📈 economics

Certificates without Electrons? Theory and Evidence on Impacts from AI-Driven Power Demand

Dit artikel combineert speltheoretische modellering en empirisch bewijs om aan te tonen dat door AI gedreven stroomvraag de betrouwbaarheid van het elektriciteitsnet verslechtert, prijzen verhoogt en emissies doet toenemen als gevolg van timingverschillen tussen consumptie en hernieuwbare opwekking, waarbij wordt onthuld dat huidige strategieën voor certificaten van hernieuwbare energie er niet in slagen deze effecten te mitigeren, terwijl oplossingen zoals colocatie met opslag en ruimtelijke herallocatie effectieve alternatieven bieden.

Oorspronkelijke auteurs: Dana Golden, Aruna Balasubramanian, Niranjan Balasubramanian

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Dana Golden, Aruna Balasubramanian, Niranjan Balasubramanian

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het elektriciteitsnet voor als een enorm, delicaat snelwegsysteem dat stroom levert aan alle huizen en bedrijven. Jarenlang was het verkeer op deze snelweg relatief constant. Maar plotseling is er een nieuw type "supervrachtwagen" op de weg verschenen: AI-datacenters. Deze vrachtwagens zijn enorm, ze vreten veel brandstof en ze bewegen in onvoorspelbare uitbarstingen.

Dit artikel stelt een eenvoudige maar cruciale vraag: Wat gebeurt er met de snelweg wanneer deze supervrachtwagens arriveren, zelfs als de vrachtwagenchauffeurs beweren dat ze "koolstofneutraal" zijn?

Hier is de uiteenzetting van wat de onderzoekers hebben gevonden, gebruikmakend van alledaagse analogieën.

1. De illusie van het "Groene Certificaat"

Grote technologiebedrijven zeggen vaak: "Maak je geen zorgen, onze AI is groen!" Ze doen dit door het kopen van Hernieuwbare Energiecertificaten (RECs). Denk aan deze certificaten als "groene coupons". Een bedrijf koopt een coupon die zegt: "Wij hebben betaald voor een windmolenpark dat ergens anders elektriciteit opwekt."

Het artikel betoogt dat dit is alsoals het kopen van een coupon voor een gezonde maaltijd in een restaurant aan de andere kant van de stad, terwijl je op dit moment thuis een vette burger eet. De coupon voorkomt niet dat het vet nú op je vloer druipt.

De onderzoekers ontdekten een "timing-kloof". AI gebruikt elektriciteit in plotselinge, enorme pieken (zoals een sprint), maar de wind- en zonneparken waarvoor zij certificaten kopen, wekken stroom langzaam en gestaag op (zoals een marathon). Omdat de honger van de AI niet overeenkomt met het leveringsschema van de groene energie, moet het elektriciteitsnet vertrouwen op vervuilende centrales met fossiele brandstoffen om het gat op dat specifieke moment te vullen.

2. De impact op jouw lampen en stopcontacten

Wanneer deze AI-vrachtwagens het net raken, gebruiken ze niet alleen meer stroom; ze maken de stroom ook "rommelig".

De "Bumpy Ride" (Stroomkwaliteit): Stel je je elektriciteit voor als een gladde, constante stroom water. AI-datacenters werken als een gigantische, onregelmatige pomp die schokken en dalen creëert. De studie toonde aan dat in gebieden nabij deze datacenters de stroomkwaliteit aanzienlijk verslechtert.
- Het resultaat: Het is alsoal de gemiddelde huishouding van eens per jaar een stroomstoring heeft naar 1,5 tot 2 storingen per jaar.
- Het gevaar: Deze "schokkerige" elektriciteit (genoemd harmonische vervorming) is als het schudden van een delicate vaas. Het kan apparaten zoals koelkasten en airconditioners in de loop der tijd beschadigen en zelfs het risico op elektrische branden vergroten.

3. Het prijskaartje

Wanneer de vraag plotseling piekt, stijgt de prijs van elektriciteit.

De analogie: Denk aan een concert waarbij iedereen op het laatste moment razendsnel tickets probeert te kopen. De prijs schiet omhoog.
De bevinding: In bepaalde gebieden (specifiek de PJM-zone, die delen van de Oostkust beslaat) zorgde de komst van grote AI-modellen ervoor dat de groothandelsprijzen voor elektriciteit met wel 25% stegen. Dit is de kosten die het elektriciteitsnet betaalt om de lichten aan te houden wanneer AI aan het "sprinten" is.

4. De "Fossiele Brandstof" Realiteit

Ondanks dat bedrijven beweren groen te zijn, toonde de studie aan dat AI-activiteit het elektriciteitsnet dwingt om honderden gigawatturen extra fossiele brandstoffen (zoals aardgas) te verbranden.

De schaal: Dit is genoeg extra energie om ongeveer 45.000 Amerikaanse huishoudens een heel jaar lang van stroom te voorzien.
De oorzaak: Omdat de AI-pieken zo snel optreden, kan het elektriciteitsnet niet wachten tot de zon opkomt of de wind gaat waaien. Het moet de back-up gasgeneratoren onmiddellijk inschakelen.

5. De oplossing: "On-site" Generatoren

Het artikel biedt een verrassende oplossing. Sommige datacenters hebben hun eigen stroomgeneratoren direct op het terrein (zoals het hebben van een persoonlijke noodgenerator voor je huis).

De magie: Wanneer een datacenter over eigen stroom beschikt, verdwijnen de negatieve effecten op het elektriciteitsnet en draaien ze zelfs om. In plaats van het net te schaden, verbeteren deze zelfvoorzienende centra de stroomkwaliteit voor hun buren.
Waarom? Ze absorberen hun eigen enorme pieken in de vraag naar energie, zodat het hoofdnet geen last krijgt van een verkeersopstopping.

6. Wat als we het plan veranderen? (Counterfactuals)

De onderzoekers voerden simulaties uit om te zien hoe verschillende keuzes de uitkomst zouden veranderen:

Edge Computing: In plaats van al het AI-werk naar één groot, druk datacenter (een "mega-winkelcentrum") te sturen, wat als we het werk verspreiden naar kleinere centra in de buurt van waar mensen wonen? Dit zou de druk op elk afzonderlijk deel van het net drastisch verminderen.
Locatie verplaatsen: Als we het zware AI-trainingswerk zouden verplaatsen naar gebieden met veel vrije stroomcapaciteit (zoals het midden van het land) in plaats van naar drukke steden, zou de impact op het elektriciteitsnet veel lager zijn.
Grotere Modellen: Naarmate AI-modellen groter worden (meer "parameters"), groeit de schade aan het elektriciteitsnet exponentieel. Een model dat twee keer zo groot is, verbruikt niet alleen twee keer zoveel stroom; het creëert ook disproportioneel slechtere problemen met de stroomkwaliteit.

De Kern van de zaak

Het artikel concludeert dat je de problemen van het elektriciteitsnet niet kunt oplossen door simpelweg "groene coupons" (certificaten) te kopen als het werkelijke stroomverbruik rommelig en niet op elkaar afgestemd is. De fysieke realiteit van hoe en wanneer AI stroom gebruikt, is wat telt.

Om het elektriciteitsnet te beschermen, moeten we ofwel:

De pieken stoppen: Gebruik generatoren op locatie zodat het datacenter zijn eigen voedsel opeet.
De last verspreiden: Verplaats AI-werk naar minder drukke gebieden of kleinere lokale centra.
Efficiënt zijn: Maak de AI-modellen slimmer zodat ze niet zo hard hoeven te sprinten.

Zonder deze veranderingen waarschuwt het artikel dat de "groene" AI-revolutie ons elektriciteitsnet op de korte termijn minder betrouwbaar, duurder en vuiler kan maken.

Technisch Overzicht: Certificaten zonder Elektronen? Theorie en Bewijs over de Impact van AI-gestuurde Vraag naar Vermogen

1. Probleemstelling

De snelle expansie van kunstmatige intelligentie (AI) heeft het elektriciteitsverbruik van datacentra in de Verenigde Staten in zes jaar tijd doen stijgen van 1,9% naar 4,4% van de totale vraag. Hoewel hyperscalers gebruikmaken van Renewable Energy Certificates (RECs) en Power Purchase Agreements (PPAs) om koolstofneutraliteit te claimen, blijft de effectiviteit van deze mechanismen op netniveau onduidelijk. Specifiek is er een gebrek aan causaal bewijs over hoe de release van AI-modellen invloed heeft op:

Lokale Vermogenskwaliteit: Inclusief voltagesstabiliteit, frequentieregeling en harmonische vervorming.
Vraag naar Fossiele Brandstoffen: De mate waarin AI-workloads de opwekking van hernieuwbare energie verdringen of de inzet van fossiele brandstoffen noodzakelijk maken.
Groothandelsprijzen voor Elektriciteit: De omvang van prijsstijgingen in lokale markten als gevolg van AI-gestuurde vraagschokken.
Betrouwbaarheid: De frequentie en ernst van uitval en apparatuurdegradatie.

Bestaande literatuur leunt op techno-economische beoordelingen of micro-niveau energieprestatieonderzoeken, maar faalt in het isoleren van de causale externaliteiten die AI oplegt aan andere netgebruikers. Bovendien bestaat er een "timing-kloof" waarbij consumptie (AI-workloads) en gecrediteerde hernieuwbare opwekking (via RECs) in tijd en ruimte niet overeenstemmen, wat de betrouwbaarheid kan verslechteren, zelfs wanneer het jaarlijkse verbruik theoretisch door hernieuwbare energie wordt gedekt.

2. Methodologie

De auteurs hanteren een rigoureus econometrisch kader om de schaarste aan granulair operationeel data (bijv. exacte starttijden van trainingen) en de gespreide aard van AI-modelreleases aan te pakken.

2.1. Theoretisch Kader

Er wordt een speltheoretisch model ontwikkeld waarbij datacentrumoperators kiezen tussen RECs, PPAs en behind-the-meter collocatie, terwijl producenten beslissingen nemen over markttoetreding onder endogene financieringskosten. Het model identificeert een timing-kloof—de mismatch tussen consumptie en gecrediteerde opwekking—als het centrale mechanisme waardoor AI-vraag de betrouwbaarheid verslechtert en emissies verhoogt, zelfs bij 100% REC-dekking.

2.2. Econometrische Strategie: Staggered Difference-in-Differences (DiD)

Om het gebrek aan specifieke trainingsvensters en de gespreide release van modellen te overwinnen, maken de auteurs gebruik van een Stacked DiD met Multiple Horizons benadering.

Definitie van Behandeling: De behandeling wordt gedefinieerd relatief aan de releasedatum ( $r_m$ $r_{m}$ ) van belangrijke AI-modellen.
- Trainingsvenster: $[r_m - \tau_{train}, r_m)$
- Inference-venster: $[r_m, r_m + \tau_{infer}]$
Gestapeld Ontwerp (Stacked Design): Om bias door heterogeniteit in behandelingseffecten te voorkomen (waarbij reeds behandelde eenheden de controlegroepen in standaard Two-Way Fixed Effects modellen besmetten), construeren de auteurs afzonderlijke "sub-experimenten" voor elke cohort van modelreleases. Elk sub-experiment gebruikt alleen eenheden die op het moment van de specifieke cohortadoptie daadwerkelijk onbehandeld zijn.
Vergelijking: Het dynamische behandelingseffect wordt geschat als:
$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$
Waarbij $D^k_{ut}$ de event-time horizon $k$ aangeeft relatief aan de release.

2.3. Aanpak van Endogeniteit en Confounding Factoren

Fossiele Vraag: Een Two-Stage Least Squares (2SLS) benadering wordt gebruikt om de prijsendogeniteit aan te pakken.
- Eerste Fase: Elektriciteitsprijzen worden geïnstrumenteerd met aanbodzijde-kostenverschuivers (generator heat rates en de spotprijs van aardgas).
- Tweede Fase: De vraag naar fossiele brandstoffen wordt geregresseerd op voorspelde prijzen en behandelingsindicatoren.
Prijsimpact: De prijsimpact wordt afgeleid door geschatte vraagverschuivingen te combineren met de aanbodcurve-elasticiteit ( $\varepsilon_s$ ) in de PJM-markt.
Robuustheidstoetsen: De studie maakt gebruik van parallel trends tests (Wald-tests op pre-behandelingscoëfficiënten), placebo-tests (gerandomiseerde behandelingsdata en locaties) en sensitiviteitsanalyses (bijv. variëren van de straal, weglaten van ambigue gevallen).

2.4. Data

De analyse integreert een nieuwe dataset die AI-activiteit koppelt aan netresultaten:

Behandelingsdata: Aterio-database voor datacentrumlocaties, eigendom en capaciteit; gekoppeld aan specifieke modelreleases (bijv. GPT-3, Llama 2, Claude 2.1) via persberichten en API-data.
Resultaatdata:
- Vermogenskwaliteit: Whisker Labs Consumer Power Quality Index (CPQI) en Total Harmonic Distortion (THD) van 72 nutsbedrijven.
- Vraag: EPA Clean Air Markets Program (CAMPD) uurlijkse generatorgegevens (2021–2023).
- Prijzen: ISO zonale groothandelsprijzen (focus op PJM).
Controles: Weergegevens (Meteostat), aardgasprijzen (S&P Capital IQ) en marktindices.

3. Belangrijkste Resultaten

3.1. Degradatie van de Vermogenskwaliteit

De release van AI-modellen veroorzaakt een significante verslechtering van de lokale vermogenskwaliteit:

Consumer Power Quality Index (CPKI): Gebieden met behandelde nutsbedrijven ervaren een coëfficiënttoename van 0,3795, wat overeenkomt met een verschuiving van de typische Amerikaanse vermogenskwaliteit naar het onderste kwartiel. Dit komt overeen met een toename van het aantal jaarlijkse uitvalmomenten voor de gemiddelde klant van ~1 naar 1,5–2 uitval per jaar.
Harmonische Vervorming (THD): Er is een toename van 0,0625 procentpunt in metingen boven de 0,8 vervormingsdrempel. Hoewel dit klein lijkt, versnelt langdurige blootstelling de degradatie van apparatuur (bijv. motoren, koelkasten).

3.2. Vraag naar Fossiele Brandstoffen

AI-activiteit verhoogt de opwekking van fossiele brandstoffen aanzienlijk:

Omvang: De trainingsfase voegt ongeveer 6,33 MWh toe per generatoruur, en de inference-fase voegt 5,20 MWh toe.
Geaggregeerde Impact: Dit vertaalt zich in meer dan 500 GWh aan extra fossiele opwekking nabij datacentra, wat gelijk staat aan het jaarlijkse verbruik van ongeveer 47.000 Amerikaanse huishoudens.
Mechanisme: Het effect wordt gedreven door de directe behoefte aan baseload en piekcapaciteit die door RECs niet tijdelijk worden gedekt.

3.3. Impact op de Groothandelsprijs

In de PJM-markt leiden AI-gestuurde vraagpieken tot substantiële prijsstijgingen:

Variatie per Zone: De prijsimpact varieert per aanbodelasticiteit. In de American Electric Power (AEP) zone (lagere elasticiteit) stegen de groothandelsprijzen met wel 25% tijdens perioden van AI-activiteit. In de ComEd-zone (hogere elasticiteit) was de impact kleiner, maar nog steeds significant.
Retail Implicaties: Hoewel de doorberekening naar de consument (retail) vertraagd is, schatten de auteurs een potentiële langetermijnstijging van de consumentenprijs van tot wel 25% in zones met een hoge impact, omdat duurdere marginale generatoren worden ingezet om aan de AI-vraag te voldoen.

3.4. Mitigatie via On-site Generatie

Een cruciale bevinding is de omkering van het teken van de vermogenskwaliteitteffecten op basis van infrastructuur:

Zonder On-site Generatie: De vermogenskwaliteit verslechtert (positieve CPKI-coëfficiënt).
Met On-site Generatie: De vermogenskwaliteit verbetert (negatieve CPPI-coëfficiënt).
Interpretatie: Collocatie van generatie (vaak met opslag) absorbeert vraagpieken direct, waardoor ze niet naar het net worden doorgegeven en de afhankelijkheid van marginale fossiele generatoren wordt verminderd.

4. Contrafactuele Analyses

Het artikel evalueert hoe verschillende technische evoluties van AI de netimpacten kunnen veranderen:

Model Schaling: Schaling van 2 biljoen naar 4 biljoen parameters zou de impact op de vermogenskwaliteit met ~35% verhogen. Een toename van 1% in modelparameters correleert met een toename van 0,15% in de vraag naar vermogen.
Geografische Herverdeling:
- Edge Inference: Het verschuiven van inference van geconcentreerde hyperscaler-faciliteiten naar gedistribueerde edge-nodes vermindert de zonale vraagpieken aanzienlijk (van 162 MWh/uur naar 4 MWh/uur in simulaties).
- Centralisatie: Het concentreren van alle training in één grote faciliteit creëert extreme lokale vraagpieken (~100 GWh), wat de risico's van overconcentratie benadrukt.
On-site Generatie: Universele adoptie van on-site generatie zou de netto impact van datacentra verschuiven van een nadeel voor de vermogenskwaliteit naar een netto verbetering.

5. Betekenis en Bijdragen

Het artikel claimt drie primaire bijdragen aan de literatuur:

Methodologische Innovatie: Het vestigt een robuuste methodologie voor het beoordelen van macro-niveau netimpacten van AI met behulp van publiekelijk beschikbare data, waarbij het gebrek aan propriëtaire operationele details wordt overwonnen door middel van staggered DiD en instrumentele variabelen.
Causaal Bewijs: Het biedt de eerste causale schattingen van AI-modelreleases op de vermogenskwaliteit, de vraag naar fossiele brandstoffen en de groothandelsprijzen, waarmee het verder gaat dan correlationele studies of techno-economische projecties.
Beleidsrelevantie: Het toont aan dat de externaliteiten van AI nauw verbonden zijn met het ontwerp van inkoop en de ruimtelijke organisatie. De resultaten suggereren dat alleen REC-strategieën onvoldoende zijn voor netstabiliteit. In plaats daarvan worden on-site collocatie met opslag en ruimtelijke herallocatie (bijv. edge computing) geïdentificeerd als effectieve instrumenten om de netimpacten te mitigeren.

De auteurs concluderen dat zonder structurele veranderingen in de wijze waarop AI-infrastructuur van stroom wordt voorzien en gelokaliseerd, de voortdurende schaling van AI-modellen de betrouwbaarheid van het net zal blijven verslechteren en de kosten voor alle consumenten zal verhogen, ongeacht de claims van koolstofneutraliteit.