemers met Slim Strandnet, een microgrid van circa 1 MW dat zonnepanelen, batterijopslag en gemeentelijke voorzieningen koppelt via een open-source-Energy Management Systeem (EMS). Dit EMS gebruikt realtimedata over opwek, gebruik per deelnemer, EPEX-marktprijzen, transformatorbelasting en batterijstatus, en AI om energieaanbod en -vraag te voorspellen. Op basis hiervan stuurt het apparaten zoals vriezers of warmtepompen automatisch aan en benut zo lokale energie optimaal. Maar het belangrijkste aan dit systeem is dat de regels (parameters en prioriteiten) worden vastgesteld door de energiecoöperatie waarin gemeente en ondernemers samen beslissen, niet autonoom door de algoritmen. Slim Strandnet laat zo zien hoe AI de dagelijkse optimalisatie kan verzorgen, terwijl de normatieve keuzes verankerd blijven in een democratische governance-structuur. Een mooi voorbeeld van AI als ondersteunend instrument, ingebed in collectieve besluitvorming, gericht op het verlichten van netcongestie én op het ontwikkelen van regeneratieve energiegemeenschappen.

Een toekomstbeeld voor 2035

Kortom, een regeneratieve energietoekomst betekent dat technologie, ecologie en gemeenschap onlosmakelijk verbonden zijn. Om een beeld te krijgen van hoe dat er in de praktijk uit zou kunnen zien een fictief scenario voor de Achterhoek:

Tot slot: normatieve kaders voor AI in de regeneratieve koers

AI kan de energietransitie versnellen of juist verankeren in oude logica’s van groei en uitputting. Het is duidelijk hoe deze spanning zich manifesteert op alle niveaus van ons systeem: ecologisch, economisch, sociaal en epistemologisch. Wat begon als een vraag over technologie, blijkt in de kern een vraag over welke toekomst we willen en wie daarover mag meebeslissen.

Dit essay is niet in een ivoren toren tot stand gekomen, maar in de openbaarheid gegroeid. Ik begon met het publiceren van inzichten uit mijn literatuuronderzoek als blog en kreeg daarop een stroom reacties: aanvullingen, kritiek, praktijkvoorbeelden. Die inzichten, gecombineerd met mijn eigen analyse, vormden de basis voor een volgende blog, dat ik opnieuw online deelde. Zo ontstond de basis voor het essay in iteraties, gevoed door literatuur, collectieve reflectie en AI als onderzoeks- en redactietool. Het resultaat is een gezamenlijk gecreëerd verhaal: mijn visie, verrijkt met en aangescherpt door de kennis en ervaring van velen. Hiermee is dit essay een mooi voorbeeld van een regeneratief proces waarin meervoudige intelligentie is benut. Vanuit een gedeelde toekomstvisie is het organisch ontstaan tijdens het proces zelf.

Uit dit proces komen vier patronen naar voren die richting geven aan de strategische keuze waarvoor we staan:

1. Optimalisatieparadox: AI maakt netten slimmer, onderhoud voorspelbaarder en opbrengsten hoger, maar vergroot tegelijk haar ecologische voetafdruk. Energie, water en zeldzame metalen: elke toepassing vraagt om dezelfde schaarse middelen die ook de energietransitie nodig heeft.
2. Rebound-effect of Jevonsparadox: Efficiëntie zonder systeemverandering leidt vaak tot extra gebruik. Lagere kosten en hogere prestaties betekenen méér verbruik, niet minder. Slimme netten en geautomatiseerd beheer zijn dan als harder roeien op een schip dat de verkeerde kant op vaart.
3. Publiek versus privaat belang: Het zwaartepunt in AI-ontwikkeling ligt bij private partijen met commerciële modellen. Publieke waarden zoals energiezekerheid, democratische zeggenschap en ecologische rechtvaardigheid komen alleen op tafel als ze passen in die logica.
4. Logica van intelligentie: Het dominante AI-denken is utilitair en lineair. Alternatieven zoals relationele, contextuele en regeneratieve intelligentie krijgen weinig ruimte. Juist daar liggen ontwerpprincipes die AI kunnen verbinden met herstel en instandhouding van de systemen waarvan wij deel uitmaken.

De transformatiematrix laat ons zien waar we nu in investeren: vooral in operationele en tactische optimalisatie. Snel rendement, schaalbaar, maar binnen het bestaande paradigma. De rechterbovenhoek, strategische regeneratie, blijft grotendeels leeg. Daar ligt juist de kans om AI in te zetten voor herstel van ecosystemen, sociale rechtvaardigheid en veerkrachtige gemeenschappen.

Zo’n verschuiving is alleen mogelijk met herverdeling van macht én vernieuwing in onze kennis- en ontwerpkaders. Zonder publieke governance, open infrastructuren en participatieve besluitvorming wint de schaalvoorsprong van grote technologiebedrijven, en wordt AI vooral ingezet binnen commerciële kaders. Zonder nieuwe kennis- en ontwerpvormen blijft AI leren van het verleden en herhalen we oude patronen.

Daarmee is de keuze strategisch én moreel. Blijven we hangen in optimalisatie (kortetermijnwinst, hoog reboundrisico, versterking van de status quo) of verschuiven we naar regeneratie, waar AI wordt ingezet binnen ecologische grenzen, gekoppeld aan publieke infrastructuren en gevoed door meervoudige intelligenties?

Een regeneratieve koers kan niet van bovenaf worden opgelegd. De Whole System in the Room-aanpak biedt een manier om beleid, technologie, burgers, ecologen en bedrijven samen te brengen. Niet om consensus te forceren, maar om samen een kompas te ontwikkelen: welke grenzen erkennen we, welke waarden sturen ons en welke rol krijgt AI daarin?

De normatieve kaders die hieruit volgen zijn helder:

• Binnen planetaire grenzen: onder andere CO₂-, materiaal- en waterbudgetten als randvoorwaarde.
• Publiek belang voorop: AI koppelen aan publieke infrastructuren en commons.
• Meervoudige intelligenties: technologie als onderdeel van ecologische en sociale netwerken.
• Begrensde technologie: niet alles wat kan, hoeft.
• Adaptief leren: systemen ontwerpen die hun koers aanpassen op basis van praktijkervaring en feedback.

We staan op een kruispunt. AI kan de stoommachine van onze tijd blijken: een uitvinding die het probleem dat zij moest oplossen juist versnelt. Maar AI kan ook het kompas worden waarmee we richting geven aan een regeneratieve toekomst.

Versterkt wat wij bouwen de logica van groei of opent het de weg naar een ander systeem?

Alleen als we die vraag hardop en eerlijk beantwoorden, kan AI ons leiden naar een toekomst die leefbaar is. Voor onszelf, voor de natuur en voor de generaties die volgen.

Wat kunnen we morgen doen?

De koers naar regeneratie vraagt om een grote systeemverandering, maar begint met kleine en concrete keuzes. Als RES-netwerk kunnen we vandaag al handelen om AI richting te geven:

• Maak verbruik zichtbaar: publiceer in je regio het energie- en waterverbruik van digitale systemen en AI-toepassingen. Transparantie is het begin van verantwoordelijkheid.
• Gebruik de transformatiematrix: plaats nieuwe AI-projecten expliciet in het schema (optimalisatie, herontwerp of regeneratie × operationeel, tactisch of strategisch). Zo wordt zichtbaar of een toepassing het bestaande versterkt of juist ruimte schept voor vernieuwing.
• Breng het hele systeem in de kamer: organiseer kleinschalige sessies waarin gemeenten, netbeheerders, coöperaties en burgers samen de waarden en grenzen formuleren die AI moet volgen.
• Start een regeneratief experiment: kies één project waarin AI wordt ingezet voor meer dan efficiëntie alleen – bijvoorbeeld biodiversiteitsherstel in een zonnepark of het koppelen van restwarmte van datacenters aan lokale gemeenschappen.
• Versterk publieke regie: maak afspraken om cruciale data en EMS-software onder te brengen in coöperatieve of publieke infrastructuren, zodat besluitvorming in handen blijft van de gemeenschap.

Deze stappen zijn geen blauwdruk, maar een beginpunt. Ze maken zichtbaar dat de keuze voor regeneratie niet morgen begint, maar vandaag.

Referenties

• Al Midfa, N. (2024). AI in energy transformation: Driving efficiency and sustainability in the modern energy sector. TRENDS Research & Advisory.
• Alcott, B. (2005). Jevons’ paradox. Ecological Economics, 54(1), 9–21.
• Alliander (2024). Strategie digitalisering 2024–2030 (publieksversie).
• Bridle, J. (2022). Ways of being: Animals, plants, machines — the search for a planetary intelligence. Penguin Books.
• Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
• De Nationale AI-Cursus (z.d.).https://www.ai-cursus.nl
• De Vries-Gao, A. (2025). AI energy consumption analysis based on TSMC chip production capacity Vrije Universiteit Amsterdam.
• Dekker, R. (2024). Verantwoord digitaliseren voor de regionale energiestrategie. In Nieuwe paden zoeken in transitietijd. NP RES.
• Derksen, M. (2025, 9 augustus). Wat zijn de verborgen kosten van AI? Koneksa Mondo. https://koneksa-mondo.nl/2025/08/09/wat-zijn-de-verborgen-kosten-van-ai/
• Derksen, M. (2025, 10 augustus). AI voor een regeneratieve energietransitie. Koneksa Mondo. https://koneksa-mondo.nl/2025/08/10/ai-voor-een-regeneratieve-energietransitie/
• European Commission (2023). Critical raw materials for strategic technologies and sectors in the EU: A foresight study. Publications Office of the European Union.
• Evenson, R. E., & Gollin, D. (2003). Assessing the impact of the Green Revolution, 1960 to 2000. Science, 300(5620), 758–762.
• FLEET-project (2023). Slim laden met flexibele nettarieven in Utrecht (openbare eindrapportage).
• International Energy Agency (2023). Critical minerals market review 2023.
• International Energy Agency (2025). Energy & AI.
• International Telecommunication Union & United Nations Institute for Training and Research (2024). The Global E-waste Monitor 2024.
• 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.
• Loorbach, D. (2024). De energietransitie: waar zijn we nu? In Nieuwe paden zoeken in transitietijd. NP RES.
• Management Scope (2025, juni). Van de Rhee, R., & Suykerbuyk, M., Process intelligence in de energietransitie.
• Mhlanga, D. (2025). AI beyond efficiency: Navigating the rebound effect in AI-driven sustainable development. Frontiers in Energy Research, 13, 1460586.
• MIT Technology Review (2025, 20 mei). AI energy usage and climate footprint.
• Mols, B. (2025). AI in the era of climate change: Solution or problem? Communications of the ACM.
• Netbeheer Nederland (2025). Scenario’s Editie 2025: Toekomstverkenning elektriciteitsnet Nederland 2050.
• Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar Publishing.
• Rockström, J., et al. (2009). A safe operating space for humanity. Nature, 461(7263), 472–475.
• Samsom, D. (2025, mei 10). De energietransitie is niet meer te stoppen. Ook niet door Donald Trump [interview]. NRC.
• Stegeman, H. (2024). Transforming economics for sustainability: From incremental to radical change (doctoral dissertation, Erasmus Universiteit Rotterdam).
• Teisman, G. R. (2024). Leren om spagaten te maken tussen doelen bereiken en waarde creëren. In Nieuwe paden zoeken in transitietijd – Reflecties en inspiratie voor het werk in de energietransitie. NP RES.
• Van der Steen, M., & Hill, R. (2024). Puzzelen in De wereld van B. In Nieuwe paden zoeken in transitietijd – Reflecties en inspiratie voor het werk in de energietransitie. NP RES.
• Waligóra, Ł. (2019). The problem of energy efficiency, known as the Jevons paradox. World Scientific News, 122, 218–230.
• Wang, Q., Li, Y., & Li, R. (2025). Integrating artificial intelligence in energy transition: A comprehensive review. Energy Strategy Reviews, 57, 101600.
• World Bank (2020). Minerals for climate action: The mineral intensity of the clean energy transition.
• World Bank Publications. World Economic Forum (2025). Artificial intelligence’s energy paradox.